ChatGPT ошибается в сметах, а заводы теряют деньги
На реальных заявках по металлопрокату обычный ChatGPT может красиво объяснить расчет, но ошибиться в цифрах так, что завод потеряет десятки и сотни тысяч рублей. Поэтому для таких задач его нужно отделять от точной математики и считать через отдельное расчетное ядро.
Почему заводы не успевают с коммерческими предложениями
На рынке металлопроката заявка живет недолго: снабженец отправляет одну ведомость сразу в 4–5 заводов и обычно выбирает того, кто первым пришлет точное коммерческое предложение с ценой, весом и сроками. Для завода это означает аврал в отделе продаж и давление по времени.
Вручную такая работа занимает от 4 до 8 часов у квалифицированного сметчика. Нужно распознать разговорные названия вроде «швеллер шестнашка П», перевести их в нормативную номенклатуру, открыть ГОСТ, проверить массы, учесть отходы, остатки на складе, цену, резку, наценку и налоги. Если в день приходит много таких заявок, отдел просто тонет в рутине.
Почему ChatGPT здесь не подходит
Команда проверила простой сценарий: дать модели позицию «Швеллер 16П — 300 метров» и попросить посчитать массу. ChatGPT уверенно выдал 2,50 тонны, хотя по ГОСТ 8240–97 правильный расчет дает 4,26 тонны. Ошибка составила 41,3% в минус.
На цене 72 000 рублей за тонну это превращается в прямой убыток 126 720 рублей только по одной позиции. Проблема не в том, что модель «плохо старается», а в том, что языковая модель по природе вероятностная: она хорошо работает с текстом, но не является надежным калькулятором для денег, единиц измерения и производственных норм.
Как сделали безопасную схему расчета
Чтобы убрать человеческие ошибки и не отдавать арифметику нейросети, задачу разделили на три слоя. Первый слой занимается только разбором неструктурированных сканов, фото и сообщений: выравнивает изображение, нормализует контраст и извлекает смысл через Vision-модель. На этом этапе ИИ понимает, что за позиция перед ним, но не считает итог.
Во втором слое жесткий код подставляет точный стандарт и нормативы по справочнику соответствий, а третий слой на Python уже детерминированно считает массу, стоимость, отходы и итоговое КП. Такой подход полезен любому бизнесу, где нужно быстро разбирать хаотичные документы, но нельзя ошибаться в цифрах: от закупок и производства до логистики и продаж.