При миллионах повторений важна стоимость каждой операции
Docusign обрабатывает более миллиона договорных документов в день. Они приходят в разных форматах: текст, сканы, таблицы, по-разному оформленные страницы. Из каждого нужно извлечь даты, стороны, применимое право, стоимость договора и другие данные, которые система сохраняет в отдельных полях. Источник Docusign
По кейсу Microsoft, сначала Docusign чаще поручала работу крупным универсальным моделям. Когда документов стало больше, выросли расходы и время ожидания, а скорость обработки стала ограничивать работу. Команда решила проверить, какие данные можно извлекать с помощью небольших моделей. Источник Microsoft
Небольшие модели извлекают поля, крупные разбирают сложные условия
По описанию инженеров Docusign, система выбирает модель под сведения, которые нужно получить. Небольшие модели дополнительно обучили извлекать повторяющиеся поля, и они обрабатывают большой поток документов. Крупным моделям оставили сложные условия, подготовку сводок и сопоставление нескольких документов. Источник
Кейс Microsoft описывает тот же переход: Docusign использует модели для отдельных задач по договорам. Вместе с выбором моделей команда изменила и отбор текста для каждого запроса. Источник
Модель получает только те фрагменты, которые нужны для задачи
Сначала небольшая модель ищет в договоре фрагменты, где вероятнее всего находится нужное значение. Основная модель получает уже отобранный текст. По данным Docusign, этот шаг выполняется до обращения к основной модели и позволяет не передавать ей весь многостраничный договор. Источник
Меньший объём текста сокращает расходы на запрос. По данным Docusign, такой отбор может также повысить точность: модель работает с нужными условиями договора, и ей меньше мешает шаблонный текст.
В запрос попадают только относящиеся к задаче разделы
В пакет с договором могут входить справочники, приложения и другие материалы. Чтобы извлечь одно поле, системе сначала нужно определить, какие части пакета относятся к нему.
Система заранее находит вероятное место ответа
Отбор нужных фрагментов встроен в обработку и выполняется до обращения к основной модели.
Размер модели соответствует сложности задачи
Извлечение повторяющихся полей и разбор сложного юридического вопроса требуют разной обработки. Docusign распределяет эти задачи между моделями разного размера.
Ответ модели проверяют до записи в учётную систему
После обработки система приводит значения к единому формату и проверяет по установленным правилам. Затем сверяет их с исходным документом: каждое извлечённое сведение должно иметь подтверждение.
Крупные модели помогают обучать небольшие
Microsoft описывает обучение по схеме «учитель — ученик». Крупные модели помогают готовить примеры по разным типам договоров. Docusign проверяет эти данные и дополнительно обучает на них небольшие модели. До запуска команда оценивает качество, после — следит за работой системы на реальных документах. Источник
Таким образом, крупная модель участвует в подготовке небольшой специализированной модели. После обучения та выполняет повторяющуюся задачу с меньшими затратами. По мере развития системы рабочую модель можно обновлять или менять.
Microsoft сообщает о снижении затрат на обработку с ИИ на 90%
По данным Docusign, её платформа интеллектуального управления соглашениями — IAM — обрабатывает более миллиона договорных документов в день. Извлечённые данные используют для поиска, рабочих задач и передачи в другие системы.
Microsoft сообщает, что после дообучения и настройки моделей система стала обрабатывать до восьми раз больше документов за то же время.
Microsoft сообщает о снижении затрат на обработку с ИИ на 90%. При этом точность специализированных моделей отличалась от точности крупных моделей, с которыми их сравнивали, не более чем на два процентных пункта.
До модели — подготовка документа, после — проверка данных
До обращения к модели система извлекает текст. На сканах она сначала распознаёт его с помощью OCR — технологии чтения текста с изображений. Также она переводит страницы в изображения и определяет их структуру.
Для каждого типа извлечения система выбирает модель с учётом сложности задачи, стоимости обработки и допустимого времени ожидания.
Система обрабатывает короткие запросы пользователей отдельно от больших фоновых заданий. Разные очереди позволяют массовой обработке не задерживать ответы пользователям.
Перед сохранением система приводит значения к единому формату, проверяет их по правилам компании и сверяет с исходным документом.
Скорость и расходы зависят от всей цепочки обработки
Для частой операции важна её стоимость
Когда операция повторяется миллионы раз, цена запроса и объём текста в нём влияют на общие расходы. Время выполнения каждого запроса также определяет, какой поток документов сможет обработать система.
Точный отбор текста может улучшить результат
Отбор нужных фрагментов сокращает объём запроса и его стоимость. По данным Docusign, он может также повысить точность: модели проще найти значение среди относящихся к задаче условий.
Участки с разной нагрузкой работают отдельно
Хранение документов, работа моделей, короткие запросы и массовая обработка по-разному нагружают систему. Docusign разделяет эти части, чтобы настраивать каждую под её работу.
Данные проверяют перед сохранением
Система должна найти неподтверждённые сведения до того, как они попадут в рабочие записи и на их основе начнут принимать решения.
Подготовить документ → Выбрать модель → Отобрать текст → Обработать → Проверить → Использовать
Разобрать источник → найти нужное требование → выбрать модель для извлечения или анализа → проверить → использовать подтверждённые факты в черновике.
Распознать текст и структуру → извлечь поля специализированной моделью → проверить по правилам → разобрать расхождения → обновить учётную систему.
Собрать документы → выполнить проверки по правилам и разобрать сложные вопросы с ИИ → указать источники выводов → передать специалисту для проверки.
Определить задачу → отобрать нужные утверждённые данные → выбрать наименее дорогую модель с подходящим качеством → проверить перед публикацией.
Модель подбирают под конкретный этап работы
Для повторяющейся задачи стоит отдельно подобрать модель, отобрать нужный текст и определить проверки. Опыт Docusign показывает, как эти решения влияют на обработку документов.
Docusign изменила несколько связанных этапов: подготовку документов, выбор модели, отбор текста, очереди запросов и проверку результата. Вместе они определяют, сколько времени и денег занимает обработка и насколько достоверны сохранённые данные.
Этот подход полезен и при меньших объёмах. Если задача повторяется часто, передача всех данных самой крупной модели может создавать лишние расходы и усложнять проверку.
Для начала нужно описать результат каждого этапа: какие сведения получить, с какой точностью и за какое время. По этим требованиям можно выбирать модель и текст, который ей передадут.
Что выяснить перед выбором модели для документов
Где нужно извлекать одни и те же поля, а где — анализировать содержание и сопоставлять условия?
Нужен ли модели весь документ или система может заранее выделить разделы, где находится нужное сведение?
Какие проверки должен пройти ответ модели перед записью в рабочую систему?
Определены ли допустимые стоимость, время обработки и качество для целого документа с учётом всех запросов к модели?
Автоматизация обработки документов с ИИ
Вы снова и снова обрабатываете один тип документов?
Покажите пример документа и расскажите, какие сведения нужно из него получить и куда их сохранить. Вместе разберём обычные и спорные случаи. Объясним, какие этапы можно поручить ИИ, как проверять ответы и где понадобится сотрудник.
Это независимый разбор команды M2B2 по опубликованному описанию системы Docusign. Команда M2B2 не участвовала в её создании. Показатели взяты из кейса Microsoft от 15 сентября 2026 года и инженерных материалов Docusign. Возможности продукта дополнительно сверены с документацией Docusign Agreement Manager. Команда M2B2 не проверяла заявленные результаты независимо.