Есть деньги, которые бизнес еще не заработал. Это неприятно, но понятно. А есть деньги гораздо болезненнее: они уже почти ваши, но застряли в счетах, согласованиях, переписке с поставщиками, ручных проверках и мелких расхождениях, до которых ни у кого не доходят руки.

Поэтому история Worldwide Express интересна не только логистам. Как пишет AWS Machine Learning Blog, компания автоматизировала обработку исключений в грузовых счетах с помощью мультиагентного решения на Amazon Bedrock. За шесть месяцев после запуска активные исключения сократились на 75%, time-to-cash улучшился на четыре недели, а свободный cash flow вырос на $10 млн.

Процесс как будто работает, но деньги стоят

Worldwide Express работает в большом масштабе: примерно $5 млрд системной выручки, более 75 LTL-перевозчиков и свыше 130 000 клиентов. Вместе с масштабом пришла вполне знакомая операционная проблема. Каждый месяц около $15 млн свободного cash flow были заблокированы в billing exceptions.

В LTL-перевозках примерно 14% инвойсов не проходят стандартную сверку между заказом, фактически оказанной услугой и счетом перевозчика. Причины очень жизненные: не совпадают позиции, тариф отличается от контрактного, появляется дополнительная плата за лифтгейт, доставку в жилую зону или перевзвешивание.

Раньше все это разгребали люди. Проверяли документы, искали причину расхождения, писали перевозчику или складу, ждали ответа и вносили решение в TMS-систему SpeedShip. А у каждого перевозчика — свои правила, тарифы и порядок споров. Обычная RPA здесь быстро упирается в стену: процесс не идет по ровной колее, нужно понимать контекст.

AI-агенты взяли на себя не магию, а рутину с правилами

Worldwide Express вместе с AWS и LTM построила решение, которое подключается к SpeedShip. Amazon Bedrock отвечает за AI-рассуждение, Amazon EC2 — за выполнение и оркестрацию. Команда не отдала системе вообще все. Напротив, выбрала архитектуру с тонким контролем: у каждого агента есть роль, границы решений, доступные действия и формат ответа.

В системе работают три специализированных агента:

  • агент сопоставления инвойсов находит соответствующую запись отправки и показывает, что именно не совпадает;
  • агент тарифных расхождений сравнивает сумму перевозчика с контрактной ставкой;
  • агент дополнительных сборов проверяет, подтверждены ли неожиданные платежи реальными событиями доставки.

Перед рекомендацией агент подтягивает правила конкретного перевозчика: тарифы, определения доплат, процедуры споров, пороги отклонений. После решения система формирует короткую текстовую заметку: что нашли и какое действие выполнили. На старте человек утверждал рекомендации в интерфейсе SpeedShip. Когда точность превысила 99%, массовое согласование стало стандартным режимом.

Результат получился очень прикладным. В продакшене работают более 40 LTL-перевозчиков, агенты закрывают 10 000 исключений в неделю — то есть примерно 50% потока. Ошибка — менее 1%. Активный backlog упал с $15 млн в июне 2025 года до $4 млн через шесть месяцев. Годовая экономия превысила $1 млн, а first-year ROI составил 60x.

Где искать такой эффект в более маленьком бизнесе

Что с этим делать малому или среднему бизнесу? Точно не копировать AWS-архитектуру один в один. Начать лучше с поиска собственных «исключений»: счетов, возвратов, рекламаций, согласований с поставщиками, медицинских записей, заявок в доставке.

Представим интернет-магазин, где часть возвратов зависает из-за разных правил маркетплейсов и служб доставки. Или клинику, где администраторы вручную сверяют записи, оплаты и документы пациентов. Это не тот случай, где нужна громкая трансформация. Нужен один повторяющийся узел, в котором много однотипных решений, но правила каждый раз немного разные.

Первый шаг простой: взять один тип проблемы, описать правила, подключить данные и оставить человека на утверждении. Дальше измерять автоматизацию, ошибки, время обработки и частоту ручных отклонений. И вот тут начинается самое интересное. Без качественной базы правил AI может очень убедительно объяснять сомнительные решения. В финансах, медицине или логистике это быстро становится не инновацией, а риском.

Для нас главный урок в этом кейсе такой: AI-агенты имеют смысл там, где есть объем, вариативность и понятная цена задержки. Автоматизация начинается не с модного инструмента, а с трезвого вопроса: где у нас уже заработанные деньги лежат без движения?