60 человек вместо 200: как автоматизация помогла бизнесу масштабироваться без наращивания штата

Команда true.code помогла компании, работающей с международными банковскими переводами, перестроить процессы казначейства, автоматизировать ключевые задачи и избежать кратного роста команды при масштабировании. Рассказываем, как мы это сделали — от погружения в бизнес до запуска цифровых ассистентов.

К нам обратилась крупная компания, которая специализируется на международных банковских переводах. Казначейство обрабатывало большое количество операций — от заявок клиентов до проверки исполнения платежей. Однако все эти процессы выполнялись вручную: Excel, ручной ввод, отсутствие централизованной системы управления задачами. Это замедляло работу, создавая хаос и риски ошибок.

Дополнительную сложность создавал нестандартный график: из-за разницы часовых поясов с клиентами команда давно перешла на посменный режим. В любой момент суток в системе находились активные сотрудники, но управлять этим было непросто. Руководству приходилось держать в голове, кто работает сейчас, кто загружен, кто болеет, кто в отпуске — и все это на фоне потока входящих заявок.

Компании нужно было масштабироваться: объем операций рос, а нанимать еще 100–150 сотрудников — значит резко увеличить расходы и нагрузку на управленцев. Поэтому основная задача звучала просто, но амбициозно: перестроить процессы так, чтобы существующий штат мог справляться с растущими объемами без потери в качестве и сроках.

Вместо того чтобы сразу предлагать решение, мы пошли другим путем — и на несколько месяцев встроились в команду клиента. Мы работали внутри казначейства, наблюдали за рабочими процессами, разговаривали с сотрудниками на разных уровнях и искали болевые точки в реальных кейсах.

Наша цель была — не автоматизировать хаос, а понять, как работает система, где процессы дублируются, где задачи переходят из рук в руки, где можно внедрить роботов без потерь. Мы анализировали не только сами действия, но и контексты: как формируется нагрузка, что влияет на сроки, какие данные приходится обрабатывать вручную и почему.

Такой подход позволил увидеть картину целиком — не со стороны верхнего уровня, а в деталях повседневной работы. Мы поняли, какие задачи забирают больше всего времени, какие операции можно сразу автоматизировать, а где нужна доработка логики взаимодействия между отделами.

После погружения мы перешли к этапу проектирования и разработки. Работа велась по системе agile — с регулярной демонстрацией промежуточных результатов, быстрой обратной связью от клиента и гибкой адаптацией архитектуры под реальные нужды.

Проект занял около полугода. За это время мы создали модульную систему автоматизации, которая включала в себя:

До внедрения автоматизации распределение заявок шло вручную: сначала они попадали к старшему менеджеру, затем — к руководителю отдела, а уже потом — к исполнителю. На каждом этапе приходилось вручную сверяться с графиком, вспоминать занятость конкретных сотрудников и следить за сроками.

Теперь за это отвечает система автоматического распределения задач, которая учитывает:

Мы разработали интерфейс с гибкими фильтрами, где менеджеры видят актуальную картину по всем заявкам и сотрудникам. Это позволяет не только быстрее раздавать задачи, но и отслеживать эффективность работы команды.

Раньше все, что касалось платежных поручений, делалось вручную. Сотрудники собирали данные, заполняли документы, сверялись с банком — и только потом переводили дело в архив.

Теперь этим занимаются три программных робота, каждый из которых закрывает отдельный блок рутинных задач:

Ранее выполнение этих задач требовало времени и внимания людей. При росте объема — компании пришлось бы нанимать десятки новых сотрудников. Сейчас эти функции работают стабильно и предсказуемо.

Еще одна проблема — неоднородность банковских выписок. У клиента несколько банков, десятки счетов в разных валютах, и каждый банк формирует выписку в своем формате и со своей структурой данных. Чтобы корректно вести учет, необходимо автоматически разбирать такие документы: выделять исполненные платежи, даты, суммы, получателей, комиссии. На основе этих данных формируется управленческий дашборд с показателями по количеству транзакций, входящим и исходящим потокам, остаткам и расходам на комиссии. Для этого используется искусственный интеллект, который учится на разных форматах и обрабатывает выписки без ручного вмешательства.

Схожая проблема возникает и со SWIFT-сообщениями: они приходят в разных форматах и с разной структурой. Мы применяем тот же подход — с помощью ИИ обрабатываем большой поток сообщений и автоматически сопоставляем каждый SWIFT с конкретной заявкой клиента.

Так мы и внедрили систему интеллектуального парсинга, которая:

Это снизило нагрузку на команду и убрало узкое место, которое тормозило обработку документов при пиковых нагрузках.

Через несколько месяцев после запуска цифровой системы компания вышла на стабильную работу без увеличения штата. Команда из 60 человек ежедневно обрабатывает тысячи международных операций — и при этом не нуждается в расширении.

Автоматизация позволила бизнесу масштабироваться — без хаоса, без потери качества и роста затрат.