AI-система для определения кода ТН ВЭД

Разработали для INSAL AI-систему для автоматизации первичного определения кода ТН ВЭД. Решение анализирует характеристики товара, формирует первичную гипотезу, проверяет её по нескольким источникам и готовит аргументированный результат для дальнейшей проверки декларантом.

AI-система для определения кода ТН ВЭД
Снимок экрана сервиса INSAL ии определение кода ТН ВЭД

Связка с отдельным Таможенным AI-аудитором позволяет пройти путь от характеристик товара до предварительной оценки таможенных платежей и юнит-экономики ещё до ввоза партии.

Определять код ТН ВЭД с помощью ИИ можно по характеристикам товара, но одного ответа языковой модели для этого недостаточно. В нашей реализации AI-гипотеза дополнительно проверяется по официальным документам, актуальным справочным данным и практике декларирования.

Инфографика структуры кода ТН ВЭД ЕАЭС

Задача: автоматизировать первичное определение кода ТН ВЭД

При классификации товара недостаточно знать только его название. На выбор кода могут влиять назначение, материал, состав, способ обработки, технические характеристики, комплектация и другие признаки.

Нужно было автоматизировать первичный анализ: собрать необходимые данные, определить наиболее вероятный код, проверить его по дополнительным источникам и подготовить результат для специалиста.

При этом система не должна была заменять декларанта или выдавать уверенный ответ там, где исходных данных недостаточно.

Скриншот сервиса AI - Определение кода ТН ВЭД - INSAL

Почему сделали форму, а не AI-чат

Для определения ТН ВЭД свободный чат оказался не самым рациональным интерфейсом.

Такой подход позволил:

  • стандартизировать входные данные;
  • снизить количество дополнительных запросов;
  • уменьшить расход токенов;
  • снизить себестоимость анализа;
  • повысить стабильность результата.

Пользователь может не указать критичную характеристику, после чего системе приходится запрашивать дополнительные сведения и повторно обращаться к модели. Это увеличивает количество запросов, расход токенов и стоимость обработки.

Поэтому сделали структурированную форму, которая сразу собирает необходимые признаки товара.

Как работает AI-система определения ТН ВЭД

Мы не просим языковую модель просто «угадать» код. Определение проходит через несколько уровней проверки.

  1. 1. Первичная AI-гипотеза

    Модель анализирует характеристики товара и на основе своего датасета формирует наиболее вероятный код или группу кодов.

  2. 2. Проверка по официальным документам

    К системе подключена векторная библиотека официальных документов и классификаторов Таможенного союза.

    Первичная гипотеза сопоставляется с нормативной базой, чтобы результат не зависел только от знаний языковой модели.

  3. 3. Проверка по актуальным данным и практике

    По предполагаемому коду система обращается по API к профессиональному сервису таможенного оформления.

    Один запрос позволяет получить актуальные справочные данные по коду. Дополнительно система обращается к базе практики, основанной на ранее применявшихся классификациях товаров.

    После этого отдельный AI-агент сопоставляет результаты всех этапов, анализирует совпадения и расхождения и формирует итоговый отчёт.

    Характеристики товара → AI-гипотеза → официальные документы → актуальные данные → практика декларирования → AI-анализ → отчёт

Результат работы сервиса ИИ определения кода ТН ВЭД

Что получает пользователь

Результат — не просто строка с кодом ТН ВЭД.

В отчёте система может указать:

  • наиболее вероятный код;
  • товарную группу;
  • обоснование классификации;
  • альтернативные варианты;
  • характеристики, от которых зависит результат;
  • условия, при которых код может измениться;
  • данные для дальнейшего таможенного анализа.

Как система оценивает точность результата

Для нас было важно, чтобы AI не пытался любой ценой сформировать однозначный ответ.

Если исходных характеристик недостаточно, система прямо сообщает об этом, указывает, какие данные необходимо уточнить, и объясняет, при каких условиях товар может относиться к другому коду.

Так декларант получает не только предполагаемый результат, но и понимает уровень неопределённости и причины возможной альтернативной классификации.

Точность определения кода ТН ВЭД

По результатам внутреннего тестирования при корректно и полно заполненных исходных данных система показывала:

до 100% — при определении товарной группы;

до 90% — при определении полного кода ТН ВЭД.

Точность напрямую зависит от полноты и качества исходной информации. Поэтому в основе решения лежат структурированный сбор характеристик и несколько независимых уровней проверки результата.

AI готовит результат — декларант принимает решение

Система не создавалась как замена специалисту по таможенному оформлению.

AI выполняет значительную часть предварительной работы: анализирует сведения о товаре, формирует гипотезу, проверяет её по нескольким источникам и готовит аргументированный результат.

Декларант получает уже подготовленные данные и концентрируется на проверке и окончательном согласовании кода.

Такой подход сокращает объём ручного поиска, ускоряет обработку товарных позиций и повышает производительность специалиста, сохраняя экспертный контроль.

Таможенный AI-аудитор

Определение кода стало только первым этапом автоматизации.

После получения вероятного кода его можно передать во второй инструмент — Таможенный AI-аудитор.

На основе кода ТН ВЭД, страны происхождения и стоимости партии система помогает предварительно определить:

  • таможенную пошлину;
  • НДС;
  • итоговые платежи;
  • необходимые документы;
  • ограничения и риски, которые стоит учитывать при ввозе.

Снимок экрана сервиса Таможенный AI-аудитор - INSAL

Получается последовательный процесс:

характеристики товара → код ТН ВЭД → таможенный анализ → платежи, документы и риски

Оценка юнит-экономики до ввоза товара

Связка двух AI-инструментов позволяет использовать систему ещё до начала полноценного таможенного оформления.

Компания может предварительно определить вероятный код товара, оценить связанные с ним платежи и понять, как они повлияют на итоговую себестоимость импортируемой позиции.

Это даёт возможность оценить юнит-экономику до закупки партии и принять решение до того, как средства вложены в товар, логистику и оформление.

Себестоимость AI-определения

Ориентировочная себестоимость одного автоматизированного определения в нашей реализации составляет 30–60 рублей.

Она зависит от:

  • полноты исходных данных;
  • количества необходимых запросов;
  • сложности товара;
  • используемой языковой модели.

При небольшом количестве позиций основной эффект заключается в экономии времени специалиста.

При работе с десятками, сотнями или тысячами товаров особенно заметным становится масштабирование первичного анализа.

Как этот подход применить в других бизнес-процессах

Ключевая особенность проекта — не сама языковая модель.

В одном процессе мы объединили: структурированный сбор данных → AI-анализ → официальные документы → внешние API → практику классификации → оценку уверенности → экспертный контроль.

Такой подход применим и к другим задачам, где сотрудники вручную собирают сведения из нескольких источников, анализируют документы и справочники, проверяют условия и только после этого принимают решение.

Если процесс можно разложить на последовательные этапы проверки, часть этой работы можно автоматизировать с помощью AI, сохранив человека на финальном уровне контроля.

Разобрать процесс и оценить, что можно автоматизировать

Разобрать мой процесс