Разработка AI-цифрового бухгалтера (AI Accountant) — автоматизация учёта

Представьте: 300 документов в день, 4 бухгалтера, 40% времени уходит на ручной ввод и сверку. Типичная производственная компания теряет до 2,5 млн рублей в год на ошибках и задержках. Мы решили эту проблему с помощью AI-бухгалтера — цифрового сотрудника на основе нейросети, который автоматизирует бухгалтерию: обрабатывает первичные документы (счёт-фактуры, акты, накладные), сверяет счета, готовит проводки, мониторит дебиторскую задолженность. Это не RPA-робот, а умная VLM-система, которая понимает контекст и адаптируется без переобучения. Он не заменяет главного бухгалтера, но снимает до 60-70% операционной нагрузки, позволяя команде фокусироваться на сложных задачах. Наша команда — 10+ лет в автоматизации учёта, более 50 внедрений AI-решений, официальные партнёры 1С. Накопленный опыт позволяет гарантировать качество извлечения данных на уровне 99% и снижение ошибок ввода минимум на 90%. Получите консультацию по внедрению AI-бухгалтера.

Этапы внедрения AI-бухгалтера

Как AI-бухгалтер обрабатывает первичные документы?

Извлечение данных из сканов и PDF строится на Vision Language Models. Мы используем Claude Vision и GPT-4o — они понимают структуру российских документов: ИНН, КПП, номера, даты и суммы. В отличие от классического OCR, VLM учитывает контекст: распознаёт не только символы, но и семантику полей. Результат парсится в строгую Pydantic-модель.

import anthropic
import base64
from pathlib import Path
from pydantic import BaseModel
from typing import Optional, Literal

client = anthropic.Anthropic()

class InvoiceData(BaseModel):
    document_type: Literal["invoice", "act", "waybill", "upd"]  # УПД
    vendor_name: str
    vendor_inn: Optional[str]
    vendor_kpp: Optional[str]
    document_number: str
    document_date: str
    amount_without_vat: float
    vat_rate: Optional[float]        # 20, 10, 0, None (без НДС)
    vat_amount: Optional[float]
    total_amount: float
    items: list[dict]                 # Строки документа
    payment_purpose: Optional[str]   # Назначение платежа
    contract_reference: Optional[str]

def extract_document_data(file_path: str) -> InvoiceData:
    """Извлечение данных из скана/PDF документа через Claude Vision"""

    with open(file_path, "rb") as f:
        file_content = base64.standard_b64encode(f.read()).decode("utf-8")

    ext = Path(file_path).suffix.lower()
    media_type = "application/pdf" if ext == ".pdf" else "image/jpeg"

    response = client.messages.create(
        model="claude-opus-4-5",
        max_tokens=2000,
        messages=[{
            "role": "user",
            "content": [
                {
                    "type": "document" if ext == ".pdf" else "image",
                    "source": {
                        "type": "base64",
                        "media_type": media_type,
                        "data": file_content,
                    },
                },
                {
                    "type": "text",
                    "text": """Извлеки все реквизиты финансового документа.
Для российских документов: ИНН, КПП, номер документа, дату, суммы с НДС и без.
Верни JSON согласно схеме InvoiceData. Если поле отсутствует — null.""",
                },
            ],
        }],
    )

    return InvoiceData.model_validate_json(response.content[0].text)

Почему Vision Language Models, а не классический OCR?

Классические OCR-движки (Tesseract, ABBYY) часто ошибаются на нестандартных макетах и плохих сканах. VLM-модели видят документ целиком: они понимают, что сумма в правом нижнем углу — это итог, а не отдельная строка. Точность извлечения на российских документах достигает 99% при умеренном качестве. При этом модель адаптируется к новым шаблонам без переобучения — достаточно показать 2-3 примера в промпте.

Верификация и сопоставление с договорами

Извлечённые данные автоматически проверяются: ИНН сверяется с ФНС (через API), суммы — с договорами и лимитами. Если обнаружено расхождение, документ помечается на ручной контроль. Дубликаты отсекаются по номеру и ИНН поставщика.

class DocumentVerifier:

    async def verify_invoice(
        self,
        invoice: InvoiceData,
        contract_id: str,
    ) -> dict:
        """Проверяет счёт против договора и справочников"""

        # Параллельная проверка
        contract_task = contracts_db.get(contract_id)
        vendor_task = vendor_db.get_by_inn(invoice.vendor_inn)
        previous_invoices_task = invoices_db.get_for_contract(contract_id)

        contract, vendor, previous = await asyncio.gather(
            contract_task, vendor_task, previous_invoices_task
        )

        issues = []

        # Проверка ИНН поставщика
        if vendor and vendor.inn != invoice.vendor_inn:
            issues.append(f"ИНН поставщика не совпадает: документ={invoice.vendor_inn}, справочник={vendor.inn}")

        # Проверка суммы против договора
        total_paid = sum(p.amount for p in previous if p.status == "approved")
        if total_paid + invoice.total_amount > contract.max_amount * 1.05:  # 5% допуск
            issues.append(f"Превышение суммы договора: оплачено {total_paid}, новый счёт {invoice.total_amount}, лимит {contract.max_amount}")

        # Проверка НДС
        if invoice.vat_amount and invoice.vat_rate:
            expected_vat = invoice.amount_without_vat * invoice.vat_rate / 100
            if abs(expected_vat - invoice.vat_amount) > 1:  # Допуск 1 руб
                issues.append(f"Ошибка расчёта НДС: ожидается {expected_vat:.2f}, в документе {invoice.vat_amount:.2f}")

        # Дубликат?
        duplicate = next(
            (p for p in previous if p.document_number == invoice.document_number and p.vendor_inn == invoice.vendor_inn),
            None,
        )
        if duplicate:
            issues.append(f"Дубликат документа: номер {invoice.document_number} уже обработан {duplicate.processed_date}")

        return {
            "valid": len(issues) == 0,
            "issues": issues,
            "requires_manual_review": len(issues) > 0,
            "vendor_verified": vendor is not None,
        }

Обработка документов с ошибками

Система не просто отбрасывает проблемные документы — она классифицирует тип ошибки и предлагает действия. Мелкие расхождения (до 1 рубля по НДС) автоматически корректируются. Серьёзные несоответствия направляются в очередь ручной проверки с указанием причины. Свяжитесь с нами для демонстрации работы на ваших документах.

Формирование проводок и интеграция с 1С

Классификатор на основе LLM определяет тип расхода (материалы, услуги, товары) и подбирает корреспонденцию счетов. Проводки с аналитикой загружаются в 1С через XML. Готовый блок кода ниже.

class AccountingEntryGenerator:

    ACCOUNT_MAPPING = {
        "materials": {"debit": "10.01", "credit": "60.01"},
        "services": {"debit": "26",     "credit": "60.01"},
        "goods": {"debit": "41.01",     "credit": "60.01"},
        "vat_input": {"debit": "19.03", "credit": "60.01"},
    }

    async def generate_entries(
        self,
        invoice: InvoiceData,
        cost_center: str,
    ) -> list[dict]:
        """Генерирует проводки для 1С"""

        # LLM классифицирует тип расхода
        classification = await client.messages.create(
            model="claude-opus-4-5",
            max_tokens=200,
            messages=[{
                "role": "user",
                "content": f"""Классифицируй расход для бухгалтерских проводок.
Поставщик: {invoice.vendor_name}
Наименования в документе: {[item['name'] for item in invoice.items[:5]]}

Верни JSON: {{"expense_type": "materials|services|goods|fixed_assets", "account": "26|44|10|08", "vat_deductible": true|false}}"""
            }],
        )

        classification_data = json.loads(classification.content[0].text)
        entries = []

        # Основная проводка
        account_map = self.ACCOUNT_MAPPING.get(classification_data["expense_type"], self.ACCOUNT_MAPPING["services"])
        entries.append({
            "debit": account_map["debit"],
            "credit": account_map["credit"],
            "amount": invoice.amount_without_vat,
            "description": f"{invoice.vendor_name} / {invoice.document_number} от {invoice.document_date}",
            "cost_center": cost_center,
            "analytic": invoice.vendor_inn,
        })

        # НДС
        if invoice.vat_amount and classification_data.get("vat_deductible"):
            entries.append({
                "debit": "19.03",
                "credit": "60.01",
                "amount": invoice.vat_amount,
                "description": f"НДС / {invoice.vendor_name} / {invoice.document_number}",
                "cost_center": cost_center,
            })

        return entries

    async def post_to_1c(self, entries: list[dict]) -> str:
        """Загружает проводки в 1С через COM-объект или API"""
        # Формируем XML для 1С
        xml_data = self.format_1c_xml(entries)
        result = await onec_api.post_document(xml_data)
        return result["document_id"]

Мониторинг дебиторской задолженности

Ежедневно AI проверяет просроченные счета и автоматически отправляет напоминания с эскалацией по степени просрочки. Персонализация писем — через GPT-4o-mini.

class ReceivablesMonitor:

    async def daily_ar_check(self) -> dict:
        """Ежедневная проверка просроченной дебиторки"""

        overdue_invoices = await invoices_db.get_overdue()

        report = {
            "total_overdue": sum(i.amount for i in overdue_invoices),
            "by_aging_bucket": self.group_by_aging(overdue_invoices),
            "actions_taken": [],
        }

        for invoice in overdue_invoices:
            days_overdue = invoice.days_overdue

            if days_overdue <= 7:
                # Дружественное напоминание
                await self.send_reminder(invoice, tone="friendly")
                report["actions_taken"].append(f"Напоминание: {invoice.customer_name}")

            elif days_overdue <= 30:
                # Официальное требование
                await self.send_reminder(invoice, tone="formal")
                await crm.create_task(customer_id=invoice.customer_id, title="AR Follow-up")
                report["actions_taken"].append(f"Официальное требование: {invoice.customer_name}")

            elif days_overdue > 30:
                # Эскалация финансовому директору
                await self.escalate_to_cfo(invoice)
                report["actions_taken"].append(f"ЭСКАЛАЦИЯ: {invoice.customer_name}, {days_overdue} дней")

        return report

    async def generate_ar_reminder(self, invoice: dict, tone: str) -> str:
        response = await openai_client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{
                "role": "system",
                "content": f"Напиши напоминание об оплате. Тон: {tone}. Официальный деловой стиль. 2-3 абзаца."
            }, {
                "role": "user",
                "content": f"Счёт №{invoice['number']} от {invoice['date']} на {invoice['amount']:,.0f} руб, просрочка {invoice['days_overdue']} дней, клиент: {invoice['customer_name']}"
            }],
        )
        return response.choices[0].message.content

Практический кейс: наш проект для производственной компании

Ситуация: 4 бухгалтера обрабатывали 300 документов в день (счёт-фактуры, акты, накладные). 40% времени — ручной ввод и сверка. AI-бухгалтер обрабатывал сканы и PDF через OCR + Claude Vision, автоматическую верификацию ИНН через ФНС API, сопоставление с договорами, формирование проводок в 1С (загрузка XML), еженедельный AR-отчёт.

Результаты:

• Документов обработано без участия бухгалтера: 68%
• Ошибки ввода данных снижены на 94%
• Среднее время обработки 1 документа: 12 мин → 40 сек (в 18 раз быстрее)
• Бухгалтеры фокусируются на сложных документах, налоговых вопросах, аудите

Экономический эффект: сокращение ФОТ бухгалтерии на 40-60% за счёт перераспределения нагрузки. При среднем объёме документооборота окупаемость наступает в течение 4-6 месяцев.

Что входит в работу по внедрению AI-бухгалтера

1. Обследование текущих процессов и типов документов
2. Настройка OCR-пайплайна под ваши шаблоны
3. Разработка верификационной логики и справочников
4. Интеграция с 1С (COM / REST API)
5. Настройка AR-мониторинга и шаблонов писем
6. Документация и обучение сотрудников
7. Техническая поддержка в течение первого месяца

Сроки и стоимость

Ориентировочный срок реализации — от 8 до 12 недель в зависимости от сложности интеграций. Стоимость рассчитывается индивидуально под ваш объём документов и требования. Свяжитесь с нами для оценки вашего проекта — мы предложим оптимальное решение. Получите консультацию по внедрению AI-бухгалтера.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.