Розробка AI-бухгалтера для автоматизації бухгалтерії

Уявіть: 300 документів на день, 4 бухгалтери, 40% часу йде на ручне введення та звірку. Типова виробнича компанія втрачає до 2,5 млн грн на рік через помилки та затримки. Ми вирішили цю проблему за допомогою AI-бухгалтера — цифрового бухгалтера на основі нейромережі, який автоматизує бухгалтерію: обробляє первинні документи (рахунки-фактури, акти, накладні), звіряє рахунки, готує проводки, моніторить дебіторську заборгованість. Наш AI-бухгалтер для автоматизації бухгалтерії в 18 разів краще за людину: швидше та точніше: він обробляє первинні документи, звіряє рахунки, моніторить дебіторську заборгованість та інтегрується з 1С. Наш AI-бухгалтер забезпечує автоматизацію бухгалтерії за допомогою інтелектуальної обробки первинних документів, точної звірки рахунків та моніторингу дебіторської заборгованості. Використання OCR та нейромереж для цифрового бухгалтера дозволяє ефективно інтегруватися з 1С. Це не RPA-робот, а розумна VLM-система, яка розуміє контекст і адаптується без перенавчання. Він не замінює головного бухгалтера, але знімає до 60-70% операційного навантаження, дозволяючи команді фокусуватися на складних завданнях. Наша компанія має 10+ років досвіду в автоматизації обліку, понад 50 успішних проєктів і є офіційним партнером 1С. Накопичений досвід дозволяє гарантувати якість витягування даних на рівні 99% та зниження помилок введення мінімум на 90%.

Етапи впровадження AI-бухгалтера

Як AI-бухгалтер обробляє первинні документи?

Витягування даних зі сканів і PDF будується на Vision Language Models. Ми використовуємо Claude Vision та GPT-4o — вони розуміють структуру українських документів: ІНН, код за ЄДРПОУ, номери, дати та суми. На відміну від класичного OCR, VLM враховує контекст: розпізнає не лише символи, але й семантику полів. Результат парситься в строгу 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]                 # Рядки документа
    payment_purpose: Optional[str]   # Призначення платежу
    contract_reference: Optional[str]

def extract_document_data(file_path: str) -> InvoiceData:
    """Витягування даних зі скану/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": """Витягни всі реквізити фінансового документа.
Для українських документів: ІНН, код ЄДРПОУ, номер документа, дату, суми з ПДВ і без.
Поверни JSON згідно зі схемою InvoiceData. Якщо поле відсутнє — null.""",
                },
            ],
        }],
    )

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

Чому Vision Language Models, а не класичний OCR?

Класичні OCR-двигуни (Tesseract, ABBYY) часто помиляються на нестандартних макетах і поганих сканах. VLM-моделі бачать документ цілком: вони розуміють, що сума в правому нижньому кутку — це підсумок, а не окремий рядок. Точність витягування на українських документах сягає 99% при помірній якості. При цьому модель адаптується до нових шаблонів без перенавчання — достатньо показати 2-3 приклади в промпті.

Верифікація та зіставлення з договорами

Витягнуті дані автоматично перевіряються: ІНН звіряється з ДПС (через API), суми — з договорами та лімітами. Якщо виявлено розбіжність, документ позначається на ручний контроль. Дублікати відсікаються за номером та ІНН постачальника.

class DocumentVerifier:

    async def verify_invoice(
        self,
        invoice: InvoiceData,
        contract_id: str,
    ) -> dict:
        """Перевіряє рахунок проти договору та довідників"""

        # Паралельна перевірка
        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 = []

        # Перевірка ІНН постачальника
        if vendor and vendor.inn != invoice.vendor_inn:
            issues.append(f"ІНН постачальника не збігається: документ={invoice.vendor_inn}, довідник={vendor.inn}")

        # Перевірка суми проти договору
        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"Перевищення суми договору: оплачено {total_paid}, новий рахунок {invoice.total_amount}, ліміт {contract.max_amount}")

        # Перевірка ПДВ
        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 грн
                issues.append(f"Помилка розрахунку ПДВ: очікується {expected_vat:.2f}, в документі {invoice.vat_amount:.2f}")

        # Дублікат?
        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"Дублікат документа: номер {invoice.document_number} вже оброблено {duplicate.processed_date}")

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

Обробка документів з помилками

Система не просто відкидає проблемні документи — вона класифікує тип помилки та пропонує дії. Дрібні розбіжності (до 1 гривні за ПДВ) автоматично коригуються. Серйозні невідповідності спрямовуються в чергу ручної перевірки із зазначенням причини.

Формування проводок та інтеграція з 1С

Класифікатор на основі LLM визначає тип витрат (матеріали, послуги, товари) та підбирає кореспонденцію рахунків. Проводки з аналітикою завантажуються в 1С через XML. Готовий блок коду нижче.

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]:
        """Генерує проводки для 1С"""

        # LLM класифікує тип витрат
        classification = await client.messages.create(
            model="claude-opus-4-5",
            max_tokens=200,
            messages=[{
                "role": "user",
                "content": f"""Класифікуй витрати для бухгалтерських проводок.
Постачальник: {invoice.vendor_name}
Найменування в документі: {[item['name'] for item in invoice.items[:5]]}

Поверни 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 = []

        # Основна 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} від {invoice.document_date}",
            "cost_center": cost_center,
            "analytic": invoice.vendor_inn,
        })

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

        return entries

    async def post_to_1c(self, entries: list[dict]) -> str:
        """Завантажує проводки в 1С через COM-об'єкт або API"""
        # Формуємо XML для 1С
        xml_data = self.format_1c_xml(entries)
        result = await onec_api.post_document(xml_data)
        return result["document_id"]

Моніторинг дебіторської заборгованості

Щодня AI перевіряє прострочені рахунки та автоматично надсилає нагадування з ескалацією за ступенем прострочення. Персоналізація листів — через GPT-4o-mini.

class ReceivablesMonitor:

    async def daily_ar_check(self) -> dict:
        """Щоденна перевірка простроченої дебіторки"""

        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:
                # Дружнє нагадування
                await self.send_reminder(invoice, tone="friendly")
                report["actions_taken"].append(f"Нагадування: {invoice.customer_name}")

            elif days_overdue <= 30:
                # Офіційна вимога
                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"Офіційна вимога: {invoice.customer_name}")

            elif days_overdue > 30:
                # Ескалація фінансовому директору
                await self.escalate_to_cfo(invoice)
                report["actions_taken"].append(f"ЕСКАЛАЦІЯ: {invoice.customer_name}, {days_overdue} днів")

        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 нагадування про оплату. Тон: {tone}. Офіційний діловий стиль. 2-3 абзаци."
            }, {
                "role": "user",
                "content": f"Рахунок №{invoice['number']} від {invoice['date']} на {invoice['amount']:,.0f} грн, прострочення {invoice['days_overdue']} днів, клієнт: {invoice['customer_name']}"
            }],
        )
        return response.choices[0].message.content

Практичний кейс: наш проєкт для клієнта — виробничої компанії

Наш клієнт — виробнича компанія з обсягом 300 документів на день. Ситуація: 4 бухгалтери обробляли рахунки-фактури, акти, накладні. 40% часу — ручне введення та звірка. AI-бухгалтер обробляє документи в 18 разів швидше за людину. Система обробляла скани та PDF через OCR + Claude Vision, автоматичну верифікацію ІНН через API ДПС, зіставлення з договорами, формування проводок в 1С (завантаження XML), щотижневий AR-звіт.

Результати:

• Документів оброблено без участі бухгалтера: 68%
• Помилки введення даних знижено на 94%
• Середній час обробки 1 документа: 12 хв → 40 сек (в 18 разів швидше)
• Бухгалтери фокусуються на складних документах, податкових питаннях, аудиті

Економічний ефект: скорочення ФОП бухгалтерії на 40-60% (≈1,2 млн грн на рік) за рахунок перерозподілу навантаження. При середньому обсязі документообігу окупність настає протягом 4-6 місяців.

Що входить в роботу з впровадження AI-бухгалтера

1. Обстеження поточних процесів та типів документів
2. Налаштування OCR-пайплайну під ваші шаблони
3. Розробка верифікаційної логіки та довідників
4. Інтеграція з 1С (COM / REST API)
5. Налаштування AR-моніторингу та шаблонів листів
6. Документація та навчання співробітників
7. Технічна підтримка протягом першого місяця

Строки та вартість

Орієнтовний строк реалізації — від 8 до 12 тижнів залежно від складності інтеграцій. Вартість розраховується індивідуально під ваш обсяг документів та вимоги. Пропонуємо впровадження під ключ за 8-12 тижнів. Пишіть нам для безкоштовної оцінки проєкту — ми запропонуємо оптимальне рішення.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.