AI-помощник для бухгалтера 2026: 1С + GPT + OCR — реальная автоматизация

Бухгалтерия 2026 — где AI реально нужен

Каждый раз, когда я захожу в реальный бухгалтерский отдел российской компании, я вижу одну и ту же картину: ряд экранов с открытой 1С, рядом — стопки бумажных накладных, в почте сотни писем с PDF-актами, в чате ВК или Telegram — вопросы от коллег «какой счёт списания», «нужен ли НДС в этом договоре», «сколько уже зарплаты в этом месяце». И ни одно из этих действий не требует юридической подписи бухгалтера — это чистая рутина, которую отлично умеет делать AI.

За последние два года я внедрил AI-автоматизацию в семи компаниях разного размера — от дистрибьютора на 50 человек до производственного холдинга на 800. На основе этих проектов я выделил шесть процессов, где AI даёт максимальный эффект уже сегодня, без экспериментов и риска для отчётности.

Распознавание первичных документов (OCR). Это процесс номер один. В типичной торговой компании поступает 200–1500 первичных документов в день: накладные, счета-фактуры, акты, УПД. Их можно распознать через Yandex Vision API, извлечь поля через GPT и автоматически создать документ «Поступление товаров и услуг» в 1С. Экономия — 4–6 часов работы бухгалтера каждый день.

Сверка контрагентов и контроль рисков. Перед заключением договора компания должна проверить контрагента на «массовых директоров», банкротство, налоговую задолженность, признаки фирмы-однодневки. Делают это руками через Контур.Фокус, СПАРК или вручную через сайт ФНС. AI-агент собирает данные из нескольких источников и формирует отчёт за 30 секунд — то, что бухгалтер делает 20–40 минут.

Категоризация банковских выписок. Каждое утро в 1С загружается выписка по расчётному счёту. Каждый платёж нужно отнести к статье расходов, центру финансовой ответственности, проекту. На крупной компании это сотни строк. GPT-классификатор делает это в 95% случаев правильно, остальные 5% уточняет бухгалтер.

Подготовка первичных документов. Договоры по шаблону, акты, счета — типовые документы, которые сегодня заполняют руками. AI генерирует черновик за 5 секунд: подставляет реквизиты, считает суммы, форматирует.

Ответы на типовые вопросы коллег и клиентов. RAG-система над регламентами компании отвечает на 70–80% вопросов вроде «какой ОКВЭД у нашей услуги?», «когда оплачивать аванс?», «по какому счёту провести расходы на маркетинг?». Главный бухгалтер освобождается от роли «справочника».

Обработка кадровых документов. Распознавание паспортов, СНИЛС, ИНН, дипломов; автозаполнение трудовых договоров; графики отпусков с учётом ограничений ТК; ответы на вопросы сотрудников о ДМС, отпусках, командировках.

Это шесть направлений. В большинстве компаний я не пытаюсь делать всё сразу — выбираем один процесс, внедряем за месяц, считаем экономию, потом переходим к следующему. О том, как выбрать первый процесс и почему «всё и сразу» — это путь к провалу, я расскажу ниже.

Стек AI-инструментов для бухгалтерии 2026

В отличие от западных гайдов, где всё строится вокруг OpenAI GPT-4 и QuickBooks, российская бухгалтерская автоматизация имеет свою специфику. Главные ограничения — 152-ФЗ, требование локализации ПД и интеграция с 1С (либо с её российскими аналогами вроде Контур.Эльба или СБИС). Это сужает выбор инструментов, но всё необходимое в стеке 2026 года уже есть.

Принципиально важно: все эти инструменты имеют российскую регистрацию или представительство и могут хранить данные на серверах в РФ. Это значит, что любой из них подходит для обработки ПД сотрудников и клиентов без нарушения 152-ФЗ. Подробнее про правила локализации я писал в статье «Аудит соответствия 152-ФЗ 2026».

Связку Claude или OpenAI можно использовать только через корпоративный прокси с маскированием ПД (передавать обезличенные строки и подменять обратно на стороне сервера) — но это уже сложная архитектура, оправданная только для специфических задач, где российские LLM проигрывают по качеству.

OCR накладных и первички — пошагово

OCR накладных — это классическая задача, на которой я рекомендую начинать. Эффект виден за неделю, риски минимальны (каждый документ всё равно проверяет человек), интеграция с 1С отработана многократно. Расскажу пайплайн, который я ставлю клиентам.

Шаг 1. Сбор документов. Поставщики присылают сканы и фото накладных в почту, в Telegram, в личный кабинет 1С-ЭДО. Все каналы сводятся к одной папке: либо специальный почтовый ящик (наподобие scan@company.ru), либо общий канал в Telegram, куда бот пересылает вложения. Это нужно для единой точки входа.

Шаг 2. OCR через Yandex Vision. Каждый PDF или JPG отправляется в Yandex Vision OCR API. Возвращается JSON со всеми распознанными словами, координатами и уровнями уверенности. Стоимость — около 50 копеек за страницу, лимит 1 МБ на запрос.

Шаг 3. Извлечение полей через GPT. Сырой текст из OCR передаём в YandexGPT 5 Pro с системным промптом «извлеки из накладной поля: поставщик, ИНН, КПП, номер документа, дата, ставка НДС, сумма без НДС, сумма НДС, итого, список товаров с количеством и ценой». Модель возвращает структурированный JSON.

Шаг 4. Сверка с базой контрагентов 1С. По ИНН ищем контрагента в справочнике 1С через HTTP-сервис. Если нет — создаём через API Dadata (она по ИНН возвращает полные реквизиты, юр. адрес, ОКВЭД, статус действующий/ликвидирован).

Шаг 5. Создание документа в 1С. Через REST API типовой конфигурации создаём документ «Поступление товаров и услуг» с заполненными реквизитами поставщика, табличной частью товаров, суммами, ставками НДС. Документ создаётся как непроведённый — бухгалтер проверяет и проводит.

Шаг 6. Уведомление бухгалтера. В Telegram-чат бухгалтерии или прямо в 1С приходит уведомление: «Распознано новое поступление от ООО Ромашка на 145 800 ₽, проверьте». Бухгалтер открывает, сверяет с оригиналом, при необходимости правит и проводит.

Привожу упрощённый код пайплайна на Python — реально работающий, без псевдокода. В продакшене добавляется обработка ошибок, retry, очередь сообщений и логирование, но базовая логика именно такая.

import requests, base64, json, os
from openai import OpenAI

YA_VISION_KEY = os.getenv("YA_VISION_KEY")
YA_GPT_KEY    = os.getenv("YA_GPT_KEY")
YA_FOLDER_ID  = os.getenv("YA_FOLDER_ID")

def ocr_yandex_vision(pdf_bytes):
    content = base64.b64encode(pdf_bytes).decode()
    r = requests.post(
        "https://vision.api.cloud.yandex.net/vision/v1/batchAnalyze",
        headers={"Authorization": f"Bearer {YA_VISION_KEY}"},
        json={"folderId": YA_FOLDER_ID, "analyze_specs": [{
            "content": content,
            "features": [{"type": "TEXT_DETECTION", "text_detection_config": {"language_codes": ["ru"]}}],
            "mime_type": "application/pdf",
        }]},
        timeout=60,
    )
    return r.json()

SYSTEM_PROMPT = """Ты — помощник бухгалтера. Извлеки из текста накладной строго в JSON поля:
{supplier_name, supplier_inn, supplier_kpp, doc_number, doc_date,
 vat_rate, sum_without_vat, sum_vat, total,
 items: [{name, qty, price, sum}]}
Если поле не найдено — null. Числа — десятичные с точкой. Дата — YYYY-MM-DD."""

def extract_fields(raw_text):
    client = OpenAI(api_key=YA_GPT_KEY, base_url="https://llm.api.cloud.yandex.net/v1/")
    r = client.chat.completions.create(
        model=f"gpt://{YA_FOLDER_ID}/yandexgpt/latest",
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user",   "content": raw_text[:12000]},
        ],
        temperature=0,
        response_format={"type": "json_object"},
    )
    return json.loads(r.choices[0].message.content)

def push_to_1c(doc):
    return requests.post(
        f"{os.getenv('ONEC_BASE')}/hs/incoming/receipt",
        auth=(os.getenv("ONEC_USER"), os.getenv("ONEC_PASS")),
        json=doc, timeout=30,
    ).json()

def process(pdf_bytes):
    vision = ocr_yandex_vision(pdf_bytes)
    raw = "\n".join(b["text"] for r in vision["results"][0]["results"]
                    for b in r["textDetection"]["pages"][0].get("blocks", [])
                    for line in b.get("lines", [])
                    for w in line.get("words", []) for b2 in [{"text": w["text"]}])
    fields = extract_fields(raw)
    return push_to_1c(fields)

На входе — байты PDF, на выходе — созданный документ в 1С. Реальная стоимость обработки одного документа в облаке Yandex — 1,5–3 рубля (OCR + GPT-запрос). На потоке 1000 документов в день это около 60–90 тыс. ₽ в месяц затрат на API — против 250–400 тыс. ₽ на двух младших бухгалтеров.

Сверка контрагентов и контроль рисков

Вторая по частоте автоматизация после OCR — проверка контрагентов. С 2017 года это требование 54-ФЗ и ст. 54.1 НК РФ: компания обязана проявлять «должную осмотрительность» при выборе поставщиков, иначе ФНС снимает вычеты по НДС и доначисляет налоги. На практике это значит, что перед каждым крупным договором надо проверить контрагента по семи-десяти параметрам.

До AI это делал бухгалтер или специалист по тендерам, тратил 20–40 минут на одного контрагента, формировал справку в Word. После AI — это делает агент за 30 секунд и присылает структурированный отчёт в Telegram.

Что конкретно проверяется автоматически:

• ЕГРЮЛ через Dadata API — действующее юрлицо, дата регистрации, юр. адрес, ОКВЭД, уставный капитал.
• Дисквалификация директора — массовый директор (если на одном человеке висят 5+ компаний — флаг), банкротство, дисквалификация.
• Налоговая задолженность — открытые исполнительные производства, наличие в реестре «нулёвок», задолженность по налогам через API ФНС.
• Арбитражные дела — количество дел как ответчика, сумма исков, наиболее частые типы споров через kad.arbitr.ru.
• Адрес массовой регистрации — если по одному адресу зарегистрировано 50+ юрлиц, это признак фиктивности.
• Финансовая отчётность — выручка, прибыль, активы из ГИР БО (государственный информационный ресурс бухгалтерской отчётности).

Дальше GPT собирает все сигналы и пишет «зелёный», «жёлтый» или «красный» вердикт с обоснованием. Если красный — счёт-договор приостанавливается до личной проверки главным бухгалтером. Если жёлтый — приходит в Telegram уведомление с просьбой проверить отдельные пункты. Если зелёный — договор можно подписывать.

Я ставлю триггер на «жёлтый/красный»-контрагентов: алерт в Telegram-канал бухгалтерии и финансового директора с прикреплённым отчётом. Это позволяет ловить риски в режиме реального времени, а не раз в квартал во время сверки.

Категоризация банковской выписки через AI

Каждое утро в 1С загружается выписка по расчётным счетам. На крупной компании это 200–500 платежей в день. Каждый платёж нужно отнести к статье ДДС (движения денежных средств), к проекту, к центру финансовой ответственности. До AI это была рутинная работа бухгалтера на 1–2 часа в день: глянуть назначение платежа, понять кому/за что, выбрать статью из справочника.

AI делает это за 30 секунд для всей выписки. Системный промпт описывает основные статьи и шаблоны: «Аренда офиса — платежи с назначением containing АО Бизнес-Центр или ООО Аренда; Реклама — Яндекс.Директ, ВК Реклама; Зарплата — переводы физлицам с НДФЛ-кодом 1...». GPT возвращает массив с предсказанной статьёй для каждого платежа.

Точность на типовых платежах — 92–97%. Остальные 3–8% помечаются как «требуют ручной классификации» и попадают в очередь к бухгалтеру. Через 2–3 месяца работы система обучается на исправлениях, и точность растёт до 96–99%.

Дополнительная выгода — AI-аналитика для финдиректора. На основе категоризированных выписок строится дашборд: динамика расходов по статьям, отклонения от бюджета, аномалии. «Эта статья выросла на 30% по сравнению с прошлым месяцем — почему?» — AI находит конкретные платежи, которые создали рост, и отвечает в Telegram.

AI-помощник для типовых вопросов на базе RAG

В типичной компании главный бухгалтер тратит 1–3 часа в день на ответы на вопросы коллег: «какой ОКВЭД у этой услуги», «можно ли вычесть НДС с этого расхода», «какой счёт списания для нового вида затрат». 80% этих вопросов — повторяющиеся, ответы лежат в регламентах или в прошлых ответах главбуха.

Решение — RAG-система над корпоративными регламентами. Все внутренние документы (учётная политика, регламенты, должностные инструкции, шаблоны ответов) индексируются в векторную базу. Бот в Telegram принимает вопрос, ищет релевантные фрагменты, передаёт в YandexGPT с инструкцией «ответь на вопрос на основе предоставленных регламентов, не выдумывай».

Подробно про архитектуру RAG-систем для бизнеса я писал в статье «RAG-системы для бизнеса 2026» — там разбор стека от embeddings до векторных баз.

Базовый код такого бота — около 30 строк:

from openai import OpenAI
from qdrant_client import QdrantClient

client_llm = OpenAI(api_key=os.getenv("YA_GPT_KEY"),
                    base_url="https://llm.api.cloud.yandex.net/v1/")
qdrant = QdrantClient(url=os.getenv("QDRANT_URL"))
FOLDER = os.getenv("YA_FOLDER_ID")

def embed(text):
    r = client_llm.embeddings.create(
        model=f"emb://{FOLDER}/text-search-doc/latest",
        input=text)
    return r.data[0].embedding

def answer(question):
    q_vec = embed(question)
    hits = qdrant.search(collection_name="regs", query_vector=q_vec, limit=5)
    context = "\n\n".join(h.payload["text"] for h in hits)
    r = client_llm.chat.completions.create(
        model=f"gpt://{FOLDER}/yandexgpt/latest",
        messages=[
            {"role": "system", "content":
             "Ты — помощник бухгалтера. Отвечай ТОЛЬКО на основе фрагментов регламентов ниже. "
             "Если ответа в регламентах нет — скажи 'не нашёл в регламентах, обратись к главбуху'."},
            {"role": "user", "content": f"Регламенты:\n{context}\n\nВопрос: {question}"},
        ],
        temperature=0.1,
    )
    return r.choices[0].message.content

Этот бот подключается к корпоративному чату через Telegram Bot API или к 1С через типовой механизм «Обсуждения». Снижение нагрузки на главбуха — 40–60%. Главное правило: бот всегда честно говорит «не знаю», когда не находит ответа в регламентах, и никогда не выдумывает.

Кадровые документы — отдельный поток

Кадровый учёт — отдельный сложный участок с повышенными требованиями по 152-ФЗ. Здесь AI помогает на четырёх задачах.

Распознавание паспортов, СНИЛС, дипломов, ИНН. При приёме нового сотрудника HR делает сканы документов, AI извлекает поля и заполняет карточку сотрудника в 1С:ЗУП. Важно — для этого нужно письменное согласие сотрудника на обработку ПД биометрического характера, отдельное от обычного согласия по 152-ФЗ.

Автозаполнение трудовых договоров. Шаблон + данные сотрудника + специфические условия (должность, оклад, режим работы) → готовый договор. GPT проверяет, что все обязательные пункты по ТК РФ присутствуют.

График отпусков и табелирование. AI-планировщик строит график с учётом обязательного отдыха, минимума 14 дней непрерывного отпуска, ограничений ТК. Все 200+ сотрудников за час, без конфликтов.

Ответы сотрудникам по HR-вопросам. «Когда я могу взять отпуск», «как оформить командировку», «как оплачивается больничный» — типовые вопросы, на которые HR тратит 30–40% времени. Тот же RAG-бот на корпоративных регламентах ТК и внутренних правилах закрывает их в 80% случаев.

Юр-нюансы AI в бухгалтерии 2026

Любая автоматизация бухгалтерии работает с персональными данными, конфиденциальной коммерческой информацией и налоговыми документами. Это значит — юридические риски в полный рост, и игнорировать их нельзя.

152-ФЗ и обработка ПД. В накладных есть ФИО директоров и реквизиты ИП, в банковских выписках — назначения платежей физлицам, в кадровых документах — биометрия. Всё это персональные данные. Обработку нужно отразить в политике, получить согласия, обеспечить локализацию хранения в РФ. Подробно — в статье «Аудит 152-ФЗ».

Запрет на трансграничную передачу без согласия. Отправлять накладные с ИНН и ФИО директоров напрямую в OpenAI или Anthropic — это трансграничная передача ПД. Без специального согласия и уведомления РКН — нарушение, штраф до 6 млн ₽ по новым ставкам 2025 года.

Ответственность за ошибки AI. Подпись на документе ставит главный бухгалтер, не AI. Если AI неправильно отнёс расход к статье и компания недоплатила налог — отвечает бухгалтер. Это не баг, а фича: AI — инструмент, ответственность всегда на человеке. Поэтому human-in-the-loop обязателен.

Аудит-trail AI-решений. Для каждого AI-действия должен сохраняться лог: что было на входе, какая модель отработала, какой результат, кто из людей принял финальное решение. Это нужно для налоговой проверки и для внутреннего контроля.

Электронная подпись. Документы, которые создал AI и подписал бухгалтер, требуют квалифицированной электронной подписи (КЭП) для документов через ЭДО. Без КЭП — это просто черновик.

Обобщённый кейс: дистрибьютор 50 человек

Чтобы цифры не были голословными, опишу обобщённый кейс — собран на базе трёх клиентов с похожими параметрами, без названий компаний.

До внедрения: компания-дистрибьютор товаров повседневного спроса, 50 сотрудников, 5 в бухгалтерии. В день поступает 250–400 первичных документов от 80–100 поставщиков. Главный бухгалтер тратит 8 часов в день на первичку, 3 часа — на сверки контрагентов, ещё 2 часа на ответы коллегам и финдиру. Команда работает в авральном режиме, к закрытию квартала все остаются по вечерам.

Внедрено: OCR-конвейер для накладных (Yandex Vision + YandexGPT + 1С API), AI-сверка контрагентов через Dadata + Контур.Фокус, RAG-бот в Telegram для внутренних вопросов. Бюджет — 380 тыс. ₽ на разработку, 22 тыс. ₽/мес на инфраструктуру и API. Срок внедрения — 6 недель (по 2 недели на каждый процесс).

После: время на первичку — 3 часа в день, на сверки — 30 минут, на вопросы — 30 минут. Освободилось 4 часа в день у каждого из 3 бухгалтеров, или эквивалент одной полной ставки. Команда не выросла, но взяла на себя дополнительные задачи по управленческому учёту — то, на что раньше не хватало времени.

Финансовый итог: экономия на ФОТ — около 90 тыс. ₽/мес (не нанимали младшего бухгалтера, которого планировали). С учётом расходов на инфраструктуру чистая экономия — 68 тыс. ₽/мес. Окупаемость — 5,6 месяцев.

Уроки. 1) Не внедряли всё сразу — поочерёдно, в темпе спокойного освоения командой. 2) Заложили 6 недель human-in-the-loop: первые 6 недель бухгалтер проверял КАЖДЫЙ распознанный документ, накапливалась статистика ошибок. 3) Не пытались автоматизировать самые сложные кейсы — оставили 5–8% документов на ручную обработку. 4) Главбух стал «куратором AI», а не «оператором ввода» — у неё освободилось время на стратегические вещи.

Готовые решения 2026 vs кастомная разработка

Не всегда нужно разрабатывать своё. К 2026 году рынок готовых AI-решений для бухгалтерии стал зрелым, и для многих компаний правильный выбор — взять готовый сервис.

Готовые SaaS со встроенным AI. Контур.Эльба, Моё дело, СберПро, Точка Бухгалтерия — все имеют встроенные AI-функции: распознавание первички через фото, автоматическую категоризацию транзакций, чат-ботов для типовых вопросов. Подходит микро- и малому бизнесу до 30–50 человек. Цена — 1–10 тыс. ₽/мес, внедрение нулевое.

AI-надстройки для существующей 1С. Готовые решения от 1С-партнёров: 1С:ЭДО с распознаванием первички, 1С:Аналитик с GPT, 1С:Бизнес-ассистент. Стоят 50–200 тыс. ₽ единоразово, плюс ежегодная лицензия. Подходит компаниям, которые уже на 1С и не хотят переходить на другие платформы.

Сервисы банков с AI. Тинькофф Бизнес, Альфа-Банк Бизнес, Сбер Бизнес — у всех есть AI-помощники в кабинетах: распознавание реквизитов, классификация платежей, рекомендации по налогам. Бесплатно для клиентов банка, что и делает их популярными.

Кастомная разработка на n8n + AI. Когда у бизнеса нестандартные процессы (специфические виды первички, интеграция с самописными системами, особые требования по безопасности), готовые решения не подходят. Делается под заказ на n8n или Make с подключением OpenAI/YandexGPT. Стоит 200–800 тыс. ₽, окупается на компаниях от 30 человек.

Моё правило: до 20 сотрудников — готовый SaaS, 20–100 сотрудников — комбинация готового сервиса + 1–2 кастомных автоматизации, 100+ сотрудников — кастомная архитектура с центральным AI-слоем.

Стоимость внедрения 2026

Цифры по российскому рынку на 2026 год, по моим проектам и рынку.

Эти цифры — для типовой компании. Реальный бюджет зависит от состояния учётной системы (если в 1С самописная конфигурация без HTTP-сервисов — добавьте 30–50% на доработки), объёма данных, требований по безопасности.

Топ-5 ошибок при автоматизации бухгалтерии

За семь проектов я насмотрелся типовых граблей, на которые наступают практически все. Запомните их и не повторяйте.

Ошибка 1. Внедряют сразу всё. Заказчик хочет «AI-революцию за месяц»: OCR, сверки, выписки, RAG, кадры — всё одновременно. Команда захлёбывается, что-то не работает, доверие падает, проект замораживается. Правильно — один процесс в 6 недель, спокойно, до полной отладки и приёмки командой.

Ошибка 2. Игнорируют 152-ФЗ. Отправляют сканы накладных с ИНН и ФИО директоров в ChatGPT через VPN. Технически работает, юридически — нарушение, штраф до 6 млн ₽. Российский AI или прокси с маскированием ПД — единственно правильный путь.

Ошибка 3. Нет human-in-the-loop. Доверяют AI настолько, что бухгалтер перестаёт проверять документы. Через полгода — ошибка в учёте на крупную сумму, налоговая претензия. Бухгалтер ВСЕГДА проверяет финал. AI — инструмент, а не замена.

Ошибка 4. Экономят на OCR. Берут бесплатный Tesseract или дешёвый сервис, точность 70–80%, на каждом 4-м документе ошибки в реквизитах. На исправление уходит больше времени, чем сэкономлено. Yandex Vision или ABBYY — обязательно, экономия здесь себя не оправдывает.

Ошибка 5. Не считают ROI. Внедряют «потому что модно», без расчётов. Через год — счёт от подрядчика на 600 тыс. ₽, а реальная экономия — 8 тыс. ₽/мес. Считайте ROI ДО старта: сколько часов экономится, сколько стоит час бухгалтера, за сколько месяцев окупается.

FAQ — частые вопросы

AI заменит бухгалтера в 2026 году?

Нет. AI заменяет 60–70% рутины: ввод, классификация, поиск, ответы на типовые вопросы. Но решения по учёту, подпись документов, общение с налоговой, стратегия — остаются на человеке. Бухгалтер из «оператора ввода» становится «куратором процессов и риск-менеджером».

Сколько стоит OCR с распознаванием накладных в проде?

Yandex Vision — около 50 копеек за страницу. На потоке 1000 документов в день это 15 тыс. ₽/мес. Плюс LLM-запросы (5–10 копеек за документ) — ещё 3–6 тыс. ₽/мес. Итого 18–21 тыс. ₽/мес инфраструктурных расходов на средний поток.

Можно ли использовать ChatGPT для работы с 1С?

Технически можно через REST API, юридически — нет, если в данных есть ПД (а в 1С они есть всегда). Либо обезличивать данные перед отправкой, либо использовать российские LLM (YandexGPT, GigaChat).

Кто несёт ответственность за ошибки AI?

Главный бухгалтер. Подписывает документ человек, а не модель. Поэтому human-in-the-loop обязателен: AI готовит черновик, бухгалтер проверяет и подписывает.

YandexGPT vs GigaChat для бухгалтерии — что лучше?

YandexGPT 5 Pro даёт более стабильные результаты на структурированных задачах (извлечение полей, классификация), GigaChat MAX — лучше на длинных текстах и аналитике. Я ставлю Yandex для OCR и категоризации, GigaChat для RAG-помощника. Часто комбинирую оба.

Как начать — с какого процесса?

С OCR накладных. Это самый частый процесс, экономия видна за неделю, риски минимальны (каждый документ проверяется человеком), интеграция с 1С отлажена. Когда работает уверенно — добавляйте сверку контрагентов, потом банк-выписку, потом RAG-бота.

Окупится ли AI для небольшой компании (5–15 человек)?

Сложный вопрос. Кастомная разработка — нет, не окупится. Но готовый SaaS со встроенным AI (Контур.Эльба, Моё дело) — да, за 1–5 тыс. ₽/мес даёт базовый OCR и категоризацию, что для микробизнеса достаточно.

Безопасно ли отправлять накладные в облачный AI?

Если AI — российский (Yandex, Sber, Selectel), серверы в РФ, у вас подписан договор обработки ПД с провайдером — да, безопасно. Если AI западный без локализации — нет, это нарушение 152-ФЗ.

Чек-лист «внедряю AI в бухгалтерию за 1 месяц»

Сводный план запуска первого процесса автоматизации.

1. Выбрал один процесс (рекомендую OCR накладных) и зафиксировал текущие метрики: сколько документов в день, сколько часов работы, какая стоимость ошибок.
2. Согласовал с юристом обработку ПД в выбранном AI-сервисе, обновил политику обработки ПД на сайте, отразил в уведомлении РКН (см. статью про уведомление РКН).
3. Развернул n8n self-hosted на российском VPS, настроил доступ к Yandex Cloud (Vision + GPT), к 1С через HTTP-сервис, к Dadata.
4. Настроил конвейер: сбор документов из почты или Telegram → OCR → GPT-извлечение → создание непроведённого документа в 1С → уведомление бухгалтера.
5. Запустил первые 2 недели в режиме human-in-the-loop: бухгалтер проверяет КАЖДЫЙ документ, фиксирует ошибки.
6. На основе ошибок улучшил системный промпт и валидацию полей, перезапустил.
7. Следующие 2 недели — режим выборочной проверки (10–20% случайных документов), накапливается метрика точности.
8. Через месяц — посчитал реальную экономию часов, сравнил с целевой, принял решение о следующем процессе (сверка контрагентов или категоризация выписки).

Главный принцип: спокойствие и системность. Бухгалтерия — это не место для экспериментов, ошибки стоят дорого. Но если правильно выбрать процесс, заложить human-in-the-loop и считать экономию — AI становится одним из лучших вложений компании по соотношению затрат и эффекта.