Каждый день бухгалтер тратит часы на однотипные операции: распознавание первичных документов, сверку с контрагентами, проверку дебиторской задолженности. Искусственный интеллект способен взять на себя часть этой рутины, но идея о полной замене бухгалтера роботом пока остается мифом. В этой статье поговорим о том, в каких процессах ИИ уже применим, где его использование невозможно, какие риски и экономия для бизнеса.
Где технология может помочь бухгалтеру
1. Обработка первичных документов
Как работает: ИИ анализирует фотографию или скан накладной, акта, счета-фактуры, распознает реквизиты, сверяет сумму и контрагента и автоматически разносит документ в учетную систему. Бухгалтеру остается только проконтролировать результат, можно делать это в формате выборочной проверки.
Для кого подходит: для компаний с большим потоком первички – везде, где много повторяющихся документов.
2. Расчет заработной платы
Как работает: ИИ на основе загруженных табелей и фиксированных ставок автоматически рассчитывает оклады, премии и удержания. Стоит учитывать: как только появляются нюансы (например, сдельная оплата, ночные смены, совместительство), точность ИИ резко падает.
Для кого подходит: для компаний со стандартной схемой оплаты труда, без сложных коэффициентов, районных надбавок, сменных графиков и индивидуальных договоренностей.
3. Акты сверки с контрагентами
Как работает: ИИ по запросу (или автоматически в заданную дату) формирует акт сверки, используя данные учетной системы.
Для кого подходит: применимо как для крупных, так и для небольших компаний.
4. Контроль дебиторской и кредиторской задолженности
Как работает: на основе заданных алгоритмов ИИ подсвечивает просроченную задолженность, автоматически формирует и отправляет письма-напоминания контрагентам. Такой подход снижает риск пропуска сроков оплаты, ускоряет оборачиваемость денег и разгружает бухгалтера от «ручных» обзвонов.
Для кого подходит: универсально – и для малого бизнеса, и для более крупных компаний.
5. Анализ счетов для взаимозачетов
Как работает: ИИ анализирует счета 60, 62, 76 и другие, находит встречные требования и автоматически формирует предложение о взаимозачете. Это позволяет сократить излишние платежи и ускорить закрытие обязательств без участия бухгалтера.
Для кого подходит: любые компании, где есть регулярные встречные поставки или услуги.
Какие бухгалтерские задачи не нужно делегировать ИИ
- Составление бухгалтерской и налоговой отчетности. Это требует не только точных цифр, но и понимания контекста, изменений законодательства, учетной политики компании. Ошибка в расчете налога, и штраф обеспечен. ИИ неспособен взять на себя ответственность за подпись под декларацией.
- Сложные и нестандартные случаи. Любая ситуация, выходящая за рамки заданного алгоритма (например, спорные проводки, реорганизация, нестандартные договоры), требует профессионального опыта бухгалтера. ИИ здесь либо ошибется, либо запросит уточнения – фактически вернет задачу человеку.
- Сложный расчет заработной платы. Когда в игру вступают индивидуальные коэффициенты, ночные часы, вахтовый метод, расчет с несколькими ставками, ИИ становится ненадежным помощником. Такие задачи лучше оставить человеку.
Преимущества и недостатки автоматизации бухгалтерии
Преимущества:
- Частичная замена операторов 1С и бухгалтеров на первичной документации. ИИ способен заместить человека на этапе обработки входящих документов (распознавание, разноска по счетам, проверка реквизитов), что приводит к прямой экономии ФОТ.
- Сокращение трудозатрат опытных бухгалтеров. Автоматизация рутины позволяет штатным бухгалтерам сосредоточиться на аналитике, налоговой оптимизации и сложных задачах. В итоге компания может либо сэкономить на расширении штата, либо повысить качество работы без дополнительных наймов.
Недостатки:
- Требуется проверка результата. ИИ-агенты хорошо справляются с рутиной, но никогда не гарантируют 100% точности. Бухгалтер обязан контролировать итоговые цифры.
- У нейросети нет опыта и профессионального чутья. Робот не знает, что в прошлом году контрагент уже пытался обмануть, не помнит особенности учета в конкретной отрасли. ИИ действует строго по алгоритму – без понимания экономической сути.
- Полноценное ведение учета ИИ невозможно. Ни один робот не заменит главного бухгалтера при принятии стратегических решений, налоговом планировании или общении с инспекцией.
С чего начать внедрение ИИ в бухгалтерию
- Выберите одну рутинную задачу. Например, распознавание чеков или формирование актов сверки. Не пытайтесь автоматизировать все сразу.
- Соберите данные за 3-6 месяцев. ИИ нужно на чем-то учиться. Подойдут типовые накладные, счета, акты без ошибок.
- Протестируйте на малом объеме. Загрузите 10-20 документов, проверьте результат. Уровень точности в 95-98% – норма.
- Внедрите двухэтапный контроль. ИИ обрабатывает, бухгалтер выборочно проверяет (например, каждый 10-й документ).
- Обучите команду. Проведите вебинар или разошлите инструкцию своим коллегам-бухгалтерам. Главное, снять страх «робот отнимет работу».
Также читайте:
Скорее, так есть. Вы, кстати, когда промты пишите и получаете ответ - там, как правило, иконки есть - типа "одобрить" или "не одобрить" - так это и есть материал к дообучению.
LLM уже очень много, учатся на терабайтах данных, параметров сетей - десятки миллиардов. Сложная архитектура - сейчас доминирует архитектура транспондера. У каждой LLM своя команда и свои подходы. Какой-то науки сейчас там немного - больше инженерных поисков, проб и ошибок, разные подходы к токенизации, генерации и т.д.
Но у меня нет денежек на самостоятельную разработку - невозможно уже давно конкурировать с гигантами, у которых тысячи видеокарт в работе...Тут бы одну хоть прикупить современную...Потому и пытался интересоваться у тех, кто заявлял о своем знании современной архитектуры коппоративных приложений с ИИ.
Про это могу сказать чуть подробнее и на основе практики. Собственно ИИ здесь не при чем (хотя некоторые, наверное могут отнести к ИИ и регулятор Уатта - он же работает без участия человека, "сам" и неплохо). Обычно в банках в рознице реализуются скоринговые модели - по вектору характеристик клиента (от возраста, текущего дохода до оборота по счетам и имущества) клиент относится к одному из оценочных классов. Это банк решает к каким классам - от "надежного", до "сомнительного" и "безнадежного" или же считается лимит возможного кредитования. Если скоринг качественный, то человек просто проверяет результаты скоринга и...нажимает подтверждение. Но никакой особой магии, задуривания ИИ тут нет - от обычной логистической регрессии и деревьев решения (детерминированные и интерпретируемые модели) до ансамблевых методов (бэггинг, бустинг, случайные леса) - эти уже просто "черный ящик" - но в продакшене - это детерминированные машины. И они нуждаюся в периодическом переобучении. Это совсем не тривиальный вопрос.
А сейчас, интересно,ИИ можно назвать все, что не требует участия человека? Опять вспоминается кибернетика...сколько надежд было.
Водяную или ветряную мельницу, к примеру. Сами решают, когда им работать. Необъятный интеллект.
Но вряд ли больше интеллекта тех, кто их когда-то придумал.
Сами вы - откровенная дешевка. Нехер на на меня вылупаться, ибо гарантированно прилетит ответка. Это вам понятно? Потом не жалуйтесь.
А ну ка не миздите ка. Вот о чём был вопрос: "Опишите как можете подробнее какую-то одну, но реальную архитектуру, которая реально работает в банках, крупных компаниях и бухгалтерских сервисах. Конечно, если Вы действительно её видели и знаете, как она на самом деле устроена." По поводу "видели" - это идиотизм какой то. Как я могу видеть как работает ИИ? А то, что я знаю - это я описал.
Забавно наблюдать, как дискуссия об архитектуре информационных систем и границах применимости LLM в корпоративном учёте всякий раз упирается в ваши предположения о моём образовании или опыте. Это классический ad hominem - аргумент к личности, который появляется, когда заканчиваются аргументы по существу. Я привёл вам описание архитектуры с разделением AI-извлечения и детерминированного контура валидации, подкрепил его ссылками на реальные внедрения. Вы в ответ не указали ни на одну архитектурную ошибку в моём описании, не привели ни одного примера, где бы подобная архитектура не работала в промышленной эксплуатации. В инженерии, в отличие от гадания о собеседнике, аргументы проверяются фактами и логикой. Вы можете продолжать считать, что я не имею практики, но это не сделает изложенные мной принципы проектирования менее истинными, а приведённые кейсы - менее реальными.
Если у вас есть содержательные возражения против описанной архитектуры — верификация, temperature=0 на уровне извлечения, изоляция стохастики от контура проводок, то выкладывайте эти возражения. А если нечего предъявить по существу, то просто заткнитесь и не вякайте в мою строну.
Тьфу на вас и на ваше мнение.
Самоутверждение - это когда человек стремится подтвердить свою значимость, компетентность или ценность через действия, достижения или взаимодействие с окружающими.
Я тут не стремлюсь подтвердить свою значимость, потому что ваше мнение обо мне вообще побоку. Я тут никого не уважаю, и поэтому мне глубоко плевать кто и что тут обо мне думает. Я уже несколько раз объяснял, что я тут просто интеллектуально развлекаюсь, но вы такой тупой, что до сих пор этого не поняли.
Покажите - где конкретно дичь. Как только до конкретики дойдет, сразу облажаетесь.
Я то не глупый, вы глупый. И я бы мог это запросто доказать, если вы протестировались на моём тренажере на определение способности к правильным глубоким рассуждениям. Впрочем, я и так точно знаю, что вы бы облажались.
Чушь какую то пишете, и сами не понимаете смысла того, что пишете.
Совершенно верно.
Мне приходилось более 10 лет разрабатывать и согласовывать скоринговые системы разных банков. Еще недавно была большая иллюзия о том, что бынк как-то "по особому считает" рейтинговый балл. Но даже логистические регрессии были не везде.
Типичный российский банк недавнего прошлого в части кредитования - это пара департаментов (для розницы и корпоратов), где в рамках инструкций прописаны баллы за отсутствие или наличие информации в разработанных чек-листах - очень похоже на то, как оценивают рейтинговые агентства. На основании требований Базеля, банки стали копить статистику для подтверждения возможности автоматизации процессов. В первую очередь под ней понимают построение "кредитных конвейеров" для портфелей однородных ссуд.
В российской практике для этого используют логистическую регрессию. В мировой - согласованный результат логрегрессии и дерева решений, более продвинутые банки - нейросети (не LLM). При превышении определенного порога (обычно 1% капитала) кредитный эксперт дополнительно валидирует полученный результат. Если сумма большая - может выноситься на кредитный комитет разных уровней.
Работа с юрлицами, как правило, также проводится через комитеты разных уровней (у меня в банке их было шесть) - в зависимости от размера ссуды. Автоматическое одобрение встречается крайне редко - обычно открывается кредитная линия, в которой потом транши могут выдаваться без дополнительного согласования, если происходит закрытие долга (то есть "через обнуление лимита").
Идеи про то, что какие-то модели вида LLM сами что-то согласовывают, выдают, да и просто - используются как надежный инструмент принятия решений - это из области фантазий. Банки - одни из самых консервативных в мире организаций в части процедурного оснащения бизнеса. Они могут "играть в хайп", но регулятор не позволит применять технологии, которые у него вызывают вопросы. Типичный срок накопления информации для устойчивой валидации модели - до 7 лет. Публично существующие LLM просто столько еще не живут.
К редакции.
Уважаемые модераторы, прошу ознакомиться с составом переписки в данной теме и высказаться о ее соответствии ценностям Сообщества.
Я описал принципы архитектуры, а не конкретную реализацию. Эти принципы универсальны и применяются в корпоративных системах независимо от их конкретного вендора:
- Многослойность (приём данных, извлечение, бизнес-правила, валидация, проводка).
- Разделение вероятностных и детерминированных методов.
- Использование специализированных ML-моделей для конкретных задач.
- Подключение человека в случае исключений
Описанная мной цепочка (захват, AI-извлечение, валидация, бизнес-правила, проводка) - это ровно архитектурный паттерн, известный как Intelligent Document Processing pipeline. В большой корпоративной системе он встроен в ландшафт: шина данных (ESB/Kafka), мастер-данные, ERP-ядро, оркестратор процессов (BPMS), средства мониторинга и аудита. Это всё есть, и я нигде не утверждал, что кроме этого конвейера в системе ничего нет. Но предметом спора был именно этот контур, потому что именно в нём живёт LLM, и именно о нём вы говорили, что он не может быть детерминированным. Я показал, как он устроен и почему может. Называть описание целевого контура «не архитектурой» - это всё равно что называть описание системы зажигания двигателя «кусочком функционала», потому что это не весь автомобиль. Формально да, но сути не отменяет.
Я не претендую на должность CIO Deutsche Bank, и наш спор не является собеседованием. В инженерии аргументы проверяются не должностью оппонента, а логикой и воспроизводимостью. Я привёл ссылки на реальные кейсы, а также могу привести кейсы АББИ в банке «Открытие» и архитектуру UiPath Document Understanding, которые реализуют ровно тот паттерн, о котором я говорю. Крупнейшие системные интеграторы (Accenture, Deloitte, IBM) описывают ровно такую же эталонную архитектуру в своих RFP и проектных документах для банковского сектора. Это стандарт, а не моя фантазия.
Теперь важный момент - размер системы не отменяет архитектурных принципов. Да, у Deutsche Bank тысячи модулей и мейнфреймов. Но когда они строят конвейер входящих документов для автоматизации учёта, они точно так же вынуждены решать задачу: как из неструктурированного PDF получить корректную проводку, не нарушив детерминизм Главной книги. И решают они её именно так, как я описал, изолируя вероятностное ядро и добавляя жёсткий контур валидации. То, что это лишь одна подсистема среди сотен, не делает её описание ошибочным.
А теперь открываем статью Антона Соболева "Нейросетевая кластеризация российской банковской системы на основе индикаторов модели Moody's Analytics RiskCalc™ Plus Banks 4.0" (журнал "Ресурсы, информация, снабжение, конкуренция", №1/2016). Там и описана реальная реализация данной архитектуры в детерминированных контурах бизнес-процессов.