Сверка документов с ИИ: акты, ошибки и отчёт в 2026
Разбираю, как выстроить сверку актов через нейросеть: от подготовки файлов до отчёта по расхождениям, который бухгалтеру удобно проверить.
Сверка документов редко выглядит сложной на схеме. Есть акт от поставщика, есть данные в учётной системе, надо найти расхождения по датам, суммам, ставкам, позициям и реквизитам. На практике бухгалтер открывает два файла, держит в голове правила договора, переносит замечания в таблицу и каждые 10–15 минут возвращается к уже проверенной строке. Ошибка в одну цифру может спрятаться в номере договора, в копейках НДС или в названии услуги.
Я не отношусь к нейросети как к замене бухгалтера. В сверке документов она полезна как внимательный первый проверяющий: раскладывает акт на поля, сравнивает значения, подсвечивает сомнительные места и готовит черновик отчёта. Человек принимает решение, потому что часть расхождений может быть допустимой по договору, периоду закрытия или внутреннему регламенту. Хорошая схема даёт выигрыш именно на рутине: вместо ручного поиска по строкам бухгалтер проверяет уже найденные отклонения.
Где ручная сверка теряет время
В типовой сверке акта есть четыре слоя работы. Первый, чтение реквизитов: номер договора, дата, контрагент, ИНН, период, валюта. Второй, проверка табличной части: номенклатура, количество, цена, сумма без налога, налог, итог. Третий, сопоставление с заказом, заявкой, счётом или внутренней выгрузкой. Четвёртый, оформление замечаний так, чтобы их понял поставщик или менеджер.
Разбор 20–40 актов вручную легко съедает 2–3 часа рабочего дня, если документы приходят в разных форматах: PDF, сканы, таблицы, выгрузки из учётной системы. Самая неприятная часть, не арифметика, а контекст. В одном акте услуга названа «поддержка сервиса», во втором «техническое сопровождение», в договоре стоит «абонентское обслуживание». Для человека это один смысл, для простого поиска по строке это три разных значения.
Нейросеть помогает там, где обычная формула в таблице ломается. Она может сопоставить близкие формулировки, объяснить, почему строка попала в список спорных, и отделить критичные ошибки от косметики. Но ей нужно дать структуру. Если просто загрузить два документа и спросить «проверь», результат будет похож на обзор, а не на рабочую сверку. Про подход к текстовым черновикам я уже писал в статье про нейросеть для генерации текста и проверку результата, здесь логика похожая: сначала задаём формат, потом проверяем вывод.
Что именно надо сравнивать в актах
Перед автоматизацией я составляю карту полей. Она защищает от ситуации, когда модель красиво описала документ, но пропустила главный риск. Для актов карта обычно выглядит так:
| Блок проверки | Что сравниваем | Типовая ошибка | Как фиксировать в отчёте |
|---|---|---|---|
| Реквизиты | ИНН, КПП, договор, дата акта | Верный контрагент, но старый договор | «Критично», если влияет на оплату |
| Период | Месяц, даты оказания услуг | Акт закрывает лишние 3 дня | Отдельная строка с периодом |
| Позиции | Название услуги или товара | Разные формулировки одной услуги | «Проверить вручную», если смысл близкий |
| Количество | Часы, штуки, объём | В акте 120 часов, в заказе 108 | Разница в единицах и процентах |
| Цена | Цена за единицу, тариф | Тариф изменён без основания | Ссылка на строку договора или заявки |
| Налог и итог | НДС, сумма без налога, сумма к оплате | Ошибка округления на копейки | Порог допуска, например 1 рубль |
Для примера: если акт содержит 18 строк услуг, а внутренняя выгрузка содержит 17 строк, нейросеть должна не просто сказать «есть расхождение», а показать лишнюю позицию, сумму по ней и возможную причину. Если расхождение связано с названием, отчёт должен отличать смысловое совпадение от реального дубля.
Как настроить ИИ-процесс сверки
Я делю процесс на короткую цепочку, а не прошу модель сделать всё за один заход. Это снижает риск пропусков и упрощает проверку.
- Извлечь данные из документов в единую таблицу.
- Нормализовать поля: даты, суммы, названия, единицы измерения.
- Сравнить строки по заданным правилам.
- Разнести расхождения по уровням критичности.
- Сформировать отчёт для бухгалтера и короткое письмо контрагенту, если оно нужно.
Если вы работаете в SoftChat, документ можно прикрепить к сообщению в чате, когда выбранная модель поддерживает вложения. Ответы отображаются с таблицами и блоками кода в Markdown, поэтому промежуточную сверку удобно просматривать без отдельного форматирования. Для повторяемых задач я сохраняю стартовые инструкции как шаблоны промптов. Если сверка актов идёт регулярно, можно использовать сохранённого ассистента: в открытом чате через меню «Инструменты» подключается нужная роль, и разговор продолжает идти с выбранной моделью. Это удобно, когда один и тот же набор правил надо применять к актам разных поставщиков.
Не надо пытаться сделать из чата полноценную бухгалтерскую систему. Нейросеть должна подготовить проверяемый слой: таблицу расхождений, комментарии и вопросы. Финальная проводка, оплата и закрытие периода остаются в учётном контуре компании. Такой подход проще внедрять: он не ломает текущий процесс, а убирает самые медленные ручные действия. Базовую логику внедрения я разбирал в материале про нейросети в рабочих процессах.
Промпт для сравнения актов
Хороший запрос начинается не с просьбы «найди ошибки», а с роли, входных данных и формата ответа. Я использую такой каркас:
«Ты помогаешь бухгалтеру сверить акт с внутренней выгрузкой. Сравни документы по реквизитам, периоду, позициям, количеству, цене, НДС и итоговой сумме. Не исправляй данные молча. Если строка похожа по смыслу, но отличается формулировкой, пометь её как “проверить вручную”. Верни таблицу: блок проверки, поле, значение в акте, значение в выгрузке, расхождение, критичность, комментарий».
Для примера: к акту за месяц можно добавить правило «суммы до 1 рубля считать допустимым округлением, но всё равно показывать в отчёте отдельной строкой». Это маленькая настройка, но она резко уменьшает шум. Без порога модель будет ругаться на копейки, а бухгалтер снова начнёт тратить время на сортировку замечаний.
Вторая часть запроса отвечает за итоговый отчёт:
«После таблицы дай краткое резюме: сколько найдено критичных расхождений, сколько спорных строк, какая сумма требует уточнения, какие вопросы надо отправить контрагенту. Не делай вывод об оплате, если есть критичные расхождения».
Если запросы к нейросети пока получаются слишком общими, полезно разобрать базовые приёмы в статье про формулирование запросов для нейросетей. Для сверки документов особенно помогают ограничения: формат таблицы, список полей, пороги, запрет на скрытые исправления.
Как выглядит рабочий отчёт
Отчёт должен быть скучным. Это комплимент. Бухгалтеру не нужен красивый пересказ документа, ему нужна таблица действий. Я прошу модель отдавать результат в таком виде:
| № | Поле | Акт | Внутренняя выгрузка | Разница | Критичность | Что сделать |
|---|---|---|---|---|---|---|
| 1 | Договор | Д-14/24 | Д-14/23 | Номер не совпадает | Высокая | Проверить основание акта |
| 2 | Период | 01.04–30.04 | 01.04–25.04 | 5 дней | Средняя | Уточнить период услуги |
| 3 | Услуга | Поддержка сервиса | Техподдержка сервиса | Формулировка отличается | Низкая | Проверить смысловое совпадение |
| 4 | Сумма | 120 000 | 118 800 | 1 200 | Высокая | Найти строку, давшую разницу |
Условный пример: бухгалтер получает 25 актов в неделю, каждый на 10–30 строк, и тратит на первичный просмотр 8–12 минут на документ. Если нейросеть заранее собирает таблицу спорных мест, ручная работа сдвигается к проверке 3–7 строк, а не всего акта. Это не отменяет контроля, зато меняет его масштаб.
В отчёте я прошу разделять три типа результата: «совпадает», «проверить вручную», «расхождение». Слово «ошибка» лучше использовать только после проверки человеком. Контрагент мог выставить акт по дополнительному соглашению, которого нет в выгрузке. Или внутренняя таблица могла быть устаревшей. Нейросеть видит документы, но не знает всех договорённостей вне них.
Метрики качества: что считать успехом
Экономия 2–3 часов в день звучит убедительно только тогда, когда понятно, откуда она взялась. Я бы считал не абстрактную «эффективность», а пять простых показателей: количество документов в день, среднее число строк в документе, время ручной сверки, долю найденных расхождений, долю ложных срабатываний.
Для примера: если 30 актов проверяются вручную по 6 минут, первичная сверка занимает 180 минут. Если после ИИ-предобработки бухгалтер тратит по 2 минуты на документ и ещё 20 минут на сложные исключения, итоговая нагрузка снижается до 80 минут. Разница, 100 минут, уже видна в расписании. Но это модельный расчёт, а не гарантия для любой компании.
На старте я советую вести контрольную таблицу хотя бы две недели. В ней достаточно шести колонок: дата, поставщик, число строк, время ручной проверки, число замечаний модели, число подтверждённых ошибок. Через 10 рабочих дней станет понятно, где ИИ помогает стабильно, а где шумит. Часто шум возникает не из-за модели, а из-за плохой выгрузки: нет идентификатора заказа, единицы измерения смешаны, в строках живут комментарии менеджеров.
Похожий принцип работает в личной продуктивности: автоматизировать надо не всё подряд, а повторяемые действия с ясным критерием результата. Об этом подробнее есть разбор про нейросети и чат-боты для повседневных задач.
Риски и ограничения
Сверка документов связана с деньгами, договорами и персональными данными. Перед загрузкой файлов в любой ИИ-инструмент проверьте внутренний регламент: какие документы можно обрабатывать, надо ли обезличивать данные, кто имеет доступ к результатам. В SoftChat история диалогов хранится по организации, а в самом чате сохраняется контекст переписки. Это удобно для возврата к проверке, но требует дисциплины в названиях чатов и в составе вложений.
Второй риск, уверенный тон модели. Она может дать аккуратную таблицу и всё равно ошибиться в строке с похожими услугами. Поэтому в промпте я запрещаю делать окончательный вывод об оплате. Модель формирует черновик проверки, бухгалтер подтверждает расхождения.
Третий риск, плохие сканы. Если документ распознан с ошибками, сумма 8 900 может превратиться в 8 000 или 8900 без разделителя. В таких случаях лучше попросить модель сначала вывести извлечённые данные и только после ручного просмотра запускать сравнение. Для обучения сотрудников полезен формат тьютора: человек видит, почему поле признано спорным, и быстрее учится проверять документы. Схожий подход описан в статье про нейросети в обучении и саморазвитии.
Что бы я сделал на вашем месте
Я бы не начинал с интеграций и большой автоматизации. Сначала взял бы 20 уже закрытых актов, по которым известен правильный итог, и прогнал бы их через один сценарий сверки. Потом сравнил бы результат модели с ручной проверкой: сколько реальных ошибок она нашла, сколько лишних замечаний добавила, какие поля чаще всего путает.
Если точность приемлемая, следующий шаг, шаблон промпта и единый формат отчёта. После этого можно подключать сценарий к регулярной работе: понедельник, входящие акты за прошлую неделю; среда, повторная проверка исправленных документов; пятница, короткий отчёт по открытым расхождениям. Такой режим не требует менять бухгалтерскую систему. Он просто превращает нейросеть в фильтр, который каждый день убирает часть механической сверки.
Главное правило у меня одно: ИИ не должен принимать финансовое решение. Он должен быстро показать, куда смотреть. Когда это правило соблюдено, автоматизация сверки перестаёт быть рискованным экспериментом и становится рабочим способом вернуть бухгалтеру те самые 2–3 часа, которые обычно уходят на поиск чужих опечаток, копеек и потерянных строк.