Автоматизация сверки документов с помощью ИИ в 2026

Как превратить сверку актов, счетов и реестров из ручного поиска ошибок в управляемую проверку с понятным отчётом.

Сверка документов редко выглядит сложной на схеме: взять акт, счёт, договор или реестр, сравнить суммы, даты, номера, позиции и найти расхождения. На практике бухгалтер или операционный специалист открывает несколько файлов, держит в голове правила проверки, копирует строки в таблицу, отмечает спорные места цветом и к концу дня уже не уверен, что не пропустил одну строку на 4 800 рублей. Я видел, как такая работа превращается в серию мелких решений: где округление, где дубль, где неверный контрагент, где позиция названа иначе, но относится к той же услуге.

Нейросети хорошо подходят для первого прохода по такой задаче. Они помогают разобрать структуру документа, выделить реквизиты, сопоставить строки и сформировать список вопросов для человека. Это не отменяет бухгалтерский контроль. Зато снимает самую утомительную часть, поиск отличий глазами. Если вы только выстраиваете регулярную работу с ИИ, полезно сначала посмотреть на сценарии применения нейросетей в рабочих процессах, а затем уже переносить в них сверку актов и реестров.

Где ручная сверка теряет время

Ручная сверка ломается не на арифметике, а на неоднородности данных. В одном документе услуга называется «доставка до склада», в другом, «логистика, склад получателя». В акте сумма указана с НДС, в реестре без НДС. Номер договора написан через дробь, в счёте он разбит пробелами. Табличная часть может быть в PDF, скане, XLSX или выгрузке из учётной системы.

Для примера: если в акте 80 строк, а в реестре 95 строк, человеку нужно проверить минимум 7 типов совпадений: контрагент, период, номер договора, номенклатура, количество, цена, итоговая сумма. Даже при скорости 30–40 секунд на строку первичная проверка занимает десятки минут. Если документов 12 за день, нагрузка растёт не линейно: после третьего однотипного файла чаще появляются пропуски и неверные отметки.

ИИ полезен там, где нужно быстро сделать черновую сверку и разложить результат по категориям. Например: «совпало», «сумма отличается», «позиция есть только в акте», «позиция есть только в реестре», «нужно проверить вручную». Такой разбор удобно потом экспортировать в таблицу или вставить в письмо контрагенту. При работе с текстовыми документами пригодятся приёмы из статьи про генерацию и проверку деловых текстов нейросетью, потому что итоговый отчёт тоже нужно редактировать: убрать двусмысленность, оставить факты, не добавить лишнего.

Что именно можно автоматизировать

Я делю сверку документов на несколько операций. Не все нужно отдавать модели, но почти каждую можно ускорить.

SoftChat можно использовать как рабочий чат для такой проверки: в сообщениях поддерживаются вложения изображений и документов, а ответы отображаются с таблицами в Markdown. Если выбранная модель принимает нужный тип файла, удобно приложить акт и реестр, затем попросить вернуть результат в виде таблицы. В чате можно переключать модели по разговору, а настройки ответа вроде «Креативность» и «Длина ответа» помогают держать формат ближе к бухгалтерскому отчёту, а не к свободному пересказу. Для повторяемых запросов пригодятся шаблоны промптов, чтобы каждый раз не собирать инструкцию заново.

Рабочая схема сверки за один проход

Сначала я прошу модель не «проверить всё», а разобрать документы на поля. Чем точнее входная структура, тем меньше спорных выводов. Хороший первый запрос выглядит так:

Сравни акт и реестр. Сначала выдели реквизиты каждого документа: контрагент, ИНН, номер договора, период, дата, итоговая сумма, НДС. Затем сравни табличные части построчно. Верни таблицу с колонками: «строка», «что найдено в акте», «что найдено в реестре», «тип расхождения», «сумма расхождения», «комментарий». Не делай вывод, если данных не хватает, пометь строку как «проверить вручную».

Такой запрос ограничивает модель. Она не должна угадывать. Она должна показать, где данные совпали, а где не хватает основания для решения. Если документ длинный, лучше разбить работу: сначала реквизиты и итоги, затем табличная часть, затем итоговое письмо. Это особенно полезно для PDF с неровной таблицей: одна длинная инструкция чаще даёт красивый, но менее проверяемый ответ.

Условный пример: акт «№ 14 за март» содержит позицию на 18 000 рублей, а реестр «мартовские услуги» показывает похожую позицию на 16 200 рублей. Модель не должна писать «ошибка в акте». Корректная формулировка: «найдено расхождение 1 800 рублей, нужно проверить ставку, скидку или неполный объём услуги». Разница небольшая, но для бухгалтерии она принципиальна: отчёт фиксирует факт, а не назначает виновного.

Если вы ещё оттачиваете запросы, советую разобрать базовые принципы в материале про формулировку промптов для нейросетей. В сверке документов промпт влияет на результат сильнее, чем кажется: одна фраза «не угадывай пропущенные значения» часто спасает отчёт от лишних предположений.

Как попросить ИИ найти ошибки в суммах

Суммы лучше проверять слоями. Сначала итог по документу: совпадает ли общая сумма, НДС, период. Потом строки: количество, цена, сумма по позиции. После этого смысловые расхождения: одинаковая услуга названа по-разному, но относится к одному периоду и договору.

Для примера: в счёте указано 10 единиц по 1 250 рублей, а в акте сумма строки равна 12 000 рублей. Простая арифметика даёт 12 500 рублей, значит нужно проверить скидку, частичное закрытие или ошибку в строке. Нейросеть может вывести это в виде таблицы:

Здесь человек получает не абстрактное «есть ошибка», а короткую карту действий. Проверить договор. Посмотреть скидку. Спросить контрагента. Сверить НДС. На этом этапе ИИ особенно полезен для подготовки отчёта: он группирует расхождения и помогает написать письмо без эмоциональных формулировок.

Как получить отчёт, который можно отправить коллегам

Плохой отчёт после сверки выглядит так: «есть различия, смотрите файл». Хороший отчёт отвечает на четыре вопроса: какие документы сравнивались, какие поля совпали, где расхождения, что нужно сделать дальше. Я обычно прошу модель вернуть две версии: техническую таблицу для бухгалтера и короткое письмо для контрагента.

Промпт для отчёта:

На основе найденных расхождений подготовь отчёт. В начале укажи документы и период. Затем дай таблицу расхождений. После таблицы сформулируй письмо контрагенту в нейтральном деловом тоне. Не добавляй юридических выводов. Если причина расхождения не доказана документами, пиши «требует уточнения».

Модельный кейс: компания из сферы оптовой торговли, ~60 сотрудников, сверяет 25 актов и 25 счетов за месяц; при ручной проверке специалист тратит 6–8 часов на первичный разбор, а ИИ-подход сокращает именно черновой этап до подготовки таблиц и списка вопросов. Финальное согласование всё равно остаётся за бухгалтером, потому что он видит договоры, закрывающие документы и внутренние правила учёта.

Такой сценарий близок к повседневной автоматизации: убрать повторяемую часть, оставить человеку решение. Если нужно встроить ИИ шире, от личных задач до рабочих чек-листов, можно посмотреть статью о том, как использовать нейросети и чат-боты в ежедневных задачах. Там хорошо видно, почему один удачный шаблон запроса часто ценнее десятка случайных диалогов.

Где ИИ ошибается при сверке

Главный риск, уверенный ответ при слабых данных. Если скан плохой, таблица съехала, а в строках много похожих услуг, модель может объединить позиции слишком смело. Поэтому я закладываю в промпт отдельное правило: «если совпадение неочевидно, не объединяй строки, а вынеси в блок ручной проверки». Это снижает красивость ответа, зато повышает пользу.

Второй риск, потеря контекста договора. Документы могут расходиться не из-за ошибки, а из-за аванса, частичного закрытия, штрафа, скидки или корректировки периода. ИИ видит файлы, которые ему дали. Если договора, допсоглашения или письма нет во входных данных, он не должен придумывать основание.

Третий риск, формат чисел. В российских документах встречаются пробелы в разрядах, запятые в копейках, суммы с НДС и без НДС, сокращённые единицы измерения. Для стабильной сверки нужно заранее задать формат: «суммы показывай в рублях с двумя знаками после запятой», «отдельно указывай НДС», «не округляй расхождение до целых».

Как встроить сверку в регулярный процесс

Для разовой проверки достаточно одного хорошо написанного запроса. Для регулярной работы нужен шаблон. В SoftChat для таких повторяемых стартов есть шаблоны промптов, а сохранённого ассистента можно подключить к открытому чату через меню «Инструменты». Это удобно, когда у команды есть роль вроде «помощник по сверке актов»: он каждый раз просит одинаковый набор данных и возвращает отчёт в одном формате. Если в текущем чате уже есть сообщения, новый чат с ассистентом открывается отдельно, чтобы не менять роль разговора на ходу.

Для командной дисциплины я бы зафиксировал один стандарт ответа:

1. реквизиты документов;
2. таблица совпадений и расхождений;
3. список строк для ручной проверки;
4. черновик письма контрагенту;
5. короткий вывод «можно закрывать» или «нужны уточнения».

Последний пункт должен быть осторожным. Формулировка «можно закрывать» допустима только после человеческой проверки. В отчёте модели лучше писать: «по предоставленным документам критичных расхождений не найдено». Разница в ответственности заметная.

Когда хватит таблиц, а когда нужен чат с ИИ

Обычные таблицы отлично справляются с точными совпадениями: одинаковый номер, одинаковая сумма, одинаковая дата. Если у вас выгрузка из одной системы в одном формате, формулы, сводные таблицы и правила проверки могут закрыть большую часть работы. ИИ становится полезнее, когда данные разнородные: PDF против XLSX, разные названия услуг, комментарии в свободном тексте, сканы, письма с пояснениями.

Сравнение похоже на выбор между голосовым помощником и браузерной нейросетью в бытовых сценариях: инструмент зависит от задачи, а не от моды. В статье о выборе между Алисой и нейросетью в браузере этот принцип разобран на простых примерах, для документов он работает так же.

Что бы я сделал на вашем месте

Я бы не начинал с полной автоматизации бухгалтерии. Сначала взял бы один повторяемый пакет документов: акт, счёт, реестр или отчёт по услугам за месяц. Затем сделал бы эталонный промпт, прогнал 5–10 типовых файлов, собрал ошибки модели и добавил запреты: не угадывать, не объединять сомнительные строки, не округлять суммы, не делать юридических выводов.

После этого можно закрепить формат отчёта и использовать его каждый месяц. Хороший результат здесь не в том, что человек исчезает из процесса. Хороший результат, когда бухгалтер открывает уже размеченную таблицу, видит 3 спорные строки из 80 и тратит внимание на решение, а не на поиск. Именно так ИИ даёт экономию времени без потери контроля.