Практическая схема для бухгалтерии: какие документы дать нейросети, какие проверки поручить и как не потерять контроль над результатом.

Автоматическая проверка актов не начинается с «магического» промпта. Сначала нужно понять, где бухгалтер теряет время: на чтении PDF, сверке сумм, поиске расхождений в реквизитах, проверке НДС, сравнении акта с договором или подготовке письма контрагенту. Нейросеть хорошо помогает там, где есть повторяемый текстовый шаблон и понятный критерий проверки. Она хуже справляется с ситуациями, где не хватает исходных документов или требуется профессиональное решение без формальных признаков.

Я настраиваю такую работу как контур предварительного контроля. Нейросеть читает акт, извлекает поля, сравнивает их с опорными данными, подсвечивает подозрительные места и готовит черновик комментария. Финальное решение остаётся за бухгалтером. Такой подход безопаснее, чем пытаться сразу «автоматизировать бухгалтерию целиком», и быстрее даёт пользу: один тип акта, один набор правил, одна таблица результата.

Если вы только начинаете внедрение, полезно сначала разобрать общие сценарии в статье про внедрение нейросетей в рабочие процессы. Проверка актов хорошо ложится на этот подход: берём повторяемую операцию, описываем входные данные, фиксируем формат ответа, затем прогоняем 20–30 документов вручную и смотрим, где модель ошибается.

Где ИИ реально помогает при проверке актов

В бухгалтерской проверке актов есть несколько типовых операций. Часть из них уже давно решают учётные системы и регламенты. Нейросеть нужна не вместо них, а между «документ пришёл» и «бухгалтер принял решение». Особенно если акт пришёл в PDF, скане, письме, таблице или в виде файла с нестандартной структурой.

Практический минимум выглядит так:

Зона проверки Что делает нейросеть Что проверяет бухгалтер
Реквизиты Извлекает ИНН, КПП, номер, дату, контрагента, договор Совпадение с карточкой контрагента и договором
Суммы Сравнивает итог, НДС, позиции, валюту, округления Корректность расчёта и допустимость расхождения
Период Ищет месяц, даты услуг, закрываемый период Попадание в нужный отчётный период
Формулировки Находит размытые услуги: «консультации», «прочее», «сопровождение» Нужны ли детализация и подтверждающие документы
Расхождения Составляет список отличий между актом, договором и заказом Существенность ошибки и дальнейшее действие
Коммуникация Готовит черновик письма контрагенту Тон, юридическая точность, финальная отправка

Разбор одного акта вручную часто занимает от нескольких минут до десятков минут, если нужно открыть договор, заказ, переписку и прошлые документы. При пакете из 100 актов в конце месяца ручная проверка превращается в узкое место. ИИ не убирает работу бухгалтера, но переносит часть времени с механического поиска на принятие решения.

Для текстовых сценариев удобно держать рядом готовые шаблоны запросов. В SoftChat есть промпт-шаблоны для повторяемых стартов диалога, поддерживаются документы во вложениях к сообщениям, а ответы отображаются с таблицами в Markdown. Это хватает для аккуратного рабочего прототипа: загрузить акт, дать правила, получить таблицу проверки и список вопросов. Если вы в целом только осваиваете работу с текстовыми нейросетями, пригодится разбор задач и проверки результата при генерации текста, потому что бухгалтерский контур строится на тех же принципах: вход, критерии, формат, контроль.

Подготовьте данные до первого промпта

Самая частая ошибка: бухгалтер загружает акт и пишет «проверь документ». Модель отвечает общими словами, пропускает нужные поля и не понимает, с чем сравнивать. Хорошая проверка требует набора опорных данных.

Я собираю пакет так:

  1. Акт: PDF, скан, текст или таблица.
  2. Договор или выдержка из договора: номер, дата, предмет, ставка НДС, условия оплаты.
  3. Заказ, спецификация или счёт, если акт закрывает конкретные позиции.
  4. Карточка контрагента: название, ИНН, КПП, адрес, банковские реквизиты, если они нужны для сверки.
  5. Правила проверки: допустимое округление, обязательные формулировки, период, внутренние требования к детализации.

Для сканов качество входного файла решает многое. Если документ повернут, размытый или содержит печать поверх суммы, распознавание может дать ошибку. В таких случаях я прошу модель отдельно вывести «поля с низкой уверенностью», а не делать вид, что всё прочитано однозначно. Это снижает риск тихой ошибки.

Условный пример: если акт «№ 148 от 31.03» закрывает услуги за март, а в договоре указан ежемесячный акт до 5-го числа следующего месяца, модель может пометить дату как допустимую, но вынести отдельный вопрос по периоду оказания услуг, если в тексте акта стоит «февраль». Здесь полезна не только сверка суммы, а обнаружение логического расхождения.

Настройте первый промпт: извлечение полей

Первый шаг не должен сразу искать все ошибки. Сначала попросите нейросеть разобрать документ в структуру. Это даёт проверяемую таблицу: бухгалтер видит, что модель прочитала, где ошиблась и какие поля не нашла.

Для примера: используйте такой промпт для акта на услуги без сложной спецификации:

«Ты помогаешь бухгалтеру выполнить предварительную проверку акта. Извлеки из приложенного документа поля: номер акта, дата акта, исполнитель, заказчик, ИНН сторон, КПП сторон, договор, период оказания услуг, сумма без НДС, НДС, сумма с НДС, валюта, список услуг, основание подписания. Верни результат таблицей. Если поле не найдено, напиши «не найдено». Если поле прочитано неуверенно, добавь комментарий».

После такого запроса не надо спорить с моделью о выводах. Проверьте именно извлечение. Если ИНН перепутан с номером договора, если период не распознан, если НДС взят из соседней строки, следующие проверки потеряют смысл. На тестовом наборе из 20–30 документов обычно быстро видны слабые места: сканы, нестандартные шапки, акты с несколькими договорами, документы с приложениями.

В SoftChat можно держать такой запрос как шаблон и применять его к повторяемым проверкам. Если у команды есть разные роли, например бухгалтер по услугам и специалист по первичке, можно использовать сохранённых ассистентов как разные рабочие настройки разговора. Каталог продукта поддерживает подключение ассистента к открытому чату, при этом выбранная модель не меняется. Я бы не смешивал в одном диалоге десятки разных типов документов: лучше отдельный чат под конкретный сценарий, так история и контекст остаются чище.

Второй промпт: сверка с договором и правилами

Когда поля извлечены, можно переходить к сверке. Здесь модель должна получить две вещи: акт и эталон. Эталоном может быть текст договора, таблица условий или короткая выжимка, подготовленная бухгалтером.

Для примера: промпт для сверки акта с договором:

«Сравни данные акта с условиями договора и правилами проверки. Проверь: стороны договора, номер и дату договора, период услуг, предмет услуг, ставку НДС, сумму, валюту, наличие обязательной детализации. Верни таблицу с колонками: проверка, данные из акта, данные из договора, статус «совпадает / расхождение / не хватает данных», комментарий, рекомендуемое действие. Не делай юридических выводов, если в документах нет прямого основания».

Формулировка «не хватает данных» нужна специально. Без неё модель склонна додумывать. Для бухгалтерии это опасно. Если договор не приложен, ответ должен быть «невозможно сверить договор», а не «вероятно, всё корректно». Это правило лучше прямо писать в каждом промпте.

Гипотетический пример: акт «№ 52» содержит сумму 118 000 рублей с НДС 20%, а в заказе указано 100 000 рублей без НДС. В такой ситуации модель должна показать, что итог математически совпадает, но всё равно вынести проверку основания: действительно ли заказ был на сумму без НДС, нет ли дополнительного соглашения, совпадает ли период услуг.

Для рабочих процессов полезно заранее описать уровни риска. Например: критичное расхождение, если не совпадает контрагент, договор или итоговая сумма; средний риск, если нет периода или детализации; низкий риск, если отличается формат адреса. Такой словарь экономит время, потому что бухгалтер получает не простыню замечаний, а приоритизированный список.

Третий промпт: поиск ошибок и письмо контрагенту

После сверки можно попросить модель подготовить человеческий комментарий. Это не отправка письма автоматически, а черновик. Его нужно вычитать, особенно если речь о спорных формулировках, санкциях, сроках оплаты или закрывающих документах.

Для примера: промпт для письма:

«На основе найденных расхождений подготовь короткое письмо контрагенту. Тон нейтральный и деловой. Не обвиняй, не используй эмоциональные формулировки. Укажи, какие поля нужно исправить и какие документы прислать повторно. В конце добавь список вложений, которые мы сверяли. Если расхождения критичные, предложи вариант фразы для возврата акта на исправление».

Хороший черновик письма обычно содержит 3–6 пунктов, без длинных рассуждений. Например: «Просим уточнить период оказания услуг», «В акте указан договор от другой даты», «Сумма НДС не совпадает с итоговой суммой», «Не приложена детализация работ». Такие формулировки бухгалтеру проще проверить и отправить после правки.

Здесь помогают общие навыки работы с чат-ботами: задавать роль, ограничивать стиль, просить таблицу, требовать список неизвестных данных. Я подробно разбирал эти приёмы в материале про нейросети и чат-боты для повседневных задач, и в бухгалтерии они работают особенно хорошо, потому что задача повторяется каждый месяц.

Как встроить проверку в месячное закрытие

Настройку лучше делать не на всём потоке документов, а на одном сценарии. Например: акты от подрядчиков на регулярные услуги. У них есть похожие поля, похожий договорный контур, понятная периодичность. После отладки можно переходить к аренде, маркетинговым услугам, IT-сопровождению, логистике или производственным работам.

Рабочий процесс я бы выстроил так:

  1. Бухгалтер загружает акт и опорные документы.
  2. Нейросеть извлекает поля в таблицу.
  3. Бухгалтер быстро проверяет распознавание.
  4. Нейросеть делает сверку с договором и правилами.
  5. Бухгалтер принимает решение: принять, запросить исправление, отложить.
  6. Нейросеть готовит черновик письма, если нужен контакт с контрагентом.

В SoftChat для такого процесса полезны история диалогов, шаблоны промптов, вложения документов и отображение таблиц в ответах. При работе с разными сценариями можно переключать модель в текущем чате, а расширенные настройки показываются в зависимости от выбранной модели. Я не стал бы описывать это как полноценную бухгалтерскую интеграцию: проверка всё равно остаётся в руках пользователя, а обмен с учётной системой нужно организовывать отдельным рабочим регламентом.

Модельный кейс: компания из сферы услуг, ~80 сотрудников, может начать с проверки 50 актов от регулярных подрядчиков за месяц и сравнить время трёх операций: извлечение реквизитов, сверка суммы, подготовка письма. Если до настройки бухгалтер тратил на акт 7 минут, а после черновой проверки тратит 3–4 минуты, экономия видна без сложной аналитики. Но такую цифру нельзя переносить на все компании: сканы плохого качества, нестандартные договоры и ручные согласования быстро меняют результат.

Контроль качества: что нельзя отдавать ИИ без проверки

Автоматическая проверка актов должна иметь журнал ошибок. Не обязательно сложный. Достаточно таблицы: дата, тип документа, что модель нашла, что пропустила, решение бухгалтера, комментарий. Через несколько недель станет понятно, какие промпты нужно уточнить.

Особенно внимательно проверяйте:

  • суммы и НДС, если в документе несколько итогов;
  • реквизиты, если акт сделан по шаблону другого контрагента;
  • даты, если услуга оказана в одном месяце, а акт датирован следующим;
  • формулировки услуг, если они влияют на принятие расходов;
  • приложения, если детализация вынесена в отдельный файл;
  • документы с рукописными пометками или печатями поверх текста.

Нейросеть может красиво оформить неверный вывод. Поэтому я всегда прошу её разделять факты и предположения. Факт: «в акте указана сумма 118 000». Предположение: «вероятно, сумма включает НДС». Если в ответе эти вещи смешаны, промпт надо переписать.

Для обучения сотрудников хорошо работает короткая инструкция на одну страницу: какие документы прикладывать, какой шаблон выбирать, какие ответы считать неприемлемыми. Похожий принцип используется в самообучении: модель полезна как тьютор, если человек проверяет ход рассуждения, а не копирует финальный ответ. Этот подход я разбирал в статье про нейросети в образовании и саморазвитии, и для бухгалтерии он переносится почти напрямую.

Мини-набор промптов для старта

Ниже набор, с которого можно начать без сложной автоматизации.

1. Извлечение реквизитов

«Извлеки из акта реквизиты и суммы. Верни таблицу: поле, значение, где найдено в документе, уверенность «высокая / средняя / низкая», комментарий. Не заполняй поле, если его нет в документе».

2. Сверка с договором

«Сравни акт с договором. Проверь стороны, номер договора, период, предмет, сумму, НДС, валюту, обязательные приложения. Для каждого пункта дай статус и короткое объяснение. Если данных недостаточно, напиши, какого документа не хватает».

3. Поиск подозрительных мест

«Найди признаки ошибок в акте: несоответствие дат, разные названия контрагента, странные округления, отсутствие периода, слишком общая формулировка услуг, расхождение суммы прописью и цифрами. Верни список по убыванию риска».

4. Черновик письма

«Подготовь письмо контрагенту по найденным расхождениям. Стиль спокойный. Сначала перечисли, что нужно исправить, затем укажи, какие документы просим прислать повторно. Не добавляй факты, которых нет в проверке».

Если сравнивать голосового помощника и браузерную нейросеть, для актов почти всегда удобнее интерфейс, где можно работать с документами, таблицами и длинным контекстом. Подробное различие бытовых сценариев я разбирал в статье «Алиса» или нейросеть в браузере, а для бухгалтерских документов критерий ещё строже: нужны вложения, структурированный ответ и возможность вернуться к истории проверки.

Что бы я сделал на вашем месте

Я бы не начинал с интеграций, роботов и обещаний «проверять всё без бухгалтера». Сначала взял бы один тип акта за прошлый месяц, выбрал 20 документов разного качества, написал два шаблона: извлечение полей и сверка с договором. Затем прогнал бы документы, записал ошибки модели и переписал правила проверки.

Если после этого бухгалтер видит, что черновая проверка снимает хотя бы часть механической работы, можно расширять контур: добавить письма контрагентам, отдельные шаблоны по видам услуг, уровни риска, внутреннюю инструкцию для команды. Если модель часто ошибается на сканах или нестандартных договорах, не надо насильно масштабировать процесс. Лучше ограничить ИИ теми документами, где качество входа и правила проверки достаточно стабильны.

Автоматическая проверка актов хорошо работает как фильтр первого прохода. Она быстрее находит расхождения, аккуратно собирает данные в таблицу и помогает подготовить коммуникацию. Но ценность появляется только тогда, когда бухгалтер заранее задаёт правила и проверяет спорные места. Именно такая связка даёт управляемую экономию времени без потери профессионального контроля.