Обработка документов нейросетью перестала быть экспериментом для компаний с отдельным ИТ-отделом. Я подключаю Claude API к обычной таблице бухгалтерии или Telegram-боту, и через полторы-две недели клиент получает поток счетов, актов и договоров, которые разбираются автоматически: суммы, даты, реквизиты контрагента, номер и предмет договора уходят в CRM или 1С без участия человека на первом этапе. Ручная проверка остаётся, но её объём сокращается в разы, а не на проценты.
По теме статьи
Готовое решение
AI-чатбот для сайта на Claude - отвечает как ваш менеджер, работает 24/7
Подключу к вашему сайту чат-бота на Claude API. Бот отвечает на вопросы клиентов голосом вашего бренда, знает каталог и условия доставки, забирает лиды в CRM или Telegram.
от25 000 ₽
AI / Claude API
Искусственный интеллект для бизнеса
AI-чатбот на сайт с базой знаний, автообработка заявок, генерация контента, умный парсинг. Claude API, OpenAI, RAG.
от50 000 ₽
Зачем автоматизировать обработку счетов и актов
На практике у среднего отдела бухгалтерии или закупок уходит 10-15 минут на один документ: открыть письмо, скачать PDF или фото, вбить сумму, дату, контрагента в учётную систему, сверить с договором. При потоке в 150-300 документов в месяц это отдельная штатная единица, которая занимается только переносом цифр из одного места в другое.
Ошибки при ручном вводе типичны: опечатка в сумме, перепутанный НДС, пропущенный документ. Каждая такая ошибка потом вылезает при сверке с банком или на камеральной проверке, и её исправление стоит дороже, чем сам ввод. На одном из проектов пропущенный НДС в паре счетов обернулся доплатой и пени на сумму больше, чем стоил весь год работы бухгалтера над этим участком. Автоматическая обработка счетов не убирает контроль полностью, но переносит его на этап проверки готовых данных, а не ручного набора.
Как работает извлечение данных из документов нейросетью
Схема одна и та же независимо от того, счёт это, акт или договор:
- Документ попадает в систему: фото с телефона, скан на почте, файл из личного кабинета поставщика.
- Файл передаётся в модель с поддержкой изображений и PDF (у Claude и GPT‑4 это работает без отдельного OCR-слоя для большинства сканов и фото среднего качества).
- Модель возвращает структурированный ответ по заранее заданной схеме: номер, дата, контрагент, ИНН, сумма, НДС, перечень позиций.
- Результат уходит в CRM, 1С, Google Таблицы для внутренней аналитики или на модерацию сотруднику, если уверенность модели ниже порога.
Схему ответа я задаю заранее в виде JSON-структуры с обязательными и опциональными полями и прошу модель возвращать оценку уверенности по каждому полю. Если уверенность ниже 90%, документ автоматически уходит на ручную проверку, а не записывается в базу как есть.
Отдельный OCR (Tesseract, Yandex Vision) подключаю, только если документы приходят в низком качестве, факсом или с рукописными пометками. Для чистых PDF и нормальных фото современная модель справляется с распознаванием и структурированием за один запрос, без промежуточного текстового слоя.
Разница с классическими шаблонными парсерами в том, что нейросеть не привязана к жёсткому макету бланка. Один и тот же промт разбирает счёт от поставщика канцелярии и акт от подрядчика на монтаж, потому что модель понимает смысл документа, а не координаты полей на конкретном шаблоне.
Бесплатный материал
🎁 Полезный скрипт в подарок
Подпишитесь на Telegram - пришлю готовый скрипт по этой теме.
Без спама. Отписка в 1 клик.
Распознавание актов и договоров: что доверяю модели, а что проверяю сам
Со счетами и актами модель работает надёжно: там ограниченный набор полей, стандартная структура, суммы и даты легко проверяются автоматически (сумма позиций должна сходиться с итогом, дата акта не может быть раньше даты договора). На выборке из практики модель ошибается в извлечении суммы или даты реже, чем один раз на 150-200 документов, и это обычно смазанные сканы или рукописные исправления.
Отдельно настраиваю проверку на дубликаты: один и тот же счёт иногда приходит дважды, с почты и через мессенджер, и без сверки по номеру и сумме его легко оплатить второй раз. Модель сравнивает новый документ с уже занесёнными в базу записями и помечает совпадения для проверки.
С договорами ситуация другая. Извлечь стороны, номер, срок действия и сумму нейросеть тоже может почти без ошибок, но юридическую оценку условий (штрафные санкции, форс-мажор, порядок расторжения) я не отдаю на автомат полностью. Модель хорошо находит и подсвечивает такие пункты для быстрого чтения, но финальное решение по рискованным формулировкам всегда остаётся за юристом или самим заказчиком.
Реквизиты контрагентов и суммы по договорам храню только на серверах в России: если пайплайн собирает персональные данные или банковские реквизиты, зарубежные облачные таблицы для этого не подходят по 152-ФЗ. Google Sheets и Airtable удобны для внутренней аналитики без персональных данных, но не для базы контрагентов и платёжных документов.
Инструменты для обработки документов нейросетью на практике
Для потоковой обработки обычно собираю связку из трёх частей:
- Точка приёма документа: почтовый ящик с фильтром по теме письма, Telegram-бот на aiogram, куда сотрудник фотографирует бумажный счёт, или вебхук из личного кабинета поставщика.
- Оркестрация в n8n: триггер по новому письму или сообщению, вызов Claude API с промтом и JSON-схемой, проверка обязательных полей, ветвление на «отправить в CRM» или «отправить на ручную проверку».
- Приёмник данных: 1С через обмен, Bitrix24 или amoCRM через API, либо таблица с историей всех документов для сверки в конце месяца.
Бота на aiogram обычно учу принимать не одно фото, а серию кадров одного документа и склеивать их в PDF перед отправкой в модель, это снимает жалобы на то, что счёт не поместился в один кадр. Для многостраничных актов и спецификаций такая склейка обязательна, иначе модель увидит только первую страницу.
Такую связку можно собрать и без готового конструктора, отдельным Python-скриптом с очередью задач, если объём документов большой и нужна гибкая логика повторных попыток при сбоях API. Если у вас уже есть учётная система и просто нужно перестать вручную переносить в неё данные из счетов, разработку такого пайплайна под вашу CRM и объём документов беру на себя целиком, от точки приёма до записи в базу.
Пример пайплайна: от письма со счётом до записи в CRM
На одном из проектов поток выглядел так: поставщики присылают счета на общий почтовый ящик бухгалтерии, 30-40 писем в неделю, разные форматы, от PDF до фото со смартфона. Раньше бухгалтер тратил на разбор каждого письма 8-12 минут: открыть, скачать, вбить в 1С, сверить сумму с договором.
После внедрения n8n-сценарий проверяет почту каждые 15 минут, вложения с расширением pdf, jpg и png уходят в Claude API с промтом на извлечение полей и схемой ответа в JSON. Если сумма позиций совпадает с итоговой суммой документа и контрагент найден в справочнике, запись автоматически создаётся в 1С со статусом «на оплату». Если что-то не сходится, документ падает в отдельный чат в Telegram с пометкой, что именно не совпало.
Время на документ упало до 30-40 секунд, это время, которое бухгалтер тратит на беглую проверку уже готовой записи, а не на ручной ввод с нуля. Доля документов, ушедших на ручную проверку из-за низкой уверенности модели, держится на уровне 6-8% от общего потока, и это в основном смазанные фото и нестандартные бланки. При 150 документах в месяц автоматизация освобождает больше 20 часов работы.
Сроки и стоимость внедрения обработки документов нейросетью
Цена зависит от числа источников документов и от того, куда данные должны попасть на выходе.
| Что входит | Срок | Цена |
|---|---|---|
| Один канал приёма (почта или бот), один тип документа, выгрузка в таблицу | 5-7 дней | от 25 000 ₽ |
| Несколько каналов и типов документов (счета, акты, договоры), интеграция с CRM или 1С | 10-14 дней | от 50 000 ₽ |
| Дополнительно: разбор договоров с выделением рискованных пунктов, ручная модерация с порогом уверенности | плюс 3-5 дней | от 15 000 ₽ |
В стоимость закладываю настройку промтов и схем под конкретные бланки заказчика, тестирование на реальных документах в течение 2-3 недель и передачу логики n8n-сценария в понятном виде. Расходы на сам вызов API идут отдельно от разработки и обычно не превышают нескольких тысяч рублей в месяц даже при потоке в несколько сотен документов.
Частые вопросы
Нужен ли отдельный OCR для распознавания сканов и фото?
Для чистых PDF и фото с телефона в нормальном освещении отдельный OCR не нужен, современные модели читают изображение и структурируют данные за один запрос. Отдельный слой распознавания подключаю только для факсов, сильно смазанных сканов и рукописных пометок.
Что делать, если модель ошиблась в сумме или дате?
Я закладываю в пайплайн автоматическую проверку: сумма позиций должна сходиться с итогом документа, а извлечённая дата попадает в разумный диапазон. Если проверка не проходит, документ уходит не в учётную систему, а на ручную модерацию сотруднику с пометкой, что именно расходится.
Можно ли обрабатывать документы на разных языках и в разных валютах?
Да, модель одинаково хорошо работает с документами на русском и английском и распознаёт валюту по символу или коду в тексте счёта. Для международных поставок отдельно настраиваю пересчёт в рубли по курсу на дату документа, если это нужно для учёта.
Куда сохраняются данные из обработанных документов?
Реквизиты контрагентов, суммы и персональные данные храню на серверах в России и завожу в вашу учётную систему или CRM, а не в зарубежные облачные таблицы. Это требование 152-ФЗ по локализации персональных данных, и для базы контрагентов и платёжных документов оно обязательно.