ИИ и 1С: как связать нейросеть с учётной системой

На практике связка ИИ и 1C закрывает три задачи, а не «автоматизацию бухгалтерии» целиком. Первая - распознавание документов: скан счёта, фото накладной или PDF от поставщика ИИ читает и превращает в черновик записи для занесения в учёт. Вторая - чтение остатков и отчётов: сотрудник спрашивает в чате «сколько на складе позиции X» или «выручка за март по направлению», ИИ смотрит нужный отчёт в 1C и отвечает без похода к бухгалтеру. Третья - сопоставление номенклатуры: у поставщика товар подписан одним артикулом, в вашей базе другим, ИИ сводит эти строки без ручной сверки построчно.

В компании чаще всего актуален один-два сценария из трёх - сразу все нужны редко.

Технически всё идёт через штатные механизмы обмена 1C, конфигурацию при этом не переписывают. 1C публикует данные наружу через HTTP-сервисы и стандартный интерфейс OData, либо через обмен по правилам обмена, включая формат EnterpriseData для связи между базами 1C и CommerceML для номенклатуры и цен. ИИ подключается к этому слою отдельным клиентом: читает и пишет через опубликованный сервис, саму конфигурацию не трогая.

Если в вашей 1C есть доработки, интеграцию собирают через отдельное расширение конфигурации вместо правок в типовом коде. Расширение живёт рядом с основной конфигурацией и снимается без следа, если решение не прижилось.

ИИ не получает доступ ко всей базе 1C, только к тому, что нужно для конкретной задачи. В 1C для этого есть штатный механизм ограничения доступа на уровне записей: под интеграцию заводят отдельного пользователя с ролью, которая видит, например, только приход первички или только остатки по складу. Зарплата, данные сотрудников и чужие документы остаются вне этого контура.

Тот же принцип, что и для нового сотрудника: доступ дают под задачу, «на всякий случай» ко всей базе его не открывают.

Проводки ИИ готовит черновиком, а заносит и утверждает их бухгалтер. ИИ разбирает документ, предлагает счета и суммы, но в учёт запись попадает после проверки человеком. Ошибся ИИ - её ловят до того, как она легла в отчётность. В научной литературе такие сбои называют галлюцинациями, а обзор исследований описывает их как типичную проблему нейросетевой генерации текста. После сдачи периода такое уже не поймать.

Процесс это не тормозит: черновик готов за секунды вместо получаса ручного ввода, бухгалтер проверяет готовое и не набирает его с нуля.

Как это выглядит на практике: в оптовой торговле сверка номенклатуры поставщика с позициями в 1C занимала у менеджера около двух часов на крупную поставку - названия и артикулы у сторон не совпадали, свод шёл построчно в таблице. После настройки сопоставления через ИИ та же сверка занимает 10-15 минут: система сама сводит совпадающие строки, менеджер проверяет только спорные позиции.

Это обобщённый пример на цифрах: компания и город не привязаны к конкретному клиенту, но по такой же схеме считается эффект на пилоте.

Пилот на одном сценарии - от двух до пяти недель, дальше срок зависит от количества доработок в вашей 1C. Модель у нас в SkoreHood простая: фикс за запуск - аудит конфигурации, настройка обмена, ограничение доступа под задачу - дальше оплата за результат, без ежемесячной абонентки за то, что «интеграция работает».

Дальше по теме: автоматизация бухгалтерии, помощник по базе знаний для отчётов. Начните с одного сценария - распознавание документов или сопоставление номенклатуры обычно окупаются быстрее всего.