Из практики Бухгалтерия и финансы
Распознавание и анализ счетов поставщиков с помощью ИИ
Снабженцы кампании вели реестр закупок в CRM и таблицах. Номер, дату и реквизиты счёта в CRM зачастую не заполнял никто, а сумму вбивали руками, что приводило к ошибкам. Внутренняя нейросеть с видеокартой за 40К читает каждый счёт и сверяет его с карточкой закупки.
Результат
Разработан контур, который автоматические загружает данные счетов в CRM и внутреннюю систему учёта, извлекает и проверяет всю информацию.
Было → стало
- Данные в учёте
- 5% → 99% счетов
- Счета за год (первичная проверка)
- вручную, без сверки → 1500 за 4,5 часа
- Сверка с CRM
- не сверялась → 96% совпали
- Время на один счёт
- 3 мин → ≈ 10 с
- Стоимость распознавания
- — → 0 ₽ на своей видеокарте
- Стоимость распознавания через облачный провайдер
- — → 0,005–0,008 ₽
01 Проблема
Большое количество поставщиков и несколько параллельно работающих снабженцев создают большой поток входящих счетов. Необходимо было вручную ввести этот реестр счетов, заполнять данные в CRM, согласовывать оплату, отправлять данные бухгалтеру и за этим всем следить в ручном режиме. Естественно, при таком объеме происходили ошибки и много времени уходило на внесение данных. Сумму вбивали вручную и с ошибками, а номер счёта, дату, срок оплаты и реквизиты поставщика не заполнял никто: номер счёта был пуст у всех закупок.
02 Решение
Большинство счетов приходят на e-mail, откуда и извлекаются для обработки. При том не важно в каком виде пришёл счет - данные извлекаются их архивов, сканов и PDF и подготавливаются для обработки. На этом этапе LLM не используется, всё происходит алгоритмически. Так же есть возможность загрузить счёт вручную.
Компьютер, на котором стоит LLM, каждые несколько минут забирает новые файлы, достаёт текст из PDF и таблиц, а сканы и фото передаёт картинкой. Читает счёт локальная модель Qwen 3.5 (9B) на машине с игровой видеокартой на 8 ГБ памяти — не на сервере в облаке и не на специальном оборудовании.
- Модель возвращает поля строго по заданной форме: номер, дату, поставщика, реквизиты, сумму и строки товаров.
- Программа проверяет их арифметикой: контрольные цифры ИНН, ключевой разряд расчётного счёта, согласованность банковских реквизитов, «количество × цена» в строках.
- Распознанное хранится отдельно и ничего в CRM не перезаписывает: данные из файла и из карточки стоят рядом, расхождение закрывает человек.
- Документы, которые не являются счетами (накладные, акты сверки, спецификации), модель отсеивает сама и отправляет на другой контур, собирающий другие документы
После разбора моделью данные еще раз проверяются уже алгоритмически на корректность: сходимость сумм и валидность реквизитов.
Если компьютер выключен или спит, счёт читает та же модель у облачного провайдера, чтобы работа не стояла.
03 Результат
В результате мы получили чётко заполненные данные для последующей работы. Что это нам дало:
- убрали подавляющую массу ручной работы и ошибки связанные с ней
- поставили на автоматический контроль изменения реквизитов поставщиков
- связали банковские выписки со счетами, что позволило точно контролировать расходы и избегать переплат
- собрали номенклатуру поставляемых товаров и теперь контролируем изменение их цены
Система работает каждый день: за полтора месяца прочитано около 3500 документов, окончательных отказов — меньше 1%. В свежих счетах номер, ИНН, расчётный счёт и сумма заполнены в 99% случаев. Счёт с текстом читается в среднем за 10 секунд, скан или фото — за 15–17, весь месячный поток занимает около 40 минут работы видеокарты. За распознавание на своём компьютере компания не платит ничего, кроме электричества.