Нейросети в бухгалтерии: как и для чего их можно использовать
Нейросети — горячая тема в бизнесе, но в бухгалтерии они пока слабо распространены. В статье рассказываю о реальной практике их применения в бухгалтерии. Разбираю возможности больших языковых моделей, их ограничения и способы интеграции в рабочий процесс. Показываю, какие задачи уже можно доверить ИИ и почему человеку все равно придется выполнять роль редактора. Нейросети в бухгалтерии: что такое LLM и как они работают Большие языковые модели (Large Language Model, LLM) третий год на хайпе. Самые известные: ChatGPT, Gemini и Qwen. В России — YandexGPT и сберовский Gigachat. В этом году стрельнули китайский DeepSeek и Grok имени Маска. Такие модели основаны на нейронных сетях с миллиардами параметров, которые обучены на огромных объемах текстовых данных. Они способны понимать, анализировать и генерировать текст на человеческом языке. Естественно, технологию такой мощности бизнес пытается прикрутить к любым процессам. Я заинтересовался, как его можно использовать в бухгалтерии. Оказалось (ожидаемо), что сотрясания воздуха в сети гораздо больше, чем примеров внедрения или описания решения конкретных задач. В научной литературе больше исследуются возможности прогнозирования с помощью LLM будущего компании на основе финансовой отчетности, чем непосредственно ведения бухгалтерского учета. Накидал направления применения LLM к работе бухгалтера. Некоторые из них уже подтверждены практикой, остальные — мои предположения и гипотезы других исследователей. В первой части статьи разберу ограничения LLM. Во второй — техническую реализацию использования LLM в бухгалтерии. В третьей — задачи, которые можно делегировать железякам. Не буду влезать в дебри — объясню только то, что сам понял применительно к практическому применению LLM рядовым пользователем. Ограничения LLM в бухгалтерии: чего нейросети не могут Чтобы проверить, что я правильно понял логику работы LLM, попросил прочитать тексты моего давнего приятеля Кирилла Пшинника — CEO онлайн-университета «Зерокодер». Так что, если где слажал — вопросики к нему. LLM имеют графический пользовательский интерфейс чата. Поэтому сразу возникает вопрос: как прикрутить чат к решению бухгалтерских задач? Конечно, можно задавать вопросы в надежде получить консультацию от всезнающего помощника. Но, во-первых хочется, чтобы он не только консультировал, но и сам делал работу за бухгалтера. А во-вторых, даже такая идея «в лоб» решается плохо. Вот причины этого: Как это сделать самостоятельно? Например, на базе ChatGPT можно пилить GPTs — собственные AI-ассистенты. Для этого пишется системный промпт — набор инструкций, которому LLM будет следовать при работе с пользователем. Туда же загружается база знаний с текстами, к которым он будет обращаться для ответа на запросы. Вот пример AI-консультанта бухгалтера. До живого консультанта ему пока расти и расти. Объем информации, к которой ассистент будет обращаться, ограничен. Сейчас лимит составляет 128 тысяч токенов (это примерно 300 тысяч символов). И даже этот объем сетка экономит. Я пытался сделать ассистента, который отвечает с упором на мою «Бухгалтерию для небухгалтеров» — он не видел половину книги. И даже к тому тексту, который загрузился, ассистент не обращался, предпочитая искать в других источниках. При этом у него в промпте был четкий запрет на поиск где-то еще. Частично эту проблему решает создание ассистентов при помощи отдельных продуктов (Assistants API и Vector Store). Там уже без навыков программирования будет сложно, но при наличии техспецов задача обучения выполнима. Интеграция нейросетей в бухгалтерию: API и RPA для автоматизации Обычный пользователь работает с LLM при помощи графического пользовательского интерфейса (Graphical User Interface, GUI). В большинстве современных LLM он реализован в виде чата, в котором можно написать промпт и прикрепить файлы для анализа. Но использование такого интерфейса отнимает много времени и подходит не для всякой задачи. Особенно если речь идет о повторяющихся рутинных операциях. Например, бухгалтеру в аутсорсинге нужно категоризировать затраты по сотням входящих документов от поставщиков разных клиентов. Это задача, которую нейросети успешно решают с середины 2010-х годов. Если каждый акт или накладную бухгалтер будет отдельно носить в чат, а потом проводить документ в учетной системе на основе полученного ответа, вместо экономии времени получится перерасход. Кроме того, GUI сильно ограничен по количеству токенов, поэтому большой объем задач с его использованием не решить. Для непосредственного обмена данными без участия пользователя современные приложения используют интерфейс программирования приложений (Application Programming Interface, API). Можно настроить API так, чтобы учетная система отгружала в LLM исходные данные (первичные документы), а LLM возвращала ответ чата по заданному промпту (категорию затрат). При соответствующей настройке учетной системы полученная информация может запускать процесс создания соответствующей бухгалтерской записи — это уже классическая автоматизация. Бухгалтер в такой конфигурации нужен только для контроля. Интеграция по API также делает доступным большее количество настроек LLM. А это влияет на точность ответов. Например, так называемая температура позволяет делать их более или менее детерминированными. Увеличение температуры даст большую случайность ответов, уменьшение — меньшую. Для нашего примера с категоризацией затрат высокая температура не нужна, а для написания стихов — очень полезна. На практике бывает, что учетная система не имеет API. Или вокруг нее развернута куча другого софта, которым пользуется бухгалтер: системы ЭДО, складского учета, банк-клиенты. Оттуда берутся какие-то данные и вручную переносятся в учетную систему, потому что API нет уже у этих сервисов. Как подружить LLM с такой инфраструктурой? На помощь приходит старая добрая роботизация (Robotic Process Automation, RPA). Робот взаимодействует с GUI: берет данные в одной системе и вводит в другую. Например, загружает входящий документ из системы ЭДО и прикрепляет его в чат LLM с предустановленным промптом. После этого копирует ответ LLM, открывает нужный документ в учетной системе, вставляет скопированный текст в нужное поле и запускает процесс проведения документа. То есть повторяет действия живого бухгалтера. Стыковка систем по API и RPA могут сочетаться. Например, робот собирает данные в софте без API и передает его в LLM через API с заданными тонкими настройками. Ответ LLM поступает в учетную систему по API и запускает в ней процесс создания бухгалтерской записи. Это позволит получать максимально качественный результат в системе из взаимодействующего софта разных поколений и сложности. Там, где обычно единственным связующим звеном был человек. Задачи бухгалтера, которые можно доверить нейросетям Естественно, закинуть промпт в ChatGPT или DeepSeek и получить адекватный результат не получится. Для успешной работы потребуется обучить модель и интегрировать ее в учетную систему. Пока вижу, что LLM смогут помогать бухгалтеру решать следующие задачи: Важно помнить, что LLM — это не универсальные мозги, а специализированный инструмент, который подходит не для любой задачи. Забивать саморезы молотком или писать стихи при помощи калькулятора — так себе идеи. LLM хороши при работе с текстами. А, например, считают они посредственно. Да и в обозначенных задачах безоговорочно доверять LLM нельзя. Если провести аналогию с редакцией, LLM — талантливый копирайтер. Но как человек, который не один год руководил редакциями, могу точно сказать: косячат все, и даже лучшим копирайтерам необходим редактор. Им бухгалтер и станет. Коротко о нейросетях в бухгалтерии LLM, такие как ChatGPT, Gemini и YandexGPT, основаны на нейронных сетях, обученных на огромных текстовых данных. Они способны понимать, анализировать и генерировать текст. У LLM есть ряд ограничений: они не разбираются в законодательстве, могут ссылаться на несуществующие документы и имеют устаревшие внутренние данные. Для специализированных задач их необходимо дообучать, создавая собственных AI-ассистентов с загруженной базой знаний. При этом LLM не всегда используют загруженные данные, предпочитая искать в других источниках. Использование LLM через чат-интерфейс неэффективно для рутинных задач. Для автоматизации используют API для прямого обмена данными с учетной системой. Если API нет, можно применять роботизацию (RPA), которая имитирует действия человека. Эти подходы можно сочетать для достижения лучшего результата. После обучения и интеграции LLM могут помогать в решении ряда задач: Однако LLM — это не универсальный инструмент. Они плохо считают и им нельзя полностью доверять. Бухгалтер должен выступать в роли редактора, проверяющего их работу.