ИИ в бухгалтерии. Можно ли доверить нейросети пояснение баланса и создание отчетов

И сразу ответ: да, можно. Нейросеть для бухгалтера способна взять на себя до 80% типовых задач бухгалтерского и финансового отделов предприятия и снизить расходы на бухучет в 2-3 раза. Конечно, при условии грамотного внедрения.

Далее разбираю примеры, где ИИ принесет бухгалтеру больше всего пользы. С вами Влад Кармаков, CEO компании по продуктовой разработке и внедрению цифровых решений Siberian.pro.

Начну со статистики. В целом по миру рынок ИИ в бухучете демонстрирует впечатляющий рост. На 2026 год объем этого рынка оценивается в 7 млрд. долларов с перспективой роста до $70 млрд. в течение пяти лет. 

Рынок ИИ в России несколько менее оптимистичен, но уж больно весомые выгоды несет внедрение ИИ в бухгалтерию! По данным Сбер, уже сейчас до 39% отечественных компаний внедряют ИИ в бизнес-процессы, причем бухгалтерия и финансы — это второе по популярности направление внедрений.

Однако внедрение внедрению рознь. Пилотные проекты — это одно, а реальное ежедневное применение — совсем другое. Страхи бухгалтеров перед искусственным интеллектом вполне объяснимы: ошибки бухгалтерского ИИ могут повлечь за собой реальные финансовые риски для организации. А тотальная ручная перепроверка за нейросетью, кажется, полностью нивелирует сам смысл ее использования.

Тем не менее, опыт Siberian.pro показывает, что эти страхи беспочвенны, потому что, во-первых, основаны на возможностях нейросетей годичной давности (или даже двухгодичной, что вообще почти каменный век в этой сфере). А во-вторых,… впрочем, об этом далее расскажу подробно.

Спросите бухгалтера, на что уходит большая часть его рабочего дня. Ответ будет предсказуемым: первичка. Внести счета, актов, накладные и другие первичные бухгалтерские документы мало — их нужно еще и правильно классифицировать. 

И ведь проблема не в том, что документов много. В конце концов, OCR существует уже давно. Проблема в понимании текста. Обычные системы распознавания работают как продвинутый ксерокс: они находят на листе комбинации букв и цифр, но если поставщик прислал акт в нестандартной форме или в скане поехала строка, система сразу заявит, что у нее лапки. В итоге бухгалтер все равно сидит и вручную исправляет ошибки за «умной» программой.

Здесь и происходит главный прорыв. Современные языковые модели (LLM) работают иначе — они считывают контекст. Для такой модели неважно, в каком углу листа напечатан номер счета или как именно сформулирована услуга. Она понимает смысл операции так же, как понял бы его человек.

В реальности документы от контрагентов редко выглядят идеально. Это могут быть запутанные PDF-файлы с вложенными таблицами, длинные договоры с особыми условиями оплаты или счета, где одна позиция разбита на пять строк. Там, где старые системы выдавали ошибку, ИИ (нейросеть для обработки документов) анализирует содержание, сам находит нужные поля и сопоставляет их с номенклатурой в вашей базе. 

Более того, ИИ уже способен на автономную сверку. Агент сам зайдет в банковское приложение через API, увидит платеж и сам привяжет его к нужному счету, не задавая лишних вопросов человеку. Хороший пример внедрения ИИ в бухгалтерии здесь показывает «Северсталь»: 99% банковских выписок и 80% первички одного из подразделений компании уже обрабатываются автоматически с помощью бухгалтерского ИИ.

Автоматизация первички с помощью нейросетей дает ощутимый рост возврата инвестиций. Так, 77% опрошенных финансовых директоров в США увидели по крайней мере двукратный рост ROI после внедрения генеративного ИИ в финансы и бухгалтерию. Точность же сверок при использовании предварительно обученного ИИ не пострадала. Агентство Deloitte указывает на точность 99,6% при сведении факта с планом при использовании GenAI.

Минусы? Их немного, но есть:

• Произвольная нейросеть для бухгалтерского учета не подойдет: нужна именно предварительно обученная и настроенная модель.
• Вопрос безопасности данных требует развертывания модели локально, а это дополнительные расходы на инфраструктуру. Правда, однократные.

Зато какой плюс! Вместо авральных закрытий месяца (года) получаем работу в парадигме непрерывного закрытия (perpetual closure). Отчет превращается в простую формальность.

Огромный и быстрый эффект дает внедрение искусственного интеллекта и нейросетей в бухгалтерию кадров: расчет и планирование отпусков, премий, больничных и вот это все. 

Действительно: если в организации работает 50 сотрудников, то объем работ, связанных с отпусками, невелик. А вот если трудится 1000 человек, то согласовать все вопросы и оформить документы с наскоку уже не выйдет — тут либо кадровый отдел раздувать, либо… внедрять ИИ в бухгалтерию.

Работает это так. ИИ-агент интегрируется в рабочий чат организации (или даже в корпоративное мобильное приложение, если речь идет не об офисных сотрудниках) и служит своеобразным секретарем между работниками, HR-отделом и бухгалтером.

Что может бот?

• активно запрашивать у сотрудников пожелания по срокам ухода в отпуск;
• принимать вопросы по отпускам и больничным от сотрудников;
• автоматически оформлять отпуск по обычному текстовому запросу;
• согласовывать отпуска с расписанием и другими важными факторами;
• получать согласование отпуска с непосредственным руководителем сотрудника;
• самостоятельно оформлять нужные документы по отпускам для передачи в бухгалтерию.

Т.е. вместо стандартной схемы с заявлениями, подписями, длительными согласованиями и нагрузкой на бухгалтерию имеем намного более простой сценарий:

У нас в Siberian.pro такой ИИ-ассистент уже используется. У себя внедрили, теперь внедряем клиентам. Обращайтесь.

Тем временем мы едем дальше. Что еще может делать искусственный интеллект для бухгалтера?

Генеративный ИИ отлично решает еще одну из самых нудных задач — подготовку текстовой отчетности. Причем с помощью нейросети можно создать как формализованные пояснения к бухгалтерскому балансу (согласно ФСБУ 4/2023), так и пояснительную записку, которая составляется в свободной форме.

Современные ИИ-агенты уже умеют читать оборотно-сальдовую ведомость и переводить сухие цифры в грамотный текст. Можно просто загрузить бухгалтерский баланс в ИИ и получить на выходе пояснительную записку. Причем буквально за минуты, что по итогу выливается в сотни сэкономленных часов на рутине.

Масштабный отчет с результатами использования ИИ для пояснений к бухгалтерскому балансу опубликовал Массачусетский технологический институт. В среднем, сроки закрытия отчетного периода сократились на 7 с половиной дней. При этом участники исследования подтвердили уменьшение рутинных задач и повышение общей производительности (в некоторых случаях до 59%).

Важный момент: полностью доверить ИИ формирование отчетных документов пока нельзя. Однако все то же исследование MIT показало, что опытные бухгалтеры используют нейросети более стратегически, и тем самым экономят больше времени.

Выше я сказал, что отчетность — это нудная задача. Я был неправ. Сверка взаиморасчетов порой настолько трудоемка, что вызывает натуральную ракетную тягу у бухгалтеров, судя по профессиональным пабликам.

Нарушение контрагентами сроков возврата первички, предоставление неструктурированных данных и разрывы сальдо из-за разниц в датах признания операций (по отгрузке и приемке). Да даже просто нечитаемые сканы вместо нормальных актов! Потенциальных проблем и ошибок здесь тысячи, и большая часть из них так или иначе выливается в десятки и сотни часов нудной, рутинной работы. А если еще и номенклатура здесь и там разная… В общем, вы поняли.

К счастью, агентский ИИ помогает и здесь. Интеграция ИИ-агентов на базе LLM позволяет автоматизировать рутину и перевести сверку расчетов в автономный режим:

• Интеллектуальное сопоставление номенклатуры. Нейросеть на семантическом уровне распознает идентичные позиции с разным наименованием у сторон (например, «Бумага А4 Светокопия» в УПД поставщика и «Бумага офисная белая» в корпоративной ERP). Это минимизирует ложные расхождения без ручного вмешательства.

• Автоматизация фоллоу-апов и претензионной работы. ИИ-модуль, интегрированный с почтой и системами ЭДО, сам проконтролирует статус подписания актов. При нарушении сроков система автономно формирует письмо-напоминание и генерирует протокол разногласий. Затем агент обращается к CRM-системе через MCP-сервер или систему ИИ-навыков, формирует и направляет претензию контрагенту.
  
  Кстати, с помощью MCP-серверов искусственный интеллект можно научить использовать в буквальном смысле любой инструмент. Про то, что такое MCP-серверы и как они помогают бизнесу, я писал на Хабре.

• Парсинг неструктурированных форматов. Благодаря гибридному применению OCR и LLM, система с одинаковой точностью извлекает и верифицирует реквизиты как из машиночитаемых XML-файлов, так и из сканов или фотографий низкого качества. Данные потом идут напрямую в учетную систему.

В последние 2-3 года число реальных кейсов по внедрению ИИ в бухгалтерские сверки растет. Так, финтех-компания Blackhawk Network внедрила ИИ именно в этот процесс. Производительность отдела, обрабатывающего до 4000 документов в год, выросла на 60%. При этом сверки стали выполняться почти в два раза быстрее.

А в одной из энергетических компаний в США развернули LLM-инструмент на базе локальной ChatGPT 4o-mini, помогающий выполнять сверки. 

Интересно, что нейросеть не только указывает на ошибки и несоответствия, но и объясняет, в чем они заключаются. А это крайне важно! Руководства компаний опасаются внедрять ИИ в чувствительные сферы из-за непрозрачности выводов агентов. «Он что-то там нагаллюцинирует, а нам потом разгребать», примерно так думают руководители.

Поэтому объяснимость выводов нейросети — это важная веха на пути к автоматизации бухгалтерских расчетов и сверок. Подробнее об этом расскажу чуть ниже.

Как обычно ищут расхождения в бюджете? Вручную, выборочно проверяя те или иные транзакции. Надежно? Нет. Удобно? Да не особо. Итог: широкое поле для непреднамеренных ошибок и мошенничества.

Между тем, современные системы анализа на базе ИИ способны мониторить 100% транзакций в реальном времени. А вкупе с машинным обучением можно добиться точности проверок, намного превосходящей возможности человека. Внедрение таких систем в российских компаниях позволит снизить операционные риски и повысить прозрачность финансовых потоков. Согласно данным опросов, около 30% финансовых лидеров уже используют ИИ для обнаружения ошибок и аномалий в отчетности.

В Siberian.pro мы разработали похожее решение для одной из компаний в сфере ЖКХ.

О чем здесь речь? Традиционно, организации выбирают налоговый режим, работают в его рамках и постфактум реагируют на уже свершившиеся обстоятельства: налоговые начисления и доначисления, проверки и т.д.

Искусственный интеллект в бухгалтерии может произвести в этом направлении настоящую революцию. Собственно, все условия для нее уже созданы, но пока мало практики реальных внедрений.

Суть вот в чем. Производительность и точность ИИ уже позволяет анализировать проводки и транзакции практически в полном объеме. Выполнять их аудит самостоятельно, еще до фактической подачи декларации. ИИ-модели способны выявлять скрытые закономерности в налоговой базе и прогнозировать вероятность проверки с точностью, недоступной человеку. Это позволяет заранее исправить ошибки в классификации расходов или цепочках НДС.

Более того, генеративный ИИ становится для экономиста инструментом налогового моделирования. Вместо того чтобы строить сложные таблицы вручную, финансовый директор может запросить у модели сценарий: «Как изменится налоговая нагрузка при переходе на другой тип договора с этим подрядчиком?». ИИ проанализирует текущие проводки и актуальное законодательство и выдаст готовый расчет рисков и выгод.

Конечно же, и с более простой задачей — например, написанием ответов на требования налоговой для бухгалтерии — ИИ-помощник справится на ура.

В любой бухгалтерии существует огромный пласт информации, который никогда не попадает в официальные регламенты и должностные инструкции. Это так называемые скрытые знания, которые нигде не фигурируют, кроме как в головах сотрудников бухгалтерии. Например? Нюансы взаимоотношений с конкретным инспектором ГИС ЖКХ, специфические требования крупного контрагента к оформлению актов или исторические причины, по которым определенный расход разносится именно на этот субсчет. 

Чем дольше работает сотрудник, тем больше таких неявных знаний содержит его голова. И если такой сотрудник затем увольняется или уходит на пенсию, то и знания уходят вместе с ним. 

Возможно, это звучит надуманно, однако многие эксперты проблему скрытых знаний признают. Что делать? Один из вариантов — тотальная регламентация всех процессов в бухгалтерии. Успех, впрочем, маловероятен, ибо проблеме уже тысячи лет, а воз и ныне там.

Современное решение — внедрение LLM — предлагает принципиально иной подход. Загружаем в нейросеть все данные: как официальные документы, так и внутреннюю переписку, комментарии к проводкам, логи аудиторских правок и т.д. Структурируем их с помощью RAG. Тем самым создаем «цифровой двойник» накопленного бухгалтерского опыта, с которым можно общаться на естественном языке. 

Вот как это работает на практике:

• Умный контекст. При формировании платежки или документа ИИ-ассистент автоматически подтягивает не только шаблон, но и контекст — данные о предыдущих эпизодах. Если год назад налоговая затребовала дополнительные пояснения по аналогичной сделке, система предложит учесть этот опыт сразу, предотвращая повторную ошибку.

• Бесшовная передача опыта. LLM становится единым хранилищем важной информации, упрощая онбординг новых сотрудников и обеспечивая наследование опыта. Новый сотрудник может задать вопрос в чате: «Почему мы принимаем услуги этого поставщика по форме 26, а не 44?», и модель, проанализировав историю базы данных, даст аргументированный ответ, основанный на принятой в компании политике.

• Уменьшение влияния человеческого фактора. ИИ-агенты позволяют формализовать экспертизу, которая раньше существовала только в голове главного бухгалтера. Это превращает интеллектуальный капитал сотрудника в защищенный цифровой актив предприятия.

Таким образом, ИИ в финансах и бухгалтерии становится гарантом непрерывности бизнеса, исключает ситуацию, когда уход одного специалиста парализует работу целого направления из-за утраты уникальных, не задокументированных знаний.

Несмотря на технологический оптимизм, внедрение ИИ в российскую бухгалтерию сталкивается с серьезным сопротивлением, даже где-то с отторжением. Главный барьер, я считаю, — это проблема доверия. 

Действительно: бухучет дело серьезное. Ошибка в одной цифре или неверная трактовка статьи расходов может привести к серьезным последствиям: от блокировки счетов до уголовной ответственности.

Как я уже упоминал выше, профессиональное сообщество опасается так называемого «черного ящика» — ситуации, когда алгоритм выдает результат, но не может объяснить логику своего решения. Из-за этого сотрудники вынуждены перепроверять работу ИИ, что нивелирует все преимущества автоматизации. Реальный эффект, если и есть, то не превышает 10-20%. При потенциально возможных 100-150%.

Давайте посмотрим, как проще всего адресовать ключевые риски:

• Проблема галлюцинаций и точности. LLM могут генерировать уверенные, но фактически ошибочные ответы.

  Решение: тщательно выстроенное обучение on-premise моделей и RAG-система, хранящая данные документов в удобном для ИИ виде. RAG позволяет кардинально уменьшить процент галлюцинаций модели, ведь теперь ИИ основывает свой ответ на конкретных документах, заранее введенных в контекст диалога.

  Широко используются агентские системы, когда бухгалтерский ИИ состоит из двух независимых агентов: первый работает с документами, а второй проверяет работу первого. Такая двух- или даже трехуровневая система контроля дополнительно повышает точность ответов.Еще один интересный метод повышения точности — инструктаж. С помощью набора спецификаций и навыков (skills) нейросеть инструктируют работать определенным образом, тем самым нивелируя случайные факторы и разброд и шатания самой модели.
  
  И да: финальное слово и экспертный вывод остаются за бухгалтером.

• Юридические и технические барьеры. Искусственный интеллект не является субъектом права и не несет ответственность перед ФНС. Кроме того, сохраняются опасения финансистов и бухгалтеров по поводу конфиденциальности данных при использовании облачных LLM.
  
  Решение: использовать on-premise решения. Локальные модели, развернутые на собственном оборудовании компании, абсолютно безопасны. Более того — они обязательны для соответствия Федеральному закону №152-ФЗ. Что касается юридических вопросов, то работа в парадигме human-in-the-loop, когда окончательные решения осознанно принимает человек, явно предполагает, что ИИ — всего лишь инструмент.

• Сопротивление персонала. Страх перед сокращением штата — мощный демотиватор. Однако практика показывает, что внедрение ИИ не столько сокращает людей, сколько меняет профиль их работы. Делает ее более творческой и высокоуровневой, тогда как рутина остается для роботов.

Если вы опасаетесь, что внедрение ИИ встретит сопротивление со стороны бухгалтеров, начните с обучения. Про этапы внедрения ИИ у меня была большая статья на Хабре. А о том, как плавно перевести людей в новый формат работы с использованием нейросетей, я писал в блоге здесь.

Искусственный интеллект проникает глубоко в бухгалтерские процессы, беря на себя все больше функций, спасая от рутины бухгалтера-кадровика, налогового бухгалтера, экономиста, или становясь надежным ИИ-ассистентом главбуха.

Технологии сегодня способны на большее, чем создание бух.таблички с помощью ИИ или ИИ-чат для бухгалтерии. Речь идет о прямой и явной экономии: внедрение бухгалтерского ИИ уменьшает операционные расходы компании, снижает риски и потенциальные штрафы.

Закажите внедрение ИИ в вашу бухгалтерию у Siberian.pro! С нашим опытом решение этой задачи займет совсем немного времени, а результат вы почувствуете практически сразу после релиза. Напишите нам в наш Telegram-бот или на email.