Рутина бухгалтера примерно на треть состоит из операций, которые не требуют экспертной оценки, — перенос данных из первички, проверка реквизитов, формулировка типового ответа на требование налоговой. Именно эту часть работы сейчас закрывают языковые модели, и дальше — какие конкретно задачи это снимает, а где ответственность не передаётся модели ни при каких условиях.
Вместо того чтобы вручную определять корреспонденцию счетов для нетиповой операции, бухгалтер описывает её простым языком — что произошло, по какому договору, какая сумма — и получает черновик проводки с обоснованием выбранных счетов. Это не замена знания плана счетов, а сокращение времени на рутинные, но не автоматические операции до черновика, который остаётся проверить и подтвердить, а не сочинять с нуля. На нетиповых операциях — бартер, уступка права требования, сложные возвраты — черновик особенно полезен именно потому, что такие случаи редко повторяются и держать методику в голове накладно; модель подсказывает отправную точку, которую дальше сверяют с учётной политикой.
Здесь автоматизация продвинулась заметнее всего. Современные OCR-решения распознают в счетах поставщика, номер, сумму и дату оплаты с точностью около 93% (mypl.pro) — и это уже не просто перенос текста в таблицу, а проверка обязательных реквизитов первичного документа. 90% компаний, которые работают с бумажными и сканированными документами, теряют на ручном вводе 10-30% рабочего времени (mypl.pro) — именно эту часть автоматизация убирает в первую очередь. В одном задокументированном кейсе страховая компания сократила обработку документов с 80 до 10 часов в день, а на объёме 50 тысяч документов в год экономия составила 5,5 млн рублей при окупаемости решения за две недели (mypl.pro). Для компании без потока в десятки тысяч документов в год экономия будет пропорционально скромнее, но сам принцип — меньше ручного переноса данных, больше времени на проверку — работает и при меньшем объёме.
Модель, которой загружен конкретный документ — требование налоговой, договор, учётная политика компании — может сформулировать черновик ответа или разбор конкретной нормы применительно к этой ситуации, а не общий пересказ статьи НК. Это экономит время на формулировку, но не снимает необходимости проверить ссылку на норму и актуальность редакции — кодекс меняется, а модель может опираться на данные, которые устарели к моменту ответа. На практике удобнее всего использовать такой черновик как структуру ответа — что упомянуть, в каком порядке, на какие приложенные документы сослаться, — а формулировки по существу и ссылки на нормы перепроверять по актуальному тексту кодекса перед отправкой.
Три правила, которые стоит держать в голове при любом из сценариев выше.
Черновик — не готовый результат. Проводка, сформированная по текстовому описанию, может быть логически правдоподобной и при этом неверной по существу — модель не видит контекста учётной политики компании целиком, если он не был явно загружен в диалог.
Цифры нужно проверять отдельно от текста. Модель может уверенно написать корректно выглядящую, но фактически неточную сумму или дату — это не статистическая редкость, а системное свойство того, как языковые модели генерируют текст: правдоподобность и фактическая точность — разные вещи.
Ответственность за отчётность перед налоговой и перед руководством компании остаётся на бухгалтере, который подписывает документ, — независимо от того, какая часть черновика была сгенерирована автоматически. Это не технический нюанс, а прямое следствие того, как устроена ответственность в бухгалтерском учёте: подпись означает проверку, а не делегирование.
Для разовых задач — разбор конкретного документа, формулировка ответа по норме — подходит обычный чат с языковой моделью: GPT, Claude, Gemini работают с загруженными документами по-разному, но сопоставимо по качеству для этого уровня задач. Для регулярной работы с первичкой в потоке имеет смысл смотреть специализированные OCR-решения, интегрированные с ЭДО, — общий чат с моделью для этого объёма неудобен технически, даже если справляется с задачей на уровне одного документа.
Если задача — иметь под рукой несколько моделей для разных типов запросов без отдельной подписки на каждую, агрегатор вроде Chat AI (chataibot.ru/business) даёт доступ к нескольким моделям в одном интерфейсе с оплатой в рублях — удобно, когда для разбора документа нужна одна модель, а для формулировки официального ответа хочется свериться с другой.
Нет — модель ускоряет черновую часть работы, но финальную проверку и ответственность несёт человек, который подписывает документ.
Нет — модель сокращает время на рутинные операции для специалиста, который уже понимает, что проверять в черновике; без этого понимания ошибка в черновике просто останется незамеченной.
Разумная практика — да, особенно если результат ложится в основу документов, которые видит налоговая или аудитор: прозрачность процесса снимает вопросы при проверке.
С разовых задач с низкой ценой ошибки — разбора документа или формулировки черновика ответа, а не с автоматической проводки сразу в учётную систему без проверки.