Документы — самая недооценённая статья расходов малого бизнеса. Их не видно в отчёте о прибылях, но бухгалтер каждый день вручную перебивает счета от поставщиков, менеджер собирает договор из трёх старых по кусочкам, а о том, что срок договора аренды истёк, компания узнаёт из письма арендодателя. Это не ошибки людей, а следствие того, что документы приходят в разных форматах, из разных каналов и никто не держит в голове все сроки.
ИИ в документообороте закрывает три конкретные задачи: вытащить данные из входящих документов, собрать черновик нового документа по шаблону и напомнить о сроке до того, как он стал проблемой. Разберём каждую — с оговорками, где автоматизация работает, а где пока нет.
Распознавание счетов и накладных
Как было до языковых моделей
Классическое распознавание документов требовало шаблона под каждого поставщика: вот здесь номер, вот здесь сумма. Новый поставщик — новый шаблон. Для компании с сотней контрагентов это не работало.
Как работает сейчас
Мультимодальные модели (GPT-5, Claude, Gemini) читают скан или фото документа целиком и возвращают структурированные данные: контрагент, номер, дата, позиции, суммы, НДС, реквизиты. Формат документа не важен — счёт от нового поставщика обрабатывается так же, как от старого. Дальше данные сверяются с базой: есть ли такой контрагент, совпадает ли сумма с заказом, не было ли уже такого номера.
Схема обработки входящего счёта обычно выглядит так:
- Документ приходит на почту, в Telegram или складывается в папку.
- Модель извлекает поля и возвращает их в заданной структуре.
- Правила проверяют: контрагент известен, сумма в пределах заказа, реквизиты совпадают с теми, что были раньше.
- Если всё сходится — черновик документа создаётся в 1С или другой учётной системе, бухгалтер проверяет и проводит. Если нет — документ попадает в очередь на ручной разбор с указанием, что именно не сошлось.
Последний пункт принципиален. Проверка реквизитов ловит популярную схему мошенничества: поддельный счёт от знакомого поставщика с изменённым расчётным счётом. Человек не сравнивает цифры счёта с прошлыми платежами, система делает это каждый раз.
Ограничения
Плохие фотографии с телефона — размытые, с бликами — распознаются хуже. Рукописные пометки и исправления на документах почти всегда требуют человека. Многостраничные спецификации с десятками позиций распознаются, но ошибка в одной строке из пятидесяти вероятна, и сверка с заказом здесь обязательна. Разумная позиция: ИИ делает первичный ввод и проверку, бухгалтер — финальное подтверждение. Это снимает механическую часть, но не ответственность. Об интеграции с учётными системами — отдельная статья про интеграцию ИИ с 1С.
Черновики договоров и типовых документов
Второй блок задач — создание документов, а не чтение. Договор поставки, акт, дополнительное соглашение, коммерческое предложение, доверенность — в большинстве компаний это десять-пятнадцать типовых документов, которые отличаются реквизитами, суммами и парой переменных условий.
Что делает ИИ
- Берёт данные сделки из CRM или из короткого описания менеджера: «договор поставки с ООО такое-то на 12 месяцев, отсрочка 14 дней, доставка за наш счёт».
- Подставляет их в утверждённый юристом шаблон компании.
- Подбирает нужные вариативные пункты из библиотеки: отсрочка платежа, условия доставки, ответственность за просрочку.
- Формирует черновик и список изменений относительно базовой версии, чтобы юрист проверял только отклонения.
Важно: ИИ собирает документ из проверенных блоков, а не пишет юридический текст с нуля. Свободная генерация договора — плохая идея: модель может придумать пункт, который звучит правильно, но противоречит законодательству. Как защититься от таких выдумок, разобрано в статье о галлюцинациях ИИ.
Где это даёт эффект
Оптовая торговля, где каждую неделю заключаются новые договоры поставки. Агентства — маркетинговые, рекрутинговые, event — с типовыми договорами на услуги. Арендный бизнес с десятками однотипных договоров. Юридические и бухгалтерские фирмы, где типовые документы — часть услуги. Экономия на одном документе невелика, но при тридцати договорах в месяц это уже дни рабочего времени.
Разбор встречных правок
Отдельная полезная функция: контрагент прислал свою версию договора, и нужно понять, что он поменял относительно вашего шаблона. Модель сравнивает документы и выдаёт список изменений с комментарием, какие из них затрагивают деньги, сроки и ответственность. Это не замена юристу, а экономия часа на внимательном чтении.
Контроль сроков
Третий блок — самый простой технически и самый недооценённый. Сроки живут внутри документов: дата окончания договора, срок оплаты, период уведомления о расторжении, дата следующей поверки оборудования, срок действия лицензии.
Схема работы:
- При загрузке любого документа модель извлекает все даты и обязательства с привязкой: «уведомить за 60 дней до окончания», «оплата в течение 10 рабочих дней с даты акта».
- Из них строится календарь обязательств компании.
- За заданное время до каждого срока ответственный получает напоминание в Telegram с ссылкой на документ и пункт.
- Раз в неделю руководитель получает сводку: что истекает в ближайший месяц, что просрочено.
Пример: небольшая сеть кофеен с шестью договорами аренды. В каждом — свой срок уведомления о продлении, от 30 до 90 дней. Пропуск срока означает либо автоматическое продление на невыгодных условиях, либо потерю точки. Календарь обязательств с напоминаниями закрывает этот риск целиком, и для его сборки не нужна сложная система — достаточно таблицы, автоматизации на n8n и бота.
Как это складывается в один процесс
Три задачи редко запускают одновременно. Обычно порядок такой: сначала контроль сроков — быстро, дёшево, с мгновенным эффектом. Затем распознавание входящих счетов — здесь самая большая экономия времени бухгалтера. И только потом черновики договоров, потому что для них нужна работа юриста по подготовке шаблонов и библиотеки пунктов.
Стек для малого бизнеса: почтовый ящик или Telegram как точка входа, n8n как оркестратор, мультимодальная модель через API для извлечения данных, учётная система или Google Sheets как хранилище, Telegram для уведомлений. При требованиях к конфиденциальности — локальная модель вроде Qwen на своём сервере; для распознавания документов открытые модели в 2026 году уже работают приемлемо, хотя и уступают облачным на сложных сканах.
Где ИИ в документообороте пока не стоит применять
- Нетиповые договоры с индивидуальными условиями — здесь ИИ может помочь со сравнением версий, но не со составлением.
- Документы, где ошибка необратима: платёжные поручения на крупные суммы без второго контроля человеком, кадровые приказы.
- Малый объём: при десяти счетах в месяц проще ввести их руками, чем настраивать и поддерживать распознавание.
- Отсутствие шаблонов: если каждый договор в компании пишется заново, сначала юрист создаёт типовые формы, потом подключается ИИ.
С чего начать
Посчитайте за неделю: сколько входящих документов обрабатывается вручную, сколько типовых документов составляется, какие сроки компания пропустила за последний год и во что это обошлось. Обычно уже эта таблица показывает, какой из трёх блоков запускать первым. Мы в AiKrok собираем первую версию — например, распознавание счетов с проверкой реквизитов и календарём сроков — за две недели, и дальше процесс расширяется по мере того, как команда привыкает доверять автоматике рутинную часть, оставляя себе проверку и решения.