ИИ-ассистент для бухгалтера поверх 1С: спросить про долги и получить отчёт

Что такое ИИ-ассистент поверх 1С (не кнопочный бот)

Кнопочный бот и ИИ-ассистент — это два разных класса решений, и путать их не стоит. Кнопочный бот работает по заранее прошитому сценарию: вы нажимаете «Долги», он выполняет один конкретный запрос и показывает результат. Шаг влево, шаг вправо — и он не понимает, о чём вы. Такой бот удобен для двух-трёх типовых операций, но каждую новую нужно программировать отдельно.

ИИ-ассистент устроен иначе. В его основе — большая языковая модель (LLM), которая понимает свободный вопрос на естественном языке. Вы не выбираете из меню, а формулируете задачу словами так, как сказали бы коллеге: «покажи 10 крупнейших должников» или «сформируй отчёт по оплатам за неделю». Ассистент разбирает смысл фразы, понимает, какие данные нужны, обращается к базе 1С и возвращает ответ.

Ключевая разница — в гибкости. Кнопочному боту заранее известны все вопросы, на которые он умеет отвечать. ИИ-ассистенту вы можете задать вопрос, который никто не программировал напрямую, — и если нужные данные в базе есть, а у ассистента настроен доступ к ним, он справится. Это меняет сам способ работы с учётной системой: от навигации по интерфейсу к диалогу.

Из чего собирается: LLM + MCP/OData + речь

ИИ-ассистент — это не одна программа, а связка из нескольких компонентов. Понимание этой архитектуры помогает трезво оценивать, что реально сделать, а что пока маркетинговое обещание.

Первый слой — языковая модель (LLM). Это «мозг», который понимает вопрос и формулирует ответ. Здесь есть выбор: зарубежные модели вроде Claude или GPT, а также локальные и региональные альтернативы. Выбор модели — это не только про качество ответов, но и про то, где обрабатываются данные и что допустимо с точки зрения вашей политики безопасности.

Второй слой — доступ к данным 1С. Сама по себе модель ничего не знает о вашей базе. Чтобы она могла достать долги, оплаты и остатки, нужен канал к данным. Здесь применяют несколько подходов:

• MCP-сервер — относительно новый протокол, через который LLM обращается к данным и функциям 1С стандартизированным способом. Про его роль мы подробно разбираем в отдельном материале о MCP-сервере для 1С.
• OData — штатный механизм 1С для выгрузки данных по REST. Он есть в типовых конфигурациях и позволяет читать справочники и документы без доработок.
• HTTP-сервис — собственный обработчик внутри 1С, который вы описываете под нужные запросы. Даёт максимальный контроль, но требует разработки на стороне конфигурации.

Третий слой — речь (опционально). Если ассистенту нужен голосовой ввод и озвучивание ответов, добавляют сервисы синтеза и распознавания речи. Об этом — в отдельном разделе ниже.

Собирается всё это интегратором: единой «коробки», где перечисленные части уже соединены под конкретную задачу бухгалтера, в типовых конфигурациях пока нет. Об этом тоже честно скажем дальше.

Сценарии: спросить про долги, получить отчёт, голосом

Чтобы идея не звучала абстрактно, вот как ассистент проявляется в реальной работе.

Спросить про дебиторку. Вопрос «покажи 10 крупнейших должников» — классический пример. Раньше это означало открыть отчёт по взаиморасчётам, настроить период, отбор и сортировку. Ассистент делает то же самое из одной фразы: обращается к данным, отбирает контрагентов по сумме задолженности и возвращает список. Уточнить можно тут же — «а только по договорам поставки» — не начиная всё заново.

Получить отчёт. «Сформируй отчёт по оплатам за неделю» — ассистент собирает движения по счетам за нужный период и выдаёт сводку. Это удобно для быстрых проверок между «большими» отчётными сессиями: не нужно помнить, где именно в конфигурации лежит подходящая форма.

Спросить на ходу. Когда ассистент подключён к мессенджеру, вопрос можно задать прямо из Telegram, не открывая клиента 1С. Мы разбирали такой канал в материале про Telegram-бота для 1С — ИИ-ассистент естественно ложится поверх этой же схемы доставки.

Общий смысл сценариев — снять с человека рутину навигации. Данные и так есть в базе; ассистент лишь убирает лишние шаги между вопросом и ответом.

Голос: 1С:Синтез речи и 1С:Распознавание речи

Отдельная возможность — общаться с ассистентом голосом. У самой 1С для этого есть облачные нейросетевые сервисы, которые можно встраивать в решение:

• 1С:Распознавание речи (STT) — превращает произнесённый вопрос в текст, который дальше обрабатывает языковая модель. Это тот самый «голосовой ввод»: вы проговариваете «покажи должников», сервис распознаёт фразу.
• 1С:Синтез речи (TTS) — наоборот, озвучивает текстовый ответ ассистента. Полезно, когда смотреть на экран неудобно — например, за рулём или во время другой работы.

Вместе эти два сервиса дают полноценный голосовой контур: вопрос голосом — распознавание — обработка моделью — обращение к данным 1С — ответ голосом. Важно понимать, что синтез и распознавание речи не заменяют языковую модель и слой доступа к данным, а дополняют их. Речь — это удобный интерфейс поверх той же архитектуры, а не отдельный «умный» механизм.

Стоит трезво оценивать, нужен ли голос именно вам. Для бухгалтера за рабочим столом текстовый ввод часто точнее и быстрее, особенно когда в вопросе есть номера договоров или названия контрагентов. Голос выигрывает там, где руки заняты или экран недоступен. Поэтому речевые сервисы разумно включать как опцию под конкретный сценарий, а не по умолчанию.

Где границы: что доверить ИИ, а что нет

Это, пожалуй, самый важный раздел. ИИ-ассистент — мощный инструмент, но у него есть чёткие границы применимости, и относиться к ним нужно серьёзно.

Чтение данных безопаснее, чем действия. Когда ассистент только читает базу — показывает долги, собирает отчёт, отвечает на вопрос, — риск ограничен. Худшее, что может случиться, — неточный или неполный ответ, который человек заметит и перепроверит. Такие сценарии можно внедрять смелее.

Действия требуют подтверждения человека. Всё, что меняет данные, — проведение документов, создание платёжек, отправка платежей — это другой уровень ответственности. Здесь ассистент может готовить действие, но финальное решение остаётся за человеком. Схема «ассистент предложил — бухгалтер проверил и подтвердил» защищает от ошибок модели, которые в отличие от опечатки человека бывает труднее заметить.

Простое правило: пусть ИИ отвечает на вопросы сколько угодно, но ни одно действие, меняющее учёт или деньги, не выполняется без явного подтверждения человека.

Права доступа никто не отменял. Ассистент должен работать в рамках тех же прав, что и пользователь, от чьего имени он обращается к базе. Нельзя, чтобы через удобный диалоговый интерфейс сотрудник получал данные, к которым у него нет доступа в обычной 1С.

Чувствительность данных. Зарплаты, персональные данные, коммерческие условия — прежде чем отдавать такие данные во внешнюю языковую модель, нужно понимать, куда они уходят и как обрабатываются. Иногда это аргумент в пользу локальных моделей или размещения на своей инфраструктуре.

С чего начать пилот

Если идея выглядит полезной, разумный путь — не строить сразу «ИИ-бухгалтера на всё», а начать с узкого пилота. Вот последовательность, которая снижает риски.

1. Выберите один сценарий только на чтение. Например, «спросить про дебиторку» или «сводка по оплатам за период». Один сценарий, никаких действий с данными — так вы проверите ценность, не рискуя учётом.
2. Определите канал доступа к данным. Если в вашей конфигурации доступен OData, часто с него проще всего начать без доработок. Для более гибких запросов рассмотрите MCP-сервер или HTTP-сервис.
3. Выберите модель осознанно. Решите, где допустимо обрабатывать данные, и от этого выбирайте между зарубежными и локальными LLM. Для пилота на неконфиденциальных данных выбор шире.
4. Настройте права и границы. Ассистент обращается к базе под ограниченным пользователем, только на чтение нужных объектов. Никаких действий на этом этапе.
5. Проверьте на реальных вопросах. Дайте бухгалтеру задавать живые вопросы и сравните ответы с тем, что он получил бы вручную. Так вы увидите и пользу, и типичные ошибки модели.
6. Решайте про расширение по итогам. Голос, мессенджер, подготовка действий с подтверждением — всё это добавляется отдельными шагами, когда базовый сценарий доказал ценность.

Такой подход честен по отношению к теме: единого коробочного решения пока нет, поэтому ценность проверяется на маленьком, контролируемом куске, а не на обещаниях.