Wie wir KI in der Buchhaltung eingesetzt haben und was dabei herauskam
OpenAI
Alexandra Tsareva von Infosystems Jet beschreibt den Aufbau einer lokalen LLM- und OCR-Pipeline zur Extraktion strukturierter Daten aus russischen Zahlungsrechnungen in 1C. Die Lösung verarbeitet eine unübersichtliche Vielfalt von Dokumentformaten, wendet Validierungsregeln an und läuft seit sechs Monaten in Produktion mit 100-prozentiger Genauigkeit auf einem Testsatz.
Das Projekt begann, als Buchhalter das ML-Team baten, KI das Lesen von Rechnungen beizubringen, die in chaotischen Formaten vorlagen: alte Excel-Dateien, Dokumente mit CID-Schriftarten, Word-Tabellen, mehrseitige PDFs und sogar Fotos. Das Team entschied sich für ein On-Prem-LLM, um kommerziell sensible Daten im Unternehmen zu behalten, und verwendete OCR (PaddleOCR) für Scans und Bilder. Ein Vorverarbeitungsschritt konvertiert alle Eingaben in Markdown, wobei die Struktur erhalten bleibt, und dann extrahiert das LLM Felder in einen JSON-Vertrag, der in 1C integriert wird. Es folgen strenge Validierungsprüfungen: formale Prüfungen für Feldtypen und -längen sowie fachspezifische Regeln für russische Bankdaten wie BIK, Korrespondenzkonto, KPP und INN-Prüfsummen. Das Team verwendete zunächst qwen3-thinking-30b-a3b, wechselte aber für die Produktion zu openai/gpt-oss-120b, wobei ein Fehler auftrat, bei dem das Modell Kontonummern als Zahlen behandelte und führende Nullen verlor. Die Pipeline erreichte eine 100-prozentige Genauigkeit im Testdatensatz, und nach sechs Monaten in Produktion hat sie die manuelle Arbeit reduziert und die Rechnungsverarbeitung beschleunigt, mit Plänen, weitere Dokumenttypen zu unterstützen.
Quelle: Habr — хаб ИИ —
Original