Näin otimme tekoälyn käyttöön kirjanpidossa ja mitä siitä seurasi

Projekti alkoi, kun kirjanpitäjät pyysivät ML-tiimiä opettamaan tekoälyn lukemaan laskuja, jotka tulivat kaoottisissa muodoissa: vanhoja Excel-tiedostoja, CID-fontteja sisältäviä dokumentteja, Word-taulukoita, monisivuisia PDF-tiedostoja ja jopa valokuvia. Tiimi valitsi paikallisen suuren kielimallin pitääkseen kaupallisesti arkaluonteiset tiedot yrityksen sisällä ja käytti OCR:ää (PaddleOCR) skannauksiin ja kuviin. Esikäsittelyvaihe muuntaa kaikki syötteet Markdown-muotoon säilyttäen rakenteen, ja sitten suuri kielimalli poimii kentät JSON-sopimukseen, joka integroituu 1C:hen. Sen jälkeen suoritetaan tiukat validointitarkistukset: muodolliset tarkistukset kenttätyypeille ja -pituuksille sekä aihekohtaiset säännöt venäläisille pankkitiedoille, kuten BIK, korrespondenttitili, KPP ja INN-tarkistussummat. Tiimi käytti aluksi qwen3-thinking-30b-a3b-mallia, mutta vaihtoi tuotannossa openai/gpt-oss-120b-malliin, kohdaten bugin, jossa malli käsitteli tilinumeroita numeroina ja pudotti etunollat. Putki saavutti 100 prosentin tarkkuuden testijoukossa, ja kuuden kuukauden tuotantokäytön jälkeen se on vähentänyt manuaalista työtä ja nopeuttanut laskujen käsittelyä, ja suunnitelmissa on käsitellä lisää asiakirjatyyppejä.