ИИ в бухгалтерском учете: как работать эффективно и безопасно

Поскольку с ИИ-чат-ботами легко взаимодействовать, они могут сделать сложные системы более доступными для неспециалистов. Неудивительно, что ИИ также эффективен при автоматизации повторяющихся задач. Финансовые учреждения уже используют ИИ для повышения операционной эффективности, управления рисками и выявления мошенничества.

Почему бы просто не начать использовать ИИ в бухгалтерии? Здесь есть свои нюансы. Основные опасения, которые я встречал в этой сфере — это безопасность данных, соответствие нормативным требованиям и точность.

В 2025 году исследователи обнаружили открытую базу данных DeepSeek, содержащую историю чатов, промпты и многое другое. Даже у Meta AI была ошибка, из-за которой можно было прочитать приватные промпты и сгенерированный контент.

Очевидный вопрос заключается в том, стоит ли использовать ИИ при работе с конфиденциальными данными или это всё ещё слишком рискованно. Я считаю, что ИИ всё же стоит внедрять в бухгалтерские и ERP-системы. Давайте разберемся, как реализовать это, не подвергая риску вашу компанию.

Почему ИИ всё еще стоит использовать в бухгалтерии

Бухгалтерские системы сложны и часто используются не только бухгалтерами. Менеджеры и директора, которые не работают с этими системами каждый день, могут легко в них запутаться.

У бухгалтерии есть свой язык и множество нюансов. Обычный пользователь не может просто посмотреть на данные и быстро найти ответы, будь то определение суммы, потраченной на определенный проект, или поиск информации из конкретного документа.

ИИ может значительно упростить это. Большинство ИИ-чат-ботов могут быстро сканировать данные и давать пользователям простые ответы. Такой тип автоматизации также позволяет сэкономить время. JPMorgan сообщил, что их система анализа контрактов может обрабатывать тысячи коммерческих кредитных договоров за секунды, заменяя огромный объем ручной работы.

Распространенные способы внедрения ИИ

В моей компании мы стремимся внедрить ИИ в каждую часть наших рабочих процессов. Мы экспериментировали со всеми доступными и публичными моделями ИИ. Но каждая модель имеет свои недостатки и проблемы с согласованностью, поэтому мы начали искать более надежное решение для внедрения ИИ.

Вот что мы протестировали:

Прямое использование ИИ-чат-ботов

Технически вы можете загружать свои данные напрямую в популярные ИИ-чат-боты, такие как ChatGPT и Grok. Настроить API-доступ относительно легко, поэтому любая модель ИИ может получить доступ к вашим данным и проанализировать их.

Но хотите ли вы впустить чат-бота в свою финансовую базу данных с конфиденциальными документами и счетами? Вероятно, нет. OpenAI подтвердила, что ошибка в ChatGPT привела к утечке названий чатов и платежной информации некоторых пользователей.

Так что вероятность утечки вполне реальна. Сервис может быть скомпрометирован, аккаунты могут быть взломаны, а ссылки на запросы могут случайно стать публичными.

Прямой API-доступ

Большинство современных ERP-систем предоставляют API. Вы можете дать чат-боту свой логин и пароль и попросить его получить нужные данные. Это безопаснее, чем загрузка файлов напрямую в чат, но всё же не самый безопасный вариант.

Для упрощения: представьте API как сотрудника с конкретной должностной инструкцией. В бухгалтерской системе может быть несколько разных «сотрудников»: один может извлекать счета, другой — проверять платежи, третий — возвращать информацию о клиенте, а четвертый — показывать данные о продажах. У каждого из этих «сотрудников» есть конкретная точка доступа и четкий круг задач. Эту точку доступа вы и предоставляете API.

Если вы попросите API счетов выдать счета, он выдаст счета. Ему не нужен доступ ко всему остальному в бухгалтерской системе.

MCP-интеграция

Протокол контекста модели (MCP) — это более структурированный способ подключения ИИ к API и другим инструментам. Он работает как менеджер для API-«сотрудников», каждый из которых имеет доступ только к своей точке.

Вместо того чтобы пользователь сам решал, к какому «сотруднику» обратиться, пользователь просто спрашивает: «Покажи мне продажи за прошлый месяц». Через MCP ИИ может выбрать соответствующий инструмент, вызвать нужный API и вернуть результат.

MCP: риски и ограничения

Настроить MCP в обычных чат-ботах можно, но проблемы включают безопасность данных, память и расположение серверов. Если ваша компания находится в Европе, а поставщик ИИ обрабатывает данные за пределами ЕС, вы можете столкнуться с дополнительными требованиями GDPR и трансграничной передачи данных.

Стоит отметить, что не все модели ИИ одинаково подходят для финансовых рабочих процессов. Некоторые компании могут предупреждать пользователей не полагаться на их чат-ботов в вопросах финансовых консультаций.

Другая проблема заключается в том, как определяются бизнес-термины. Например, в вашей ERP «продажи» могут означать продажи с учетом НДС или без него. Инструмент MCP может использовать другое определение или применять дополнительные правила — например, возвращать только продажи, конвертированные в определенную отчетную валюту.

В результате две реализации MCP, подключенные к одной и той же ERP, могут выдавать разные цифры по одному и тому же запросу.

Как сотрудники могут использовать ИИ

MCP может подключать ИИ к десяткам операций внутри системы и направлять его к нужным инструментам. Сотрудникам не нужно знать, как работает API, или писать код, чтобы использовать его, что делает MCP относительно простым инструментом для внедрения в повседневную работу.

Вот несколько рекомендаций, которые стоит учитывать:

Поначалу команды могут с опаской относиться к использованию ИИ в своей повседневной работе. Перемены пугают. Но новые инструменты могут открыть новые возможности для роста. Агенты ИИ уже повысили скорость разработки для нашей команды программистов. Другие отделы начинают использовать их для своих задач — все мы можем добиваться прогресса и узнавать новое с помощью ИИ каждый день.