AI-бухгалтер вместо человека: что показал реальный тест ChatGPT и Claude на живых проводках

В 2026 году вопрос «заменит ли AI бухгалтера» звучит на каждом втором эфире, но живого ответа с цифрами почти никто не даёт. Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO». Чтобы закрыть этот вопрос честно, я вместе с командой провела слепой тест: 40 реальных проводок, 12 сканов первички и два инструмента — ChatGPT на GPT-5.5 и Claude Sonnet 4.6. Отдельно разбираю, чем встроенный AI-инструмент 1С отличается по назначению и почему сравнивать его напрямую с ChatGPT и Claude на этих задачах некорректно. Ни одна модель не знала, что её тестируют против конкурента. В статье — таблица результатов, конкретные ошибки каждой модели, 10 промптов, которые я использовала, и честный вывод о том, где AI уже готов работать вместо человека, а где ошибка обойдётся в реальные деньги. Актуально по состоянию на июль 2026 года.

Зачем вообще тестировать AI на живых проводках, а не на теории?

Прямой ответ: потому что модели прекрасно объясняют бухгалтерский учёт в общих чертах, но спотыкаются на деталях конкретной операции — а именно детали определяют, правильная проводка или нет.

Когда я читаю обсуждения на тему «ChatGPT знает бухгалтерский учёт», меня смущает одна вещь. Спросите любую современную модель «что такое проводка по 60 счёту» — и получите учебниковый ответ, почти дословно из методички. Это не показатель. Это пересказ обучающих данных.

Реальная работа бухгалтера — это не пересказ теории. Это конкретная операция с конкретными цифрами, где нужно решить: какая сумма НДС, какой курс на дату операции, какой счёт корреспондирует, нужен ли раздельный учёт. Именно здесь модели либо справляются, либо путаются.

Поэтому я сделала три вещи для честности эксперимента.

Взяла реальные операции, а не выдуманные учебные примеры. Часть — из практики моих учеников (с их разрешения и обезличенно), часть — стандартные кейсы, которые встречаются у любого ООО на ОСНО или УСН.

Задавала один и тот же промпт в оба инструмента, без подгонки под конкретную модель. Иначе сравнение теряет смысл.

Зафиксировала эталонные ответы заранее, до того как показала кейсы моделям. Это стандартная защита от того, что уверенный тон ответа AI подкупает и кажется правильным сам по себе.

Что такое AI-бухгалтер и чем он отличается от обычного чат-бота?

«AI-бухгалтер» — не отдельный продукт, а собирательное название для использования больших языковых моделей (ChatGPT, Claude, встроенных AI-инструментов учётных систем) для задач учёта: разнесения операций, проверки проводок, распознавания документов и объяснения налоговых последствий.

Ни одна из этих моделей не обучена как «бухгалтерская экспертная система» с жёсткими правилами вроде старых 1С-конфигураций 2000-х. Это универсальные языковые модели, которые применяют общие знания о бухучёте к конкретной задаче через текстовый диалог.

Отсюда и главное ограничение: качество ответа сильно зависит от того, насколько точно и полно вы описали ситуацию в промпте. Модель не может «догадаться» о контексте, которого вы не написали — договоре, учётной политике компании, истории операций с этим контрагентом.

Как проходил тест: методология, кейсы и правила честной проверки

Прямой ответ: тестировали три категории задач — расчёт проводок, распознавание первички и объяснение налоговых последствий — на идентичном наборе данных для обоих инструментов.

Категория 1. Расчёт проводок (40 кейсов). От простых («поступила оплата от покупателя на расчётный счёт») до сложных («частичная предоплата в валюте с последующей отгрузкой и курсовой разницей»). Разбивка по сложности: 20 типовых, 12 средней сложности, 8 нестандартных.

Категория 2. Распознавание сканов первички (12 документов). Акты, накладные, счета-фактуры, часть — с не идеальным качеством скана (реальная жизнь бухгалтера редко даёт идеальные PDF).

Категория 3. Объяснение налоговых последствий (8 кейсов). Ситуации вроде «можно ли принять НДС к вычету, если счёт-фактура выставлена с опозданием» — где нужен не расчёт, а верная интерпретация нормы.

Промпты для обоих инструментов были идентичны по содержанию — текст плюс приложенные сканы, без подгонки под конкретную модель.

Модели: GPT-5.5 в chatgpt.com, Claude Sonnet 4.6 на claude.ai.

Результаты теста: сравнительная таблица ChatGPT и Claude

Прямой ответ: Claude Sonnet 4.6 показал точность 85% на проводках, ChatGPT — 77,5%. Встроенные AI-инструменты 1С в это сравнение не включались, потому что решают другую задачу — работу с самой платформой, а не изолированный финансовый анализ кейса.

Таблица актуальна на июль 2026 года. Результаты получены на конкретном наборе из 60 кейсов и не претендуют на статистическую репрезентативность для всех сценариев бухгалтерского учёта.

Что бросается в глаза сразу: на типовых операциях разрыв между моделями почти стирается. Обе справляются с базовой рутиной — поступление оплаты, начисление зарплаты, амортизация. Разрыв растёт на нестандартных кейсах, где у Claude заметное преимущество.

Где ChatGPT показал себя сильнее всего в тесте на проводках?

Прямой ответ: ChatGPT сильнее всего на объяснении логики проводки простым языком и на быстрой работе с большими таблицами транзакций из выписки.

В категории «объясни, почему так, а не иначе» ChatGPT давал развёрнутые и структурированные ответы. Например, на кейсе с частичным зачётом аванса модель разложила расчёт по шагам: сколько аванса засчитано, какая сумма НДС восстанавливается, какая проводка отражает остаток.

Ещё одна сильная сторона — работа с массивами данных. Когда я загрузила выписку на 200 строк с задачей категоризировать все транзакции по статьям, ChatGPT справился за один проход без потери контекста и с корректной группировкой по типам операций.

Слабое место ChatGPT в тесте — валютные операции. Из 5 кейсов с курсовой разницей модель верно отработала 3. В двух случаях ChatGPT перепутал дату пересчёта курса: взял курс на дату оплаты вместо даты перехода права собственности, что для внешнеэкономических сделок критично.

Промпт, который я использовала для категоризации выписки:

Ты помогаешь бухгалтеру ООО на ОСНО категоризировать транзакции
из банковской выписки. Вот список операций (дата, сумма, назначение
платежа, контрагент обезличен как К1, К2...).

Для каждой строки укажи:
1. Тип операции (поступление от покупателя / оплата поставщику /
   зарплата / налог / прочее)
2. Предполагаемую проводку (Дт/Кт)
3. Нужна ли дополнительная информация для точной классификации

Если операция неоднозначна — не угадывай, отметь как "требует уточнения"
и объясни почему.

Данные: [вставить выписку]

Этот промпт я специально просила модель не угадывать, если данных не хватает. Это снизило количество уверенных, но неверных ответов почти вдвое по сравнению с первой версией промпта без этой оговорки.

В чём Claude Sonnet 4.6 обошёл конкурентов в этом тесте?

Прямой ответ: Claude точнее всего работал с нестандартными и многошаговыми операциями, где нужно удержать в голове несколько условий одновременно — например, частичную оплату в валюте с последующей отгрузкой.

На кейсах средней и высокой сложности разрыв между Claude и ChatGPT был самым заметным. В кейсе с уступкой права требования (цессией) только Claude дал полностью верную проводку с корректным отражением финансового результата у цедента.

Ещё одна особенность, которую я заметила: Claude чаще ChatGPT сам указывал на риски и просил уточнить детали, прежде чем давать финальный ответ. Например, на вопрос про вычет НДС по опоздавшему счёту-фактуре модель не просто ответила, а уточнила период, в котором фактически поступил документ, — это напрямую влияет на правильность ответа.

Промпт для проверки сложной проводки:

Ты выступаешь в роли второго проверяющего бухгалтера. Я предоставлю
описание операции и предполагаемую проводку. Твоя задача:

1. Проверить, верна ли проводка по существу
2. Указать на риски: НДС, курсовые разницы, нестандартный характер операции
3. Если проводка неверна — дать исправленный вариант с обоснованием
   (ссылка на ПБУ или НК РФ, если применимо)
4. Задать уточняющие вопросы, если данных недостаточно для однозначного ответа

Не соглашайся с моей проводкой автоматически — ищи ошибки.

Операция: [описание]
Предполагаемая проводка: [Дт... Кт... на сумму...]

Формулировка «не соглашайся автоматически» оказалась рабочей в обеих моделях — без неё обе чаще подтверждали мою (иногда намеренно неверную) проводку, чем находили в ней ошибку. Это известная особенность диалоговых моделей: склонность соглашаться с пользователем, если явно не попросить об обратном.

Слабое место Claude в тесте — типовые кейсы с высокой скоростью. На простых операциях время ответа было в среднем в 1,5-2 раза дольше, чем у ChatGPT, из-за более развёрнутых объяснений. Для разовой проверки это не критично, но при массовой обработке сотен строк это ощутимо.

Почему AI-инструменты 1С не участвовали в прямом сравнении по баллам?

Прямой ответ: встроенный в 1С AI-инструмент («1С:Напарник») создан для работы внутри самой платформы — запросы на встроенном языке, конфигурация, печатные формы — а не для содержательного анализа отдельной проводки без доступа к базе и учётной политике компании. Ставить ему численную оценку рядом с ChatGPT и Claude на этих кейсах значило бы сравнивать инструменты с разным назначением.

Важная оговорка, которую я хочу сделать честно: я рассматривала возможность включить его в тест на тех же условиях, что ChatGPT и Claude — изолированный текстовый кейс без доступа к базе. Но это не «домашние условия» для такого инструмента, который в реальной работе раскрывается именно внутри настроенной базы с историей операций. Численный балл в таком сценарии был бы нечестным как к инструменту, так и к читателю.

Где такие AI-инструменты 1С реально сильны, и это отдельная, а не худшая специализация:

Написание запросов на встроенном языке 1С — здесь ни ChatGPT, ни Claude не участвуют в сравнении, потому что это не их профиль.

Работа с конфигурацией и объяснение ошибок платформы.

Генерация печатных форм по описанию.

Где, по моим наблюдениям, у них меньше пользы:

Нестандартные проводки и объяснение налоговых последствий за пределами справочной информации платформы — здесь такие инструменты чаще дают общую отсылку «уточните у специалиста», чем содержательный разбор конкретного кейса.

Практический вывод: AI-инструменты 1С — это помощь тем, кто настраивает и обслуживает платформу, а не замена внешнему AI-анализу для содержательных бухгалтерских решений. Использовать их стоит по назначению — для работы с самой платформой, а внешние модели подключать для аналитики и проверки сложных кейсов.

Что показал тест на распознавании сканов первичных документов?

Прямой ответ: Claude и ChatGPT ошиблись по одному документу из 12 каждый, в основном на сканах низкого качества с рукописными пометками.

Я загружала 12 сканов: 5 актов, 4 накладных, 3 счёта-фактуры. Часть — идеального качества, часть — с реальными дефектами: наклон, засветка, рукописная подпись поверх печатного текста.

Типы ошибок распознавания:

На идеальных сканах обе модели показали точность близкую к 100%. Ошибки концентрировались именно на дефектных документах.

Claude ошибся в сумме НДС на скане с плохо пропечатанной последней цифрой — принял 5 за 6 из-за качества скана.

ChatGPT перепутал номер счёта-фактуры на документе с рукописной корректировкой поверх печатного номера.

Практический вывод: ни одному из инструментов нельзя доверять распознавание документов без финальной визуальной сверки, особенно если скан не идеального качества. Для потока в сотни документов в месяц это не отменяет пользы автоматизации — она экономит время на набор, но не отменяет контроль.

Промпт для распознавания и проверки первички:

Проанализируй приложенный скан документа (акт/накладная/счёт-фактура).

Извлеки:
- Тип документа
- Номер и дату
- Контрагентов (кто продавец, кто покупатель/грузополучатель)
- Перечень позиций с суммами
- Итоговую сумму и НДС отдельной строкой

В конце укажи: есть ли в документе элементы низкого качества
(нечёткий текст, рукописные пометки, наклон), которые могут
снижать точность распознавания, и какие поля стоит перепроверить
вручную.

Финальная строка промпта про самооценку качества распознавания оказалась полезной — обе модели честно отмечали, когда документ читался нечётко, что помогает быстро понять, каким строкам верить сразу, а каким нужна ручная сверка.

Какие ошибки повторялись у ChatGPT и Claude одновременно?

Прямой ответ: три зоны риска общие для обеих моделей — НДС при частичной или авансовой оплате, курсовые разницы по валютным операциям и нестандартные операции вроде взаимозачёта.

Если ошибка встречается у обоих инструментов независимо от того, какой вы выберете, — это сигнал, что здесь нужен обязательный человеческий контроль, а не выбор «более умной» модели.

Зона риска 1. НДС при частичном зачёте аванса. Когда покупатель платит аванс, потом получает часть товара, а остаток аванса зачитывается позже — расчёт восстановления НДС требует точной последовательности шагов. Обе модели в части кейсов путали, с какой суммы восстанавливать налог: с полного аванса или с зачтённой части.

Зона риска 2. Курсовые разницы. Дата пересчёта курса валюты — переход права собственности, дата оплаты или дата отгрузки — зависит от условий конкретного договора. Модели по умолчанию часто берут «логичную» дату вместо той, что реально прописана в условиях сделки, потому что промпт не всегда содержит этот нюанс договора.

Зона риска 3. Нестандартные операции. Взаимозачёт, уступка права требования, товарный кредит — операции, где мало типовых примеров и много вариаций в зависимости от деталей сделки. Здесь у обеих моделей самый низкий процент точности в тесте.

Что объединяет эти три зоны: во всех случаях правильный ответ зависит от информации, которая физически не попадает в текстовый промпт, если её туда не внести явно — условия договора, учётная политика, история предыдущих операций с контрагентом. AI не ошибается «глупо» — он даёт логичный ответ на основе неполных вводных, а неполнота вводных остаётся на совести того, кто формулирует промпт.

Кейс 1: как AI сэкономил бухгалтеру 6 часов в неделю на категоризации

Один из моих учеников курса «AI-навыки финансиста», главный бухгалтер производственной компании на ОСНО, до внедрения AI тратил около 7 часов в неделю на ручную категоризацию банковской выписки — 150-200 транзакций еженедельно, из которых 80% типовые. Оговорюсь сразу: это кейс из практики учеников моего курса, а не независимое стороннее измерение, поэтому воспринимайте цифры как иллюстрацию конкретного процесса, а не как гарантированный результат для любой компании.

Было: ручной разбор выписки в Excel, сверка с договорами, распределение по статьям вручную. Ошибки случались редко, но сам процесс съедал почти целый рабочий день в неделю.

Что сделали: настроили процесс, где выписка выгружается из банк-клиента, обезличивается (убираются названия контрагентов, заменяются на коды), загружается в Claude с промптом на категоризацию по заранее заданным статьям учёта. Спорные операции — 15-20% от общего числа — модель помечает флагом «требует проверки» вместо того, чтобы угадывать категорию.

Стало: обработка той же выписки занимает 45-60 минут, из которых основное время — проверка помеченных флагом операций и финальная сверка итоговых сумм. Экономия — около 6 часов в неделю, то есть почти полный рабочий день освободился для содержательных задач: анализа расходов, подготовки управленческой отчётности.

Важная деталь: точность категоризации типовых операций держится на уровне 95%+ по наблюдениям за три месяца использования, что совпадает с результатами нашего теста на типовых кейсах.

Кейс 2: цена ошибки — 84 000 рублей за пропущенную проверку

Этот кейс — предупреждение, а не история успеха, и я привожу его специально, потому что честность важнее красивой картинки.

Было: финансовый специалист небольшой компании на ОСНО использовал ChatGPT для расчёта НДС по сложной сделке с частичной предоплатой в валюте. Модель дала уверенный, логично выглядящий ответ с расчётом восстановления налога.

Что пошло не так: ответ ChatGPT не учёл, что часть аванса была возвращена покупателю до отгрузки — это меняло базу для восстановления НДС. Специалист принял ответ модели без перепроверки, потому что расчёт выглядел методологически верным и был оформлен уверенным тоном.

Стало: при камеральной проверке налоговая выявила расхождение. Итог — доначисление налога, пени за просрочку и штраф. Совокупно компания заплатила 84 000 рублей сверх исходной суммы налога.

Что я вынесла из этого кейса для себя и для учеников: уверенный, хорошо структурированный ответ AI — не показатель правильности. Модель не знала о возврате части аванса, потому что этот факт не попал в промпт. Это классическая ошибка не модели, а формулировки задачи — но цена ошибки легла на компанию, а не на инструмент.

Этот кейс — главная причина, почему в промптах выше я всегда прошу модель отмечать, где не хватает данных, а не давать уверенный ответ при любых условиях.

Как правильно составлять промпты для бухгалтерских задач, чтобы снизить процент ошибок?

Прямой ответ: указывайте полный контекст сделки явно (дата, условия договора, история операций), просите модель отмечать недостающие данные вместо того, чтобы предполагать их, и всегда просите обоснование со ссылкой на норму.

По итогам теста я выделила пять принципов, которые снижают процент ошибок независимо от того, какую модель вы используете.

Принцип 1. Указывайте дату операции и дату договора отдельно. Для курсовых разниц и признания дохода это критично. Не «оплата пришла в марте», а «договор от 15 января, отгрузка 20 февраля, оплата 5 марта».

Принцип 2. Просите модель отмечать пробелы в данных. Формулировка «если данных недостаточно — не угадывай, укажи что нужно уточнить» снижает количество уверенных, но неверных ответов почти вдвое по моим наблюдениям в тесте.

Принцип 3. Требуйте обоснование, а не только результат. Проводка без объяснения «почему так» не даёт возможности быстро проверить логику. Проводка с обоснованием — даёт.

Принцип 4. Просите модель играть роль скептика, а не соглашаться. Формулировка «не соглашайся автоматически, ищи ошибку» меняет поведение модели заметно — в обоих инструментах.

Принцип 5. Для повторяющихся задач фиксируйте промпт-шаблон. Не переизобретайте формулировку каждый раз — рабочий шаблон, отточенный один раз, снижает вариативность и повышает предсказуемость ответов.

Промпт-чек для сложных случаев:

Перед тем как дать финальный ответ по этой операции, ответь себе:

1. Все ли даты операции (договор, отгрузка, оплата) мне известны?
2. Есть ли валютная составляющая, требующая пересчёта по курсу ЦБ?
3. Это типовая операция или есть нестандартные условия
   (частичная оплата, возврат, взаимозачёт)?
4. Могу ли я обосновать ответ ссылкой на конкретную норму
   (ПБУ, глава НК РФ)?

Если хотя бы на один вопрос нет уверенного ответа — сначала задай
мне уточняющий вопрос, а не давай финальную проводку.

Операция: [описание]

ChatGPT vs Claude vs AI-инструменты 1С: какой инструмент для какой задачи выбрать?

Прямой ответ: AI-инструменты 1С — для работы внутри платформы и типовых операций с полным контекстом базы; ChatGPT — для быстрой массовой категоризации и понятных объяснений; Claude — для сложных, нестандартных и многошаговых кейсов, где риск ошибки высокий.

Рабочая связка, которую я рекомендую ученикам курса: 1С или другая учётная система — основа учёта и типовых операций, внешняя модель (Claude или ChatGPT) — второй проверяющий на сложных и спорных кейсах. Именно там, где в таблице выше видна нестандартность или высокая цена ошибки, стоит подключать вторую проверку, а не полагаться на один инструмент.

Как безопасно работать с реальными бухгалтерскими данными в AI?

Прямой ответ: обезличивайте данные перед загрузкой во внешние модели — убирайте названия компаний, ИНН, ФИО, номера счетов — и используйте корпоративные тарифы с отключённым обучением на пользовательских данных для регулярной работы.

Это не теоретический вопрос — вопрос безопасности данных встаёт у каждого второго ученика на курсе, когда речь заходит о загрузке реальных документов в чат.

Что обязательно убирать перед загрузкой:

Названия компаний-контрагентов — заменяйте на условные коды (К1, К2, Поставщик А).

ИНН, ОГРН и другие идентификаторы, по которым легко найти реальную компанию.

ФИО сотрудников и подписантов.

Номера расчётных счетов и банковских карт полностью, не частично.

Что можно оставлять без изменений: суммы, даты, структуру операции, тип документа, содержательные условия сделки — всё, что нужно для правильного расчёта, но не идентифицирует конкретных людей и компании.

Про доступ к сервисам. ChatGPT и Claude из теста доступны из России через официальные каналы: ChatGPT — через chatgpt.com, Claude — через claude.ai. AI-инструменты 1С доступны встроенно в самой платформе. Уточняйте актуальные условия доступа и оплаты на официальных сайтах провайдеров, поскольку правила периодически меняются.

Для компаний, где объём чувствительных данных большой и регулярный, разумнее оформлять корпоративный тариф с явным отключением использования данных для обучения моделей — это отдельная опция в настройках у обоих западных провайдеров, которую стоит уточнить в официальной документации перед началом работы.

Что будет с профессией бухгалтера в ближайшие два-три года?

Прямой ответ: рутинный ввод и типовая категоризация продолжат автоматизироваться, а спрос будет расти на бухгалтеров, которые умеют проверять и направлять AI, а не на тех, кто конкурирует с ним в скорости набора данных.

За полтора года через курс «AI-навыки финансиста» прошли 800+ выпускников, и по тому, как складывается их карьера дальше, я вижу не замену профессии, а её расслоение на два трека. В кейсе 1 выше главный бухгалтер не сократила рабочие часы, а перенаправила освободившееся время на управленческую отчётность и анализ расходов — то есть высвобожденный ресурс ушёл в более сложную задачу, а не в простой.

Первый трек — углубление экспертизы. Специалисты, которые берут на себя сложные, нестандартные ситуации, работу с проверяющими органами, стратегические решения. Здесь рутина уходит, но требования к качеству экспертизы растут.

Второй трек — упрощение типовых ролей. Задачи, которые раньше требовали профильного образования и опыта, становятся доступнее для более широкого круга специалистов благодаря AI-инструментам внутри учётных систем. Конкуренция здесь усиливается, а требования к специализации размываются.

Практический вывод для тех, кто читает эту статью: чем раньше вы переходите от позиции «я боюсь, что AI меня заменит» к позиции «я умею проверять и направлять AI лучше других» — тем устойчивее ваша позиция на рынке труда в ближайшие годы.

Чек-лист: как безопасно внедрить AI в свою бухгалтерскую работу

1. Выберите 3-5 типовых операций для старта — начинайте с задач с понятным правильным ответом, не с самых сложных кейсов.
2. Обезличьте тестовые данные перед первой загрузкой во внешние модели — уберите ИНН, названия, ФИО.
3. Зафиксируйте эталонный ответ заранее, прежде чем спрашивать AI, — это защищает от эффекта уверенного, но неверного ответа.
4. Прогоните один и тот же промпт через два инструмента для перекрёстной проверки на первых порах.
5. Составьте список зон риска для своей специфики — валютные операции, НДС, нестандартные сделки — и держите их под ручным контролем.
6. Зафиксируйте рабочие промпт-шаблоны для повторяющихся задач вместо того, чтобы формулировать заново каждый раз.
7. Настройте регулярную сверку результатов AI с фактическими данными раз в неделю первые два месяца использования.
8. Пересмотрите список задач под автоматизацию через квартал — по мере роста доверия расширяйте зону автоматизации постепенно.

Часто задаваемые вопросы про AI-бухгалтера

Отвечу коротко на вопросы, которые чаще всего задают на моих эфирах про AI в бухгалтерии.

Стоит ли полностью доверять AI без проверки на типовых операциях? Даже на типовых операциях, где точность в тесте была 90-100%, я рекомендую выборочную сверку — раз в неделю проверять случайную выборку из обработанных AI операций, а не полагаться на статистику точности бесконечно.

Можно ли использовать бесплатные версии ChatGPT и Claude для регулярной работы? Технически да, но у бесплатных тарифов есть лимиты по количеству запросов и объёму загружаемых файлов, которые быстро становятся тесными при регулярной бухгалтерской работе с длинными выписками и сканами.

Что делать, если разные модели дают разные ответы на один и тот же кейс? Это сигнал, что кейс нестандартный и требует ручной проверки специалистом, а не выбора «более убедительного» ответа. Расхождение между моделями — не баг, а полезная подсказка о зоне риска.

Если хотите глубже разобраться, как использовать AI в ежедневной бухгалтерской и финансовой работе без риска дорогих ошибок вроде описанного выше кейса на 84 000 рублей — заберите бесплатный эфир-экскурсию для бухгалтеров и финансистов. На нём я показываю рабочие связки инструментов и разбираю типичные ошибки на живых примерах.

Итоги: AI-бухгалтер уже здесь, но не как замена человека

Тест на 60 живых кейсах (проводки, сканы первички, налоговые пояснения) показал то, что я вижу и в ежедневной практике: AI берёт на себя типовую категоризацию и черновую обработку данных с точностью 90-100%, а на нестандартных операциях и в распознавании дефектных сканов регулярно ошибается и требует проверки человеком. Это не автономный бухгалтер, а инструмент, который экономит часы на рутине и подсвечивает риск — окончательное решение и подпись остаются за специалистом.

Claude Sonnet 4.6 показал лучший результат на сложных и нестандартных операциях. ChatGPT — сильный вариант для быстрой массовой обработки и понятных объяснений. AI-инструменты 1С незаменимы внутри самой платформы, но решают другую задачу и не заменяют внешний анализ на изолированных бухгалтерских кейсах.

Общий знаменатель для ChatGPT и Claude — зоны риска, где ошибаются одинаково: НДС при частичной оплате, курсовые разницы, нестандартные операции. Именно здесь человеческий контроль остаётся обязательным вне зависимости от того, какой инструмент вы выбрали.

Если вы хотите не просто использовать AI от случая к случаю, а выстроить системную работу с проверенными промптами, чек-листами проверки и пониманием, где именно AI ошибается в вашей специфике — приходите на курс «AI-навыки финансиста». За полтора года через него прошли 800+ выпускников, которые сегодня применяют AI в ежедневной работе осознанно, а не вслепую.

Разборы AI-инструментов для финансистов и бухгалтеров, кейсы учеников и анонсы бесплатных эфиров — в канале @findir_pro.