Сверка двух Excel-файлов через ChatGPT: находим расхождения между таблицами и версиями за минуты

Два Excel-файла. В одном 900 строк реестра закупок из закупочной системы, в другом ОСВ по счёту 60 из 1С. Где-то между ними спрятаны расхождения, и пока их не найдёшь, месяц не закрыть. Вручную с ВПР это 2-4 часа, поиск «непонятных» строк и стойкое ощущение, что часть разниц всё равно упущена. С ChatGPT через Code Interpreter та же сверка занимает 15 минут, и не потому что нейросеть умнее вас, а потому что Python не пропускает строки и не устаёт к третьему часу.

Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (основатель школы Софья Бурцева, 45 000 подписчиков в @findir_pro, 800+ выпускников курса AI-навыков). В этой статье разбираю общий случай: как сверить два любых Excel-файла, найти расхождения между таблицами и версиями за минуты. Даю пошаговый алгоритм на 15 минут, 11 готовых промптов, три кейса с цифрами, сравнительную таблицу инструментов и правила безопасности данных. Актуально на 1 сентября 2026 года, все примеры проверены на текущих версиях моделей.

Зачем сверять два Excel-файла и почему на это уходит полдня

Прямой ответ: задача простая, данные нет. Два источника никогда не приходят в одинаковом формате, и вся рутина сидит именно в этой разнице.

В опросе учениц моего курса по AI-навыкам 200 человек назвали сверку таблиц самой нудной задачей месяца. Почти все делают её вручную, и почти все теряют на ней от двух часов до полного рабочего дня. Разберу, из чего складывается это время.

Первые 40-60 минут уходят на подготовку. В одном файле контрагент записан как «ООО РОМАШКА», в другом как «ООО Ромашка», ВПР их не связывает. Даты в одном файле 01.09.2026, в другом 01/09/2026 или текстом «1 сентября». Суммы в одной выгрузке числа, в другой текст из-за неразрывного пробела как разделителя тысяч. Пока выровняешь форматы, половина времени прошла.

Дальше сама сверка. ВПР находит первое совпадение по ключу и молчит про остальные. Если у вас два платежа одному контрагенту на одинаковую сумму, ВПР покажет один и решит, что второй лишний. Приходится проверять руками.

И финальные 30-40 минут уходят на пограничные случаи. Платёж прошёл 30 сентября в 23:58, в учёте он попал в октябрь. Один счёт разбился на два транша. Комиссия банка идёт отдельной строкой, в учёте её нет. Каждый такой случай решается вручную, и к концу третьего часа концентрация падает, а «непонятные» строки откладываются до следующего месяца.

Отдельная боль это версии одного документа. Штатное расписание за февраль и за сентябрь, прайс поставщика за июнь и за август, реестр основных средств после переоценки. Поиск изменений глазами по 300-500 строкам, пропуск изменённого оклада или забытой вакансии, и потом удивление в расчёте ФОТ.

Сравню ручную сверку и сверку через ChatGPT на одном реестре на 900 строк. Цифры средние по моим разборам с учениками, но порядок именно такой.

Этап	Вручную с ВПР	ChatGPT с Code Interpreter
Подготовка файлов	40-60 минут	4-5 минут
Нормализация форматов	Вручную, колонка за колонкой	Автоматически, одна строка в промпте
Сопоставление строк	ВПР, первое совпадение	Полное сравнение по ключу
Разбор расхождений	Глазами, с пропусками	Три раздела плюс объяснение причин
Контроль итогов	Ручная выборка	Контрольная арифметика по разделам
Итого	2-4 часа	15 минут

Сколько это стоит в деньгах. Если финдир на окладе 250 000 рублей в месяц тратит на сверки 6-8 часов, это примерно 18-24 тысячи рублей в месяц только на рутину. А цена ошибки выше: задвоенный платёж на 300 000 рублей, пропущенная скидка поставщика, забытая вакансия в ФОТ на год. Один найденный вовремя расхождений покрывает сотню часов ручной работы.

ChatGPT через Code Interpreter закрывает нормализацию и сопоставление полностью. Пограничные случаи всё равно требуют вашего решения, но ChatGPT выносит их отдельной группой с объяснением, а не оставляет в общей каше. Подробно про причины расхождений между отчётами я разбирала в отдельной статье.

Что такое сверка двух Excel-файлов через ChatGPT

Сверка двух Excel-файлов через ChatGPT это сравнение двух таблиц силами нейросети: вы загружаете оба файла в чат, описываете структуру и ключ сравнения, а ChatGPT через Python сопоставляет строки и выдаёт таблицу расхождений.

Три типа задач закрывает этот подход.

Первый тип: данные из двух систем. Банковская выписка против карточки счёта 51 из 1С, реестр закупок против ОСВ по счёту 60, выгрузка из CRM против данных бухгалтерии. Цель: убедиться, что каждая операция отражена в обеих системах.

Второй тип: сверка с контрагентом или с версией файла. Вы получили акт сверки от контрагента, сравниваете его с вашими данными. Или у вас два реестра одного документа за разные даты, и нужно найти изменения.

Третий тип: контроль после выгрузки. Выгрузили справочник из 1С, сравнили с прошлой версией, проверили, что ничего не потерялось при миграции или обновлении конфигурации.

Результат всегда один и тот же: три группы строк. Совпадения, только в первом файле, только во втором. Для каждой группы итоговые суммы, и весь результат скачивается как новый Excel-файл.

Для чего это в работе финансиста. Сверка выручки из онлайн-кассы с данными учёта, контроль остатков по счетам в разных банках, сравнение тарифов операторов за два периода, проверка начисленной и выплаченной зарплаты по реестрам. Любая задача, где есть два списка чисел и вопрос «где разница», решается этим инструментом.

Мой личный критерий применения простой: если задача сводится к сравнению двух таблиц и занимает больше 20 минут, я загружаю файлы в ChatGPT. Руками я это сделать умею, но механическое сопоставление строк человеку не подходит. Человек нужен там, где принимается решение о причине расхождения, а сравнение строк отдаётся коду.

В 2026 году делать это руками уже странно. Флагманские модели, GPT-5.5 в ChatGPT и Claude Sonnet 4.6 в Claude, уверенно пишут код для сопоставления таблиц, а бюджетные модели вплотную подошли к ним по качеству. Разрыв между дорогими и дешёвыми моделями сократился настолько, что выбор конкретной модели стал вторичным, важнее постановка задачи. Подробно про выбор бесплатных нейросетей для Excel я разбирала в отдельной статье.

Три термина, без которых не разобраться

Ключ сравнения. Это колонка или связка колонок, по которой строки из двух файлов сопоставляются друг с другом. Номер документа, код контрагента, артикул, или связка контрагент плюс сумма. Без ключа сверка превращается в угадывание.

Нормализация. Это приведение данных к единому виду перед сравнением. Пробелы в суммах убираются, даты приводятся к одному формату, текстовые числа становятся числовыми. ChatGPT делает это кодом, вы описываете правила словами.

Допуск. Это разрешённое расхождение по сумме. Если в двух системах одна операция может отличаться на несколько рублей из-за округления или комиссии, вы задаёте допуск, и такие строки попадают в отдельную группу, а не в расхождения.

Семь пар файлов, которые финансисты сверяют чаще всего

По моим разборам с учениками курса выделяются семь повторяющихся пар. Если у вас одна из них, готовый промпт из раздела ниже закроет задачу сразу.

Банк и 1С. Выписка из интернет-банка против карточки счёта 51. Ключ: контрагент плюс сумма плюс месяц. Типичные находки: комиссии банка, которых нет в учёте, платежи на границе периодов, задвоения. Разбор автоматизации банковской сверки есть в отдельной статье.

Реестр закупок и ОСВ по счёту 60. Ключ: номер документа. Типичные находки: счета, не попавшие в учёт, расхождения по авансам, разный порядок отражения по одному документу.

Реестр продаж и данные CRM. Ключ: номер заказа. Типичные находки: заказы без отгрузки, отгрузки без заказа, возвраты, не дошедшие до учёта.

Начисления и выплаты зарплаты. Два реестра, начислено и выплачено. Ключ: табельный номер. Типичные находки: сотрудник начислен, но не выплачен, разница из-за удержаний и алиментов.

Прайс поставщика и фактические закупки. Ключ: артикул. Типичные находки: цена в прайсе не совпадает с ценой в закупке, позиции, которых нет в прайсе, устаревшие цены.

Два периода одного отчёта. Выручка за июль и за август, расходы за месяц и за квартал. Ключ: статья или контрагент. Типичные находки: резкие скачки, новые статьи, забытые строки.

Справочник до и после миграции. Выгрузка из старой системы и из новой. Ключ: код элемента. Типичные находки: потерянные элементы, изменённые реквизиты, задвоенные коды.

Для каждой пары подход одинаковый: два файла, ключ сравнения, промпт из библиотеки. Разница только в названии колонок и в том, какие группы расхождений важны.

Как ChatGPT сверяет два файла: что он умеет

ChatGPT Plus на GPT-5.5 открывает Code Interpreter, инструмент, который пишет и выполняет Python-код прямо в чате. Для сверки таблиц это главный инструмент: он читает файлы, чистит данные и сопоставляет строки без вашего участия в коде.

Что Code Interpreter умеет с двумя файлами:

• Читать Excel и CSV, показывать структуру: колонки, типы данных, первые строки каждого файла
• Нормализовать данные перед сравнением: убрать пробелы в суммах, унифицировать даты, очистить текстовые числа
• Сопоставить две таблицы по заданному ключу, например номер документа, код контрагента или связка контрагент плюс сумма
• Разбить результат на три группы: совпадения, только в первом файле, только во втором
• Найти дубли внутри одного файла, когда одна операция проведена дважды
• Сравнить две версии одного реестра и показать изменения: новые строки, удалённые, изменённые ячейки
• Объяснить причины расхождений по-русски
• Сохранить итоговую таблицу как Excel для скачивания

Чего он не умеет: подключаться к 1С напрямую, выходить в интернет во время выполнения кода и знать ваши внутренние правила учёта без объяснения.

ChatGPT Plus принимает файлы до 512 МБ. Для сверки реестров до 100-150 тысяч строк этого с запасом. Если таблицы больше, агрегируйте данные в исходной системе или разбивайте на периоды.

Как это выглядит изнутри. Вы загружаете два файла, ChatGPT определяет структуру, вы описываете ключ и правила. Дальше модель пишет код на Python с библиотекой pandas: чтение двух таблиц, приведение типов, объединение по ключу с флагами, разбивка на три датафрейма, подсчёт итогов. Вы этот код не пишете и чаще всего не читаете, но можете попросить показать его и проверить ключевые шаги. Это же важный момент для доверия: вся работа прозрачна, вы видите, по какому алгоритму строки попали в тот или иной раздел.

Под капотом: как сопоставляются строки на маленьком примере

Чтобы понять, что делает ChatGPT, разберём механику на трёх строках. Файл 1 реестр закупок: Счёт 100, К01, 50 000; Счёт 101, К02, 30 000; Счёт 102, К01, 70 000. Файл 2 ОСВ: Счёт 100, К01, 50 000; Счёт 102, К01, 70 000; Счёт 103, К03, 40 000. Ключ: номер документа.

Python делает следующее. Приводит оба файла к таблицам с одинаковыми типами колонок. Объединяет их по ключу с флагом, из какого файла пришла строка. Строки, где ключ есть в обоих файлах и суммы совпали в пределах допуска, уходят в раздел совпадения. Строки, где ключ только в первом файле, уходят в раздел только в первом. То же для второго.

Итог по примеру: совпадения Счёт 100 и Счёт 102, только в реестре Счёт 101, только в ОСВ Счёт 103. Сумма совпадений 120 000, плюс 30 000 в первом файле, равно итогу реестра 150 000. Это и есть контрольная арифметика, она же главный способ проверки, что код ничего не пропустил.

Почему это важно понимать. Когда вы видите, что сопоставление построено на простом и прозрачном правиле, исчезает страх «магии». А когда правило не работает, вы можете точно объяснить ChatGPT, что именно пошло не так, вместо того чтобы перезапускать вслепую.

Отдельная тема это сверка регистров бухгалтерии через Code Interpreter. Если ведёте учёт в 1С и выгружаете регистры, подход тот же: два файла, ключ, три раздела. Конкретный рецепт для регистров я описала в статье про сверку регистров.

Три правила подготовки файлов, которые решают 80% успеха

Качество сверки наполовину зависит от того, как подготовлены файлы. ChatGPT справляется с грязными данными, но чистые файлы дают результат без переделок. Три правила, которые я проверяю перед каждой сверкой.

Правило первое: чистый формат. Сохраните оба файла как .xlsx или .csv. Уберите шапку, объединённые ячейки и строки Итого, данные должны начинаться с первой строки. Если в файле есть промежуточные итоги по месяцам, удалите их, Python прочитает их как транзакции.

Правило второе: понятный ключ сравнения. В каждом файле должна быть колонка, по которой строки однозначно сопоставляются. Номер документа, код контрагента, артикул. Если готового ключа нет, соберите его: контрагент плюс сумма, контрагент плюс дата, номер счёта плюс период. Ключ из одной только суммы не годится, суммы у разных строк совпадают постоянно.

Правило третье: единый формат дат и чисел. Проверьте, что даты в обоих файлах записаны одинаково, а суммы это числа, не текст. Если суммы выравниваются по левому краю в Excel, это текст, нужна очистка. Скажите ChatGPT в промпте, какие форматы в каждом файле, и попросите унифицировать перед сравнением.

Отдельно про безопасность: если в файлах есть ИНН, названия контрагентов или другие реквизиты, обезличьте их до загрузки по справочнику замен. Суммы и даты не трогайте. Полные правила разбираю в разделе про безопасность, а механику обезличивания в статье про защиту данных в ChatGPT.

Пошаговый алгоритм: сверка двух файлов за 15 минут

Разберу конкретный сценарий: реестр закупок за август 2026 года из закупочной системы и ОСВ по счёту 60 из 1С за тот же период.

Минуты 0-4. Подготовка файлов. Выгружаю реестр из закупочной системы в Excel, выгружаю ОСВ по счёту 60 из 1С. Проверяю: в реестре колонки Дата, Контрагент, Документ, Сумма, в ОСВ Документ, Контрагент, Дебет, Кредит. Ключ сравнения: номер документа. Убираю строки Итого, обезличиваю контрагентов по справочнику замен.

Минуты 4-6. Открытие ChatGPT и загрузка файлов. Новый чат на chatgpt.com, тариф Plus. Загружаю оба файла через кнопку прикрепления. ChatGPT показывает первые строки каждого. Проверяю: если в колонке Сумма тип object вместо float64, суммы текстовые, нужна очистка.

Минуты 6-11. Запуск сверки промптом. Пишу структурированный промпт, промпт 2 из раздела ниже, с описанием файлов, колонок и ключа сравнения. ChatGPT пишет Python-код, выполняет его, выдаёт три таблицы: совпадения, только в первом файле, только во втором.

Минуты 11-14. Проверка результата. Прошу вывести итоговые суммы по каждой группе. Контрольная арифметика: сумма совпадений плюс сумма только в первом файле должна равняться итогу первого файла, то же для второго. Если не сходится, ошибка в коде, прошу исправить.

Минута 14-15. Скачивание и сохранение. Прошу сохранить итог как Excel. Скачиваю. Копирую Python-код в библиотеку в Notion, в следующий месяц загружу новые файлы и заменю три переменные в коде, результат за 7-8 минут.

Как выглядит результат: три раздела на примере

Чтобы не было иллюзий про «магию», покажу, что именно вы получаете на выходе. Возьмём упрощённый пример: сверка реестра закупок с ОСВ по счёту 60 за август. Оба файла обезличены, суммы условные.

Что ChatGPT выводит в разделе совпадения:

Документ	Контрагент	Сумма в реестре, руб	Сумма в ОСВ, руб	Расхождение, руб
Счёт 1042	К01	185 000	185 000	0
Счёт 1043	К02	42 600	42 600	0
Счёт 1045	К01	310 000	310 000	0

Раздел только в реестре закупок, то есть счёт есть, а в учёте его нет:

Документ	Контрагент	Сумма, руб	Дата
Счёт 1048	К04	96 400	28.08.2026
Счёт 1051	К02	12 750	29.08.2026

Раздел только в ОСВ, то есть проводка в учёте есть, а в реестре закупок документа нет:

Документ	Контрагент	Дебет, руб	Кредит, руб
Счёт 1039	К07	58 300	0
Счёт 1040	К01	0	21 900

Три правила чтения результата. Первое: совпадения не читаются глазами, их количество и сумма просто сверяются с итогами исходных файлов. Второе: рабочие разделы это только в реестре и только в ОСВ, именно там живут ошибки. Третье: сумма трёх разделов по каждому файлу должна сойтись с его итогом, иначе в коде пропущена строка.

Если раздел только в ОСВ пустой, а в реестре висит 10 счетов, это обычно непоступившие счета-фактуры или документы, которые придут в учёт в следующем месяце. ChatGPT не знает ваших правил, он показывает факт, а классифицируете расхождения вы.

Критический промпт: контроль результата после сверки

После того как сверка выполнена, запустите контрольный промпт. Он проверяет полноту результата и защищает от главного риска, когда код молча пропустил часть строк.

Ты выполнил сверку двух файлов. Проверь себя.

1. Посчитай итог первого файла по колонке [СУММА_1].
2. Посчитай итог второго файла по колонке [СУММА_2].
3. Посчитай сумму совпадений из твоего результата.
4. Сложи сумму совпадений и сумму раздела только в первом
   файле. Сравни с итогом первого файла.
5. Сложи сумму совпадений и сумму раздела только во втором
   файле. Сравни с итогом второго файла.
6. Посчитай, сколько строк из каждого файла не попало
   ни в один из трёх разделов.

Если арифметика не сходится или есть потерянные строки,
найди причину, исправь код и повтори расчёт.
Сообщи: сколько строк в каждом разделе и итоговые суммы.

Ожидаемый ответ: все суммы сходятся, потерянных строк ноль. Если ChatGPT сначала выдал результат, а контрольный промпт нашёл расхождение, это нормально: код поправится в том же чате за минуту. Именно поэтому контроль запускается до того, как вы начнёте разбирать расхождения руками.

Если что-то пошло не так

Три сбоя случаются чаще всего, и каждый лечится за минуту.

Суммы текстом. ChatGPT пишет, что колонка имеет тип object. Решение: добавьте в промпт строку «очисти разделители тысяч и преобразуй суммы в числовой тип». Обычно одной этой фразы достаточно.

Даты не совпадают. В одном файле даты числа, в другом текст. Python видит разные форматы и не находит пары. Решение: укажите в промпте форматы дат в каждом файле и попросите привести к единому.

Итог не сходится. Сумма разделов не равна итогу исходного файла. Значит, код пропустил строки: возможно, из-за дублей в ключе или лишних строк Итого. Решение: попросите ChatGPT проверить, все ли строки попали в один из трёх разделов, и показать, куда делись «потерянные» суммы.

Готовые промпты для сверки Excel: 11 рабочих шаблонов

Все промпты работают в ChatGPT Plus с GPT-5.5. Перед каждым загружайте файлы через кнопку прикрепления. Текст в [КВАДРАТНЫХ СКОБКАХ] заменяйте на свои данные.

Два правила работы с промптами. Первое: не запускайте сверку и разбор причин в одном чате, если только сверка не большая, лучше открывать новый чат на каждый крупный шаг. Второе: после первого успешного прогона сохраните промпт вместе с кодом в библиотеку, со второго месяца это готовый шаблон под вашу пару файлов.

Промпт 1. Диагностика двух файлов перед сверкой

Я загрузила два Excel-файла: "[ФАЙЛ_1].xlsx" и "[ФАЙЛ_2].xlsx".

Проверь оба файла и сообщи:
1. Сколько строк и колонок в каждом без заголовка?
2. Названия колонок и типы данных в каждой?
3. Суммы числового типа или текст?
4. Формат дат в обоих файлах, совпадает ли?
5. Есть ли объединённые ячейки, строки-заголовки, строки Итого?
6. Есть ли пустые ячейки в ключевых колонках?

Покажи по 5 первых строк каждого файла.
Если найдены проблемы с форматами, предложи код очистки.

Промпт 2. Основная сверка двух таблиц по ключу

Это якорный промпт статьи. Если запомнить один, то этот: он закрывает 80 процентов задач сверки. Остальные промпты уточняют или развивают его. Подставляйте реальные названия колонок вместо шаблонных, это сильно влияет на качество результата.

Я загрузила два файла:
1. "[ФАЙЛ_1].xlsx" с колонками: [КОЛОНКИ ФАЙЛА 1]
2. "[ФАЙЛ_2].xlsx" с колонками: [КОЛОНКИ ФАЙЛА 2]

Сведи эти таблицы по ключу [КЛЮЧ], например номер документа
плюс сумма.

Алгоритм:
- Перед сверкой очисти форматы: суммы в числа, даты в единый
  формат ДД.ММ.ГГГГ.
- Сопоставь строки по ключу.
- Допуск по сумме ±[ДОПУСК] рублей.

Результат, три раздела:
1. Совпадения: ключ, сумма в первом файле, сумма во втором.
2. Только в первом файле: полные строки.
3. Только во втором файле: полные строки.

Итоговые суммы по каждому разделу.
Сохрани результат как Excel-файл.

Промпт 3. Сверка с группировкой по контрагенту

Сведи два файла по ключу [КЛЮЧ] и дополнительно
сгруппируй результат по контрагенту.

Для каждого контрагента покажи:
- количество операций в файле 1 и в файле 2
- итоговую сумму в файле 1 и в файле 2
- расхождение по сумме
- список документов, которых нет в парном файле

Отсортируй контрагентов по убыванию расхождения.
Выведи общую сводную таблицу по всем контрагентам
и сохрани её как Excel.

Промпт 4. Полное построчное сравнение по всем колонкам

Сравни два файла построчно по всем колонкам.
Каждая строка идентифицируется по ключу [КЛЮЧ].

Для каждой строки, которая есть в обоих файлах, покажи:
- ключ
- колонки, по которым значения отличаются
- старое значение из файла 1 и новое из файла 2

Отдельно собери:
- строки только в файле 1
- строки только в файле 2

В конце: количество изменённых строк, добавленных, удалённых.
Сохрани таблицу изменений как Excel.

Промпт 5. Сверка двух версий одного реестра

Файл 1 это версия реестра от [ДАТА_1], файл 2 от [ДАТА_2].
Это две версии одного документа: [НАЗВАНИЕ РЕЕСТРА].

Покажи изменения между версиями:
1. Новые строки: есть в версии 2, нет в версии 1.
2. Удалённые строки: есть в версии 1, нет в версии 2.
3. Изменённые строки: ключ [КЛЮЧ] совпадает, но значения
   колонок [КОЛОНКИ] отличаются. Для каждой покажи было и стало.
4. Без изменений: количество строк, которые не трогали.

Итоговая сводка: плюс N добавлено, минус M удалено, K изменено.
Сумма изменений по денежным колонкам, если они есть.

Промпт 6. Поиск дублей и задвоений внутри файла

Файл "[ФАЙЛ].xlsx" с колонками [КОЛОНКИ].

Найди подозрительные дубли:
1. Точные: одинаковые значения во всех ключевых колонках.
2. В пределах 3 дней: одинаковый контрагент и сумма,
   разные даты.
3. Разбитый платёж: несколько строк одного контрагента за день,
   которые в сумме равны крупной сумме соседнего дня.

Для каждого дубля покажи строки-кандидаты рядом.
Общая сумма потенциально задвоенных операций.

Промпт 7. Сверка с допуском по сумме

Сведи два файла по ключу [КЛЮЧ].

Суммы в двух системах могут отличаться на небольшую величину:
на курсовую разницу, на округление, на комиссию.

Найди строки, где ключ совпадает, а сумма отличается:
1. Разница до 1 рубля, округление.
2. Разница от 1 до 100 рублей, курсовая разница или комиссия.
3. Разница больше 100 рублей, требует ручной проверки.

Для каждой группы: количество строк и сумма разниц.
Покажи таблицу: ключ, сумма файла 1, сумма файла 2, разница.

Промпт 8. Нечёткое совпадение названий

В двух файлах названия контрагентов записаны по-разному:
"ООО РОМАШКА" в первом, "Ромашка ООО" во втором.

Сопоставь названия по похожести, fuzzy match, порог сходства
[ПОРОГ] процентов. Покажи таблицу пар: название в файле 1,
название в файле 2, оценка сходства.

Отдельно выведи пары ниже порога: их надо сопоставить вручную.

Промпт 9. Причины расхождений по каждой строке

Вот таблица расхождений после сверки: [ВСТАВЬ ДАННЫЕ].

Для каждой строки предложи наиболее вероятную причину:
- операция датирована разными периодами в двух системах
- разные форматы записи названий
- задвоение, одна операция проведена дважды
- комиссия или курсовая разница
- строка есть в одной системе, но не в другой

Дай топ-5 расхождений по сумме.
Для каждого: что проверить и кто должен принять решение.

Промпт 10. Отчёт о расхождениях для финансового директора

Файл "[РЕЗУЛЬТАТ_СВЕРКИ].xlsx" это итог сверки за [ПЕРИОД].

Составь отчёт на одну страницу для финансового директора:
1. Сколько строк в каждом исходном файле, итоговые суммы.
2. Расхождения: количество и сумма по трём группам.
3. Топ-5 расхождений по сумме.
4. Вероятная причина каждого.
5. Что нужно сделать, чтобы закрыть расхождение.
6. Статус: блокирует закрытие периода или нет.

Деловой стиль, конкретные цифры.

Промпт 11. Сохранение кода для повторного запуска

Ты только что провёл сверку двух файлов.

Сделай три вещи:
1. Сохрани итоговую таблицу как Excel "sverka_[ПЕРИОД].xlsx".
2. Выведи полный Python-код отдельным блоком.
   В начало добавь переменные, которые меняются каждый раз:
   FILE_1 = "[ФАЙЛ_1].xlsx"
   FILE_2 = "[ФАЙЛ_2].xlsx"
   KEY    = "[КЛЮЧ]"
   PERIOD = "[ПЕРИОД]"
3. Добавь комментарии на русском к каждому блоку:
   чтение файлов, нормализация, сопоставление, разделы.

Остальной код должен работать без изменений при смене переменных.

Как адаптировать промпты под свою пару файлов

Готовая библиотека промптов это стартовая точка, а не догма. Ваши файлы всегда чуть другие: другие названия колонок, другая логика ключа, другие правила разбора. Пять минут на адаптацию экономят час переделок.

Первое: замените названия колонок на реальные. В промптах стоят шаблонные «Контрагент», «Сумма», «Документ». В вашей выгрузке колонка может называться «Наименование», «Сумма с НДС», «Номер сч.». Названия колонок в промпте должны совпадать с реальными, иначе код будет искать несуществующие поля.

Второе: опишите ключ своими словами. Если строка идентифицируется связкой «контрагент плюс дата плюс сумма», так и напишите. Не надейтесь, что модель угадает, что у вас один и тот же контрагент в файлах записан по-разному. Скажите прямо: «перед сравнением приведи названия контрагентов к единому регистру и убери ИП/ООО».

Третье: добавьте свои правила допуска. Если банк округляет комиссию до рубля, а учёт ведёт копейки, скажите об этом. Правило «разница до 5 рублей не считается расхождением» убирает шум из раздела расхождений.

Четвёртое: укажите, какие колонки сравнивать, а какие игнорировать. Служебные поля вроде номера строки выгрузки или времени загрузки лучше исключить, иначе они создадут ложные расхождения.

Пятое: сохраните адаптированную версию промпта в библиотеку вместе с кодом. Через месяц вы не вспомните, почему в промпте появилась строка про регистр, а библиотека напомнит.

Сверка двух версий одного реестра: находим изменения

Самый частый запрос после классической сверки это сравнение двух версий одного файла. Прайс поставщика, штатное расписание, реестр основных средств, тарифы, справочник статей затрат. Раньше это делалось глазами, теперь ChatGPT делает за пару минут.

Как это работает. Вы загружаете обе версии в один чат и даёте промпт 5. ChatGPT находит строки по ключу, например номеру строки или названию позиции, и сравнивает значения. Результат: новые строки, удалённые, изменённые ячейки с парой было и стало.

Пример из практики. Главбух производственной компании сравнивала февральскую и сентябрьскую версии штатного расписания перед расчётом ФОТ на следующий год. Вручную по 340 строкам и 12 колонкам это четыре часа, и риск пропустить изменённый оклад оставался. С промптом 4 результат за 25 минут: 14 изменённых окладов, 3 забытые вакансии, 2 удалённые должности. Сверка сошлась с расчётом ФОТ с первой попытки.

Второй частый сценарий это прайс поставщика. Поставщик прислал новый прайс на 1 200 позиций, старый был на 1 150. Вопросы: какие позиции добавились, какие исчезли, у каких изменилась цена и на сколько. ChatGPT выдаёт три группы за пару минут, а отдельно считает позиции с ростом цены больше 10 процентов. Вручную такой разбор занимает час и всё равно оставляет дыры.

Почему глазами это опасно. При сравнении 300 строк человек пропускает изменения, которые не ожидает увидеть. Нейросеть сравнивает механически и находит все разницы, а вы решаете, какие из них осмысленные. Классический случай: оклад изменился на 2 000 рублей, в общем массиве цифр это не бросается в глаза, но за год ФОТ по одной позиции уезжает на 24 000 рублей.

Третий частый сценарий это тарифы операторов и поставщиков услуг. Компания меняет тарифный план или пересматривает договор, а следом приходит новый прайс от оператора связи или облачного провайдера. Сверка старого и нового прайса по наименованию услуги показывает, какие позиции подорожали, какие подешевели и какие появились впервые. ChatGPT считает совокупный эффект по всем позициям: если 12 услуг подорожали в среднем на 18 процентов, это цифра для переговора с поставщиком, а не ощущение «что-то стало дороже».

Ещё один частый запрос это сверка акта от контрагента со своими данными. Контрагент прислал акт сверки на 200 позиций, ваши данные в 1С не совпадают с его выгрузкой по формату: у него сумма с НДС, у вас без, у него даты по дате документа, у вас по дате оплаты. Просто загрузить оба файла и нажать «сверь» не получится, ключ и формат сумм нужно описать заранее. Зато после правильной настройки ChatGPT покажет расхождения по каждому документу и отдельно соберёт позиции, где разница превышает допустимый порог. Раньше такие акты проверялись по нескольку часов, теперь это 15-20 минут. Похожий кейс с закрывающими документами я разбирала в статье про агента для сверки документов.

Ещё один сценарий: сверка файла до и после выгрузки из системы. Мигрировали данные, обновили конфигурацию 1С, выгрузили справочник и сравнили с прошлой версией. ChatGPT покажет, что добавилось, что исчезло и что изменилось, за минуты вместо дня ручной проверки. Похожий подход с консолидацией отчётности целых компаний я разбирала в статье про консолидацию.

Три кейса с цифрами: сколько экономит финансист

Три истории учеников и учениц курса «AI-навыки финансиста». Имена обезличены, цифры реальные.

Кейс 1. Финансовый директор оптовой компании, Москва

Было: ежемесячная сверка реестра закупок из закупочной системы с ОСВ по счёту 60 из 1С. 700-900 строк, 60+ поставщиков. Инструмент: ВПР в Excel. Нормализация дат и сумм вручную перед каждой сверкой, 3-3,5 часа, и каждый месяц оставались 10-15 «непонятных» строк, которые откладывались.

Что сделали: настроили стандартную выгрузку из закупочной системы в Excel, создали справочник замен на 60 контрагентов, написали шаблон промпта под ключ контрагент плюс сумма плюс месяц. Первая попытка сломалась на формате сумм: выгрузка давала суммы с пробелами как разделители тысяч, Python читал их как текст. Добавили строку очистки в промпт, дальше работало без сбоев.

Стало: сверка за 20 минут вместо 3-3,5 часа. В первый месяц ChatGPT вытащил из раздела только в реестре двойную оплату счёта поставщика на 480 000 рублей. Платёж прошёл дважды, и без сверки он бы вскрылся только при следующей сверке с банком, а то и не вскрылся бы.

Экономия: 3 часа в месяц и 480 000 рублей потенциальной потери, найденных за один прогон. Почему сработало: не «просто спросили нейросеть», а один раз настроили выгрузку и справочник, дальше шаблон работал без изменений.

Кейс 2. Главный бухгалтер производственного предприятия, Екатеринбург

Было: перед расчётом ФОТ на следующий год главбух сравнивала две версии штатного расписания вручную. 340 строк, 12 колонок, изменения искала глазами по распечаткам. Четыре часа работы, после которых оставался риск пропустить изменённый оклад или забытую вакансию.

Что сделали: загрузили февральскую и сентябрьскую версии в ChatGPT, запустили промпт 5 для сравнения версий. ChatGPT вывел три группы: новые строки, удалённые, изменённые, и для каждой изменённой позиции пару было и стало.

Стало: 25 минут вместо 4 часов. Нашли 14 изменённых окладов, 3 забытые вакансии и 2 удалённые должности. Расчёт ФОТ сошёлся с первой попытки, раньше на сверку расчёта с реальным штаткой уходило ещё полдня.

Экономия: 3,5 часа на сравнении версий и полдня на перепроверке расчёта ФОТ. Почему сработало: сравнение версий это идеальная задача для машинного подхода, здесь глазами искать изменения бессмысленно.

Кейс 3. Финансовый менеджер на аутсорсе, Санкт-Петербург

Было: ведёт шесть клиентов, у каждого своя пара файлов для сверки. Банк и 1С, CRM и 1С, прайс и факт отгрузок. По 40-50 минут на клиента, почти полный рабочий день только на сверки, и постоянный стресс из-за нестандартных форматов выгрузок.

Что сделали: по одному шаблону промпта на тип сверки, код первой сверки сохранила в библиотеке и теперь меняет только имена файлов и период. Справочник обезличивания завела отдельный для каждого клиента.

Стало: по 10-15 минут на клиента, весь цикл за 1-1,5 часа. Дополнительный эффект: появилось время на контрольную сверку 20-го числа для трёх активных клиентов, раньше на неё времени не было.

Экономия: 5-6 часов в месяц. При ставке 2 500 рублей в час это 13 000-15 000 рублей освобождённого времени под новых клиентов. Почему сработало: библиотека кодов и шаблонов превратила разовую задачу в тиражируемый процесс, каждый новый клиент подключается за час.

Про закрытие месяца с ChatGPT в целом я рассказываю в отдельной статье, там сверка вписана в общий контур месяца.

Регламент разбора расхождений: как не утонуть в деталях

Сверка выдала список расхождений, дальше начинается самая ответственная часть: разобрать каждое и решить, что делать. Без регламента этот этап съедает сэкономленное время. Я использую простой порядок из пяти шагов.

Шаг первый: разделите расхождения по сумме. Отсортируйте список по убыванию суммы. Крупные позиции решайте в первую очередь, их немного, но они дают основную часть эффекта. Мелочь до 1 000 рублей соберите в общий блок.

Шаг второй: сгруппируйте по типу причины. Задвоение, граница периода, комиссия, разный формат, документ не дошёл до учёта. ChatGPT по промпту 9 предложит вероятную причину для каждой строки. Группы повторяются из месяца в месяц, и это нормально.

Шаг третий: определите владельца решения. Что-то вы решаете сами, что-то требует согласования с отделом закупок, что-то с бухгалтером по участку. Промпт 10 для отчёта финдиректору помогает зафиксировать владельцев.

Шаг четвёртый: зафиксируйте решение по каждой группе. Провести корректировку, восстановить проводку, запросить документ, принять разницу. Для каждой группы одна строка в итоговом отчёте.

Шаг пятый: отследите, что решение исполнено. Сверка следующего месяца покажет, закрылась ли позиция. Если позиция из раздела только в первом файле исчезла, значит, документ доехал до учёта. Если висит третий месяц, это сигнал к разговору с владельцем процесса.

Регламент окупается на третьем месяце, когда список расхождений разбирается за 20 минут вместо полутора часов.

ChatGPT, Claude, Gemini или Excel для сверки: сравнительная таблица

Параметр	ChatGPT Plus (GPT-5.5)	Claude Sonnet 4.6	Gemini 2.5	Excel (ВПР/Power Query)
Загрузка Excel и CSV	Да, Code Interpreter	Ограниченно	Да, в Workspace	Да
Автоматическая нормализация форматов	Да	Да, с промптом	Да	Вручную
Поиск расхождений по ключу	Да, Python с pandas	Да, через код	Да	ВПР, Power Query
Сравнение двух версий реестра	Да, таблица изменений	Да	Частично	Сложно
Объяснение причин расхождений по-русски	Отлично	Отлично	Хорошо	Нет
Скачивание результата как Excel	Да	Нет напрямую	Нет напрямую	Да
Поиск дублей внутри файла	Да	Да	Частично	Условное форматирование
Стоимость	Подписка, цены на openai.com	Подписка, цены на anthropic.com	Частично бесплатно	Входит в Office
Доступ в России	Ограничен	Ограничен	Ограничен	Без ограничений
Лучше для	Числовые сверки с кодом	Длинные документы, черновики актов	Экосистема Google	Стандартные сверки руками

Актуально на сентябрь 2026 года. Тарифы и функции меняются, проверяйте на официальных сайтах.

Мой практический выбор зависит от задачи. Для числовой сверки двух таблиц это ChatGPT Plus с Code Interpreter: весь цикл загрузка, код, скачивание в одном чате, и результат отдаётся файлом. Для составления текста акта сверки или разбора позиции контрагента Claude Sonnet 4.6 пишет более точные формулировки. Gemini 2.5 удобен, когда данные уже живут в Google Таблицах. DeepSeek V3.2 беру, когда нужно написать скрипт без загрузки файлов или когда данные нельзя выносить за периметр, локальная модель запускается на своём сервере.

Отдельно про Excel. ВПР и Power Query остаются рабочим инструментом, когда файлы маленькие, формат стабильный и автоматизация уже настроена годами. Переезжать на нейросеть ради переезда не нужно. Но если сверка каждый месяц приносит «непонятные» строки и ручную нормализацию, ChatGPT закрывает именно эту боль, а не просто повторяет ВПР быстрее.

Как выбрать инструмент под конкретную задачу

Критерий простой: смотреть не на модность, а на объём, частоту и формат вывода. Сводная шпаргалка по типовым сценариям.

Ваш сценарий	Что взять
30-50 строк, разовая сверка, таблица готова	Excel, ВПР за минуту
500-5 000 строк, каждый месяц, форматы плывут	ChatGPT Plus с Code Interpreter
Сравнение двух версий реестра по всем колонкам	ChatGPT, промпт 5
Данные живут в Google Таблицах, команда на Google	Gemini 2.5
Нужен текст акта сверки или объяснение причин	Claude Sonnet 4.6
Данные нельзя выносить за периметр компании	DeepSeek V3.2 локально
500 000+ строк, тяжёлая аналитика	Power Query или агрегация по периодам

Три вопроса, которые я задаю перед выбором. Вопрос первый: сколько строк в файлах? Если до 100, нейросеть избыточна. Вопрос второй: как часто повторяется сверка? Если каждый месяц, стоит один раз настроить шаблон. Вопрос третий: что делать с результатом? Если нужен файл для архива, удобнее ChatGPT; если таблица остаётся жить в Google, удобнее Gemini.

Из России ChatGPT, Claude и Gemini без VPN не работают, это ограничение самих сервисов. Пользоваться нейросетями из России не запрещено. Какой сервис поставить, выбираете сами, названия VPN в статье не даю. Про работу с нейросетями без VPN и локальные варианты я писала в статье про DeepSeek.

Частые ошибки, мифы и ограничения при сверке через нейросеть

Собрала в один раздел три блока: что ломается чаще всего, где нейросеть реально не поможет и какие мифы мешают начать. Это самый практичный раздел статьи, отметьте ошибки, которые узнали в себе.

Семь типичных ошибок при сверке через нейросеть

Ошибка 1. Не проверить тип данных суммы. Самая частая причина сбоев. Число 1 234 567,89 с неразрывным пробелом как разделитель тысяч Excel и Python читают как текст. Проверка: если ChatGPT говорит, что тип колонки object вместо float64, значит текст. Решение: добавьте в промпт строку «очисти разделители тысяч в колонке Сумма и преобразуй в числовой тип».

Ошибка 2. Разные форматы дат. В одном файле 01.09.2026, в другом 01/09/2026 или текст «1 сентября». Python видит разные строки и не находит совпадений по дате. Решение: укажите форматы в промпте или попросите унифицировать все даты перед сверкой.

Ошибка 3. Слабый ключ сравнения. «Сверь по сумме» без контрагента даёт ложные совпадения: у вас могут быть два разных платежа от разных контрагентов на одну сумму. Минимальный ключ для сверки это контрагент плюс сумма, лучший контрагент плюс сумма плюс месяц.

Ошибка 4. Не убрать строки Итого и шапку. Выгрузки из 1С и CRM часто содержат строку Итого в конце и заголовки в начале. Python читает их как транзакции, которые не находят пары. Решение: удалите их перед загрузкой или укажите в промпте «исключи строки, где колонка Контрагент пустая или содержит слово Итого».

Ошибка 5. Один чат на все задачи и никакой проверки итогов. При длинном сеансе ChatGPT путается в контексте, особенно если вы начали со сверки, потом спросили про формулу, потом вернулись. Открывайте отдельный чат на каждую сверку. После результата всегда просите вывести итоговые суммы по трём разделам и сравнивайте с итогами исходных файлов. Если не сходится, в коде ошибка, просите исправить.

Ошибка 6. Слепая вера в результат без выборочной проверки. Нейросеть ошибается редко, но проверка нужна. Возьмите 5-10 случайных строк из раздела совпадения и сверьте их с исходными файлами. Попросите ChatGPT показать код, которым он сопоставлял строки, и пробегитесь по ключевым шагам глазами. Три минуты проверки стоят дешевле, чем месяц работы с неверной сверкой.

Ошибка 7. Загрузка чувствительных файлов без обезличивания. Реальные ИНН, названия контрагентов и ФИО в публичном ChatGPT это нарушение порядка работы с персональными данными и риск для компании. Если файл уже загружен без маски, удалите чат в истории ChatGPT. Обезличивание занимает 10 минут, а последствия утечки дороже.

Честные ограничения

Я не призываю переехать из Excel в ChatGPT навсегда. У инструмента есть границы, которые нужно знать до старта, тогда не будет разочарования.

Нет памяти между сессиями. Файлы и Python-код живут только в пределах одного чата. Открыли новый чат, загружаете заново. Решение: сохраняйте код в библиотеку после каждой новой сверки, тогда следующий месяц начинается с уже готового скрипта.

Не понимает бизнес-контекст сам по себе. ChatGPT не знает, что для вашей компании значит строка «счёт без счёта-фактуры» и какие расхождения допустимы. Правила, по которым разбираются пограничные случаи, вы описываете в промпте или принимаете решение сами. Это не слабость модели, это работа эксперта.

Сложно с очень большими файлами. ChatGPT Plus принимает файлы до 512 МБ, но на таблицах с 500 000+ строк Code Interpreter замедляется. Для таких объёмов агрегируйте данные в исходной системе или бейте на периоды. Сверка помесячно обычно закрывает задачу.

Нестандартные форматы требуют настройки. Региональные банки и старые конфигурации 1С выгружают файлы с объединёнными ячейками и многоуровневыми заголовками. На первичную отладку промпта уходит 15-30 минут, но потом шаблон работает годами.

Не заменяет контрольную арифметику. Итоговые суммы по разделам вы проверяете сами. Если сумма совпадений плюс сумма только в первом файле не равна итогу первого файла, значит код что-то пропустил. ChatGPT найдёт и исправит, но запускать контроль должен человек.

И главное: нейросеть находит фактические расхождения, а решение, что делать с каждым, остаётся за вами. Задвоенный платёж, недостающая проводка, разница по курсу это всегда решение финансиста, а не модели.

Мифы, которые мешают начать

Миф первый: нейросеть считает хуже Excel. В Excel формулы пишет человек и человек же ошибается: протянул ВПР не на тот диапазон, забыл зафиксировать ссылку. Python, который пишет ChatGPT, выполняет одно и то же действие для всех строк одинаково. Ошибка возможна в логике промпта, а не в арифметике.

Миф второй: для сверки нужен программист. ChatGPT пишет код сам, вы описываете задачу по-русски. Чтобы проверить результат, достаточно контрольной арифметики, о которой я писала выше. За два года работы с финансистами я не встретила ни одного, кому потребовалось знание Python для сверки через Code Interpreter.

Миф третий: это дорого. ChatGPT Plus это стоимость подписки, а экономия на одной сверке от 2 до 8 часов в месяц. При ставке финдира 1 500-2 500 рублей в час подписка окупается в первый же месяц. Бесплатные альтернативы тоже существуют, я разбирала их в статье про бесплатные нейросети для Excel.

Миф четвёртый: нейросеть заменит бухгалтера. Нет. Она убирает механическую часть, но причина расхождений это всегда решение человека: признать платёж ошибочным, восстановить проводку, договориться с контрагентом. Финансист с нейросетью закрывает месяц быстрее и с меньшим стрессом, но без финансиста месяц не закроется.

Отдельно про то, как нейросети ошибаются в цифрах. Это не про арифметику, а про уверенную подмену фактов. Проверочные приёмы я собрала в статье про галлюцинации нейросетей.

Как безопасно загружать Excel в ChatGPT

Файлы с реквизитами контрагентов попадают под защиту персональных данных, поэтому обезличивание встроено в процесс как рабочий шаг, такой же обязательный, как проверка итоговых сумм.

Что нельзя загружать в публичный ChatGPT:

• Реальные ИНН организаций и физических лиц
• Названия контрагентов, по которым можно идентифицировать компанию
• ФИО сотрудников
• Расчётные счета и банковские реквизиты
• Документы под жёстким NDA с запретом передачи третьим лицам

Что можно после обезличивания:

• Структуру таблиц: даты, суммы, типы операций с заменёнными реквизитами
• Назначения платежей без ИНН и реальных наименований
• Агрегированные данные по периодам

Как обезличить файл за 10 минут. Создайте таблицу замен в Excel: две колонки, реальное значение и маска. ИНН 7712345678 становится К01, ООО «Ромашка» становится Контрагент 1. Через Ctrl+H замените каждый реальный реквизит на маску. Суммы и даты не трогайте, они нужны для сверки. Справочник замен храните у себя, он нужен чтобы расшифровать результат.

Подводные камни обезличивания. Во-первых, заменяйте до загрузки, а не после: выгрузки ChatGPT уже не изменить. Во-вторых, проверяйте, что маска не совпадает с реальным значением другого контрагента: К01 не должен совпасть с чьим-то настоящим кодом. В-третьих, храните справочник замен отдельно от файла сверки, чтобы случайно не загрузить его в чат. Механика обезличивания детально разобрана в отдельной статье.

Технические настройки. В Settings, Data Controls выключите переключатель Improve model for everyone, это запрещает OpenAI использовать ваши чаты для обучения модели. Для корпоративного уровня есть два варианта: ChatGPT Enterprise с изолированным контуром или локальная модель типа DeepSeek V3.2 на собственном сервере, тогда данные вообще не покидают периметр компании. Локальный сценарий я разбирала в статье про Ollama.

Правовой фрейм. ФЗ-152 о персональных данных требует законного основания для передачи персональных данных иностранному оператору. С 2025 года действуют оборотные штрафы: при повторных нарушениях от 1% до 3% годовой выручки, не менее 20 млн и не более 500 млн рублей. Ответственность несёт должностное лицо организации, не ChatGPT.

Что делать, если файл уже загружен без маски. Удалите чат в истории ChatGPT, чтобы не оставлять данные в истории диалогов. Сообщите ответственному за персональные данные в компании, если реквизиты были чувствительными. На будущее встройте обезличивание в процесс подготовки, чтобы шаг не зависел от памяти сотрудника.

Чек-лист: сверка двух Excel-файлов за 15 минут

Подготовка, 4-5 минут

1. Сохранить оба файла как .xlsx или .csv.
2. Убрать шапку, объединённые ячейки, строки Итого.
3. Обезличить данные по справочнику замен: ИНН на К01, К02, названия на Контрагент 1, 2, 3.
4. Проверить форматы: суммы числовые, даты в одном формате.
5. Определить ключ сравнения: номер документа или контрагент плюс сумма.
6. Сохранить справочник замен для расшифровки результата.

Сверка в ChatGPT, 8-9 минут

7. Открыть chatgpt.com, тариф Plus, новый чат.
8. Загрузить оба файла через кнопку прикрепления.
9. Проверить первые строки в ответе ChatGPT: суммы должны быть числовыми.
10. Отправить промпт 2 с описанием структуры и ключа сравнения.
11. Дождаться выполнения кода, при ошибке просить исправить и повторить.
12. Попросить вывести итоговые суммы по трём разделам.
13. Сверить итоги с суммами исходных файлов, арифметический контроль.

Работа с результатом, 2-3 минуты

14. Разобрать разделы только в первом файле и только во втором.
15. Для топ-расхождений по сумме спросить ChatGPT о причинах, промпт 9.
16. Скачать Excel-файл с результатами.
17. Скопировать Python-код в библиотеку с пометкой тип сверки и период.

Три уровня автоматизации после первой сверки

ChatGPT в ручном режиме закрывает большинство задач финансиста. Но если вы делаете одну и ту же сверку каждый месяц, есть смысл пойти дальше.

Уровень 1. Ручная сверка через ChatGPT, стартовый уровень, описан в этой статье. Загружаете файлы руками, используете шаблонный промпт, скачиваете результат. Экономия 1,5-3 часа в месяц, порог входа 30-40 минут на первую настройку.

Уровень 2. Полуавтоматизация: Python-скрипт из кода ChatGPT. Берёте код, который ChatGPT написал для вашей сверки, сохраняете в .py-файл. Меняете три строки: имена файлов, ключ и период. Запускаете в Google Colab бесплатно или локально. Данные никуда не уходят. Первоначальная настройка занимает 1-2 часа, знание Python не нужно, ChatGPT помогает и с этим.

Уровень 3. Полная автоматизация через n8n. Сценарий: файлы автоматически попадают в папку, скрипт запускается по расписанию, результат записывается в Google Таблицы, уведомление приходит в Telegram. Бухгалтер только проверяет результат. Подробно про n8n для финансиста разбираю в отдельной статье, а про готового AI-агента для сверки регистров первички в статье про агента.

Рекомендация: не перескакивайте на уровень 3, не освоив уровень 1. Автоматизировать нужно рабочий процесс, который уже работает, а не ломаный.

---

Хочешь получать готовые промпты для сверки и разборы новых AI-инструментов каждую неделю? Забирай бесплатно в Telegram-канале школы @findir_pro.

---

Часто задаваемые вопросы

Что такое сверка двух Excel-файлов простыми словами? Сверка двух Excel-файлов это сравнение двух таблиц, чтобы найти расхождения. Первый тип: данные из двух систем, банковская выписка и 1С, реестр и ОСВ, CRM и учёт. Второй тип: две версии одного файла, например штатное расписание за разные месяцы. Цель одна: понять, где строки совпадают, а где появились новые, исчезли или изменились суммы.

Нужен ли платный ChatGPT для сверки Excel-файлов? Для работы с файлами да. ChatGPT Plus с GPT-5.5 открывает Code Interpreter: загрузка Excel и CSV, выполнение Python-кода, скачивание таблицы результата. В бесплатной версии загрузка файлов ограничена, а Code Interpreter недоступен. Для таблиц на 20-30 строк можно вставить данные текстом в чат, но без скачивания итогового файла.

Какой формат файлов лучше загружать в ChatGPT для сверки? CSV лучший: суммы всегда числовые, нет объединённых ячеек. Excel работает почти всегда, но требует проверки, суммы могут быть текстом из-за разделителей тысяч, даты в разном формате. PDF не подходит, это крайний случай. Если система выгружает только PDF, запросите Excel или CSV.

Чем сверка через ChatGPT отличается от ВПР в Excel? ВПР находит первое совпадение по ключу и не объясняет, почему строка не нашлась. ChatGPT через Code Interpreter нормализует данные, сопоставляет по ключу и выдаёт полное сравнение с разбивкой на три группы. Подробный разбор замены ВПР есть в статье про ChatGPT вместо ВПР.

Безопасно ли загружать Excel-файлы в ChatGPT? Только в обезличенном виде. Реальные ИНН, названия контрагентов, ФИО и расчётные счета в публичный ChatGPT не загружаем. Заменяем их масками по справочнику, суммы не трогаем. В настройках Data Controls выключаем переключатель Improve model for everyone. Для данных под NDA используем ChatGPT Enterprise или локальную модель.

Как найти расхождения между двумя версиями одного реестра? Загрузите обе версии в один чат ChatGPT Plus и опишите, что это версии одного документа за разные даты. ChatGPT выведет три группы: новые строки, удалённые и изменённые. Для изменённых покажет старое и новое значение. Готовый промпт 5 есть в статье.

Можно ли автоматизировать сверку двух файлов без участия человека? Частично. ChatGPT в ручном режиме убирает нормализацию, сопоставление и таблицу расхождений. Полная автоматизация требует Python-скрипта по расписанию или сценария n8n. Код первой сверки переносится в скрипт за пару часов. Подробно про автоматизацию через n8n в отдельной статье.

Какая модель лучше для сверки: GPT-5.5, Claude Sonnet 4.6 или Gemini 2.5? Для числовой сверки удобнее ChatGPT Plus с Code Interpreter, весь цикл в одном чате. Claude Sonnet 4.6 точнее в объяснениях причин и в текстах актов. Gemini 2.5 сильнее в связке с Google Таблицами. DeepSeek V3.2 берут для локального запуска без выноса данных. Разница в качестве для сверки не критична, важнее постановка задачи.

---

Наши каналы

Следите за новыми промптами, кейсами и разборами AI-инструментов для финансистов:

• @findir_pro основной Telegram-канал онлайн-школы «Финансовый директор | Мастер CFO», 45 000 подписчиков. Ежедневные разборы нейросетей для финансистов и бухгалтеров: промпты, кейсы, инструменты.
• @ai_finansist канал «АИ с Софьей и Натали», 13 000 подписчиков. Разборы новых моделей и стратегия внедрения AI в работу финансового директора и бухгалтера.
• MAX закрытое сообщество 5 000+ выпускников и учеников школы. Живые разборы кейсов, доступ к записям вебинаров, нетворкинг с коллегами-финансистами.

---

Об авторе

Натали Васильева эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO», основатель школы Софья Бурцева. С нейросетями в финансовых задачах с февраля 2023 года, 800+ выпускников курса AI-навыков. Веду Telegram-канал @findir_pro, 45 000 подписчиков.