Сложнее всего именно с бумажными документами и сканами: договор, акт или смету, пришедшие в виде PDF или фотографии, нельзя обработать так просто, как изначально электронный документ. Сотрудник должен прочитать его и вручную внести данные. Понимая ограничения такого решения, компании задумываются о других способах закрыть эту задачу: применить классический OCR (Optical Character Recognition – технология оптического распознавания символов) или разработать собственное ИТ-решения. Разберём, какие есть ограничения у подходов и почему всё больше компаний приходят к автоматизации обработки документов на основе искусственного интеллекта.
Пять подходов к обработке документов
1.Ручной ввод и Excel
Самый очевидный вариант: Excel или его аналоги (Яндекс 360, Google Sheets и др.), которые не требуют отдельного внедрения. Данные из документов сотрудники вбивают в таблицы руками, а сверки держатся на формулах: ВПР, сопоставление через равно, сводные таблицы и т.д. Но такие сверки не масштабируются и завязаны на формат. Лишний пробел, неверное написание контрагента, переставленные местами столбцы, и формула ломается или выдает неверный результат.
На проверку одного акта уходит в среднем 10–30 минут, сверка крупного пакета может растянуться на дни. Также в данном подходе много ошибок, связанных с человеческим фактором. Сам Excel в отраслевой специфике не способен разбираться: вся логика проверок держится на формулах и на человеке, который их когда-то настроил. Соответственно, у ручной обработки есть предел, связанный с ресурсами.
2.OCR (оптическое распознавание символов)
Казалось бы, бумага уходит в прошлое, но далеко не везде. По данным «Мое дело» (июнь 2026), полностью отказались от неё лишь 10% компаний малого и среднего бизнеса: акты на бумаге оформляют 63%, договоры – 45%, кадровые документы – 43%. Сканы и фото может распознавать технология OCR.
OCR снимает часть рутины: документ не нужно перепечатывать, скан превращается в текст за минуту-две. Но технология распознаёт символы, а не смысл: не понимает структуру, не сверяет данные между актом, счётом и договором, не видит расхождений, путается на нестандартных форматах. Текст распознан, а превращать его в понятный документ, проверять и сопоставлять всё равно приходится человеку.
3.Публичные нейросети
Раз есть ChatGPT, Claude, GigaChat и сотни других моделей, напрашивается очевидный ход: закидывать документы прямо в чат. Для разовой задачи это иногда выручает: можно вытащить реквизиты или сравнить акты. Но рабочий процесс так не построить.
Во-первых, небезопасно. Чувствительные финансовые и юридические документы уходят на чужие серверы, а если вы пользуетесь зарубежными нейросетями, то и за пределы страны. Для персональных данных это нарушение 152-ФЗ, для коммерческой тайны – прямая утечка. Как защитить данные при работе с LLM, мы разбирали в статье о защите от утечек через GPT и LLM.
Во-вторых, результат нестабилен. Без настроенных промптов и контроля модель путает суммы и реквизиты, дописывает то, чего в документе нет. Человеку все равно приходится досконально проверять и часто переделывать результат. И такой инструмент крайне тяжело масштабировать. Пару документов обработать можно, поток из сотен без потери качества – нет.
4. Разработка собственного решения
Поняв, что ручной ввод упирается в человека, а OCR – в отсутствие смысла, часть компаний пробует разработать систему обработки документов под себя. В теории это даёт максимальный контроль и точную настройку под процесс.
На практике (и мы в этом убедились) для разработки требуется, в среднем, 6-18 месяцев, команда специалистов, которые будут включать архитектора, CV-инженеров, LLM-инженеров, дата-аналитиков, бэкендеров и DevOps. Когда система научится понимать документ с его структурой и смыслом, нужно реализовать необходимые сверки, а для этого в систему нужно заложить бизнес-логику конкретного процесса . Поэтому к команде добавляем бизнес-аналитиков, которые опишут процесс и соберут требования. После выкатки решения, ему нужна будет постоянная поддержка и периодическое дообучение моделей.
Если поднимать тему экономической целесообразности, самостоятельная разработка – долгосрочный проект с непредсказуемым сроком окупаемости, и позволить его себе могут немногие.
5. Интеллектуальная платформа на основе LLM
Понимая, что самостоятельная разработка только под наши нужды будет нецелесообразна, а проблема актуальна для многих компаний, мы пришли к идее создания решения, которое будет закрывать боли большого количества наших клиентов. Мы внимательно изучили рынок, провели десятки интервью с представителями бизнеса, прежде чем запускать продукт. В статье о проверке гипотез для LLM-проектов мы подробно рассказывали, как проверяли гипотезу создания продукта. Так появились «Наполеон Документы».
Решение извлекает смысловые поля, сверяет данные между документами, корректно трактует разные формулировки одной и той же сущности и подсвечивает расхождения.
Что умеет интеллектуальная платформа обработки документов
«Наполеон Документы» закрывает ключевые задачи работы с документами:
- Распознавание популярных форматов. PDF, Word, Excel, сканы, фотографии, таблицы – система извлекает структурированные данные из источников.
- Извлечение смысловых полей. Реквизиты, суммы, даты, стороны договора. Платформа понимает, что именно перед ней, а не просто переводит изображение в символы.
- Автоматическая сверка. Кросс-проверка между актом, счётом и договором. Система умеет проверять реквизиты и поля не только посимвольно, но и по смыслу, игнорируя опечатки и спецсимволы.
- Проверка комплектности. Система знает, какие документы должны быть в пакете, и сама запрашивает недостающие.
- Закрытый контур. On-premise развёртывание в инфраструктуре компании. Данные не покидают периметр, обработка происходит на локальных моделях.
- Широкое применение. Решение реализовано так, чтобы добавлять сценарии обработки документов можно было максимально оперативно. Все, что требуется для добавления сценария – подробное описание бизнес-процесса и примеры документов. Именно так был добавлен сценарий обработки строительных документов для девелопера «АПРИ» (о нём – далее в материале).
Как «Наполеон Документы» работают на практике
Ключевой кейс применения платформы «Наполеон Документы» – проект для мультирегионального девелопера «АПРИ». До внедрения решения компания обрабатывала десятки актов КС-2 в месяц от множества подрядчиков, разные формулировки в смете и акте усложняли сверку, а ручная проверка одного акта занимала до часа. После внедрения ИИ-платформы время обработки одного акта сократилось с 40–60 до 5–10 минут, формирование сводной отчётности ускорилось с рабочего дня до нескольких минут, а система начала выявлять расхождения в объёмах, которые раньше не фиксировались.
Как выбрать подход под свою задачу
Выбор инструмента зависит от объёма документов, требований к безопасности и скорости, с которой нужен результат. Если документов единицы в месяц и форматы не меняются, ручная обработка остаётся рабочим вариантом. Если задача в том, чтобы перевести сканы в текст без сверки, достаточно OCR. Если у компании есть сильная ML-команда, время на разработку и уникальный процесс, который не закрывает ни одно готовое решение, имеет смысл строить своё.
В большинстве случаев бизнес сталкивается с комбинацией требований: высокая скорость, автоматическая сверка, учёт отраслевой специфики, работа в закрытом контуре и быстрый запуск. На этом пересечении интеллектуальная платформа снимает ограничения ручного труда и OCR, но не требует многомесячной разработки.
Если ваша команда тратит часы на ввод и сверку документов, имеет смысл посчитать, во сколько это обходится, и сравнить с эффектом от автоматизации. Расскажите о вашем процессе, и мы покажем, как решение будет работать на ваших документах
.png)
