Российская разработка научилась читать сложные, плохо пропечатанные таблицы вместо людей
У тех, кто часто имеет дело с таблицами — склады, бухгалтерия, — есть «любимая» часть работы, когда надо открыть накладную, найти нужную строку, перенести название товара, количество, цену и НДС в учетную систему, проверить результат и перейти к следующей строке. Особенно это «увлекает», когда в документе не пять позиций, а несколько десятков или сотен. Сейчас часть распознавания уже успешно выполняют технологии. Разработчики считают, что и табличный этап тоже следует автоматизировать.
Речь уже не просто об OCR (Optical Character Recognition, «оптическое распознавание символа»), которое превращает фотографию бумаги в текст. Следующий этап — распознать структуру документа, понять, какое число относится к какой строке и столбцу, и передать получившуюся таблицу в учетную систему без ручной пересборки. Для машины это чуть ли не сложнее, чем для человека.
Западный рынок: прочитали и разобрали
Крупные разработчики уже рассматривают распознавание счетов как часть автоматизации финансовых процессов. Microsoft Document Intelligence извлекает из счетов ключевые реквизиты и отдельные позиции, включая данные из строк таблиц, а затем возвращает их в структурированном виде для дальнейшей обработки. Система рассчитана в том числе на фотографии документов, сканы и PDF.
Похожий подход использует Amazon Textract. Его инструмент для анализа счетов и чеков выделяет отдельные группы строк и данные о купленных товарах, включая наименование, количество и цену. Эти сведения можно передавать дальше в корпоративные системы.
Задача таких инструментов в том, чтобы превратить бумажный или электронный документ в набор данных, с которым другая программа сможет работать без повторного ввода. Кроме того, важно, чтобы данные из счета можно было использовать для учета, сверки с заказом или проверки поставки.
В международном бенчмарке Ardent Partners средняя совокупная стоимость обработки одного счета в 2024 году составила $9,40 — в нее входят трудозатраты, технологии и накладные расходы. При этом без участия человека полностью проходит только 32,6% счетов: остальные требуют хотя бы какого-то ручного вмешательства. У наиболее эффективных компаний стоимость обработки снижается до $2,78, а доля «бесконтактных» счетов достигает 49,2%.
Автоматизация первички в России
В России масштаб ручной работы с первичными документами можно оценить хотя бы по отдельным внедрениям. Например, в кейсе «Первого Бита» автоматизация обработки 500–600 документов в месяц позволила высвободить 50–80 рабочих часов ежемесячно — в среднем около 6–8 минут на один документ. При ручном вводе это время уходит на перенос реквизитов в учетную систему и последующий контроль.
Похожие инструменты предлагают и другие разработчики: Directum распознает финансово-хозяйственные документы и заявляет о сокращении трудоемкости ввода до 70% (без раскрытия методологии), а DOKSTER специализируется на сверке актов, накладных и УПД между собой по количеству, ценам и суммам.
И хотя российские и зарубежные системы уже умеют извлекать реквизиты первичных документов, распознавать табличные позиции и передавать информацию дальше, остается проблема того, насколько хорошо они делают это на сложных документах и можно ли после распознавания действительно отказаться от отдельного оператора, который проверяет и собирает данные вручную.
Точность вместо оператора
Российская Smart Engines обещает, что в новой версии платформы Smart Document Engine 3.5 снижено количество ошибок при распознавании таблиц на 25% относительно предыдущей версии. Абсолютные показатели точности там, правда, не раскрывают, поэтому сравнить результат с конкурентами или с бенчмарком Ardent Partners по открытым метрикам нельзя. Но разработчики утверждают, что качество «стало достаточным, чтобы отказаться от отдельного контура, в котором сотрудники вручную переносят данные из первичных документов в учетные системы».
Принцип работы похож на другие подобные системы. Документ, даже сложный — счет, УПД, ТОРГ-12, товарная или транспортная накладная — фотографируется или сканируется, платформа определяет его тип, находит таблицу и формирует структурированные данные для учетной системы — даже если в документе есть переносы строк, объединенные ячейки, печати, подписи и огрехи скана. Данные потом можно локально обработать, без передачи документов во внешние сервисы — некоторым предпринимателям это важно.
Но проверить, действительно ли все 110 позиций приехали на место, по-прежнему нужно будет живому сотруднику: автоматизация ввода не отменяет саму хозяйственную операцию. В этом и заключается отличие между автоматизацией ввода и автоматизацией контроля. Но человек постепенно может исчезнуть из одной части процесса — механического переноса данных — и остаться в другой, где требуется принять решение по результату.
Что это значит для бизнеса
Экономический смысл автоматизации очевиден: для обработки тысячи первичных документов компании приходится либо содержать сотрудников, которые занимаются их вводом, либо тратить время квалифицированных специалистов на довольно механическую работу. Западный бенчмарк показывает, что даже у лидеров рынка «бесконтактной» обходится лишь половина счетов — так что заявления о полном отказе от ручного труда стоит воспринимать с поправкой на то, что почти никто пока не подтверждает их независимыми цифрами. Если текст машина научилась распознавать давно, то таблицы еще остаются одним из последних рубежей этой автоматизации.
ИИ здесь не заменяет человека, но дает возможность избавиться от части работы, убрав его транзитную функцию из цепочки передачи информации из одной базы в другую. Однако чем лучше системы справляются с таблицами, тем меньше смысла держать отдельный человеческий контур только для переписывания букв и цифр.
Подпишитесь на «Инк» в Telegram. Там мы пишем нескучным языком о самом важном для предпринимателей. Подписаться.
