От чтения к действию: как ИИ через MCP интегрируется в бухгалтерию малого бизнеса
Традиционное использование искусственного интеллекта в бизнесе ограничивается генерацией текстов и анализом статических таблиц. Компания МойСклад провела эксперимент, подключив нейросетевых ассистентов к учетной системе через протокол MCP (Model Context Protocol). Это позволило ИИ не просто запрашивать данные, но и выполнять рутинные операции: создание карточек товаров на основе интернет-поиска, автоматизированный ввод реквизитов, анализ дебиторской задолженности и формирование предварительных заказов. Результаты показывают, что на текущем этапе наиболее эффективная модель взаимодействия — это «ИИ как сверхбыстрый операционный помощник» под жестким контролем человека.
# От чтения к действию: как ИИ через MCP интегрируется в бухгалтерию малого бизнеса
Многие сценарии внедрения искусственного интеллекта в коммерческую деятельность сводятся к базовым задачам: написание е-mail, генерация изображений или пересказ текстовых документов. Однако реальный потенциал технологий становится очевидным лишь тогда, когда ИИ получает прямой доступ к операционным системам предприятия. Компания МойСклад совместно с предпринимательским сообществом провела эксперимент по интеграции ИИ-ассистентов в учетную систему через стандарт MCP (Model Context Protocol). Цель была простой — проверить, способен ли ИИ не только потреблять информацию, но и выполнять конкретные бизнес-задачи.
Протокол MCP: новый уровень связи
Традиционный подход к автоматизации часто требует многошагового процесса: данные выгружаются в Excel, загружаются в чат с нейросетью, обрабатываются и только потом снова попадают в систему учета. Такой метод актуален лишь для разовых действий, так как данные быстро устаревают. Протокол MCP (Model Context Protocol) решает эту проблему, создавая прямой мост между языковыми моделями и внешними API.
Суть механизма проста: ИИ получает возможность инициировать взаимодействие с учетной системой в реальном времени. Это позволяет ему не только задавать вопросы вроде «Каковы текущие остатки товара Х?», но и выполнять действия, например, создавать нового контрагента или обновлять категорию товара. В рамках эксперимента было подключено около 340 различных операций, что значительно расширило инструментарий ассистента.
*«Самое интересное в подключении LLM к бизнес-системам — вовсе не возможность задавать вопросы человеческим языком. Это только первый уровень. На втором уровне ИИ начинает собирать информацию из нескольких источников... А дальше появляется следующий сценарий: делать это самостоятельно по расписанию или событии»*, — отмечают авторы материала.
Практические кейсы внедрения
В ходе тестирования были реализованы семь ключевых сценариев, демонстрирующих переход от пассивного наблюдения к активному управлению.
1. Автоматизация контент-менеджмента При поступлении новой партии из 30 позиций вручную заполнение карточек занимает часы. ИИ получил задачу проанализировать названия товаров, найти их характеристики и описания в интернете, а также сгенерировать тексты и подобрать фотографии. Ассистент самостоятельно разложил товары по категориям и заполнил основные поля. Однако процесс не стал полностью автономным: сгенерированные тексты и найденные изображения были проверены человеком. ИИ выполнил 90% механической работы, что позволило сэкономить значительное время.
2. Ввод реквизитов из неструктурированных данных Операция ввода данных о контрагентах часто включает ручной перенос информации из сканов документов или сообщений в мессенджерах. При отправке фото документа ИИ извлекал оттуда ИНН, КПП, адрес и другие данные, проверял наличие дубликатов в базе и, при необходимости, создавал новую карточку. Это превратило сложную последовательность действий в одну команду.
3. Ежедневные оперативные отчеты Вместо ожидания дашбордов, владелец бизнеса может получать сводку прямо в мессенджер (например, Telegram). Каждые сутки в 20:00 ИИ собирает выручку, прибыль, выявляет непоставленные товары и формирует список должников. Запросы гибкие: владелец может в любой момент уточнить, что именно нужно отследить, без необходимости обращаться к разработчикам для настройки отчетов.
4. Планирование поставок Ассистент анализирует динамику продаж за последние 30 дней и текущие остатки. Он вычисляет позиции, которых хватит менее чем на две недели, и формирует черновик заказа поставщику с учетом сезонного запаса. Важно, что на данном этапе ИИ не отправляет заказ автоматически — он готовит документ для утверждения менеджером или собственником.
5. Работа с дебиторской задолженностью При запросе о клиентах с долгом более 30 000 рублей просрочкой более 10 дней, система не просто выводит таблицу. ИИ генерирует список действий и даже формирует вежливое напоминание об оплате для каждого должника. Это связывает аналитику данных с непосредственным действием менеджера.
6. Аудит изменений цен В случаях конфликтов из-за изменения цен, ИИ использует журнал аудита для точного ответа на вопросы о том, кто и когда изменил стоимость конкретного товара. Вместо списка технических записей система возвращает понятный ответ о старых и новых ценах, что упрощает контроль за действиями сотрудников.
7. Массовые изменения данных В сценарии изменения цен на 7% по всей категории товаров ИИ подготовил список изменений, но не выполнил их. Это демонстрирует важный принцип безопасности: массовые и необратимые операции требуют подтверждения человека. Система сначала показывает, что именно будет изменено, и только после одобрения производит массовую операцию.
Стратегия безопасности и ограничения
Опасения по поводу предоставления ИИ доступа к критическим системам бизнеса обоснованы. Эксперимент показал необходимость поэтапного внедрения: от режима «только чтение» к аналитике, созданию черновиков документов и лишь затем к изменению данных.
ИИ отлично справляется с задачами поиска, сопоставления и переноса информации, но человеку необходимо оставлять за собой следующие функции: * Проверку информации, найденной в открытых источниках; * Принятие финансовых решений; * Массовое изменение данных; * Обработку нестандартных ситуаций с высокими рисками;
Реалистичная модель на текущем этапе — использование ИИ как операционного помощника, который ускоряет рутину, но не заменяет человеческий контроль в стратегических вопросах.
Система MCP, разработанная МойСклад, позволяет подключить ассистентов к собственному аккаунту за десять минут. Это открывает возможность превратить учетную систему из хранилища данных в активный источник команд для бизнес-процессов.