Интеллектуальная обработка документов: от файла к записи

Интеллектуальная обработка документов оправдывает себя, когда избавляет от ручного переноса данных и при этом не пропускает ошибки в рабочие системы. В основе такого процесса — 4 задачи: определить тип документа, извлечь поля, проверить значения и передать спорные случаи человеку до того, как что-либо сохранять или проводить в учете.

Для руководителя операционной или финансовой функции первый полезный результат — проверенный черновик записи с приложенным исходным документом. Автоматическая оплата, толкование договора и одобрение поставщика требуют отдельных решений. Начните с того, на что ежедневно уходит время: чтения вложений, копирования полей и поиска нужной папки.

Возможности и ограничения сверены с документацией разработчиков 26 октября 2026 года. Описанный ниже пилот — предлагаемый метод оценки, а не результаты сравнительного тестирования продуктов.

Как работает интеллектуальная обработка документов

IDP — это процесс, который превращает документы в пригодные для работы записи, а сомнительные случаи отправляет на проверку. Представьте сотрудника, который ведет документы по чек-листу: выясняет, что поступило, переносит нужные сведения, сверяет их с правилами и передает неразобранную папку тому, кто вправе принять решение.

На входе может быть структурированная форма с фиксированными полями, полуструктурированный счет, оформление которого зависит от поставщика, или неструктурированное письмо. На выходе — запись в бухгалтерской системе, реестре договоров или очереди обращений. В обзоре IDP от AWS классификация, извлечение данных, проверка и интеграция описаны как части этого общего процесса.

Практический процесс обработки счетов выглядит так:

1. Классификация. Определите, что за документ во вложении: счет, кредит-нота, выписка или что-то другое. Если файл объединяет несколько документов, разделите его до извлечения полей.
2. Извлечение. Считайте поставщика, номер счета, даты, валюту, итоговые суммы и позиции. Сохраните исходный файл, а для каждого значения — страницу или область, которая его подтверждает.
3. Проверка. Проверьте обязательные поля, арифметику, дубликаты и запись о поставщике. Даже отчетливо прочитанная итоговая сумма может относиться не к тому счету.
4. Маршрутизация. Сохраните принятую запись там, где это разрешено. Если отсутствует заказ на закупку, не сходится итоговая сумма или неясен тип документа, передайте случай назначенному проверяющему.

Эти задачи нужно заложить в процесс, а не считать готовыми возможностями любого API извлечения данных. API — интерфейс, через который программа запрашивает услугу, — может вернуть поля, ничего не зная о ваших правилах согласования.

Идентификатор файла должен оставаться связанным с записью на всех этапах. Иначе даже корректное извлечение обернется сбоем в работе: никто не сможет найти документ, на основании которого появилась запись.

Что LLM и модели компьютерного зрения изменили в OCR

Теперь при извлечении данных можно опираться на смысл и контекст страницы, а не только на расположение поля. Оптическое распознавание символов, или OCR, считывает символы с изображений. Затем шаблонный экстрактор ищет данные в заданных местах или следует правилам верстки. Большая языковая модель, или LLM, интерпретирует язык; визуально-языковая модель также принимает на вход изображения.

Допустим, поставщик перенес надпись «К оплате» из правого нижнего угла в сводный блок наверху. Правило, привязанное к координатам, придется изменить. Модель, которой поручили найти сумму к оплате, может использовать подпись и окружающий контекст, хотя и она способна выбрать не ту сумму.

Custom Extractor в Google Document AI поддерживает извлечение с помощью фундаментальной модели по заданной схеме — списку именованных полей, которые нужно вернуть. Доступны режимы zero-shot и few-shot: без примеров задачи или с небольшим набором примеров. Таким образом, управляемые сервисы извлечения уже вышли за рамки одних лишь шаблонов. Доступные методы описаны в документации Google по Custom Extractor.

Структурированный вывод решает другую задачу: удерживает ответ в нужном формате данных. Строку в поле даты или числовую итоговую сумму программе проще обработать, но сам формат не доказывает, что значение взято из правильного места. Разделяйте проверку по схеме, которая отвечает за структуру, и проверку по бизнес-правилам, которая определяет, допустимо ли значение.

Для каких задач подходит обработка документов с помощью ИИ

Выбирайте первый процесс по тому, насколько четко в нем можно определить правильный ответ. Узкую задачу извлечения данных проще оценить, чем поручение «разобраться со всеми нашими бумагами».

В расчетах с поставщиками создавайте по счетам черновики записей к оплате, сопоставляйте их с поставщиками и отмечайте дубликаты. Изменение банковских реквизитов не должно приниматься автоматически, даже если напечатанный номер счета читается безупречно.

В договорах извлекайте стороны, явно указанные даты и фрагмент об условиях продления. Перенести срок уведомления и решить, как он действует с учетом дополнительных соглашений, — разные задачи. Первое помогает операционному руководителю подготовить реестр; второе требует проверки человеком, который отвечает за решение.

В формах считывайте печатные записи и отметки выбора, затем проверяйте полноту заполнения. Если в анкете для оформления не хватает обязательной подписи, она должна остаться незаполненной, а не получить ответ, который модель вывела по косвенным признакам.

В электронных письмах определяйте запрос и связывайте его с вложениями. Если в письме сказано «используйте исправленный счет», процесс должен сохранить эту связь, а не просто извлечь данные из обоих вложений и создать дублирующие записи.

Тот же подход применим к приему заявлений, отгрузочным документам или кадровым записям. Критерии остаются конкретными: какое значение нужно получить, чем оно подтверждается и кто разрешает разногласия?

IDP-системы: готовое решение или собственная разработка

Покупайте готовый процесс для стандартной задачи; стройте решение вокруг сервисов извлечения, если специфика заключается в ваших правилах и системах назначения. Разница в том, за какую часть приема документов, проверок, ручного разбора и интеграций придется отвечать вашей организации.

Управляемый сервис — это компонент, а не обязательно готовый финансовый процесс. При этом собственное решение не требует обучения модели с нуля: можно построить прием документов и ручную проверку вокруг облачного экстрактора.

Для покупателя показательная демонстрация — когда его проверяющий разбирает исключение, видя рядом исходный документ. Красивая анимация успешной загрузки мало говорит о работе, которая останется после нее.

Сервисы извлечения данных из документов и подход на основе LLM

Сравнивайте варианты на своем наборе документов, с учетом требований к подтверждениям и нагрузки на проверяющих. Описания ниже основаны на возможностях, заявленных в документации разработчиков. Выводы о применимости — рекомендации, а не рейтинг точности.

Google Document AI: специализированные процессоры и генеративное извлечение

Google Document AI — сервис обработки документов Google Cloud. В его каталоге процессоров есть OCR, Invoice Parser, Custom Extractor, Custom Classifier и Custom Splitter. Invoice Parser извлекает поля шапки и позиций счета; классификация и разделение определяют типы и границы документов. Роли отдельных процессоров описаны в каталоге Google.

Начните с подходящего готового процессора, а если он не поддерживает нужные поля или типы документов, оцените Custom Extractor. Его генеративный режим поддерживает извлечение по схеме, при желании — с примерами или дообучением. При оценке Google также предлагает точное и нечеткое сопоставление, поэтому договоритесь о допустимой нормализации до сравнения результатов. Подробнее — в документации Custom Extractor.

Ограничение — ответственность за весь процесс остается у вас. Получить сумму счета не значит сопоставить поставщика, применить ваши правила или разобрать исключение. До пилота проверьте, какие языки, регионы и документы поддерживает выбранная версия процессора.

Azure AI Document Intelligence: готовые и пользовательские модели

Azure AI Document Intelligence — сервис Microsoft для извлечения данных из документов. Документация описывает Read и Layout, готовые модели для счетов и чеков, пользовательское извлечение на основе шаблонов и нейросетей, а также пользовательскую классификацию. Microsoft описывает пользовательские шаблоны для неизменной верстки и нейросетевые модели для более разнообразных документов. Подробнее — в обзоре моделей Microsoft.

Если операционная система работает на Azure, начните с готовой модели, подходящей для документа. Добавьте пользовательскую классификацию, когда во входящих пакетах смешаны разные классы документов, и оцените пользовательское извлечение, если нужны другие поля.

Ошибка — считать, что распознавание структуры страницы уже дает готовую запись для бизнеса. Layout может определить текст, таблицы и отметки выбора; привести результат в соответствие с требованиями целевой системы все равно должно ваше приложение. В руководстве по Layout Microsoft прямо описывает последующее объединение таблиц с нескольких страниц в одну.

Интеллектуальная обработка документов в AWS: Amazon Textract

Amazon Textract — сервис Amazon Web Services для извлечения текста и данных из документов. AWS описывает распознавание текста, извлечение данных из форм и таблиц, а также специализированную обработку счетов и чеков. Анализ расходов позволяет получать такие поля, как дата счета, номер и итоговая сумма, без шаблонов под каждого поставщика. Подробнее — в документации Textract по счетам и чекам.

Textract — разумный первый кандидат, если основное приложение уже работает на AWS, а поля документов соответствуют поддерживаемым операциям. Выбирайте нужную операцию, вместо того чтобы обрабатывать любой документ как обычный текст.

Ошибка — считать оценку уверенности достаточным основанием для бизнес-решения. AWS рекомендует выбирать пороги с учетом чувствительности приложения к ошибкам и отправлять сомнительные результаты на проверку. Компания также предупреждает о нестабильном извлечении из объединенных ячеек и таблиц с нестандартной структурой. Подробнее — в рекомендациях Textract.

Подход на основе LLM: модель, схема и очередь проверки

OpenAI API — один из задокументированных примеров подхода на основе LLM: приложение отправляет документ модели и запрашивает поля в заданной структуре. При обработке PDF моделью, поддерживающей изображения, на вход передаются и извлеченный текст, и изображения страниц. Подробнее — в документации по файловому вводу.

Ваше приложение определяет поля, требует ссылки на подтверждающие фрагменты и решает, что делать при отсутствии значения. Предусмотрите состояние «значение отсутствует» с причиной, например «нет в документе» или «неразборчиво»; не заставляйте модель заполнять каждый пробел. Сверяйте ссылки на подтверждения с исходным файлом: сгенерированная ссылка на страницу сама по себе не гарантирует правильности.

OpenAI заявляет соблюдение схемы в поддерживаемых режимах структурированного вывода, но прямо указывает, что значения могут содержать ошибки, а отказы и неполные ответы требуют обработки. Подробнее — в документации Structured Outputs. Наше руководство по структурированному выводу объясняет, какие обязательства связывают модель и ваше приложение.

Выбирайте этот подход, когда не хватает именно извлечения с учетом контекста и есть кому поддерживать процесс. Ограничение здесь организационное и техническое: промпт и ответ в JSON оставляют на вашей стороне оценку качества, повторные попытки, ручную проверку, хранение и безопасную запись в целевые системы.

Dext: решение для бухгалтерских задач

Dext — приложение для сбора и распознавания бухгалтерских документов. Оно уместно, когда накопились необработанные чеки и счета. Согласно документации, приложение извлекает поставщика или покупателя, даты, итоговые суммы, налог и номера счетов в карточку документа, где их можно проверить, отредактировать и экспортировать в подключенную бухгалтерскую программу. Подробнее — в руководстве Dext по извлечению данных.

Если задача финансового руководителя заканчивается на проверенной записи для бухгалтерского учета, это более подходящая отправная точка, чем заказ универсальной системы обработки документов. Рекомендация не распространяется на толкование договоров или организацию обработки произвольных форм и писем. Если выбираете само бухгалтерское приложение, обратитесь к сравнению бухгалтерских программ с ИИ.

Как провести пилот: сначала качество полей, затем доверие к процессу

Оцените нужные бизнесу значения до того, как разрешать системе действовать на их основании. Внешне правильно распознанный документ может содержать единственную, но решающую ошибку: неверную валюту, поставщика или сумму к оплате.

1. 1

   Выберите один класс документов и обязательные поля

   Начните с узкой задачи, например превращения счетов поставщиков в черновики записей к оплате. Для каждого обязательного поля укажите источник и действие, которое оно может разрешить. Отделяйте извлеченные значения от вычисленных: срок оплаты, прямо указанный в документе, и срок, рассчитанный по условиям платежа, — разные результаты.

2. 2

   Подготовьте проверенные людьми ответы и отложенную тестовую выборку

   Соберите репрезентативный набор документов из прошлых операций: от незнакомых поставщиков, с плохими сканами, кредит-нотами и сложными таблицами. Эталонная разметка — это правильные ответы, установленные людьми. Неоднозначные или критически важные значения должен перепроверить другой специалист. Отделите документы для оценки от примеров для настройки промптов или обучения экстрактора; это касается и почти одинаковых документов по одной операции.

3. 3

   Согласуйте правила сопоставления до просмотра результатов

   Нормализуйте безобидные различия, например пробелы по краям или известный формат даты. Для денежных сумм, идентификаторов счетов и номеров счетов на оплату не используйте приблизительное сходство текста. Сохраняйте валюту и смысл десятичного разделителя. В позициях оценивайте и сами значения, и их привязку к нужной строке: правильная сумма у другой позиции все равно считается ошибкой.

4. 4

   Проверьте кандидатов на одних и тех же документах без предварительной подгонки

   Сохраняйте каждый исходный ответ до ручных исправлений, версию модели или процессора, версию промпта и схемы, сведения о сбое обработки и ссылку на источник. Включайте нечитаемые файлы, тайм-ауты и пустые результаты извлечения в общую оценку работы процесса. Не исключайте их незаметно из знаменателя.

5. 5

   Настройте передачу исключений и запустите процесс в теневом режиме

   Пусть предлагаемый процесс создает черновики параллельно с действующим. Измеряйте объем исправлений и время проверки. Включайте автоматическое принятие только для той группы документов, чьи результаты на отложенной выборке соответствуют порогам, заранее заданным владельцем процесса. Действия со значительными последствиями должны по-прежнему проходить отдельное согласование.

Оценивайте поля, целые записи и незамеченные ошибки отдельно

Одна средняя величина скрывает, где возникают ошибки и к чему они приводят. Ведите таблицу показателей с отдельными результатами для каждого поля и каждой группы сложных документов.

Отсутствующие необязательные поля учитывайте отдельно, чтобы сотни корректно пустых ячеек не завышали результат. Если также рассчитываете полноту, определяйте ее как число правильно извлеченных обязательных значений, деленное на общее число обязательных значений. Классификацию документов и разделение пакетов оценивайте отдельно: безупречное извлечение из неверно выбранного документа все равно дает ошибочную запись.

Условный расчет, а не замер качества продукта: допустим, из 200 счетов нужно извлечь по 8 полей — всего 1,600 ожидаемых значений. Если 1,590 значений верны, а остальные 10 — ошибочные суммы к оплате в разных счетах, полностью корректны только 190 счетов. Хороший суммарный показатель по полям не дает оснований одобрить все счета.

Для оценки незамеченных ошибок проверяйте записи, которые процесс принял бы автоматически, а не только содержимое очереди ручного разбора. На пилоте начните с проверки всех результатов; при последующем переходе к выборочному контролю выборка должна представлять весь поток принимаемых записей. Если ни одна запись не была принята автоматически, доля незамеченных ошибок не определена — это не идеальный результат. То же правило действует для точности, если ни одно значение не заполнено.

Польза интеллектуальной обработки документов: считайте сэкономленную работу

Практическая польза — в сокращении времени на получение правильной записи. Сравнивайте ручную обработку со всем предлагаемым процессом: приемом документов, обработкой моделью, исправлениями, проверкой, экспортом и переделками. Также отслеживайте полное время обработки и возраст самого старого неразобранного исключения. Если извлечение ускорилось, а очередь растет, накопившаяся работа просто переместилась на другой этап.

Показывайте проверяющему исходную страницу, по возможности — выделенный подтверждающий фрагмент, извлеченное значение, нарушенное правило и целевую систему. Фиксируйте исправление и его причину. В руководстве по ИИ с участием человека разобраны ответственность за очередь и порядок эскалации; назначить ответственного за исключения нужно еще при запуске процесса.

Где IDP ошибается: рукописный текст, таблицы и сканы

Намеренно включайте сложные входные данные в пилот. Оценка только на аккуратных цифровых счетах мало скажет о фотографии с телефона, форме с пометками или таблице, которая продолжается на следующей странице.

Для рукописного текста нужна отдельная тестовая группа. Зачеркнутые суммы, записи от руки и перекрывающие текст штампы создают неоднозначность, даже если продукт поддерживает рукописный ввод. Поддержка может зависеть и от языка: согласно документации Amazon Textract, распознавание рукописных символов доступно только на английском. Подробнее — в ограничениях Textract. Сомнительное исправление от руки отправляйте на проверку, не позволяя ему незаметно заменить напечатанную сумму.

В многостраничных таблицах нужно проверять связность. Разрыв страницы может разделить строку, повторить заголовок или добавить промежуточный итог, похожий на отдельную позицию. Проверяйте число строк, продолжения описаний и итоговые суммы по всему документу. В руководстве по Layout Microsoft прямо описывает последующую обработку страниц для объединения в одну таблицу. Это повод проверить выбранную модель и логику объединения, а не утверждение, что любая модель ошибается на каждой многостраничной таблице.

Для некачественных сканов предусмотрите повторное получение документа. Размытие, обрезанные края и сжатие могут уничтожить информацию, которую модель не сможет надежно восстановить. AWS рекомендует качественные изображения, желательно не ниже 150 DPI, и советует не снижать разрешение файлов, которые уже поддерживаются. Подробнее — в рекомендациях Textract. Сохраняйте оригинал; если подтверждающий фрагмент не читается, запрашивайте более четкую копию.

Также проверьте случаи с пропущенными страницами и объединенными пакетами документов. Запись может пройти все проверки формата полей и при этом остаться неполной. Предусмотрите отдельную причину исключения — отсутствие подтверждающих данных, а не только общий сбой обработки.

Какие ожидания завышены

«Читает документы» не означает «может безопасно завершить операцию». Три ошибочных допущения приводят к проблемам, которых можно избежать.

Первое: структурированный ответ — еще не проверенный ответ. Ограничение ответа схемой не доказывает, что извлеченный банковский счет принадлежит одобренному поставщику.

Второе: уверенность не заменяет правила принятия. Оценка сервиса, уверенность со слов самой модели и измеренная корректность на ваших документах — разные вещи. Настраивайте правила принятия по результатам отложенной выборки с учетом последствий ошибок; не считайте число уверенности, сгенерированное моделью, измеренной вероятностью.

Третье: сохранение исправлений не обязательно переобучает модель. Используйте их для диагностики ошибок и улучшения правил, промптов или обучающих данных, затем заново оценивайте изменения перед внедрением. Сохраняйте регрессионный набор — фиксированную коллекцию ранее проверенных документов, — чтобы улучшение для одного поставщика не скрыло ошибки для другого.

Кому пора внедрять IDP, кому подождать, а кому оставить текущую систему

Начинайте сейчас, если повторяющийся прием документов ведет в понятную целевую систему, поля можно проверить, а за исключения отвечает конкретный человек. Следующий шаг для операционного руководителя — собрать репрезентативную выборку и определить обязательные поля. Для финансового руководителя первым результатом должны стать черновики записей; разрешение на оплату оставьте отдельным решением.

Разработчикам стоит начинать с самого простого подходящего экстрактора. Самостоятельный технический специалист может сравнить управляемую модель и подход на основе LLM на одной отложенной выборке. Техническому руководителю средней компании до подключения процесса к рабочим записям нужны ссылки на подтверждения, ответственные за проверку, правила хранения и воспроизводимая оценка. Текст документа должен оставаться входными данными: ему нельзя позволять менять инструкции или права приложения.

Покупателям стоит подождать, если никто не может определить правильную запись или взять ответственность за очередь проверки. Основателю компании с привлеченным финансированием в такой ситуации сначала нужно назначить владельца процесса, а уже затем заказывать автоматизацию. Если существующая шаблонная система надежно обрабатывает формы с неизменной структурой, само появление моделей компьютерного зрения не дает причин ее менять.

В понедельник выберите один класс документов, соберите историческую выборку, вместе с проверяющим пропишите правила принятия и запустите предлагаемый процесс с сохранением результатов в черновики. Расширяйте его только тогда, когда качество полей и оставшаяся нагрузка это оправдывают.

Вопросы об IDP

Что такое интеллектуальная обработка документов?

Это процесс классификации документов, извлечения и проверки информации, а затем передачи полученных записей или исключений по нужному маршруту. Полезный результат — проверенные данные, для которых можно проследить источник.

Чем OCR отличается от интеллектуальной обработки документов?

OCR считывает текст с изображения. IDP включает классификацию, извлечение полей, проверки и маршрутизацию, необходимые для использования этого текста в бизнес-процессе. OCR может быть одним из компонентов IDP.

Какую систему интеллектуальной обработки документов выбрать?

Выбирайте по задаче и объему работы, который останется проверяющим. Для чеков и счетов начните с бухгалтерского приложения, например Dext. Для нестандартного приема документов сравните управляемый экстрактор и процесс на основе LLM на одних и тех же документах, проверенных людьми.

Относится ли IdP к искусственному интеллекту?

Интеллектуальная обработка документов обычно использует ИИ для классификации и извлечения данных вместе с обычными бизнес-правилами. В других контекстах IdP означает поставщика удостоверений — это другое понятие.

Какие основные поставщики предлагают IDP?

В статье рассмотрены управляемые сервисы Google Document AI, Azure AI Document Intelligence и Amazon Textract. Это сравнение возможностей, а не рейтинг по доле рынка или точности; применимость зависит от документов и рабочего процесса.

Какой ИИ лучше подходит для обработки документов?

Лучший кандидат — тот, кто выполняет ваши критерии принятия по обязательным полям и целым записям при приемлемой нагрузке на проверяющих. Даже модель, которая хорошо читает необычную верстку, может нуждаться в дополнительных проверках таблиц и отсутствующих полей.

Есть ли ИИ лучше ChatGPT?

Для регулярного приема документов сравнивайте реализованный процесс с текущим порядком работы, а не судите только по ответу в чате. При любой модели нужны предсказуемые поля, подтверждения из источника, обработка исключений и контролируемая запись в целевую систему.

Сколько стоит Document AI?

Стоимость Google Document AI зависит от процессора и объема обработки. Сверьтесь с официальной страницей цен для процессора, который планируете тестировать.

Использует ли Google Docs ваши тексты для обучения ИИ?

Google заявляет, что данные клиентов Google Workspace не используются для обучения генеративных моделей ИИ за пределами домена клиента без его разрешения. Проверьте политику конфиденциальности Workspace для ИИ применительно к своей учетной записи и функции. Google Docs — отдельный продукт, а не рассмотренный здесь сервис Document AI.

Чтобы получать практические руководства по внедрению ИИ в бизнес-процессы, подпишитесь на рассылку.