IDP + LLM: автоматизация счетов, актов и первички

«Информационные задачи автоматизации» (900/мес) — OCR, классификация, извлечение полей. Классический OCR (Tesseract) ломается на таблицах и сканах. IDP + LLM 2026 — юзкейс №1 в finance ops рядом с 1С → Sheets, но глубже: понимание документа, не только cells.

Pipeline

[Email / Dropbox / EDI] ──► [Ingest queue]
                                  │
                                  ▼
                         [Classify doc type]
                                  │
                    ┌─────────────┼─────────────┐
                    ▼             ▼             ▼
              [Invoice]      [Act/UPD]     [Other]
                    │             │
                    ▼             ▼
              [Extract fields]  [Extract + validate INN/KPP]
                    │             │
                    └──────┬──────┘
                           ▼
                    [Confidence score]
                           │
              ┌────────────┴────────────┐
              ▼                         ▼
        [score > 0.92]            [human review UI]
              │                         │
              ▼                         ▼
        [1C API create]            [Correct → learn]

Extract schema (invoice)

{
  "vendor_inn": "7707083893",
  "vendor_name": "ООО Пример",
  "invoice_number": "СФ-4421",
  "invoice_date": "2026-06-01",
  "total_with_vat": 118000.00,
  "line_items": [
    {"name": "Услуги связи", "qty": 1, "price": 98333.33, "vat": 20}
  ]
}

GPT-4o vision или dedicated IDP (Azure Document Intelligence, Yandex Vision + LLM post-process).

LLM vs template OCR

Hybrid: OCR text layer → LLM structured extraction (cheaper than full vision).

Validation layer (критично)

Не trust LLM blindly:
- INN checksum algorithm
- total = sum(lines) + vat tolerance 0.01
- Vendor whitelist / fuzzy match ERP
- Duplicate invoice number detection

Failed validation → review queue, не в 1С.

n8n orchestration

1. IMAP trigger / webhook from DMS
2. Upload to S3, call extraction microservice
3. IF confidence > threshold → 1C HTTP node
4. ELSE → Airtable review + Telegram accountant
5. On human fix → fine-tune few-shot examples in prompt

Event trigger: event-driven pattern.

Human review UI

Минимум:
- Side-by-side PDF + extracted JSON
- Field-level edit
- Approve/reject with reason
- Feedback loop updates prompt examples (not necessarily fine-tune)

Metrics (200 docs/day юзкейс)

Compliance РФ

• 152-ФЗ: хранение ПДн в РФ cloud/on-prem
• ЭДО vs бумага — юридическая валидация
• Логи кто approved document

Связь с задачи автоматизации учета (854)

Этот pipeline закрывает вход первички; строительство n8n+1С — смежный vertical.

Stack options 2026

Вывод

IDP + LLM — зрелый юзкейс информационных задач автоматизации: extraction + validation + HITL + ERP. Ключ — confidence routing, не «100% auto». Комбинируйте с observability для drift monitoring.

Смотрите также:
- Python orchestration ETL
- Agentic RAG для регламентов