✅ Вебинар состоялся 20 августа 2026. Разобрали, как поставить проверку качества данных 1С на поток и где ИИ действительно даёт выигрыш по сравнению с обычными обработками.
Почему ручной аудит данных не работает
Ошибки в базе 1С накапливаются годами и почти никогда не появляются разом. Два контрагента с одним ИНН и разным написанием названия. Номенклатура, заведённая трижды разными менеджерами. Документ с датой из будущего. Сумма, отличающаяся от соседних на два порядка.
Каждая такая запись по отдельности выглядит безобидно. Проблема начинается, когда на этих данных строят отчётность, считают остатки и принимают решения о закупке.
Классический ответ — написать обработку под конкретную проверку. Он работает ровно до момента, когда проверок становится тридцать: каждую надо поддерживать, каждая знает только про свой случай, и ни одна не находит того, чего в неё не заложили. Аномалия по определению не описана заранее — иначе это не аномалия, а известное правило.
Где проходит граница между обработкой и ИИ
Полезно разделять два класса задач, потому что инструменты для них нужны разные.
Формализуемые проверки — пустой ИНН, отрицательный остаток, дата за пределами периода, нарушенная ссылочная целостность. Здесь ИИ не нужен: правило известно, запрос пишется один раз и работает быстрее и дешевле любой модели.
Неформализуемые — «эта запись не похожа на остальные». Дубли с опечаткой в названии, номенклатура, заведённая по-разному в двух подразделениях, документ, выбивающийся из типичного поведения контрагента. Здесь правило заранее не сформулировать: похожесть приходится оценивать, а не проверять. Это и есть зона, где ИИ даёт то, чего обработкой не получить.
Практический вывод: скилл-аудитор не заменяет регламентные проверки, а достраивает их сверху. Сначала дешёвые формальные правила отсекают явное, затем ИИ разбирает остаток — и до человека доходит не весь массив, а список кандидатов, отранжированный по вероятности.
Что важно решить до внедрения
- Кто принимает решение по найденному. Аудитор отдаёт список подозрительных записей, а не приговор. Слияние дублей и правка документов — операции необратимые, и делать их автоматически по оценке модели нельзя.
- Куда попадает результат. Отчёт, который никто не открывает, эквивалентен отсутствию аудита. Проверка имеет смысл, когда у неё есть адресат и регулярность.
- С какой периодичностью гонять. Разовая чистка через полгода возвращает базу в исходное состояние: источник ошибок никуда не делся.
- Что считать нормой. Порог чувствительности определяет всё: слишком строгий даёт сотни ложных срабатываний и его перестают читать, слишком мягкий пропускает реальные проблемы.
Разбор на вебинаре шёл на условном сценарии — без подключения к реальной базе: агент формирует список кандидатов и объяснение к каждому, эксперт подтверждает решение, а массовое изменение выносится в отдельный процесс с журналом и возможностью отката.
Материалы вебинара
- Запись и презентация: Открыть материалы
- Трансляция во ВКонтакте: Смотреть видео
Хотите проверить свою базу
Если в базе накопилось то, что мешает доверять отчётности, — напишите нам. Посмотрим на объёмы и скажем, что из этого закрывается обычными проверками, а что требует интеллектуального аудита.