Что будет, если дать ИИ прямой доступ к учетной системе компании: эксперимент Сергея Багрова

Большинство разговоров про ИИ в бизнесе обычно сводятся к банальным задачам вроде генерации писем, пересказа документов или анализа готовых таблиц. Однако мне было гораздо интереснее проверить другой сценарий: что произойдет, если предоставить нейросети доступ к учетной системе напрямую? Чтобы ассистент самостоятельно отслеживал продажи, проверял складские остатки, выявлял должников, формировал заказы поставщикам и заполнял товарные карточки без участия человека.

Основой для этого материала послужило интервью с Юрием Кая, основателем компании SOLOpreneur, в рамках которого мы протестировали реальные бизнес-сценарии автоматизации.

Сначала — зачем здесь вообще нужен MCP

Конечно, можно каждый раз выгружать данные в Excel, загружать файл в чат с нейросетью и просить провести анализ. Но проблема такого подхода очевидна: уже через несколько часов собранная статистическая информация безнадежно устаревает.

Стандарт Model Context Protocol (MCP) кардинально меняет подход к работе. Это технология, благодаря которой искусственный интеллект получает защищенный доступ к внешним корпоративным программным средам и специализированным инструментам. В нашем конкретном случае современный ассистент обретает возможность напрямую обращаться к актуальной базе данных сервиса МойСклад.

Схема взаимодействия выглядит следующим образом:

Человек → ChatGPT / Claude → MCP → МойСклад

При этом обмен информацией происходит в двустороннем порядке. ИИ не просто запрашивает у системы справочные сведения вроде «сколько единиц товара X осталось на складе?», но и совершает реальные действия: регистрирует новых контрагентов, корректирует товарные карточки или подготавливает первичную документацию.

На текущий момент через разработанный MCP-сервер доступно около 340 различных операций. Но меня интересовало вовсе не сутное количество доступных API-методов, а вполне практический вопрос: какую рутинную работу предпринимателя можно переложить на плечи нейросети уже сегодня?

Кейс №1. 30 новых товаров и несколько часов ручной работы

Представим стандартную ситуацию для любой торговой компании: на склад поступила очередная партия из тридцати новых позиций. В учетной системе зафиксированы только их первичные наименования, а полноценных карточек еще нет. Для каждой позиции требуется найти детальные характеристики, составить привлекательное описание, прописать уникальный артикул, подобрать качественные фотографии и корректно определить товарную категорию. Обычно этот процесс превращается в унылый и монотонный конвейер.

Мы поставили перед ИИ конкретную задачу: взять вновь прибывшие товары без описаний, самостоятельно найти в интернете подходящие технические параметры и изображения, составить уникальный текст объемом в 300–400 знаков, заполнить артикул, загрузить по три иллюстрации и разнести позиции по соответствующим разделам каталога.

Ассистент последовательно забирает перечень товаров из МоегоСклада, собирает информацию в сети, формирует продающие тексты и записывает готовый результат обратно в карточки. Таким образом, сотруднику больше не нужно совершать утомительную цепочку действий через переключения между вкладками браузера и учетной системой. Вся рутина сжимается до одного текстового запроса.

Разумеется, здесь есть важный нюанс: полностью доверять ИИ на данном этапе нельзя. Сгенерированное описание требует внимательной вычитки, а найденные в интернете фотографии необходимо проверить на предмет авторских прав. Поэтому оптимальная модель выглядит не как полная замена контент-менеджера, а как схема, где искусственный интеллект выполняет 90% механической работы, а человек производит финальную верификацию результата. Пожалуй, это главный вывод нашего первого теста.

Кейс №2. Контрагент из фотографии в Telegram

Следующий пример знаком каждому менеджеру по продажам. Клиент присылает реквизиты компании в мессенджер — это может быть PDF-файл, отсканированный документ или обычная фотография бумаги. Раньше сотруднику приходилось вручную открывать МойСклад и последовательно переносить название, ИНН, КПП, ОГРН, юридический адрес, расчетный счет, БИК, телефон и электронную почту.

В ходе эксперимента мы просто переслали файл ассистенту с инструкцией проверить наличие такого контрагента в базе, при его отсутствии завести новую карточку, выписать недостающие реквизиты и в завершение прислать прямую ссылку на созданный профиль.

Здесь обнаружился еще один крайне полезный бонус, о котором мы изначально даже не задумывались. Перед тем как создать новую запись, искусственный интеллект сканирует базу на наличие дубликатов. Если аналогичная компания уже зарегистрирована в системе, ассистент не станет плодить второе ООО «Ромашка», а найдет существующую запись и предложит актуализировать ее данные. В итоге утомительный процесс ручного переноса реквизитов сокращается до одной короткой команды.

Кейс №3. Утром открываешь Telegram — там уже отчет по бизнесу

Этот эксперимент оказался одним из самых впечатляющих. Современные учетные системы накопили колоссальные массивы разнообразных отчетов, но владельцу малого бизнеса в действительности нужны не громоздкие таблицы, а конкретные ответы насущные вопросы: сколько заработали накануне, падают продажи или растут, какие позиции заканчиваются на складе и кто из партнеров задерживает оплату.

Мы настроили ежедневный регламент: каждый вечер в 20:00 ассистент собирает показатели выручки и чистой прибыли за день, сопоставляет их с результатами вчерашнего дня и аналогичного периода прошлой недели, выявляет пятерку самых доходных товаров, формирует список неотогруженных заказов и выделяет контрагентов с дебиторской задолженностью свыше 50 000 рублей.

Нейросеть самостоятельно запрашивает актуальные метрики и генерирует краткую сводку. Благодаря интеграции с Telegram этот отчет поступает прямо в мессенджер. Такой подход кардинально меняет привычный интерфейс управления бизнесом: если раньше управленец был вынужден самостоятельно заходить в программу и выискивать нужные цифры, то теперь ключевые показатели сами приходят к нему.

При этом сам запрос можно гибко адаптировать хоть каждый день, добавляя остатки денежных средств или фильтруя клиентов по срокам просрочки. Для получения такой аналитики больше не требуется перестраивать дашборды или привлекать штатных разработчиков для создания новых отчетов.

Кейс №4. ИИ сам посчитал, что пора заказать поставщику

Сфера закупок открывает еще более интересные сценарии. На этом уровне ИИ не просто информирует о текущем положении дел, но и помогает принимать важные оперативные решения. Мы отдали команду проанализировать продажи за последний месяц и складские остатки на основной точке, найти позиции, запасов которых не хватит и на две недели, а затем сформировать черновик заказа поставщику с месячным запасом, предварительно сгруппировав товары по поставщикам.

Для выполнения подобного задания ассистенту приходится сопоставлять целый комплекс разрозненных параметров: объемы продаж, скорость расходования товарной массы, текущий остаток, привязку к поставщику и необходимый объем дозаказа.

После проведения всех математических расчетов система формирует полноценный черновик документа. И здесь мы сознательно сохраняем человека в цепочке принятия решений: искусственный интеллект не отправляет готовый заказ автоматически. Менеджер или собственник компании открывает документ, визуально оценивает предложенное количество и лишь после этого подтверждает закупку.

Кейс №5. Найти деньги, которые вам должны

Еще один практический запрос касался работы с дебиторской задолженностью: показать всех клиентов с долгом более 30 000 рублей и просрочкой платежа свыше десяти дней, указав по каждому общую сумму, номер счета и дату отгрузки, а также составить вежливое напоминание об оплате.

На выходе формируется не просто стандартный бухгалтерский отчет по задолженности, а готовый план действий для отдела продаж. Допустим: ООО «Альфа» должно 87 000 рублей при просрочке в 14 дней, и к этому прилагается готовый текст сообщения для отправки клиенту. Сама отправка сообщений легко реализуется через подключенные каналы коммуникации, демонстрируя, как ИИ постепенно объединяет аналитику с реальными бизнес-действиями.

Кейс №6. «Кто поменял цену?»

Существует особая категория рабочих вопросов, которые возникают исключительно в ситуациях, когда что-то идет не по плану. Например, почему конкретный товар подорожал с 6 990 до 7 990 рублей или куда внезапно пропал важный документ.

В любой учетной программе есть журнал аудита, но при тысячах ежедневных операций ручной поиск конкретной правки превращается в квест. Мы сформулировали для ассистента задачу выяснить, кто именно менял стоимость товаров из категории «Инструмент» за прошедшую неделю, с демонстрацией старых и новых цен, а заодно проверить удаленные документы.

Нейросеть проанализировала системные события и выдала понятный текстовый ответ вместо сотен запутанных строк технического лога. Это яркий пример того, как большая языковая модель выступает не заменой базы данных, а удобным человеческим интерфейсом поверх нее.

Кейс №7. «Подними цены на 7%, но не на всё»

В завершение мы протестировали сценарий массового редактирования данных: поднять розничные цены в группе «Аксессуары» на 7%, исключив при этом позиции, остаток которых на складе составляет менее трех штук.

Технически языковая модель способна справиться с такой задачей. Но именно на этом этапе отчетливо проявляется грань между тем, что технически сделать можно, и тем, что делать действительно стоит. Ошибиться в аналитическом прогнозе неприятно, но ошибиться при автоматическом изменении сотен цен — уже очень дорого.

Поэтому для подобных массовых процедур мы задействуем другой рабочий принцип: сначала ассистент демонстрирует исчерпывающий перечень планируемых изменений, после чего пользователь подтверждает операцию вручную. Наиболее критические действия, включая удаление документов, в обязательном порядке требуют отдельного одобрения.

И что в итоге изменилось?

Проведя серию этих экспериментов, мы осознали ключевую вещь. Главная ценность интеграции языковых моделей с бизнес-системами заключается вовсе не в возможности общаться с программой на естественном человеческом языке — это лишь базовый уровень.

На втором уровне искусственный интеллект начинает агрегировать информацию из множества разрозненных источников: объединяет продажи, складские остатки, финансовые потоки и первичную документацию. На третьем уровне он переходит к активным действиям: формирует заказы, заполняет карточки и регистрирует новых клиентов.

Далее открывается следующий сценарий — выполнение рутинных процедур по расписанию или наступлению определенных событий. Например, каждое утро проверять остатки и готовить заказы при падении запасов ниже критического уровня, каждый вечер находить просрочки и формировать списки должников для менеджеров, а раз в неделю проводить ABC-анализ с отчетом о миграции товаров между группами.

В такой парадигме учетная система постепенно перестает быть изолированным ресурсом, куда сотрудник заходит исключительно за справочной информацией. Она превращается в динамичный источник данных и эффективных действий для интеллектуального ассистента.

А не страшно давать ИИ доступ к бизнесу?

Этот закономерный вопрос возник сразу после первоначального восторга от успешной работы системы. Одно дело разрешить нейросети просматривать уровень продаж, и совсем другое — доверить ей корректировку цен или удаление финансовых документов. Именно поэтому уровни доступа необходимо жестко разграничивать.

Например, рядовому сотруднику можно выдать учетную запись с правами исключительно на чтение данных и построение отчетов без возможности внесения изменений. Можно разрешить создание черновиков документов, заблокировав при этом функцию удаления. Потенциально необратимые транзакции должны требовать ручного подтверждения.

Мы рекомендуем внедрять подобные инструменты поэтапно: сначала настроить режим чтения, затем подключить аналитику, после этого разрешить создание черновиков документов и только на финальном этапе переходить к разрешению регулярного изменения данных.

Что пока не стоит полностью отдавать ИИ

Обобщив полученный опыт, мы составили четкий перечень задач, с которыми нейросеть справляется блестяще, когда требуется массовый поиск, сопоставление и перенос информации. Однако человеку по-прежнему необходимо контролировать следующие аспекты:

• верификацию информации, найденной в глобальной сети;
• принятие финансово значимых решений;
• массовые корректировки баз данных;
• выполнение необратимых операций;
• разрешение нестандартных коллизий, где цена возможной ошибки крайне высока.

Следовательно, наиболее реалистичная концепция сегодняшнего дня — это вовсе не автономный искусственный интеллект, полностью управляющий компанией, а роль исключительно оперативного помощника, который обладает доступом к корпоративным данным и свободно владеет инструментами бизнеса. И это уже колоссальная трансформация.

Можно попробовать на собственном аккаунте

Наша команда разработала специальный MCP-сервер для сервиса МойСклад, который легко интегрируется с ChatGPT, Claude и любыми другими клиентскими приложениями с поддержкой этого протокола.

Процедура подключения занимает около десяти минут. После этого вместо долгого изучения технической документации проще всего начать с простого вопроса: «Сколько товаров сейчас в моем МоемСкладе?» Если ассистент выдаст точную и актуальную цифру, значит, связь установлена корректно.

Затем можно продолжить запросами о самых прибыльных позициях текущего месяца или товарах, которые скоро закончатся на складе. И именно в этот момент приходит полное понимание того, зачем вообще интегрировать языковую модель с учетной системой. Не для того, чтобы она поддерживала красивый диалог, а для того, чтобы она наконец начала приносить реальную пользу в ежедневной работе. Я продолжаю делиться полезными материалами о развитии бизнеса и автоматизации в блоге для предпринимателей.