Обработка накладных — это рутина, на которой кладовщик или бухгалтер теряет часы: прочитать бумагу, вбить позиции в таблицу, сверить с заказом, найти расхождения. GPT читает накладную с фото или скана, вытаскивает позиции и количества и сводит их в таблицу для проверки. Под капотом это языковая модель с разбором изображений, которая распознаёт текст и структурирует его.
Что закрывает GPT
GPT снимает ручной ввод накладных: читает фото или скан, вытаскивает позиции, количества и суммы, переносит их в таблицу и сверяет с заказом, подсвечивая расхождения. Человек проверяет спорные строки и подтверждает данные. Итог — приёмка ускоряется, а ошибок ручного ввода становится меньше.
В работе с малым бизнесом я постоянно вижу одну и ту же сцену на приёмке. Кладовщик держит в одной руке бумажную накладную, в другой — мышку, и по одной строке переносит позиции в учётную таблицу. На каждую накладную уходит десять-пятнадцать минут, а при потоке поставок это полдня чистого времени, выкинутого на перепечатывание того, что уже напечатано.
GPT с разбором изображений закрывает именно этот участок. Вы фотографируете накладную или загружаете скан, модель распознаёт текст и возвращает структурированный список: наименование, количество, цена, сумма. Дальше она сверяет этот список с вашим заказом и подсвечивает, где поставщик привёз меньше, где цена выше согласованной, где появилась лишняя позиция. На выходе кладовщик смотрит на готовую таблицу с пометками вместо ручного ввода с нуля.
Отдельная польза — единый формат. Поставщики присылают накладные в разном виде: одни печатные, другие от руки, третьи фотографией в мессенджере. Модель приводит этот разнобой к одной таблице, с которой удобно работать дальше: загрузить в учёт, передать бухгалтеру, сверить с актом. Человек остаётся на проверке спорных строк и на финальном подтверждении приёмки.
- Распознавание позиций и количеств с фото или скана накладной
- Сверка привезённого с заказом: недопоставка, пересорт, расхождение цены
- Перенос данных в единую таблицу из разнородных форматов поставщиков
- Черновик списка расхождений для разговора с поставщиком
С чего начать
Старт упирается в одного поставщика и десяток накладных. Возьмите того, кто возит чаще всех и присылает читаемые документы, и прогоните через модель десять последних накладных, параллельно сверяя с тем, как их вбили вручную. За один заход станет ясно, где модель распознаёт чисто, а где путается в почерке или печати. Такой подход дешёвый, потому что вы проверяете точность на десятке бумаг, а перестраиваете всю приёмку сразу.
- Выберите одного поставщика с частыми поставками и читаемыми накладными
- Соберите десять последних накладных в виде чётких фото или сканов
- Откройте чат с моделью, поддерживающей разбор изображений, и загрузите первую накладную
- Попросите вернуть таблицу: наименование, количество, цена, сумма, и сверить с заказом
- Сравните результат модели с тем, как накладную вбили вручную, и отметьте, где она ошиблась
- Закрепите рабочий запрос в шаблон и передайте кладовщику для ежедневной приёмки
Берите печатные накладные от постоянного поставщика. Распознавание печатного текста идёт чище всего, а постоянный формат позволяет один раз отладить запрос и переиспользовать его. Рукописные документы и фото плохого качества подключают вторым шагом, когда вы доверяете процессу.
Чем пользоваться
Для начала хватает обычного чата с сильной языковой моделью, которая умеет читать изображения. Сложная связка с автоматической загрузкой в учётную систему нужна позже, когда вы убедились, что распознавание экономит время. Начинать с дорогой интеграции до проверки качества распознавания — верный способ потратить бюджет впустую. Хороший запрос с примером нужного формата таблицы заменяет половину разговоров про автоматизацию документооборота.
| Задача | Чем закрыть | Когда усложнять |
|---|---|---|
| Распознать накладную | Чат с моделью, читающей изображения | Когда накладных десятки в день — подключают автоматизацию через n8n |
| Сверить с заказом | Запрос на сравнение с приложенным заказом | Когда заказы хранятся в учётной системе |
| Свести разные форматы | Единый шаблон таблицы в запросе | Когда поставщиков много — настраивают регулярную выгрузку |
| Загрузить в учёт | Копирование таблицы в учётную программу | Когда нужен прямой перенос — настраивают интеграцию |
Российский бизнес упирается в вопрос доступа к зарубежным моделям и оплаты, а также в чувствительность данных по поставкам и ценам. Здесь работают и отечественные решения, и зарубежные через корректный доступ. Конкретный выбор зависит от того, насколько закрыты ваши закупочные цены и где вы готовы держать эти данные.
Стоимость держится в рамках десятков долларов в месяц за подписку на модель, точную цифру сверьте на сайте сервиса — тарифы меняются. Для одной компании этого достаточно: кладовщик обрабатывает накладную за минуту вместо пятнадцати. Платная связка с автоматической загрузкой в учёт через n8n окупается позже, когда поток накладных вырастает до десятков в день и держать ручной перенос дороже, чем настроить процесс один раз.
Границы распознавания
Модель ошибается уверенно. Она способна прочитать «12» как «72», перепутать похожие наименования или дописать сумму, которую распознала неточно, и подать это как факт. Это свойство языковых моделей называют галлюцинациями, и оно особенно опасно на цифрах. По этой причине каждая обработанная накладная проходит через человека: кладовщик сверяет итоговые суммы и спорные строки с оригиналом. Чем чище фото и привычнее формат, тем меньше пространства для ошибки.
Подтверждение приёмки, подпись в документах, разговор с поставщиком о недопоставке, решение принять товар с расхождением — это зона человека. Модель готовит распознанную таблицу и список расхождений, а юридически значимое действие держит ваш сотрудник. На учёт идут только проверенные цифры, а сырое распознавание.
Полезно заранее договориться, какие данные кладовщик проверяет всегда, а какие можно принимать по умолчанию. Итоговую сумму и количество по дорогим позициям сверяют с оригиналом обязательно. Наименования стандартного ассортимента, который модель уже научилась читать чисто, можно принимать с выборочной проверкой. Эта граница защищает учёт от тихой ошибки в цифре, которая потом всплывёт при инвентаризации.
- Цифры количества и суммы: модель путает похожие знаки, итог сверяют с оригиналом
- Рукописный текст и смазанные фото: распознавание ненадёжно, нужна ручная проверка
- Закупочные цены и условия: чувствительные данные отдают модели через корректный доступ
- Юридически значимое подтверждение приёмки: это зона человека целиком
Главная защита от ошибок — параллельная сверка на старте и проверка итогов человеком. Когда вы видите, что на десятке накладных модель распознаёт чисто и расхождения с ручным вводом нулевые, доверие растёт само. Расширяйте круг поставщиков и форматов постепенно, удерживая контроль на каждом шаге. Полезно держать одного человека, который раз в неделю просматривает спорные распознавания и правит шаблон запроса. Так инструмент становится точнее с каждым месяцем, а приёмка идёт спокойнее.
Куда двигаться
Когда распознавание по одному поставщику работает и экономит время, компания расширяет его на остальных, а потом связывает с актами сверки и учётной системой. Так за несколько недель приёмка перестаёт быть ручным перепечатыванием и превращается в проверку готовых таблиц. Это и есть нормальный путь внедрения — по одному поставщику, с проверкой точности на каждом шаге.
Заодно команда учится формулировать запросы модели сама. Поначалу вы пишете шаблоны вместе со мной, дальше кладовщик сам правит их под новый формат накладной или нового поставщика. Этот навык остаётся с компанией навсегда: даже когда выйдут новые версии моделей, ваши сотрудники уже умеют с ними работать и переносят отлаженные запросы без переучивания.
Сложность здесь в качестве исходных документов и в дисциплине проверки итогов. Самый частый провал — компания загружает мутные фото, получает кашу из перепутанных цифр и решает, что распознавание ненадёжно в принципе. На разборе процессов мы вместе смотрим на ваш поток накладных и выбираем поставщика, на котором обработка через GPT окупится быстрее всего.