Можно ли внедрить AI, если в 1С бардак?

«Сначала приведём 1С в порядок, потом займёмся нейросетью» звучит разумно. Только порядок откладывается уже пятый год. В номенклатуре дубли, характеристики записаны в названии, менеджеры используют свои сокращения, часть полей пустая.

Если ждать идеальной базы, AI-проект может не начаться никогда. Если подключить модель ко всему сразу, она будет уверенно обрабатывать тот же беспорядок и добавлять новые ошибки.

Можно начать иначе: выбрать один дорогой процесс и привести в порядок только те данные, которые определяют его результат.

Плохие данные не одинаково плохи

Для одного проекта пустое поле безвредно, для другого — критично.

Допустим, AI должен написать описание товара. Отсутствующая фотография мешает качеству текста, но неверный вес может не повлиять, если он не публикуется.

Если система подбирает товар по заявке клиента, одна лишняя запятая в названии не страшна. А перепутанный диаметр трубы или единица измерения создадут дорогую ошибку.

Поэтому вопрос «чистая ли у нас 1С?» слишком общий. Полезнее спросить: какие поля нужны этой конкретной операции и сколько стоит ошибка в каждом из них?

Что произошло в моём «Матчере»

Клиенту приходили заказы со свободными названиями товаров. В собственной номенклатуре было около 8 000 позиций, а нужное название иногда отличалось от другого одним символом. Раньше обработкой заказов занимались до восьми офис-менеджеров.

База не была подготовлена для идеального машинного сопоставления. В группах встречались неоднородные товары, у части позиций не хватало признаков, а одинаковые слова могли означать разные продукты.

Первый поиск по похожим словам давал слишком много вариантов. Поиск по смысловой близости работал медленно и не знал, что для определённой категории диаметр важнее общего сходства текста. Поэтому решение пришлось строить слоями:

• сначала фильтровать заведомо неподходящие группы;
• учитывать разные признаки для разных категорий;
• добавлять к записям недостающие сведения;
• давать AI выбирать из сокращённого списка;
• запоминать уже подтверждённые человеком соответствия;
• отправлять сомнительные случаи на проверку.

Мы не очистили всю 1С до старта. Мы выяснили, какие дефекты мешают именно сопоставлению, и постепенно закрывали их в контуре задачи. Разработка заняла около полугода, а после трёх месяцев реальной работы система всё ещё развивается.

Похожий чужой кейс: стройматериалы с разными названиями

MapeMedia описывает систему сопоставления товаров для платформы строительных материалов. Сотни производителей и оптовиков называли один товар по-разному, меняли единицы и структуру описания. Ручное сопоставление, по данным исполнителя, забирало около 20% операционного времени команды.

Подход похож на «Матчер»: точные коды важнее для электрических компонентов, смысловое сходство — для сырья; система отправляет неуверенные варианты человеку, а подтверждения использует для дальнейшего обучения. Исполнитель сообщает, что автоматизация превысила цель 60–70%.

Это рекламный кейс агентства без независимого аудита, поэтому проценты нельзя принимать как гарантию. Но технический урок убедителен: разным категориям нужны разные правила, а уверенная ошибка хуже честного отказа.

Другой масштаб: объединение каталогов после покупки компаний

Convergence Data приводит пример североамериканского производителя климатического оборудования. После поглощений компании приходилось объединять каталоги разных брендов. Исполнитель сообщает, что единые правила описания товаров, приведение данных к одному виду и AI-сопоставление сократили подключение нового каталога примерно с девяти месяцев до двенадцати дней.

Здесь AI не заменил работу с данными. Результат появился вместе с общей классификацией, едиными названиями характеристик, проверками, устранением дублей и добавлением недостающих сведений.

Это тоже кейс продавца решения, поэтому сроки относятся к одному клиенту. Но он разрушает удобный миф: будто достаточно поставить модель поверх старых справочников. Сначала команда определила, что такое один и тот же товар в разных системах.

AI может помочь чистить данные, но ему нужен эталон

Нейросеть полезна для:

• поиска похожих названий и вероятных дублей;
• выделения характеристик из текста;
• приведения единиц измерения;
• предложения категории;
• поиска необычных значений;
• объяснения, почему две записи похожи.

Но она не знает автоматически, какая запись правильная. Две карточки могут выглядеть дублями, хотя относятся к разным упаковкам. Пропущенное значение иногда означает «неизвестно», иногда «не применяется», а иногда ноль.

Нужны справочник правил, примеры подтверждённых решений и человек, который имеет право принять сложный случай.

Что надо исправить до первого теста

Не всю базу. Только минимальный контур.

Определить источник истины

1С остаётся основной системой или результат AI записывается в отдельную таблицу? Кто подтверждает изменение? Можно ли его отменить?

Выбрать критичные поля

Для сопоставления это могут быть артикул, тип, размер, материал и единица. Для прогноза — дата, количество, возврат и отсутствие продаж. У каждого процесса свой набор.

Собрать реальные примеры

Возьмите не только двадцать красивых строк. Нужны старые записи, дубли, ошибки, редкие категории и случаи, которые специалисты обсуждают между собой.

Установить цену ошибки

Неверная рекомендация цвета и неверное списание денег требуют разного контроля. Чем выше ущерб, тем меньше решений программа должна принимать без человека.

Сохранить исходные данные

AI не должен молча переписывать справочник. Во время первого теста лучше хранить предложение системы, решение человека и исходную запись.

Что можно исправлять по ходу

• редкие сокращения, которые модель встречает впервые;
• категории, не попавшие в первый тест;
• дополнительные признаки для ускорения выбора;
• накопление синонимов и подтверждённых соответствий;
• удобство интерфейса проверки;
• правила для новых поставщиков и форматов.

Так очистка превращается из бесконечного проекта «сделать всё хорошо» в очередь проблем, каждая из которых связана с измеримым процессом.

План первого AI-проекта с данными 1С

1. Выбрать одну повторяющуюся операцию, где человек сейчас тратит много времени.
2. Взять копию 200–1 000 реальных записей, включая сложные.
3. Вместе со специалистом отметить правильные результаты и критичные признаки.
4. Сделать первую тестовую версию, которая только предлагает решение.
5. Измерить точность отдельно по категориям и цену ошибок.
6. Автоматически принимать только достаточно надёжные случаи, остальные оставлять человеку.
7. Записывать все подтверждения и отказы.
8. После первого теста решить, какие поля выгодно исправить в самой 1С.

NIST в рамке управления AI-рисками рекомендует до внедрения оценивать доступность, представительность и пригодность данных, документировать границы знания системы, определять человеческий контроль и проверять систему не только перед запуском, но и в эксплуатации. Это не требование «сначала сделать идеальные данные». Это требование знать, где данные достаточны, а где результату доверять нельзя.

Когда всё-таки надо сначала разбираться с 1С

Первый тест AI-системы лучше отложить, если:

• неизвестно, какая из нескольких баз является основной;
• одни и те же документы трактуются отделами по-разному;
• нет доступа к истории и контрольным результатам;
• программа должна автоматически проводить финансовые или складские операции, а откат не предусмотрен;
• компания не может назначить специалиста, который проверит правильность;
• проблема вызвана не данными, а тем, что сам процесс постоянно меняется и никто за него не отвечает.

В этих случаях AI не лечит организационную неопределённость. Сначала нужен владелец процесса и минимальные правила.

Так можно ли внедрять AI при бардаке?

Можно, если не пытаться сразу отдать ему всю 1С. Возьмите узкую операцию, найдите критичные данные, создайте эталон и оставьте человеку сомнительные решения.

Иногда первый тест сам показывает, какую часть базы действительно надо очистить. Это полезнее многомесячной генеральной уборки без конкретной цели.

В «Матчере» неидеальные названия стали не запретом, а сутью задачи. Но успех появился не потому, что AI волшебно понял весь каталог. Пришлось добавить фильтры, категории, недостающие сведения, память подтверждённых совпадений и постоянную проверку человеком.

AI может работать с реальными данными. Он не отменяет необходимость понимать их смысл.

Источники и ограничения

• NIST AI Risk Management Framework — добровольная рамка: пригодность данных, границы системы, человеческий контроль и непрерывная проверка.
• MapeMedia, AI Product Matching — кейс исполнителя без независимого аудита; полезен описанием отдельных правил для разных категорий и проверки сомнительных результатов человеком.
• Convergence Data, HVAC Product Information Management — коммерческий кейс поставщика решения; сроки относятся к одному неназванному клиенту.
• «Матчер» — авторский кейс Алисы Пилат. Число позиций и сроки отражают этот проект; показатели точности требуют отдельного воспроизводимого замера перед публикацией как результата.