Локальное использование ИИ с 1С

Разберём, как подключить к 1С нейросеть, работающую в инфраструктуре компании. Покажем сценарии для обработки документов, поиска информации и подготовки текстов. Объясним, как выбрать модель и оборудование, ограничить доступ к данным и оценить пользу внедрения.

Зачем запускать нейросеть локально, а не через облачный API

При локальном запуске модель обрабатывает запросы на рабочей станции или сервере компании. Такой подход позволяет контролировать поток данных и при полностью локальной схеме не передавать запросы во внешний облачный сервис. Например, Ollama поддерживает режим с отключёнными облачными моделями и веб-поиском.

Конфиденциальность бухгалтерских и финансовых данных

Для ответа помощнику могут понадобиться договоры, реквизиты, сведения о задолженности и другие данные из учётной системы. В локальной схеме можно организовать их обработку внутри инфраструктуры компании. Ollama указывает, что при использовании локальных моделей разработчик сервиса не получает запросы и данные пользователей.

Однако проверять нужно всю цепочку обработки. Если распознавание сканов, поиск информации или другой этап обращается к облачному сервису, соответствующие данные покидают внутреннюю инфраструктуру. Поэтому при проектировании определите, где выполняется каждый этап, какие сведения передаются между компонентами и где сохраняются результаты.

Доступ помощника лучше ограничить конкретной задачей. Для подготовки описания товара достаточно его характеристик — передавать договоры поставщика и банковские реквизиты не требуется. Для поиска по внутренним документам нужно учитывать права сотрудника, который задаёт вопрос.

Независимость от доступности внешних сервисов и лимитов на запросы

Если модель, необходимые документы и остальные компоненты работают внутри компании, обработка запросов не требует доступа к облачному API. В Ollama облачные функции можно отключить отдельно. Локальные модели продолжат работать.

При этом производительность нужно рассчитывать под собственную нагрузку. Перед внедрением проверьте время ответа, количество одновременных запросов и работу системы во время пакетной обработки документов. Локальный запуск переносит ответственность за доступность, обновления и обслуживание на компанию.

Выбирать такую схему стоит по требованиям к данным и результатам пилота. Сначала проверьте один сценарий на ограниченном наборе документов, затем оцените качество ответов, скорость и затраты на поддержку.

Какие задачи решает локальный ИИ в связке с 1С

Начинать внедрение удобнее с одной операции: извлечения реквизитов из документа, поиска по регламентам или подготовки описаний товаров. Ниже — сценарии для проектирования такой системы. Каждый из них требует настройки обмена данными и проверки качества на материалах компании.

Обработка входящих документов и автозаполнение

Автоматизацию документооборота можно построить по цепочке: распознать документ, извлечь нужные поля, сопоставить их со справочниками и подготовить черновик для загрузки. Для сканов потребуется распознавание текста — OCR — либо модель, которая умеет обрабатывать изображения. Такие компоненты можно развернуть локально: например, PaddleOCR поддерживает распознавание текста и разбор структуры документов, включая таблицы.

Подробнее архитектуру локального распознавания счетов и накладных, включая обработку документов с персональными данными, разбирали в материале «Обработка документов локально: счета, накладные и OCR под 152-ФЗ».

После распознавания языковой модели можно поручить извлечение номера, даты, реквизитов поставщика и позиций товара. Программные проверки должны отдельно сверять обязательные поля, суммы и соответствие справочникам. Неизвестную номенклатуру лучше отправлять сотруднику на сопоставление.

На первом этапе лучше ограничиться созданием черновиков, которые сотрудник проверяет перед записью и проведением. Оценивайте качество по отдельным полям: ошибка в названии и ошибка в сумме имеют разные последствия.

Анализ данных и прогнозирование

Языковой помощник можно использовать для подготовки текстового пояснения к отчёту: выделения изменений, сравнения периодов и составления вопросов для дальнейшего анализа. В таком сценарии суммы, остатки и задолженность рассчитывает учётная система, а модель получает готовые показатели вместе с периодом, единицами измерения и описанием выборки.

Причины изменений нужно подтверждать данными. Если отчёт показывает только падение выручки, поручите помощнику зафиксировать изменение и предложить направления для дальнейшей проверки. Вывод о том, что продажи снизились из-за дефицита товара, требует сведений об остатках и неудовлетворённом спросе.

Для прогнозирования предусмотрите отдельный расчётный компонент и проверку на исторических данных. В официальных материалах 1С прогнозирование продаж описано как применение предиктивной аналитики и машинного обучения. Языковую модель в такой схеме можно использовать для объяснения результата.

Внутренние чат-боты и помощники для сотрудников

Чат-бот для сотрудников можно построить вокруг поиска по инструкциям, регламентам и другим внутренним документам. Система сначала находит подходящие фрагменты, затем передаёт их модели для подготовки ответа. Такой подход называют RAG — генерацией с опорой на найденные материалы. Его реализация описана, например, в документации Qwen-Agent.

Для вопросов о текущем состоянии бизнеса нужен другой источник: актуальная выборка из учётной системы. На запрос «Какие счета просрочены?» интеграционный сервис должен получить разрешённые сотруднику данные, а помощник — представить результат понятным языком.

В ответах предусмотрите ссылки на документы-основания, а для числовых показателей — дату получения данных. Если подходящего источника нет, помощник должен сообщать об этом. Проверку прав доступа следует выполнять до передачи сведений модели.

Генерация текстов для маркетплейсов и карточек товаров

Подготовку названий, описаний и кратких характеристик можно поручить языковой модели. Основой для задания должны служить утверждённые сведения о товаре. При проектировании задайте ограничения: не добавлять отсутствующие характеристики, соблюдать требования площадки и отмечать недостаток исходных данных. Перед публикацией проверяйте размеры, комплектацию, совместимость и гарантийные условия.

Как локальная нейросеть подключается к 1С

В предлагаемой схеме учётная система и сервис запуска модели работают как отдельные компоненты. Между ними разработчик настраивает обмен: передаёт выбранные данные, получает результат и проверяет его перед использованием. Для этого можно применять штатные механизмы платформы — работу с HTTP, внешние компоненты и внешнее соединение.

HTTP-сервис — основной способ интеграции

Для первого варианта подключения рассмотрите исходящий HTTP-запрос: прикладное решение отправляет задание сервису модели и получает ответ. Платформа поддерживает обращения к сторонним REST-сервисам средствами работы с HTTP. Например, Ollama предоставляет метод /api/chat для передачи сообщений выбранной модели.

Публиковать собственный HTTP-сервис в 1С для такого запроса не требуется. Он нужен для обратного направления обмена — когда внешнее приложение обращается к учётной системе. Разработчик создаёт обработчики запросов и определяет, какие данные или операции доступны через них. Другой вариант — стандартный REST-интерфейс на основе OData.

Для рабочей системы удобно предусмотреть промежуточный сервис. Ему можно поручить подготовку задания, выбор модели, очередь запросов и проверку формата ответа. Так настройки обработки не придётся распределять между несколькими прикладными решениями.

В интеграции нужны тайм-ауты, обработка ошибок и правила повторной отправки. Длительные задания лучше выполнять в фоне, показывая сотруднику их текущий статус. Не держите транзакцию записи документа открытой всё время, пока модель готовит ответ. Повторный запрос также не должен создавать второй экземпляр уже подготовленного документа.

Внешние компоненты и COM-соединение

Внешняя компонента позволяет расширять возможности платформы с помощью отдельно разработанной программы. Технология Native API поддерживает Windows и Linux. Такой вариант можно рассмотреть, если нужно подключить специализированную библиотеку обработки документов или использовать уже существующий компонент. Совместимость проверяйте для конкретной операционной системы, разрядности и места выполнения — клиента или сервера.

COM-соединение решает другую задачу: предоставляет внешней программе доступ к объектам информационной базы через COM-коннектор. В этом режиме не запускается полноценный пользовательский интерфейс приложения. Внешнее COM-соединение 1С работает только под Windows, поэтому для Linux этот вариант не подходит. Перед использованием проверьте версию платформы и условия лицензирования.

Выбирать эти механизмы стоит под конкретную техническую потребность. Если сервис модели уже принимает HTTP-запросы, начните проектирование с этого интерфейса.

RAG поверх базы 1С: как модель видит ваши данные

Чтобы отвечать по внутренним материалам, модель должна получить подходящие источники вместе с вопросом. В схеме RAG поисковый компонент находит фрагменты документов, а языковая модель использует их для подготовки ответа. При этом поиск может быть векторным, по ключевым словам или комбинированным: отдельная векторная база данных нужна не каждой реализации.

Отдельно архитектуру локального поиска по внутренним документам, выбор модели и защиту данных мы разбирали в материале «Локальный RAG по внутренней документации: поиск-ассистент для команды».

Вариант с векторным поиском можно организовать так:

1. Выгрузить разрешённые документы и сведения через настроенный интерфейс.
2. Разделить материалы на фрагменты, сохранив ссылки на источники, даты и сведения для проверки доступа.
3. Преобразовать фрагменты в векторы с помощью модели эмбеддингов и записать их в поисковую базу.
4. По вопросу сотрудника найти подходящие материалы с учётом ограничений доступа.
5. Передать найденный текст языковой модели и сформировать ответ со ссылками на основания.

Преобразование текста в векторы и поиск близких фрагментов описаны в документации Qdrant. Эта система также поддерживает фильтрацию по дополнительным атрибутам записей. Проверку прав сотрудника и формирование фильтров нужно реализовать в интеграционном сервисе.

Для документов предусмотрите обновление поискового индекса после изменения или удаления источника. Для текущих остатков, задолженности и статусов заказов используйте актуальные запросы к учётной системе: копия данных в индексе может уже не отражать их состояние.

Какую модель выбрать для локального запуска

Выбирайте модель по результатам проверки на задачах компании: извлечении реквизитов, ответах по регламентам, подготовке описаний товаров. Для пилота возьмите несколько вариантов и сравните их на одном наборе материалов. Публичные тесты не заменяют проверку на ваших документах.

Ниже — примеры моделей с опубликованными весами для самостоятельного запуска.

Условия использования проверяйте для конкретного репозитория и версии. Название семейства не определяет лицензию всех входящих в него моделей.

Если сначала нужно разобраться, какие типы моделей вообще можно запускать локально и какие требования они предъявляют к компьютеру или серверу, посмотрите наш гид по локальному развёртыванию ИИ-моделей.

Также различайте облачный API и самостоятельный запуск опубликованных весов. У GigaChat и YandexGPT есть модели для локального развёртывания. Яндекс отдельно предлагает корпоративную платформу Yandex AI Studio On-premises, включая полностью локальный и гибридный варианты поставки. В гибридном варианте часть обращений выполняется в облаке.

Что проверить перед внедрением

Подготовьте набор заданий с известными правильными ответами. Включите типовые документы, сложные случаи и вопросы, на которые в предоставленных материалах нет ответа. Оценивайте:

• Точность извлечения реквизитов, дат и сумм;
• Соответствие ответа документу-источнику;
• Соблюдение заданного формата;
• Поведение при недостатке данных;
• Время ответа и расход памяти при одновременных запросах.

Для каждой проверки фиксируйте версию модели, формат весов, настройки запуска и состав переданных материалов. Сравнивайте тот вариант, который планируется использовать в рабочей системе: результаты другой версии или конфигурации могут отличаться.

Если помощник должен писать код на языке 1С, добавьте отдельные задания на запросы, работу с объектами конфигурации и обработку ошибок. Проверяйте код в тестовой базе и на нужной версии платформы. Результат общего теста по программированию не подтверждает качество работы с конкретной конфигурацией.

Когда рассматривать дообучение модели

Для первого пилота начните с готовой модели, понятных инструкций и поиска по внутренним материалам. Дообучение модели рассматривайте после анализа повторяющихся ошибок: сначала определите, связаны ли они с распознаванием документа, поиском источника, постановкой задания или самим ответом.

Если нужный документ не попал в контекст, начните с исправления поиска. Если требуется устойчиво соблюдать корпоративный формат, сравните уточнённую инструкцию и примеры с результатами дообучения. Решение принимайте по качеству на отдельном проверочном наборе и затратам на поддержку.

Какое железо нужно для локального ИИ рядом с 1С

Оборудование подбирают под выбранную модель, длину документов и количество одновременных запросов. Для пилота измерьте расход памяти и время ответа на типовых заданиях. Затем повторите проверку с ожидаемой нагрузкой: одиночный запрос не показывает, как система будет обслуживать нескольких сотрудников.

Требования к видеокарте и видеопамяти

Начать можно с оценки памяти, необходимой для хранения весов модели. Квантизация уменьшает память для их хранения за счёт представления чисел с меньшей точностью. Однако часть компонентов может сохраняться в другом формате, поэтому фактический расход нужно проверять при запуске.

Для условной модели с восемью миллиардами параметров расчёт при четырёх битах на параметр выглядит так:

8 млрд × 4 бита ÷ 8 бит в байте = 4 млрд байт, или 4 ГБ.

Ниже — теоретический объём только параметров при одинаковой разрядности всех весов. ГБ здесь означает миллиард байт.

Это не полные требования к видеопамяти. Дополнительно нужны память для обработки контекста, служебные данные и рабочие буферы. Увеличение длины контекста повышает расход памяти. Параллельная обработка запросов также требует дополнительного объёма. Эти зависимости указаны в документации Ollama.

Поэтому модель с теоретическими 16 ГБ четырёхбитных весов нельзя автоматически считать подходящей для видеокарты с 16 ГБ памяти. Проверять нужно конкретный файл модели, настройки контекста и число одновременных запросов.

Например, GeForce RTX 5090 оснащена 32 ГБ видеопамяти. Этот объём можно использовать как исходный параметр при подборе рабочей станции, но он сам по себе не подтверждает достаточную скорость или вместимость для выбранной нагрузки.

Подробнее о том, сколько видеопамяти требуется моделям разных классов и когда вместо настольной видеокарты уже стоит рассматривать профессиональный ускоритель или GPU-сервер, читайте в нашем гайде по выбору видеокарты для локального ИИ.

Если рассматриваете несколько видеокарт, проверьте поддержку распределения модели в выбранном ПО. Transformers позволяет распределять веса между доступными ускорителями, но такую конфигурацию необходимо настроить и проверить.

[ PERFORMANCE PRO TOWER ]

350D Tower

i9-14900K · RTX 5090 32ГБ · 64GB DDR5 RGB · 1 ТБ

1 493 500 ₽

112 013 ₽ / мес Примерный ежемесячный платёж. Итоговая сумма рассчитывается индивидуально.

Подробнее

750D Tower

7965WX · RTX 5090 32ГБ · 256GB DDR5 ECC · 1 ТБ NVME 5.0

4 055 500 ₽

304 163 ₽ / мес Примерный ежемесячный платёж. Итоговая сумма рассчитывается индивидуально.

Подробнее

900D Tower

2 x EPYC 9534 · RTX PRO 5000 48GB · 512GB DDR5 ECC · 2 ТБ

6 788 500 ₽

509 138 ₽ / мес Примерный ежемесячный платёж. Итоговая сумма рассчитывается индивидуально.

Подробнее

Рабочая станция или сервер с видеокартами: что выбрать

Для пилота рассмотрите отдельную рабочую станцию. На ней можно проверить модель, обработку документов и обмен с учётной системой до закупки оборудования для постоянной эксплуатации. Зафиксируйте допустимое время ответа и проверьте, выполняется ли оно при ожидаемом числе запросов.

Если выбор между этими форматами пока не очевиден, мы отдельно сравнили рабочую станцию и GPU-сервер: локальную работу, общий доступ, режим 24/7, количество видеокарт и возможности масштабирования.

Для общего сервиса компании выбирайте размещение с учётом требований к доступности, обслуживанию и расширению. Если оборудование размещается в серверной стойке, рассмотрите сервер с видеокартами и заранее проверьте совместимость ускорителей, питание, охлаждение и возможности удалённого управления. Само серверное исполнение не определяет скорость модели — её нужно измерять на выбранной конфигурации.

Оперативную память и процессор рассчитывайте также под распознавание документов, поиск и интеграционный сервис. Для накопителей учтите веса моделей, поисковый индекс, исходные файлы, журналы и резервные копии. Эти компоненты входят в общую нагрузку системы.

Существующий сервер компании можно включить в пилот, если выбранное ПО поддерживает его оборудование. Ollama может выполнять вычисления на процессоре, видеокарте или распределять нагрузку между ними. Для производительной конфигурации документация рекомендует избегать переноса вычислений на процессор. Приемлемое время ответа проверяйте на своих заданиях.

Перед размещением модели рядом с рабочей базой проверьте влияние нагрузки на учётную систему. Если используете общий сервер, предусмотрите ограничения ресурсов и повторите тест во время обычной работы сотрудников.

AMD Ryzen AI Halo

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Radeon 8060S

Объем видеопамяти 64 ГБ

Процессоры

Ryzen AI Max+ 395

Количество ядер 16 Zen 5

RAM Объединена с VRAM

Форм-фактор SFF

NVIDIA DGX Spark

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA GB10

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор SFF

NVIDIA RTX Spark

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA Grace

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор Laptop

Соблюдение требований и безопасность данных

Локальное размещение помогает контролировать обработку данных, но само по себе не подтверждает соблюдение закона. Статья 19 Федерального закона № 152-ФЗ требует от оператора правовых, организационных и технических мер защиты персональных данных. Выбор оборудования — лишь часть этой работы.

Ниже — практический ИТ-подход к проектированию системы. Конкретные требования нужно уточнять с юристом, специалистом по комплаенсу и ответственным за информационную безопасность компании.

152-ФЗ и хранение персональных данных контрагентов

По статье 3 закона персональные данные — сведения, относящиеся к определённому или определяемому физическому лицу. Поэтому при проверке документов нужно учитывать информацию о сотрудниках, представителях контрагентов, покупателях и индивидуальных предпринимателях. Реквизиты организации и сведения о конкретном человеке следует оценивать отдельно.

Перед подключением помощника согласуйте цель обработки и перечень необходимых данных. Отдельно проверьте правовое основание их использования, сроки хранения и допустимость передачи подрядчикам. С юристом также уточните применимость требований к локализации и трансграничной передаче, необходимость подачи или изменения уведомления Роскомнадзору. На портале ведомства указано, что уведомление требуется, кроме случаев, предусмотренных частью 2 статьи 22 закона.

Составьте карту хранения: исходные документы, распознанный текст, поисковый индекс, история диалогов, журналы и резервные копии. Для каждого места определите доступ, срок хранения и порядок удаления. Если материалы используются для дообучения, включите в проверку обучающий набор и полученную версию модели.

Для пилота по возможности подготовьте тестовые материалы без реальных персональных данных. Если используете обезличивание, проверьте, можно ли установить человека по оставшимся сведениям: определение обезличивания в законе учитывает возможность идентификации с помощью дополнительной информации.

Какие меры предусмотреть в системе

Настройте защиту на уровне сервисов, сети и доступа к источникам:

• Выделите интеграционному сервису отдельную учётную запись с необходимыми правами;
• Проверяйте права сотрудника до извлечения и передачи документов модели;
• Ограничьте сетевой доступ к сервису модели и предусмотрите аутентификацию;
• Защитите соединения между компонентами, храните секреты вне текстов запросов;
• Фиксируйте выполненные операции, ошибки и изменения настроек, ограничив запись содержимого документов в журналы;
• Настройте резервное копирование и проверьте восстановление системы.

У локального API Ollama нет обязательной аутентификации. Если сервис доступен с других компьютеров, доступ к нему нужно закрыть аутентифицирующим прокси, шлюзом или другим защитным слоем.

На первом этапе ограничьте помощника чтением данных и подготовкой черновиков. Для записи, проведения документов и других значимых операций предусмотрите программные проверки и подтверждение сотрудника. Инструкции внутри загруженного документа не должны менять права помощника или разрешать новые действия.

Перед запуском проверьте систему под разными учётными записями: сотрудник не должен получать чужие документы через поиск, историю диалога или сформированный ответ. Повторяйте эту проверку после изменения ролей, состава источников и настроек интеграции.

Сколько это стоит и как быстро окупается

Стоимость проекта складывается из оборудования, разработки интеграции и дальнейшего обслуживания. Для оценки сравнивайте полные затраты с результатом конкретной операции — например, обработки документа. Такой подход рекомендует FinOps Foundation: учитывать стоимость достижения бизнес-результата, включая эксплуатацию инфраструктуры.

Что включить в бюджет

Разовые затраты могут включать рабочую станцию или сервер, настройку обмена, подготовку документов, проверку качества и настройку защиты. Если оборудование уже есть, отдельно оцените необходимые доработки и доступные ресурсы.

В регулярные расходы включите электроэнергию, обслуживание, лицензии и поддержку интеграции. Учитывайте время сотрудников на проверку ответов и исправление ошибок. Если после обновления модели требуется повторная проверка качества, предусмотрите её в бюджете.

Сравнивайте варианты при одинаковых требованиях к качеству, скорости и доступности. Для облачной схемы учитывайте оплату API и сопутствующих сервисов, для локальной — содержание инфраструктуры и работу специалистов.

Для более полного сравнения этих вариантов пригодится наш материал «Собственный сервер или облако: как посчитать TCO для бизнеса», где отдельно учитываются капитальные и операционные расходы и рассчитывается точка окупаемости.

Как рассчитать окупаемость

Для простой оценки используйте формулу:

Срок окупаемости = разовые вложения ÷ ежемесячная денежная экономия после вычета дополнительных расходов.

Ниже — условный пример расчёта. Все значения заданы для иллюстрации, а не взяты из коммерческого предложения или внедрения.

Экономия времени: 1 200 × 3 ÷ 60 = 60 часов в месяц.

Если это позволяет сократить оплачиваемую работу, денежная экономия составит: 60 × 1 000 = 60 000 рублей в месяц.

После расходов на эксплуатацию: 60 000 − 20 000 = 40 000 рублей в месяц.

Простой срок окупаемости: 480 000 ÷ 40 000 = 12 месяцев при неизменных условиях.

Если расходы на оплату труда остаются прежними, высвобожденные часы не означают такую же денежную экономию. Тогда отдельно оцените пользу дополнительной работы, которую сотрудники смогут выполнить за это время.

Для собственного расчёта используйте результаты пилота: время всей операции до и после внедрения, долю исправлений и фактические расходы. При неположительном ежемесячном денежном эффекте приведённая формула не даёт срока окупаемости.

Часто задаваемые вопросы

Заключение

Внедрение ИИ в 1С начните с одной измеримой задачи: подготовки черновиков документов, поиска по регламентам или создания описаний товаров. Проверьте качество на материалах компании, настройте доступ к источникам и оцените время всей операции с учётом проверки результата.

Оборудование выбирайте после пилота — под модель, длину контекста и ожидаемую нагрузку. Решение о расширении системы принимайте по результатам: сколько ручной работы удалось сократить, как часто нужны исправления и во сколько обходится обслуживание.

Для подбора оборудования посмотрите серверы и рабочие станции для локальных языковых моделей в каталоге DigitalRazor. Если нужна помощь с конфигурацией, напишите нашим специалистам. Укажите выбранную модель, типовые задачи, количество одновременных запросов и требования к размещению — эти данные станут основой для обсуждения оборудования.