Все кейсы
Кейс · FinTech · AI · AmoCRM

Финансовая платформа, которая сама разбирает банковские выписки холдинга

Международная группа компаний: десятки юрлиц, счета в банках разных стран, несколько валют и разные правила налогового учёта. Раньше финансисты вручную собирали выписки, перепечатывали платежи и искали, к какой сделке они относятся. Теперь выписки забирает робот, распознаёт и сопоставляет со сделками связка правил и AI на собственном контуре, а люди только проверяют результат и разбирают спорное.

Клиент
Международный холдинг
Что сделали
Платформу под ключ: от выписки до отчёта
Статус
Работает на реальных данных
Интерфейс финансовой платформы: реестр операций и аналитика идентификации
25+
банков разных стран
9 из 10
статусов операций верны с первого прохода
500+
счетов на ежедневной сверке
72%
решений по идентификации система принимает без человека
Как было

Сотни платежей в день — и всё руками

У каждой компании группы свои банки, валюты и правила учёта. Финансовый отдел тратил часы на то, чтобы просто ответить на вопрос: «что это за деньги и к чему они относятся?»

01

Выписки из каждого банка — вручную

Финансист заходил в интернет-банки разных стран и скачивал PDF и Excel. Ближневосточные банки не отдают выписки по API, у каждого свой формат, колонки и язык.

02

Перепечатка и сверка

Сотни платежей в день переносились в таблицы руками. Ошибка в сумме, дате или валюте всплывала только при закрытии месяца.

03

«Что это за деньги?»

Чтобы привязать платёж к сделке, его искали в CRM по сумме и плательщику — а одна и та же компания в каждом банке записана по-своему.

04

Нет контроля

Двойной платёж, расхождение остатка с банком или подозрительное списание могли неделями оставаться незамеченными.

Как стало

Конвейер: выписка входит — проверенные данные выходят

Каждый платёж проходит пять шагов. Человек подключается только там, где система не уверена, — и всегда принимает окончательное решение.

  1. 1

    Получение

    Ближневосточные банки не дают API — поэтому наш робот сам входит в интернет-банки, повторяя действия сотрудника, и каждый день выгружает выписки по каждому счёту. Система забирает их автоматически; банковский фид — по API, остальное — пачкой до 50 файлов.

  2. 2

    Распознавание

    PDF, Excel и CSV любого банка разбирает языковая модель Qwen по шаблону конкретного банка. Направление денег задают структурные правила, остатки сверяются арифметикой, дубли отсекаются.

  3. 3

    Идентификация

    Однозначные случаи закрываются по правилам. Остальное разбирает AI-агент: опираясь на базу знаний с правилами финансистов и решёнными кейсами, он выбирает сделку среди кандидатов и объясняет выбор.

  4. 4

    Контроль

    Остаток каждого счёта сверяется с банком, двойные платежи отсекаются, подозрительные операции получают карточку риска с ответственным.

  5. 5

    Учёт и аналитика

    Проверенные операции уходят в бухгалтерию, а руководитель видит качество распознавания и работу каждого сотрудника.

Результат

Часы ручного разбора превратились в минуты проверки

Финансовый отдел больше не собирает данные — он работает с готовой картиной движения денег по всей группе.

Технологии
NestJSReactPostgreSQLPrismaRedis + BullMQQwen 27B · vLLMQwen3-EmbeddingQdrant · dense + BM25RPA-робот выгрузкиSocket.ioGoogle Drive APIAmoCRM APIOpenTelemetry
  • Финансисты больше не перепечатывают выписки — система забирает и распознаёт их сама
  • Каждый платёж привязан к сделке или явно помечен как требующий проверки
  • 72% решений по идентификации система принимает сама, спорное уходит человеку вместе с объяснением
  • Основной AI-контур — открытые модели на выделенной GPU за собственным шлюзом, облако только как резерв
  • Двойные платежи и расхождения с банком видны сразу, а не при закрытии месяца
  • НДС считается по правилам с пересчётом по официальному курсу на дату операции
  • Новые правила и банки добавляют сами финансисты — без строки кода
Единый реестр

Все деньги группы — в одной таблице

Операции всех компаний, банков и валют собраны в одном месте. У каждой есть понятный статус, поэтому сразу видно, что разобрано, а что требует внимания.

  • Фильтры по компании, банку, валюте, контрагенту, назначению и периоду
  • Статусы: сделка найдена, комиссия банка, обмен валюты, перевод между своими компаниями, требует проверки
  • Выгрузка в Excel и журнал всех действий
Сопоставление с AmoCRM

Платёж сам находит свою сделку

Система держит у себя свежую копию сделок AmoCRM и ищет совпадение мгновенно — без запроса в CRM на каждый платёж. Если подходящих сделок несколько, показывает лучшие варианты с оценкой уверенности, а решение остаётся за человеком.

  • Поиск по сумме с допуском, валюте, дате, плательщику и получателю
  • Один платёж можно разнести на несколько сделок — для частичных оплат
  • Копия сделок обновляется автоматически раз в сутки и по кнопке
Мониторинг счетов

Видно, где деньги не сходятся

Контрольный отчёт — панель приборов финансового отдела. По каждому счёту каждой компании видно, сколько платежей ещё не разобрано, совпадает ли остаток с банком и не пропала ли выписка.

  • Остаток в системе против остатка в банке и величина расхождения
  • Мониторинг выписок: пришла ли выписка по каждому счёту за день, пропущенные даты — одной кнопкой
  • Клик по цифре открывает именно те операции, из которых она сложилась
Двойные платежи и мошенничество

Подозрительный платёж не теряется

При приёме каждая операция сверяется с уже сохранёнными: одна и та же оплата из PDF, Excel и банковского фида не попадёт в учёт дважды. Если финансист замечает задвоенный или сомнительный платёж, он в один клик заводит карточку риска.

  • В карточке — ответственный, план решения, согласование с руководством и итог
  • Путь кейса: обнаружено → в работе → закрыто
  • История всех правок сохраняется
Измеримое качество

Руководитель видит не только объём, но и тщательность

Любое решение машины можно проверить и отменить, поэтому качество измеряется, а не принимается на веру: система считает, сколько операций реально проверено, где машина ошиблась и кто из сотрудников пропускает платежи «вслепую».

  • Доля решений AI без участия человека и причины, по которым машина воздержалась
  • Точность первого прохода и покрытие проверкой за любой период
  • Частые ошибки «система → человек» в разрезе банков и компаний
  • По каждому финансисту: загрузки, ручные проверки, возвраты на перепроверку
Обучение без программистов

Система учится на решениях финансистов

Логику статусов и правила распознавания операторы правят сами — в понятном редакторе, без разработчика. Каждая ошибка становится проблемным кейсом, который не даёт ей повториться.

  • Редактируемые статусы, условия и инструкции для AI
  • Журнал проблемных кейсов: «нужный» статус против присвоенного
  • Новый банк подключается одной записью с правилами чтения
Интерфейс

Как это выглядит изнутри

Реальные экраны системы. Названия компаний, контрагентов и имена сотрудников скрыты — данные клиента остаются у клиента.

AI-ядро

Как AI распознаёт выписки и находит сделки

AI здесь — рабочая часть продукта, а не демо. Сначала работает быстрый и предсказуемый код, а AI подключается там, где правил уже не хватает: разбирает выписки, ищет контекст в базе знаний и выбирает сделку среди кандидатов. Каждое решение объяснимо, спорное всегда видит человек.

72%

решений по идентификации платежей система — код и AI вместе — принимает без участия человека; остальное передаёт финансисту с объяснением, чего не хватило

  1. 01

    AI-распознавание выписок

    Языковая модель Qwen читает PDF, Excel и CSV по шаблону конкретного банка. Структурные правила — знак и колонка суммы, реестр операций — сильнее модели, а остатки сверяются арифметикой, поэтому направление денег не «угадывается».

    Qwen 27B open-weightшаблон под банксверка остатков
  2. 02

    Детерминированный матчинг

    Комиссии, переводы между своими компаниями и конвертации отсеиваются по справочникам. Для остальных из зеркала CRM подбираются кандидаты по сумме с допуском ±5%, референсу, контрагенту и указаниям оператора, затем начисляются баллы совпадения — однозначные случаи закрываются кодом, без модели.

    зеркало CRM ≈55 тыс. сделокбаллы совпадениябез AI
  3. 03

    Hybrid RAG в Qdrant

    Для спорных платежей система ищет контекст в базе знаний: правила и условия финансистов, решённые проблемные кейсы, инструкции к статусам. Поиск гибридный — смысловые векторы плюс точные совпадения по словам — с объединением выдачи и переранжированием моделью.

    Qwen3-Embeddingdense + BM25RRF + LLM-реранк
  4. 04

    AI-агент выбирает сделку

    Модель в несколько шагов работает с инструментами: смотрит кандидатов, контекст из базы знаний и историю, выбирает сделку и объясняет, что совпало, а чего не хватило. Номер сделки берётся только из найденных кандидатов, неуверенность уходит человеку.

    до 5 шаговобъяснение решенияспорное — человеку
  5. 05

    Обучение на решениях людей

    Каждое исправление финансиста становится правилом или проблемным кейсом. База знаний переиндексируется сама каждые 10 минут, поэтому исправленная ошибка учитывается в следующих решениях. Сделки тоже проиндексированы — оператор видит «похожие сделки» как подсказку.

    автопополнениепереиндексациябез программистов

Self-hosted: свой AI-контур вместо облачного API

Открытые модели Qwen — для рассуждения и для эмбеддингов — развёрнуты через vLLM на выделенной арендованной GPU за собственным шлюзом с ключами, лимитами и учётом расхода. Основной поток выписок и сделок обрабатывается в этом контуре, облачный провайдер оставлен только как резервный путь отката, а стоимость не зависит от тарифов за токены. Любая смена модели проходит заранее зафиксированный замер качества.

  • vLLM + Qwen 27B
  • Qwen3-Embedding 0.6B
  • Qdrant на сервере проекта
  • шлюз: ключи, лимиты, расход

Под капотом: как AI остаётся под контролем

Коротко — для руководителя, теги — для инженеров, которым важны детали.

  • Своя оркестрация агента вместо LangGraph

    Логику AI-агента написали сами: модель работает с инструментами в жёстких рамках шагов и бюджета, переходы покрыты тестами.

    • TypeScript, без LangChain/LangGraph
    • агент с инструментами: ≤ 5 ходов · 120 тыс. токенов
    • повтор после сбоя не оплачивается
    • 10 626 решений агента

  • Каждый вызов AI на виду

    Каждое обращение к модели, эмбеддеру и векторной базе считается — количество, скорость, таймауты, у модели и стоимость. Сбой видно в метриках.

    • Prometheus
    • задержка и таймауты по модели
    • circuit breaker
    • расход $ по моделям

  • Качество меряем, а не угадываем

    Смену модели или настроек поиска проверяем на эталонном наборе и сравниваем с текущей версией, а не на глаз.

    • Recall@K · MRR · nDCG · гейт PASS / FAIL
    • замер: 0 выдуманных сделок в 120 ссылках
    • трассы Langfuse — стенд замеров

  • AI только там, где он нужен

    63 % строк выписки разбираются до AI — правилами или сразу передаются человеку. На них модель не тратит ни рубля.

    • 63 % строк без вызова модели
    • кэш эмбеддингов: переиндексация $0
    • лимиты расхода в шлюзе

Хотите так же в своей компании?

Расскажите, сколько у вас юрлиц, банков и валют. Разберём, как сейчас устроены выписки и учёт, и предложим план автоматизации со сроками и стоимостью.

NDA до разговора · Ответим в течение 2 рабочих часов