Мы дали ИИ доступ к учётной системе: что из этого вышло?

Большинство разговоров про ИИ в бизнесе пока заканчиваются примерно одинаково: написать письмо, пересказать документ, сделать картинку или проанализировать Excel.

Но нам было интереснее проверить другой сценарий: что произойдет, если дать ИИ доступ не к выгрузке, а непосредственно к учетной системе компании? Чтобы он сам посмотрел продажи. Проверил остатки. Нашел должников. Создал заказ поставщику. Заполнил карточки товаров. А при необходимости разобрался, кто вчера поменял цены и насколько. Для этого мы подключили МойСклад к ИИ-ассистентам через MCP и начали давать им обычные задачи предпринимателя.

Материал написан на основе интервью с Юрием Кая, основателем компании SOLOpreneur

Рассказываем, что получилось.

Сначала — зачем здесь вообще MCP

Можно выгрузить Excel, загрузить его в чат и попросить провести анализ. Но через несколько часов данные уже могут устареть.

MCP (Model Context Protocol) позволяет сделать иначе. Это стандарт, через который ИИ получает доступ к внешним системам и их инструментам.

В нашем случае ассистент получает возможность обращаться непосредственно к данным МоегоСклада.

Получается примерно такая схема:

Человек → ChatGPT / Claude → MCP → МойСклад

Причем взаимодействие идет в обе стороны.

ИИ может не только спросить систему: «Сколько сейчас осталось товара X?», но и выполнить действие: создать контрагента, изменить карточку товара или подготовить документ.

Сейчас через MCP-сервер доступно около 340 операций.

Но нас интересовало не количество методов API, а более практический вопрос: Какую работу предпринимателя уже сегодня можно переложить на ИИ?

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

Представим обычную поставку.

Пришло 30 новых позиций. В учетной системе есть названия товаров, но нормальных карточек еще нет.

Для каждой нужно найти характеристики, создать описание, добавить артикул, фотографии и определить категорию.

Обычно это довольно унылый конвейер.

Мы дали ИИ задачу:

Возьми товары из последней приемки без описания. Для каждого найди в интернете описание и фотографии, напиши текст на 300–400 знаков своими словами, заполни артикул и характеристики, загрузи по три фото и разложи товары по категориям каталога.

Дальше начинается интересное.

Ассистент сначала получает список товаров из МоегоСклада, затем ищет информацию, формирует описания и записывает результат обратно в карточки.

То есть человеку не нужно делать цепочку:

МойСклад → Google → сайт производителя → сохранить картинку → написать текст → снова МойСклад.

Все это превращается в один запрос.

Есть нюанс: полностью отпускать ИИ здесь нельзя.

Описание лучше проверить, а найденные фотографии — проверить с точки зрения прав на их использование. Поэтому разумный сценарий сейчас выглядит не как «ИИ полностью заменил контент-менеджера», а как:

ИИ сделал 90% механической работы → человек проверил результат.

И это, пожалуй, один из главных выводов нашего эксперимента.

Кейс №2. Контрагент из фотографии в Telegram

Еще одна совершенно обычная ситуация.

Клиент присылает менеджеру карточку предприятия. Иногда PDF. Иногда скан. Иногда фотографию документа в мессенджере.

Менеджер открывает МойСклад и начинает переносить:

— название;

— ИНН;

— КПП;

— ОГРН;

— адрес;

— расчетный счет;

— БИК;

— телефон;

— почту.

Мы просто отправили файл ассистенту и написали:

Вот реквизиты клиента. Проверь, есть ли такой контрагент в МоемСкладе. Если нет — заведи его. Если каких-то реквизитов не хватает — перечисли их. В конце пришли ссылку на карточку.

Здесь ИИ оказался полезен еще в одном месте, о котором мы первоначально даже не думали.

Перед созданием записи он может проверить базу на дубли.

Если компания уже существует, вместо второго ООО «Ромашка» ассистент найдет первое и предложит дополнить его данные.

В итоге сценарий «открыть документ → перепечатать реквизиты → проверить → сохранить» превращается практически в одну команду.

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

Этот эксперимент оказался одним из самых показательных.

Учетные системы накопили огромное количество отчетов. Но владельцу небольшого бизнеса часто нужен не отчет.

Ему нужен ответ.

Например:

Сколько мы вчера заработали?

Продажи растут или падают?

Что заканчивается?

Кто нам должен деньги?

Мы настроили ежедневную задачу:

Каждый день в 20:00 собирай выручку и прибыль за день, сравни со вчерашним днем и этим же днем прошлой недели, покажи пять самых прибыльных товаров, неотгруженные заказы и клиентов с долгом больше 50 000 рублей.

Ассистент самостоятельно получает актуальные показатели и собирает короткую сводку. Если подключить Telegram, ее можно получать прямо в мессенджер. Получается довольно заметное изменение интерфейса управления бизнесом.

Раньше человек заходил в программу и искал нужные данные. Теперь данные сами приходят к человеку.

А запрос можно менять хоть каждый день:

Добавь остаток денег.

или:

Показывай только клиентов с просрочкой больше недели.

Для этого не нужно переделывать дашборд или просить разработчика добавить новый отчет.

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

Закупки — интереснее.

Здесь ИИ уже не просто показывает информацию, а помогает принять операционные решения.

Даем команду:

Посмотри продажи за последние 30 дней и остатки на основном складе. Найди позиции, которых хватит меньше чем на две недели, и подготовь заказ поставщику с запасом на месяц. Сгруппируй товары по поставщикам.

Чтобы выполнить запрос, ассистенту приходится сопоставить сразу несколько типов данных:

продажи → скорость расходования товара → текущий остаток → поставщик → необходимое количество.

После расчета он может создать черновик заказа поставщику.

И здесь мы специально оставляем человека в цепочке.

ИИ не отправляет заказ самостоятельно.

Менеджер или собственник открывает документ, смотрит количество и только после этого оформляет поставку.

Кейс №5. Найти деньги, которые вам должны

Еще один запрос:

Покажи клиентов с долгом больше 30 000 рублей и просрочкой больше десяти дней. По каждому покажи сумму, номер счета и дату отгрузки. Напиши вежливое напоминание об оплате.

На выходе получаем не просто отчет по дебиторке, а практически готовый список действий менеджера:

ООО «Альфа» — 87 000 ₽ — просрочка 14 дней → вот сообщение клиенту.

ООО «Бета» — 54 000 ₽ — просрочка 19 дней → вот сообщение клиенту.

Само сообщение можно отправлять уже через соответствующий канал коммуникации.

То есть ИИ постепенно начинает связывать данные и действие.

Кейс №6. «Кто поменял цену?»

Есть категория вопросов, которые появляются только тогда, когда что-то уже пошло не так.

Например:

Почему этот товар теперь стоит 7 990 вместо 6 990?

Или:

Куда делся документ?

В системе есть журнал аудита. Но когда операций тысячи, человеку приходится искать нужное изменение.

ИИ можно попросить:

Кто менял цены на товары категории «Инструмент» за последнюю неделю? Покажи старую и новую цену. Отдельно проверь удаленные документы.

Ассистент анализирует события и вместо списка технических записей возвращает понятный ответ.

Это интересный пример того, как LLM работает не вместо базы данных, а как человеческий интерфейс поверх нее.

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

Наконец, мы попробовали сценарий массового изменения данных:

Подними цены в категории «Аксессуары» на 7%, кроме товаров, которых осталось меньше трех штук.

Технически ИИ способен это сделать.

Но именно здесь хорошо становится видна граница между «можно» и «стоит».

Ошибиться в аналитическом запросе неприятно. Ошибиться при изменении сотен цен — уже дорого.

Поэтому для подобных операций мы используем другой принцип: сначала ассистент показывает, что именно собирается изменить, затем пользователь подтверждает действие.

А наиболее критичные операции вроде удаления должны требовать отдельного подтверждения.

И что в итоге изменилось?

После этих экспериментов мы поняли одну вещь.

Самое интересное в подключении LLM к бизнес-системам — вовсе не возможность задавать вопросы человеческим языком.

Это только первый уровень. На втором уровне ИИ начинает собирать информацию из нескольких источников:

продажи + остатки + деньги + документы.

На третьем — готовит действие:

создать заказ, заполнить товар, завести клиента.

А дальше появляется следующий сценарий:

делать это самостоятельно по расписанию или событию.

Условно:

Каждое утро проверяй остатки. Если товара осталось меньше чем на семь дней продаж — подготовь заказ.

Или:

Каждый вечер найди просроченные платежи и подготовь менеджеру список клиентов.

Или:

Раз в неделю делай ABC-анализ и сообщай, какие товары перешли из группы A в B.

Тогда учетная система постепенно перестает быть местом, куда человек постоянно ходит за информацией.

Она становится источником данных и действий для ассистента.

А не страшно давать ИИ доступ к бизнесу?

Это был второй вопрос, который возник у нас почти сразу после «вау, оно работает».

Потому что одно дело — разрешить нейросети посмотреть продажи. Другое — разрешить ей менять цены или удалять документы. Поэтому доступ можно ограничивать.

Например, сотруднику можно дать отдельное подключение, которое умеет только читать данные и строить отчеты, но не изменять их.

Можно отдельно разрешить создание документов, оставив удаление недоступным. А потенциально необратимые действия требуют подтверждения.

Мы бы вообще рекомендовали внедрять такие вещи постепенно:

сначала чтение → затем аналитика → затем создание черновиков → и только потом изменение данных.

Что пока не стоит полностью отдавать ИИ

После экспериментов у нас получился довольно простой список.

ИИ отлично справляется там, где нужно много искать, сопоставлять, переносить и считать.

Но человеку пока лучше оставлять:

— проверку информации, найденной в интернете;

— финансово значимые решения;

— массовое изменение данных;

— необратимые операции;

— нестандартные ситуации, где цена ошибки высока.

Поэтому наиболее реалистичная модель сегодня — не «автономный ИИ управляет компанией».

Скорее:

ИИ выполняет роль очень быстрого операционного помощника, который имеет доступ к данным и умеет пользоваться инструментами бизнеса.

И это уже довольно большая перемена.

Можно попробовать на собственном аккаунте

Мы сделали MCP-сервер для МоегоСклада, который можно подключить к ChatGPT, Claude и другим клиентам с поддержкой MCP.

Подключение занимает около десяти минут. После этого вместо изучения документации проще начать с вопроса:

Сколько товаров сейчас в моем МоемСкладе?

Если ассистент ответил актуальной цифрой — связь работает.

Дальше можно попробовать:

Какие товары принесли больше всего прибыли в этом месяце?

А потом:

Какие из них скоро закончатся?

И вот в этот момент становится понятно, зачем вообще давать языковой модели доступ к учетной системе.

Мы ведем блог для малого бизнеса. Рассказываем новости для предпринимателей, ошибки и лайфхаки в учете, инструменты продвижения, обновления сервиса МойСклад.