Каждый день сотрудники финансового отдела вручную заходят в 1С, проверяют поступления, сопоставляют оплаты с заказами, определяют ответственного менеджера и передают ему информацию.
Казалось бы, минутное дело. Но на практике, как только компания начинает расти, эта безобидная сверка съедает часы рабочего времени. Худшее здесь — человеческий фактор: менеджер узнает об оплате не в момент поступления денег, а только тогда, когда у кого-то из финотдела дойдут руки открыть 1С. В результате сделки тормозятся, клиенты ждут, а компания теряет темп.
Мы решили эту задачу не очередным отчётом или дашбордом, которые нужно регулярно проверять, а автономной системой ИИ-агентов. Она сама получает данные из 1С, анализирует их и создаёт задачи ответственным сотрудникам в Битрикс24.
Делюсь кейсом, архитектурой и мыслями о том, почему агенты справляются с этим лучше жестких скриптов.
От оперативного контроля к прогнозированию
В процессе погружения в бизнес-процессы заказчика стало понятно, что под «контролем оплат» скрываются две совершенно разные потребности.
1. Операционный уровень (менеджеры)
Им не нужен сложный анализ и графики. Важно быстро получить ответ на несколько вопросов:
- Какие оплаты поступили сегодня?
- К каким заказам они относятся?
- Какой KPI они получили с этих приходов?
Здесь решают скорость и точность. Менеджер должен получить информацию моментально, чтобы продолжить работу с клиентом.
2. Управленческий уровень (генеральный и коммерческий директора)
Руководителям недостаточно знать, какие деньги уже лежат на счету. Им важно понимать, что произойдёт завтра:
- Сколько денег ожидается в ближайшие дни?
- Как текущая динамика отличается от предыдущих периодов?
- Выполняется ли план?
- Где могут возникнуть кассовые разрывы или риски для денежных потоков?
Поэтому мы разделили систему на два контура: операционный и аналитический. Каждый из них обслуживается отдельным ИИ-агентом.
Как работает конвейер
Весь процесс проходит полностью в фоновом режиме, без участия человека-посредника.
- Оркестратор запускает сценарий. Агент включается в работу по расписанию. Ему не нужна команда человека — он сам запрашивает данные каждое утро или делает несколько срезов в течение дня.
- Агент забирает данные из 1С. Через MCP-интерфейс идет обращение к базе 1С. Извлекаются только нужные данные: фактические оплаты, заказы, ответственные менеджеры и план-фактовые показатели.
- ИИ анализирует контекст. Модель проверяет информацию по заданным правилам бизнеса, структурирует результаты и принимает решение о дальнейших действиях.
- Результат пушится в Битрикс24. Для каждого ответственного сотрудника создаётся персональная задача с готовой вводной. А руководство получает отдельную аналитическую сводку и прогноз.
Цепочка выглядит так:
И всё это — без ручной выгрузки данных и возни с Excel.
Архитектура: два агента под разные задачи
Агент 1 — Операционный
Каждый день он забирает из 1С список фактических оплат за текущий период, сопоставляет платежи с заказами и менеджерами, а затем через API Битрикс24 автоматически ставит задачи.
Менеджеру больше не нужно дёргать бухгалтерию или искать информацию в 1С. Он просто получает готовую задачу с информацией по оплатам в своей привычной CRM-среде.
Агент 2 — Аналитический
Второй агент работает с широким контекстом. Он запрашивает не только свежие поступления, но и исторические данные за последние три месяца, а также план-фактовые показатели.
На основе этих данных ИИ анализирует динамику поступлений и формирует обоснованный прогноз на ближайшие 7 дней. Текущий срез оплат используется здесь как часть общего контекста: система сопоставляет сегодняшнюю ситуацию с историей и планом. Суть в том, что руководство получает не историческую справку о том, что уже случилось, а рабочий прогноз — как ситуация будет развиваться дальше.
Почему ИИ-агенты, а не обычные скрипты?
Справедливый вопрос: зачем здесь ИИ? Задачу можно было решить классической автоматизацией — написать парсер, который тянет данные из 1С и дёргает вебхуки Битрикс24.
Проблема в том, что такой подход моментально упирается в ограничения масштабируемости. Как только у бизнеса появляются новые правила, нестандартные ситуации, дополнительные источники данных или необходимость хоть немного интерпретировать информацию, количество жёстко закодированных условий (if-else) начинает расти в геометрической прогрессии.
ИИ-агент позволяет отделить получение данных от логики их интерпретации.
Обычный инструмент просто возвращает сухой факт:
Оплата: 1 250 000 ₽
Заказ: №12345
Менеджер: Иванов
А вот ИИ-агент уже определяет, что с этой информацией делать: кому именно поставить задачу, нужен ли высокий приоритет, и стоит ли подсветить руководителю аномальное отклонение.
Технологический стек
Систему мы собрали из нескольких независимых компонентов, что позволяет легко менять модули без переписывания всего кода. Мы делали ставку на гибкость и безопасность:
- Contexis 1C to MCP — предоставляет агентам безопасный доступ к данным 1С через протокол Model Context Protocol. Модель не знает логинов и паролей от 1С, её доступ строго ограничен разрешёнными инструментами (получение оплат, план-факт).
- LangFlow — визуальная среда для сборки агентов.
- DigitFlow — наше собственное решение для оркестрации. Мы изначально создавали платформу для интеграции корпоративных данных (баз знаний, CRM, ERP, 1С) с LLM. Здесь DigitFlow выступает ядром: запускает сценарии по расписанию и связывает агентов с внешним миром.
- LiteLLM — прокси-слой для работы с моделями. Единая точка управления доступом к LLM и контроля расхода токенов.
Что в итоге получил бизнес
Вместо ежедневной ручной сверки компания получила автономный конвейер:
Система полностью сняла с сотрудников рутину по проверке оплат. Информация доставляется менеджерам моментально, исключен риск опечаток при ручном копировании, а руководители видят не просто цифры, но и прогноз.
И это, на мой взгляд, главное преимущество агентского подхода. Далеко не каждый процесс требует сложного интерфейса или дашбордов. Если бизнес-процесс укладывается в логику «получить данные → проанализировать → принять решение → выполнить действие», его уже сегодня можно смело отдавать ИИ-агентам.
Контроль оплат — лишь один сценарий. Построенную инфраструктуру мы планируем использовать дальше. Главный плюс такой модульности — быстрое масштабирование. Любого следующего агента можно собрать очень быстро: даем ему нужный набор tools от Contexis, прописываем системный промпт — и новый бизнес-процесс автоматизирован.
Хотите узнать, как ИИ-агенты могут ускорить ваши бизнес-процессы?
Оставьте заявку на hello@contexis.ru или зарегистрируйтесь в кабинете, чтобы попробовать интеграцию 1С через MCP. Мы поможем подобрать сценарии автоматизации, которые принесут реальную пользу вашему бизнесу.