1С и нейросети без утечек: псевдонимизация сохраняет пропорции и прячет реквизиты

Разработчики описали обработку для платформы 1С, которая автоматически находит в выгрузке все чувствительные поля, заменяет их структурно корректными псевдонимами, а после получения ответа от нейросети подставляет настоящие значения обратно. Подход применим к любой задаче, где нужен внешний ИИ-анализ финансовых документов: разбор дебиторской задолженности, поиск аномалий, группировка контрагентов, расчёт графиков погашения.

Что понадобится?

• 1С (любая конфигурация, из которой можно сделать текстовую выгрузку: «Бухгалтерия», «Управление торговлей», «ERP» и другие)
• Обработка для псевдонимизации (внешняя обработка формата .epf, устанавливается в 1С стандартным способом)
• Доступ к любой языковой модели: ChatGPT, Claude, YandexGPT или GigaChat
• Время: первый цикл «выгрузка, замена, запрос, обратная расшифровка» занимает 10-15 минут; повторные быстрее, потому что словарь замен сохраняется в 1С

Как работает цепочка шаг за шагом?

1. Сделайте текстовую выгрузку из 1С. Это может быть таблица дебиторки, акт сверки, реестр платежей. Формат не принципиален: обработка работает с любым текстом.

2. Вставьте выгрузку в обработку. Она автоматически найдёт и заменит чувствительные данные. Вот что распознаётся:

3. ФИО и названия организаций
4. ИНН, ИИН, БИН, ОГРН, ОГРНИП, КПП
5. Банковские счета, БИК, IBAN, номера карт
6. Паспортные данные и СНИЛС (страховой номер индивидуального лицевого счёта)
7. Телефоны, email, адреса, даты рождения
8. Автомобильные номера

9. Денежные суммы

10. Проверьте, что замена консистентна. Одно и то же значение получает один и тот же псевдоним во всей выгрузке. Если «Иванов И.И.» встречается в трёх строках, во всех трёх он станет, например, «Соколов А.А.». Без этого модель решит, что речь о разных людях, и анализ рассыплется.

11. Скопируйте псевдонимизированный текст и отправьте в нейросеть с нужным промптом (запросом к модели). Пример промпта:

Найди основные риски по дебиторской задолженности и предложи график погашения.

1. Вставьте ответ модели обратно в обработку. Она прогонит текст через словарь замен в обратную сторону и вернёт настоящие имена, реквизиты и суммы.

Почему суммы нельзя заменить случайными числами?

Здесь кроется главная тонкость подхода. Если заменить каждую сумму случайным числом, пропорции исчезнут.

Допустим, в оригинале три контрагента должны 1 000 000, 2 000 000 и 5 000 000. При случайной замене эти числа могут стать 832 451, 174 992 и 681 357. Модель уже не определит, кто должен больше, не посчитает доли, не найдёт выбросы.

Решение: все суммы в одной сессии умножаются на один коэффициент. Например, при коэффициенте 1,73 суммы станут 1 730 000, 3 460 000 и 8 650 000. Абсолютные значения изменились, но сохранились:

• отношения между суммами
• доли каждого контрагента
• порядок от меньшего к большему
• динамика и выбросы

Коэффициент позволяет расшифровать даже новые числа, которых не было в исходных данных. Если модель сама рассчитала ежемесячный платёж, это число тоже можно разделить на коэффициент и получить корректный результат в реальных суммах. Обычный словарь замен здесь бессилен: такого значения в нём просто нет.

Что обработка не трогает и почему?

Не все числа в выгрузке являются суммами. Умножать их на коэффициент опасно:

• Проценты: НДС 20% превратился бы в 34,6%, и модель сделает неверный вывод
• Количества товаров или услуг
• Даты документов и номера договоров
• Артикулы, коды, версии платформы
• Счета учёта вида 20.01.1

Логика простая: изменить только то, что нужно скрыть, и сохранить всё, что нужно для анализа.

Где хранится словарь замен?

Словарь, это фактически ключ к деанонимизации. Сохранять его в отдельный файл (например, mapping.json) рискованно: файл можно потерять, случайно отправить вместе с выгрузкой или оставить в общей папке.

Поэтому словарь сохраняется средствами самой 1С в стандартном хранилище настроек и привязывается к конкретному пользователю. Можно закрыть обработку, перезапустить 1С и вернуться к расшифровке позже. Если словарей накопилось несколько, нужный определяется автоматически по совпадениям псевдонимов в тексте ответа.

Контрагент: ООО "Альфа"
Менеджер: Иванов Сергей Петрович
ИНН: 7707083893
Долг: 8 587 500,00
Срок просрочки: 94 дня

Контрагент: ООО "Орион"
Менеджер: Соколов Алексей Андреевич
ИНН: 7721000120
Долг: 13 645 537,50
Срок просрочки: 94 дня

Что делать с этим прямо сейчас, по ролям?

Бухгалтеру или финансисту в 1С. Если вы уже пробовали копировать выгрузки в ChatGPT или YandexGPT для анализа дебиторки, теперь можно делать это без риска утечки реальных реквизитов. Коэффициент для сумм сохраняет аналитическую ценность данных: модель по-прежнему видит, кто должен больше и где аномалии.

Руководителю или предпринимателю. Подход снимает главный барьер для использования 1С и нейросетей в связке: страх, что конфиденциальные данные контрагентов окажутся на внешних серверах. Это не полная гарантия (обработка работает с текстом, который ей передали, сама она ничего никуда не отправляет), но это практичный компромисс между пользой ИИ-анализа и защитой данных.

Автору Дзена, который пишет о 1С или финансах. Тема «1С и нейросети» набирает интерес именно потому, что пользователи 1С, это огромная аудитория в РФ, и у них конкретная боль: данные чувствительные, а анализировать их вручную долго. Разбор подхода с псевдонимизацией, это готовый материал, который ценен читателям-практикам.

Связка 1С и нейросетей перестаёт быть экзотикой, но главный вопрос всегда один: как отдать данные на анализ, не отдав сами данные. Обратимая псевдонимизация с единым коэффициентом для сумм, это рабочий ответ, который уже можно применить к следующей выгрузке дебиторки.