Когда говорят об AI для 1С, часто представляют чат, который умеет отвечать на вопросы по данным учётной системы. На практике корпоративный сценарий гораздо интереснее: нейросеть становится отдельным сервисом рядом с 1С и получает доступ только к тем данным, которые нужны конкретной операции.
Это позволяет не пытаться превратить 1С в нейросеть и не переносить всю бизнес-логику в промпты. 1С продолжает отвечать за учёт, документы и регистры, а AI получает свою специализированную роль — анализ, классификация, поиск, генерация и работа с естественным языком.
Что такое локальная LLM для 1С
LLM (Large Language Model) — языковая модель, способная понимать и генерировать текст, классифицировать информацию, извлекать данные и выполнять ряд задач в естественном языке.
Локальная LLM отличается от облачного AI прежде всего местом выполнения. Модель запускается на собственном сервере или рабочей станции компании, например через Ollama, а приложение обращается к ней по внутреннему API.
↓ HTTP / API / обмен
Symfony / AI Service
↓
Ollama
↓
Local LLM
↓
Structured Output
↓
Бизнес-логика / интерфейс
Таким образом, «локальная LLM для 1С» — это не специальная нейросеть внутри конфигурации. Это архитектурный контур, в котором 1С взаимодействует с локальной AI-моделью через промежуточный сервис или другой контролируемый интерфейс.
Зачем подключать LLM к 1С
У 1С уже есть структурированные данные. Но для пользователя работа с ними часто требует знания конкретных документов, отчётов, отборов и интерфейсов.
AI может стать дополнительным интерфейсом к этой информации.
Вопросы на естественном языке
Руководитель может формулировать запрос человеческим языком, а backend преобразует его в допустимые операции над данными.
AI-аналитика
Модель может объяснять подготовленные показатели, искать отклонения и формировать понятные текстовые выводы.
Работа с документами
Классификация, извлечение реквизитов, анализ текста и сопоставление документов с данными 1С.
Автоматизация рутинных операций
AI может подготавливать данные для следующего шага процесса, оставляя контроль и проведение критичных операций бизнес-правилам.
Почему именно локальная LLM
Главная причина — не слово «бесплатная». У локального запуска есть собственная инфраструктурная экономика и ограничения.
- данные могут оставаться внутри корпоративного периметра;
- AI не требует обязательной отправки каждого запроса во внешний сервис;
- можно работать в закрытой или ограниченной сети;
- нет отдельной оплаты за каждый токен внешнего API;
- архитектуру можно контролировать самостоятельно.
При этом локальный AI требует вычислительных ресурсов и сопровождения. Поэтому его нужно сравнивать с облачным вариантом по реальной нагрузке, требованиям безопасности, качеству модели и стоимости инфраструктуры.
Почему не стоит делать LLM непосредственно внутри 1С
Для простого эксперимента вызов модели из конфигурации возможен. Для долгоживущего Enterprise-контура разумнее выделить AI в отдельный сервис.
AI — отдельная зона ответственности
Модели, промпты, embeddings и AI orchestration развиваются независимо от учётной конфигурации.
Контролируемый обмен
Между 1С и AI можно определить строгий контракт данных и не передавать модели лишнюю информацию.
Безопасность
Доступ AI-сервиса к данным можно ограничить отдельными API, ролями и наборами разрешённых операций.
Замена модели
Можно менять локальную модель или AI-провайдера, не переписывая учётную систему целиком.
Рекомендуемая архитектура 1С + локальная LLM
Для большинства корпоративных сценариев разумно выделить отдельный AI Service.
↓
Web / 1С / Corporate Portal
↓
AI Service
├── Auth / ACL
├── Query / Context Builder
├── Business Rules
└── Audit
↓
Symfony AI
↓
Ollama
↓
Local LLM
↓
Structured Result
↓
1С / PostgreSQL / UI
Как 1С передаёт данные AI-сервису
Способ интеграции зависит от конфигурации и требований конкретного проекта. В качестве транспорта могут использоваться HTTP API, веб-сервисы и другие механизмы обмена 1С.
Главный принцип: AI получает не всю базу 1С, а подготовленный контекст.
{
"period": "2026-08",
"sales": 18400000,
"receivables": 3200000,
"overdue_receivables": 780000,
"orders_count": 428,
"margin_percent": 21.4
}AI получает компактный набор данных, соответствующий конкретной задаче, а не весь массив документов и регистров.
Пример: руководитель спрашивает 1С о продажах
Пользователь задаёт вопрос:
Не стоит позволять LLM самостоятельно читать всю базу и придумывать SQL. Лучше разделить процесс.
↓
AI / Router
↓
Разрешённый аналитический запрос
↓
1С / Data Service
↓
Агрегированные данные
↓
LLM
↓
Текстовое объяснение
AI отвечает за понимание вопроса и объяснение результата, а источник цифр остаётся в системе учёта.
AI не должен быть источником истины
Если в 1С хранится сумма заказа, остаток товара или статус оплаты, источником истины должна оставаться 1С. Нейросеть не должна «запоминать» эти значения и отвечать по памяти.
↓
Data / API
↓
AI Context
↓
LLM = Interpretation / Generation
Structured Output для 1С
Если AI должен не только отвечать человеку, но и запускать следующий шаг процесса, обычного текста недостаточно.
{
"category": "RETURN_REQUEST",
"priority": "HIGH",
"customer_id": "C-1842",
"requires_manager": true,
"confidence": 0.91
}Symfony может проверить схему, применить бизнес-правила и только после этого передать команду в 1С.
Какие задачи 1С можно отдавать локальной LLM
1. Классификация обращений
Входящие письма, обращения клиентов или комментарии можно автоматически распределять по категориям, приоритетам и ответственным.
2. Извлечение данных из документов
AI может извлекать из неструктурированного текста реквизиты, номера, даты, условия и другие признаки, после чего backend валидирует их и передаёт в 1С.
3. AI-поиск по корпоративной информации
Если объединить 1С с RAG-контуром, сотрудник сможет задавать вопросы по регламентам, инструкциям и внутренней документации одновременно с обращением к данным учётной системы.
4. Анализ отклонений
Backend получает подготовленные показатели из 1С, а LLM формирует объяснение: какие показатели изменились, где искать причины и какие объекты требуют внимания.
5. Подготовка документов и текстов
AI может создавать черновики писем, комментариев, пояснений и других текстовых материалов на основании данных из 1С.
6. Помощник для сотрудников
Вместо поиска по инструкциям сотрудник может спросить: «Как оформить возврат?» — а система найдёт соответствующий регламент и сформирует ответ.
Локальная LLM + RAG + 1С
Особенно интересная архитектура появляется, когда вместе используются три компонента:
├── structured business data
└── documents / metadata
↓
Knowledge / Data Layer
├── SQL
├── RAG
└── APIs
↓
Symfony AI
↓
Ollama
↓
Local LLM
Числа можно брать через SQL/API, регламенты — через RAG, а затем объединять результат и передавать его модели для объяснения. Такой корпоративный AI чаще является гибридом RAG + SQL + API, а не только векторной базы.
RAG не заменяет SQL
Вопрос «Какая выручка была по клиенту за август?» — прежде всего задача работы со структурированными данными. Вопрос «Какие условия отсрочки платежа предусмотрены договором?» — уже задача поиска по документу.
Сложный вопрос может потребовать комбинации SQL, документов и reasoning модели. Поэтому AI-сервис должен уметь обращаться к разным источникам, а не пытаться получить всё из одного механизма.
Можно ли сделать AI-чат прямо в 1С
Да, пользовательский интерфейс может находиться непосредственно в 1С. Но это не означает, что сама LLM должна находиться внутри конфигурации.
↓
HTTP API
↓
Symfony AI Service
↓
RAG / SQL / 1С API
↓
Ollama
↓
Local LLM
Для пользователя это может выглядеть как обычный дополнительный интерфейс внутри привычной системы.
Что делать с доступом к данным 1С
AI-интерфейс не должен автоматически получать те же права, что и пользователь или администратор.
- какие данные доступны AI;
- какие операции разрешены;
- какие поля запрещено передавать модели;
- какие подразделения и организации доступны пользователю;
- может ли AI только читать данные или также инициировать действия;
- какие операции требуют подтверждения человека.
Особенно важно разделять read и write. Прочитать агрегированные показатели и создать финансовый документ — совершенно разные уровни риска.
AI может предлагать действие, но не обязан выполнять его самостоятельно
Для критичных процессов хороший вариант — режим «AI предлагает → человек подтверждает».
↓
AI
↓
Предложение действия
↓
Validation / Business Rules
↓
Human Approval
↓
1С
Какая модель нужна для 1С
Универсального ответа нет. Модель нужно выбирать по задаче, языку документов, доступному железу, требуемой скорости и качеству результата.
Для классификации, извлечения полей и короткого резюме могут подойти компактные модели. Для сложного анализа и большого контекста может потребоваться более крупная модель или облачный AI.
Правильный путь — взять тестовый набор реальных задач 1С и сравнить несколько моделей на одинаковых данных.
Сколько стоит локальная LLM для 1С
Если модель запускается локально, нет обязательной оплаты каждого запроса внешнему AI-провайдеру. Но это не означает нулевую стоимость владения.
сервер / GPU или CPU
+ хранилище
+ электроэнергия
+ эксплуатация
+ разработка интеграции
+ сопровождение модели
1С + Ollama в закрытом контуре
Для предприятий, где внешний AI API использовать нельзя или нежелательно, архитектура может быть полностью локальной.
│
├── 1С
├── PostgreSQL
├── Файловое хранилище
├── Symfony AI Service
│
└── AI Server
└── Ollama
└── Local LLM
Это хорошо сочетается с on-premise-подходом: AI не требует отдельного внешнего облачного контура, а доступ к модели можно ограничить внутренней сетью.
Как выглядит MVP локального AI для 1С
- Выбрать один повторяющийся процесс.
- Определить входные данные из 1С.
- Сформировать минимальный контекст.
- Подключить Symfony AI.
- Запустить локальную модель через Ollama.
- Задать Structured Output.
- Проверить результат бизнес-правилами.
- Сохранить результат и метрики.
- Добавить человеческое подтверждение там, где оно необходимо.
Типичные ошибки при подключении AI к 1С
- Отправлять в LLM всю базу. AI должен получать минимально необходимый контекст.
- Пусть LLM сама изменяет данные. Критичные действия должны проходить через бизнес-правила и контроль доступа.
- Считать AI источником истины. Актуальные показатели должны приходить из 1С или другого системного источника.
- Смешивать AI и учётную логику. Лучше выделить отдельный сервис.
- Не использовать Structured Output. Для автоматизации нужен проверяемый машинный результат.
- Не учитывать обновление данных. AI-контекст должен формироваться из актуальных данных.
- Выбирать модель только по размеру. Проверять нужно качество на конкретных бизнес-сценариях.
Локальная LLM для 1С: когда это действительно имеет смысл
| Сценарий | Локальная LLM | Что важно |
|---|---|---|
| Закрытый контур | Подходит | Инфраструктура и безопасность |
| Много однотипных запросов | Интересно сравнить | Стоимость и throughput |
| Классификация документов | Подходит | Качество модели |
| Корпоративный AI-поиск | Подходит | RAG + ACL |
| Сложный reasoning | Нужно тестировать | Сравнение моделей |
Вывод
Локальная LLM для 1С — это не попытка заменить 1С нейросетью. Это способ добавить к существующей учётной системе отдельный интеллектуальный слой.
1С продолжает быть источником структурированных бизнес-данных и выполнять учётную функцию. Symfony или другой backend управляет интеграцией и правилами. RAG отвечает за поиск по корпоративным документам. Ollama запускает локальную модель. LLM понимает запрос, классифицирует информацию и формирует результат.
В итоге получается архитектура:
RAG → корпоративные знания
Symfony AI → orchestration
Ollama → локальный inference
LLM → понимание и генерация
Business Rules → контроль действий
Такой подход позволяет постепенно внедрять AI без замены существующей информационной системы: начать с одной операции, проверить качество на реальных данных и затем расширять контур до корпоративного AI-ассистента.
По теме: посмотрите Ollama и локальные AI-модели для бизнеса и RAG по корпоративным документам: как дать AI доступ к знаниям компании.
