В ночь на 1 июня сценарий запустился автоматически в 23:00. К 6 утра у финансиста в Telegram лежало уведомление: «Закрытие мая завершено. Черновики отчётов готовы. Флагов для проверки: 14 строк из 847». Она открыла папку, проверила флаги за полчаса и к обеду подписала финальную версию. Пять дней ручного закрытия стали полутора днями. Это не пилот, это работающая связка из семи AI-агентов в n8n, которую мы собирали с ней три вечера.
Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (основатель школы Софья Бурцева). С нейросетями в работе финансиста с февраля 2023 года. В этой статье разбираю мультиагентную архитектуру для закрытия месяца по состоянию на 9 июня 2026 года: что такое армия агентов в n8n, как устроены шесть специализированных агентов, промпты для каждого из них, три кейса с цифрами и пошаговый план сборки за выходные. Сайт chatgpt.com в России открывается через специальные средства доступа — это стандартная оговорка, дальше не останавливаюсь.
Что такое армия AI-агентов и почему это не просто большой промпт
Прямой ответ: армия агентов в n8n это несколько специализированных AI-узлов в одном сценарии, каждый из которых делает одну задачу и передаёт результат следующему. Это принципиально другой уровень по сравнению с длинным промптом в одном чате.
Объясню на аналогии. Один большой промпт в ChatGPT — это умный универсал, которому вы поставили задачу «закрой мне месяц». Он постарается, но задача слишком большая для одного контекста: данные из 1С, выписка, ОДДС, P&L, налоги, письмо собственнику — всё смешивается, модель путается в деталях и начинает додумывать цифры, которых нет.
Армия агентов — это цех с разделением труда. Агент-сборщик знает только то, где лежат данные и как привести их к стандартному виду. Агент-сверщик получает уже стандартизированные данные и ищет расхождения. Агент-аналитик работает только с чистыми цифрами и пишет записку. Каждый узкий специалист делает своё дело точно, потому что не отвлекается на соседние задачи.
В n8n это реализуется через цепочку AI Agent нод. Каждая нода — отдельная нейросеть со своей системной инструкцией и набором инструментов (Tools): читать Google Таблицу, вызвать Python-расчёт, записать в папку, отправить в Telegram. Данные текут по стрелкам: выход одной ноды становится входом следующей. Весь сценарий запускается по расписанию и отрабатывает без вашего участия.
Три ключевых понятия, которые важно понять:
AI Agent нода — узел в n8n, который не просто «отправляет текст в нейросеть», а принимает решение, какой инструмент вызвать в каждой конкретной ситуации. Агент может прочитать таблицу, написать в Telegram, вызвать Python-скрипт, обратиться к внешнему API — и выбор инструмента делает сам, на основе промпта и входящих данных.
Оркестратор (диспетчер) — главная нода, которая знает всю последовательность шагов, запускает агентов по цепочке и собирает сигналы об ошибках. Это не отдельный AI-вызов, а сочетание структуры сценария и стартового агента, который задаёт контекст закрытия.
Мультиагентный сценарий — весь workflow целиком: от триггера «1-е число месяца в 23:00» до уведомления «черновики готовы, флагов X». Именно это мы строим.
Почему это работает лучше одного универсала? Три причины. Первая: специализация — каждый агент настроен только на свою задачу, его промпт и контекст не засорены соседними. Вторая: масштаб — 300 строк выписки плюс 50 счетов плюс ОДДС не влезут в один диалог без потерь, армия обрабатывает это последовательно без ограничений контекста. Третья: устойчивость — если один агент встретил нестандартный случай, он помечает строку флагом и продолжает, не стопоря всю цепочку.
Подробнее о базовых автоматизациях в n8n я писала в статье n8n для финансиста, а о кастомных GPT-агентах без кода — в AI-агентах для финдиректора за один вечер. Эта статья строится поверх тех материалов.
Почему месячное закрытие — идеальная задача для мультиагентной связки
Прямой ответ: закрытие месяца это повторяющийся, предсказуемый процесс с чёткой структурой данных, именно под такие задачи мультиагентная связка работает лучше всего.
Посмотрим на то, из чего на самом деле состоит закрытие месяца в среднем финотделе. По опыту учениц курса «AI-навыки финансиста», это выглядит так:
- Сбор данных из разных источников (1С, банк, авансовые отчёты, первичка от поставщиков): 6-8 часов.
- Сверка регистров (соответствие банковской выписки, книг покупок и продаж, остатков): 4-6 часов.
- Разнесение по статьям ДДС и проверка P&L: 3-5 часов.
- Расчёт налоговых начислений: 2-3 часа.
- Написание пояснительных записок и дайджестов: 3-4 часа.
- Согласование и правки с командой: 2-4 часа.
Итого 20-30 человеко-часов на механику. И большинство этих часов — не интеллектуальная работа, а копирование, сведение, перепроверка форматов. Именно это и берёт армия агентов.
Этап закрытия Вручную Агент берёт Остаётся вам Сбор данных из источников 6-8 ч сам забирает данные ночью проверить список источников, 15 мин Сверка регистров 4-6 ч находит расхождения, помечает флагами разобрать флаги (1-2 ч) Разнесение по ДДС 3-5 ч 80-90% строк автоматически проверить «сомнительные» (1 ч) Расчёт налогов 2-3 ч готовит черновик по параметрам проверить и утвердить (30 мин) Записки и дайджест 3-4 ч пишет черновик по данным отредактировать и подписать (1 ч) Согласование 2-4 ч агент не участвует целиком ваша работа
Мультиагентная связка не убирает закрытие — она убирает его механику. Вам остаётся то, что не автоматизируется: решения по нестандартным операциям, разговор с командой, финальная проверка отчёта. Именно то, за что вам платят как финансисту.
И ещё одна причина, по которой закрытие месяца хорошо ложится на агентов: данные структурированы. Банковская выписка — таблица с предсказуемыми колонками. ОДДС — шаблон с заранее известными статьями. P&L — формат, который не меняется каждый месяц. Когда данные предсказуемы, агенты работают точно.
Архитектура армии: 7 агентов и диспетчер в одном сценарии n8n
Прямой ответ: боевая связка состоит из агента-диспетчера и шести специализированных агентов. Все они живут в одном workflow n8n и запускаются цепочкой по расписанию.
Вот полная карта армии:
Диспетчер — AI Agent нода в начале сценария. Получает сигнал от Schedule Trigger, логирует начало закрытия, устанавливает параметры месяца и года и передаёт управление первому специалисту. В системной инструкции диспетчера прописана вся последовательность шагов и правила обработки ошибок.
Агент 1. Сборщик данных — читает данные из всех настроенных источников: Google Таблицы (управленка, платёжный календарь), папка с CSV-выгрузками из 1С, входящие письма с вложениями от банка. Выход: несколько датасетов в стандартном CSV-формате.
Агент 2. Нормализатор — приводит все входящие датасеты к единому формату (дата, контрагент, сумма, тип, источник), заменяет ИНН и названия на маски по справочнику, удаляет дубли.
Агент 3. Сверщик — сравнивает данные из разных источников: остатки по банковской выписке с регистром учёта, суммы счетов с данными 1С. Помечает расхождения флагом, формирует список «к проверке».
Агент 4. Классификатор ДДС — разносит каждую очищенную транзакцию по статьям ДДС из вашего справочника. Нестандартные операции — флаг «проверить», остальные — автоматически.
Агент 5. P&L-аналитик — агрегирует данные по P&L за период, считает отклонения от плана, пишет черновик пояснительной записки по структуре «главные цифры → динамика → причины → что делать».
Агент 6. Редактор — собирает всё воедино: пишет дайджест для собственника, формирует итоговый список флагов для финансиста, отправляет уведомление в Telegram с ссылками на черновики в Google Drive.
Технически все агенты работают в одном n8n workflow. Каждый — это AI Agent нода, к которой подключены нужные инструменты (Tools): чтение/запись Google Sheets, работа с файлами, Python-расчёты через Code нода, отправка сообщений. Данные между агентами передаются через выходные данные нод — стандартный механизм n8n.
Важный момент: агенты не работают параллельно, они работают последовательно. Сборщик → нормализатор → сверщик → классификатор → аналитик → редактор. Каждый ждёт результата предыдущего. Это надёжнее, чем параллельная обработка, и проще отлаживать.
Агент-диспетчер: кто запускает армию и следит за порядком
Прямой ответ: диспетчер это первый AI Agent нода в сценарии, который устанавливает параметры закрытия, проверяет, что все источники данных доступны, и запускает цепочку.
Диспетчер не занимается аналитикой, его задача — организация. Три вещи, которые он делает: проверить наличие всех нужных файлов и доступов, зафиксировать контекст закрытия (месяц, год, особые события), передать управление сборщику с правильно сформированными параметрами.
Системная инструкция диспетчера выглядит так:
Системная инструкция агента-диспетчера закрытия месяца # Роль Ты диспетчер процесса закрытия финансового месяца. Твоя задача: проверить готовность всех источников данных и запустить цепочку агентов в правильном порядке. # На входе - Параметры запуска: {month}, {year} - Список источников данных из переменных сценария # Шаги 1. Проверь, что все файлы-источники доступны (CSV-выгрузки, Google Sheets). Если источник недоступен, пометь его флагом "недоступен" и передай список дальше. 2. Сформируй контекст закрытия в формате JSON: { "month": X, "year": XXXX, "sources": [...], "missing_sources": [...], "started_at": "дата/время" } 3. Передай контекст следующему агенту (сборщику данных). # Ограничения - Не запускай сценарий, если все три основных источника недоступны. В этом случае отправь уведомление: "Закрытие не запущено: нет доступа к источникам данных. Проверьте подключения." - Все действия логируй в таблицу audit_log. - Никаких аналитических выводов — только проверка и передача.
К диспетчеру подключены инструменты: Google Sheets (чтение и запись лога), Telegram (отправка уведомлений), Google Drive (проверка наличия файлов).
Уведомление в Telegram настраивается один раз: диспетчер шлёт сообщение «Закрытие [месяц] [год] запущено. Источников: N. Черновики будут готовы к утру» — и вы знаете, что армия пошла работать, даже если в 23:00 уже спите.
Агент 1. Сборщик данных: 1С, банк и таблицы в один формат за ночь
Прямой ответ: сборщик читает данные из всех настроенных источников и складывает их в один стандартизированный датасет. Он не анализирует, не ищет ошибки, только собирает.
Финансовые данные у среднего финотдела живут в трёх-четырёх разных местах: управленческие таблицы в Google Sheets, выгрузки из 1С в папке на сервере, выписка из банка в письме на почте или через API, авансовые отчёты от сотрудников в отдельной папке. Сборщик знает, где всё это лежит, и приносит в одно место.
Промпт для ноды-сборщика:
Ты агент-сборщик финансовых данных. Входящие параметры: {month}, {year}, {sources_list} Задачи: 1. Прочитай данные из каждого источника в sources_list. Источники: Google Sheets (вкладки управленки), CSV-файлы в папке /exports/{year}/{month}/, вложения из почтового ящика с темой "выписка {month}". 2. Для каждого источника собери строки в формате: { "date": "ДД.ММ.ГГГГ", "amount": число, "type": "приход/расход", "counterparty": "", "purpose": "", "source": "название источника" } 3. Если источник недоступен или данных нет — запиши строку "source: [название], status: недоступен" в audit_log и продолжи с оставшимися источниками. 4. Верни единый массив записей из всех источников плюс summary: { "total_rows": N, "sources_read": [...], "sources_failed": [...] } Правила: - Не агрегируй, не анализируй, только собирай и стандартизируй. - Суммы всегда в рублях числом без пробелов и знаков. - Даты всегда в формате ДД.ММ.ГГГГ. - Если поле пустое в источнике — ставь пустую строку, не выдумывай.
Для подключения к источникам используем стандартные ноды n8n: Google Sheets, Gmail (с фильтром по теме письма), Google Drive (Read Binary File), HTTP Request (если банк даёт API). Все коннекторы настраиваются через Credentials один раз и используются в любом сценарии.
Рабочий лайфхак: для 1С настройте регламентное задание «Выгрузка в CSV» на 22:30 первого числа, раньше запуска сценария. Тогда к моменту, когда сборщик идёт за данными в 23:00, файл уже лежит в нужной папке. Если у вас несколько юрлиц, каждая копия 1С кладёт файл с префиксом названия компании, сборщик забирает все файлы с маской *.csv из папки и помечает каждую строку источником.
Агент 2. Нормализатор и сверщик: расхождения, дубли, пропущенные документы
Прямой ответ: нормализатор приводит все данные к единому стандарту и заменяет реальные реквизиты на маски, а сверщик сравнивает данные из разных источников и находит несоответствия.
Это два шага, которые можно объединить в одну AI Agent ноду или разделить на две. Для первого запуска рекомендую разделить: легче тестировать и дебажить, если что-то пошло не так.
Промпт для ноды нормализатора (обезличивания и стандартизации):
Ты агент нормализации финансовых данных. На входе: сырой датасет из нескольких источников. Задачи: 1. Замени реальные ИНН, названия контрагентов и номера счетов на маски из справочника. Справочник в knowledge base (файл contractors_mask.json). Формат: "реальное_значение" → "МАСКА_N". Если контрагента нет в справочнике — добавь запись "new_counterparty: [значение]" в audit_log и присвой маску "КОНТР_НОВЫЙ_N" (N = порядковый номер). 2. Приведи все даты к формату ДД.ММ.ГГГГ. 3. Суммы всегда числом без пробелов, знаков и слов. 4. Удали строки-дубли (одинаковая дата, сумма, тип, контрагент из одного источника). Дубли запиши в список duplicates. 5. Верни: нормализованный датасет + список новых контрагентов для добавления в справочник + список удалённых дублей.
Промпт для ноды-сверщика:
Ты агент финансовой сверки. На входе: нормализованный датасет с несколькими источниками (банк, 1С, управленческий учёт). Задачи: 1. Для каждой строки из банковской выписки найди соответствие в реестре 1С (по дате ± 3 дня, сумме с допуском 0, контрагенту). Если соответствия нет — пометь строку флагом "банк_без_1С". 2. Для каждой строки из 1С, которой нет в банковской выписке, пометь флагом "1С_без_банка". 3. Найди транзакции, которые задублированы между источниками (одинаковые дата, сумма, контрагент, но два источника). Пометь флагом "возможный_дубль_источников". 4. Посчитай итоговое расхождение в рублях между остатком по банку и остатком по 1С на конец месяца. 5. Верни: полный датасет с флагами + сводка: { "bank_without_1c": N строк, "1c_without_bank": N строк, "possible_duplicates": N строк, "balance_difference": сумма } Правила: - Если данных не хватает для проверки, помечай строку флагом "нет_данных_для_сверки", не выдумывай соответствия. - Никогда не изменяй суммы и даты в исходных данных.
По практике учениц, 80-90% строк проходят сверку без флагов. Оставшиеся 10-20% — это нестандартные операции, новые контрагенты или реальные ошибки учёта. Именно их финансист разбирает руками, и именно поэтому сверка с флагами лучше сверки с остановкой: вы видите полную картину и работаете только с исключениями.
Агент 3. Классификатор ДДС: статьи без вашего участия
Прямой ответ: классификатор разносит каждую транзакцию по статьям ДДС из вашего справочника и помечает флагом только те, в которых не уверен.
Разнесение выписки по статьям ДДС — классическая монотонная работа: каждую из сотен операций нужно отнести к нужной статье по назначению платежа и контрагенту. Нейросеть делает это точнее стажёра, если ей дать правильный справочник.
Ты агент классификации ДДС. На входе: нормализованный датасет транзакций за закрываемый месяц. В knowledge base файл dds_categories.json — справочник статей ДДС. Задача: Присвой каждой транзакции статью ДДС строго из справочника. Формат строки на выходе: все исходные поля + поле "dds_category" + поле "confidence" (high/medium/low) + поле "dds_flag" (пустое или "проверить"). Правила классификации: - Если назначение платежа и контрагент однозначно указывают на статью из справочника — присвой статью, confidence: high. - Если назначение расплывчатое ("оплата по договору", "услуги") но контрагент уже встречался в прошлых месяцах — присвой ту же статью, что и ранее (данные прошлых месяцев в knowledge base), confidence: medium. - Если ни назначение, ни контрагент не дают однозначного ответа — присвой "Прочие поступления" или "Прочие расходы", confidence: low, dds_flag: "проверить". - Используй только статьи из dds_categories.json. Не придумывай новые категории. - Не меняй суммы и даты.
По опыту учениц, после первого месяца работы 85-90% строк получают confidence: high. После двух-трёх месяцев, когда в knowledge base накапливается история по контрагентам, точность растёт до 92-95%. Флаг «проверить» остаётся у 5-8% строк — это новые контрагенты или нестандартные операции, требующие вашего суждения.
Важное дополнение: файл dds_categories.json в knowledge base поддерживайте актуальным. Добавили новую статью в управленческую отчётность — добавьте и в справочник агента. Пять минут раз в квартал экономят час разбора флагов в закрытие.
Агент 4. P&L-аналитик: черновик пояснительной записки к утру
Прямой ответ: P&L-аналитик берёт классифицированные данные, агрегирует P&L за период, считает отклонения от плана и пишет черновик пояснительной записки по стандартной структуре.
Это самый «интеллектуальный» агент в армии. Он не просто суммирует строки — он интерпретирует цифры и готовит черновик текста. Хорошая новость: если вы дали ему шаблоны записок-эталонов в knowledge base и правильно описали структуру, черновик будет готов на 70-80% и потребует правки, а не написания с нуля.
Ты агент P&L-аналитики. На входе: классифицированный датасет транзакций за {month} {year} + бюджетный план на этот месяц (из Google Sheets, вкладка "Бюджет"). Задача: 1. Агрегируй транзакции по статьям P&L из справочника (pnl_structure.json в knowledge base). 2. Рассчитай отклонения факт/план по каждой статье в рублях и %. 3. Определи топ-5 статей с наибольшим отклонением (по абсолютной величине от плана). 4. Напиши черновик пояснительной записки по структуре: — Главные цифры: выручка, прямые затраты, операционная прибыль, чистая прибыль (факт и план, отклонение). — Динамика: что выросло, что упало. — Топ-3 причины отклонений (только по данным, не додумывать). — Что делать дальше: 2-3 предложения с конкретными действиями. Длина записки: 300-400 слов. Для собственника, не финансиста. 5. Верни: таблицу P&L с отклонениями + черновик записки. Правила: - Используй только данные из датасета и бюджетного плана. Если данных не хватает для расчёта статьи — помечай статью флагом "нет_данных" и не подставляй нули. - Расчёты выполняй через Code Tool в Python, показывай промежуточные итоги. - Черновик записки пиши деловым русским без канцелярита, без эмодзи, никаких "стоит отметить" и "следует учитывать". - Если отклонение от плана по статье больше 20% — выдели строку жирным в таблице.
Что важно: в knowledge base агента P&L-аналитика должны лежать три-пять примеров ваших лучших пояснительных записок. Это самый ценный файл в базе: агент видит не абстрактные правила, а конкретные эталоны вашего стиля и формата. Разница в качестве выдачи — примерно как между стажёром, которому дали устную инструкцию, и стажёром, который изучил пять готовых работ.
Агент 5. Налоговый оценщик: авансы и красные флаги
Прямой ответ: налоговый оценщик считает черновые оценки налоговых начислений по данным P&L и помечает ситуации, требующие внимания перед сдачей отчётности.
Важная оговорка: агент даёт черновые оценки и поднимает флаги, а не выдаёт окончательные расчёты налогов. Всё, что касается реальных налоговых обязательств, проверяет финансист или налоговый консультант. Это честная и нужная граница.
Ты агент налоговой оценки. На входе: таблица P&L за {month} {year} с итоговыми суммами. В knowledge base: tax_params.json (режим налогообложения компании, ставки налогов, актуальные на дату [ПРОВЕРИТЬ В КОНСУЛЬТАНТПЛЮС]). Задача: 1. На основе P&L рассчитай предварительную оценку: — Налог на прибыль (аванс за квартал, если месяц закрывает квартал). — НДС к уплате (если компания на ОСНО): исходящий НДС минус входящий НДС. — Взносы с ФОТ (если ФОТ за месяц есть в P&L). 2. Подними флаг "внимание" если: — Налоговая нагрузка аномально низкая (менее 1% от выручки для ОСНО) — риск претензий со стороны ФНС. — Аванс по прибыли за квартал превысит уже уплаченный в прошлом квартале более чем на 50%. — Есть статьи расходов, для которых нет подтверждающих документов в датасете. 3. Верни: — Таблицу начислений: налог, база, ставка, сумма к уплате. — Список флагов "внимание" с кратким пояснением. — Пометку: "Расчёты предварительные. Проверить по актуальным ставкам в КонсультантПлюс [ПРОВЕРИТЬ]." Правила: - Все ссылки на статьи НК и ставки налогов отмечай тегом [ПРОВЕРИТЬ В КОНСУЛЬТАНТПЛЮС]. Данные модели могут быть устаревшими по конкретным ставкам. - Не выдумывай суммы, не подставляй ноль если данных нет. - Расчёты выполняй в Python через Code Tool.
Агент 6. Редактор-дайджест: отчёт собственнику сам себя пишет
Прямой ответ: редактор собирает черновики от всех предыдущих агентов, упаковывает их в финальный дайджест для собственника, формирует список флагов для финансиста и отправляет уведомление о готовности.
Это финальный агент армии, и у него две аудитории: собственник (короткий и понятный дайджест без цифрового жаргона) и финансист (список всего, что требует проверки и решения).
Ты агент-редактор финансового закрытия. На входе: - Черновик записки P&L от аналитика - Черновик налоговых оценок - Список флагов от сверщика и классификатора - summary о ходе закрытия Задача 1. Дайджест для собственника (до 200 слов): Напиши короткий отчёт по структуре: 1. Главное одной фразой: как прошёл месяц. 2. Три ключевых цифры: выручка, прибыль, остаток на счетах. 3. Что важно знать: 2-3 факта (крупный платёж, рост расходов, риск). 4. Что сделано по планам прошлого месяца (если есть данные). Тон деловой и спокойный. Никакого жаргона. Никаких эмодзи. Суммы с разделением разрядов, слово "рублей" или "руб", не символ. Задача 2. Список флагов для финансиста: Собери все флаги от всех агентов в единую таблицу: | Тип флага | Строк | Что делать | Добавь оценку приоритета: "срочно" / "до конца недели" / "информация". Задача 3. Отправь уведомления: - В Telegram финансисту: "Закрытие {month} {year} завершено. Флагов к разбору: N. Черновики в Drive: [ссылка]." - В Telegram или почту собственнику: дайджест текстом. - Запиши финальный статус в audit_log. Правила: - Используй только данные от предыдущих агентов. - Если какого-то блока не хватает (P&L или налоги) — пиши "данных нет" и не подставляй оценку. - Дайджест собственнику не должен содержать слова "флаг", "проверить", "агент". Только деловой язык.
После работы редактора в Telegram приходит одно уведомление с кратким резюме и ссылкой на папку в Google Drive. Утром вы открываете папку: черновик P&L-записки, черновик налоговых оценок, таблица флагов по приоритетам и дайджест для собственника. Всё, что армия могла, она сделала. Дальше — ваша работа.
Три кейса с цифрами: сколько часов и рублей экономит армия
Три истории учениц курса «AI-навыки финансиста» с реальными цифрами. Имена обезличены по их просьбе.
Кейс 1. Финдир онлайн-школы: три юрлица и 22 часа в месяц
Ольга, финансовый директор EdTech-компании с тремя юридическими лицами, 68 сотрудников. До внедрения: закрытие одного юрлица занимало 5 рабочих дней, трёх — 12-14 дней с учётом перекрёстных сверок между сущностями. В команде: финдир, два бухгалтера и экономист.
Точка А. 12-14 дней закрытия в год = 144-168 рабочих дней. Примерно 1,5 тысячи часов только на механику. Из них половина — копирование данных между системами, разнесение по статьям, написание записок по шаблону.
Что сделали. За два выходных собрали армию из 7 агентов под три юрлица: сборщик читает три отдельные папки с CSV-выгрузками из 1С, нормализатор знает разные форматы каждой компании, классификатор использует общий справочник статей ДДС. P&L-аналитик читает три отдельных бюджетных плана и пишет три записки по одному шаблону. Редактор формирует один консолидированный дайджест.
Точка Б. Через три месяца работы сценария: закрытие трёх юрлиц — 2,5 дня. День первый: армия работает ночью, утром Ольга получает 47 флагов для разбора (из 2 800 транзакций за три компании). Половина дня — разбор флагов и правка черновиков. День второй — согласование с командой и итоговая подписка. Экономия: 22 часа в месяц лично у Ольги и 15 часов у команды бухгалтеров. По ставке финдира 1 500 рублей в час это 33 000 рублей в месяц высвобожденного времени. Подписки на API нейросетей и n8n обходятся в 3 500 рублей в месяц. ROI более 800% уже в первый месяц.
Кейс 2. Главбух торговой компании: сверка без нервов
Татьяна, главный бухгалтер торговой компании с 120 сотрудниками, одно юрлицо, 1С 8.3, обороты около 80 млн рублей в месяц. Главная боль: расхождения между банковской выпиской и регистром 1С. Каждое закрытие сверка занимала 2 полных рабочих дня, и стабильно находились 3-5 реальных ошибок (задвоенные платежи, неотражённые операции).
Точка А. 2 рабочих дня сверки × 12 месяцев = 24 дня в год. Плюс нервы от ситуаций «нашли ошибку за три дня до сдачи отчёта».
Что сделали. Настроили агентов-сверщиков под специфику: у Татьяны три расчётных счёта в разных банках, и каждый даёт выписку в своём формате. Нормализатор научили обрабатывать три разных CSV-структуры. Сверщик сравнивает не только суммы, но и назначения платежей (с допустимой погрешностью для опечаток в наименованиях).
Точка Б. За первый квартал работы: сверка как ручная операция исчезла полностью. Агенты каждое 1-е число находят расхождения и складывают их в таблицу флагов. Среднее число флагов по сверке: 18-25 строк из 600-900 транзакций в месяц (3-4%). Татьяна разбирает их за 1,5-2 часа вместо двух дней. Найдено шесть реальных ошибок за квартал, все до закрытия, ни одна не дошла до отчёта. Экономия: 18 часов в месяц у главбуха, 8 часов у расчётчицы.
Кейс 3. Финдир группы компаний: консолидация из 4 городов
Михаил, финансовый директор сети торговых точек (4 города, 6 юрлиц), команда 3 бухгалтера на местах. Главная боль: данные от четырёх региональных бухгалтеров к пятому числу месяца всегда приходили в разных форматах и с ошибками, и ещё 3-4 дня уходило на «причёсывание» для консолидации.
Точка А. 3-4 дня приведения данных к единому формату × 12 месяцев = 36-48 дней в год. Плюс постоянная переписка «пришли мне вот эту цифру в таком формате».
Что сделали. Армия агентов решила проблему форматов на стороне сборщика и нормализатора. Регламентировали: каждый региональный бухгалтер выгружает CSV из своей 1С в общую папку на корпоративном облаке до 23:00 первого числа. Сборщик забирает все шесть файлов, нормализатор приводит к единому формату, зная специфику каждого региона. Сверщик сравнивает с консолидированным бюджетом.
Точка Б. Консолидация четырёх регионов автоматически к 6 утра второго числа. Михаил начинает день 2 не с «соберём данные» а сразу с анализа готового черновика. Экономия у него лично: 25 часов в месяц. Региональные бухгалтеры тратят по 30 минут на выгрузку CSV вместо 2-3 часов на ручную переписку и правки.
Сравнение подходов: армия агентов vs один агент vs ручное закрытие
Прямой ответ: армия агентов обгоняет оба остальных подхода по скорости и качеству, но требует больше времени на настройку. Один агент — хорошее промежуточное решение на первый месяц.
Параметр Ручное закрытие Один AI-агент Армия агентов в n8n Срок закрытия 3-5 дней 2-3 дня 1,5-2 дня Часы финансиста 20-30 ч 10-15 ч 4-6 ч Число источников данных любое 1-2 за раз 4-8 параллельно Объём данных за раз без ограничений до 200К токенов неограниченно Параллельная обработка нет нет есть Работает ночью без вас нет нет да Время настройки с нуля — 2-3 часа 2-3 вечера Стоимость в месяц зарплата команды 1 000-2 000 руб 1 500-3 000 руб Когда использовать отказ от AI начало пути системное внедрение
Честный совет по старту. Если вы ещё не работали с AI-агентами для финансовых задач, начните не с армии, а с одного агента: соберите «Финдир-аналитика» по инструкции из статьи GPT-агенты для финансиста, поработайте с ним месяц. Потом возвращайтесь к этой статье — строить армию с опытом одного агента в руках значительно проще, чем с нуля.
Мультиагентный сценарий в n8n оправдан, когда у вас: несколько источников данных, закрытие занимает больше 3 дней, есть повторяющиеся задачи (сверка, классификация, записки), и вы готовы потратить 2-3 вечера на настройку ради ежемесячной экономии 15-25 часов.
Мета-промпт: попросить нейросеть собрать весь сценарий за вас
Прямой ответ: Claude Sonnet 4.6 или GPT-5.5 напишут готовый JSON-сценарий n8n по текстовому описанию — это самый быстрый способ начать сборку армии.
Этот подход я описывала в статье про n8n для финансиста, там же мета-промпт для отдельных сценариев. Для мультиагентного закрытия месяца он выглядит так:
Ты эксперт по n8n. Собери мне мультиагентный сценарий (workflow) для автоматического закрытия финансового месяца. Верни готовый JSON, который я смогу импортировать в n8n через "Import from clipboard". Структура сценария: 1. Schedule Trigger: 1-е число каждого месяца в 23:00. 2. AI Agent нода "Диспетчер": проверяет список источников данных, логирует запуск в Google Sheets. 3. AI Agent нода "Сборщик": читает CSV-файлы из папки Google Drive /exports/{год}/{месяц}/, читает данные из Google Sheets (вкладки "Управленка" и "Бюджет"). 4. Function нода: нормализует данные, приводит к единому формату. 5. AI Agent нода "Сверщик": сравнивает данные из разных источников, помечает расхождения флагом "проверить". 6. AI Agent нода "Классификатор ДДС": разносит транзакции по статьям из Google Sheets (вкладка "Справочник ДДС"). 7. AI Agent нода "P&L-аналитик": агрегирует P&L и пишет черновик пояснительной записки. 8. AI Agent нода "Редактор": формирует дайджест для собственника и список флагов, сохраняет в Google Drive, отправляет уведомление в Telegram. 9. Error Trigger: при сбое любой ноды — уведомление в Telegram с именем упавшей ноды. Все AI Agent ноды используют Claude Sonnet 4.6 через Anthropic API. Промпты в нодах — системные инструкции, которые я потом заменю на готовые из статьи. После JSON дай список Credentials, которые нужно подключить, и три вещи, которые важно проверить перед первым запуском. Я не программист.
Полученный JSON импортируете в n8n, подключаете Credentials (ключ Anthropic, Google Sheets OAuth, Google Drive OAuth, Telegram Bot Token), заменяете заглушки промптов на готовые из этой статьи — и отправляете на тест.
Цикл дебагинга тоже идёт через нейросеть. Скопировали ошибку из n8n, отправили Claude или GPT-5.5:
Вот сценарий n8n и ошибка при запуске ноды "Классификатор ДДС": [вставить текст ошибки]. Объясни простыми словами, в чём причина, и покажи только настройку этой конкретной ноды, которую нужно изменить. Не переписывай весь сценарий.
За 2-3 итерации такого цикла большинство ошибок конфигурации исправляются.
Безопасность мультиагентного сценария: что важнее, чем в одном чате
Прямой ответ: в мультиагентном сценарии данные проходят через несколько AI-нод, и каждая нода потенциально отправляет что-то в нейросеть. Обезличивание одним первым узлом закрывает эту проблему для всей цепочки.
Первое правило: self-hosted n8n на своём сервере. Для боевой работы с финансовыми данными это не опция, а обязательное условие. Данные о реальных платежах, остатках, контрагентах не должны уходить на облачную платформу. Инструкция по установке self-hosted n8n через Docker — одна команда, которую за вас напишет любая нейросеть за 30 секунд. Подробнее про выбор версии я разбирала в n8n для финансиста.
Второе правило: обезличивание до входа в первый агент. Добавьте в сценарий между нормализатором и сверщиком (или прямо в нормализаторе) узел замены: реальные ИНН, названия контрагентов, номера договоров, банковские счета и ФИО заменяются на маски из справочника (contractors_mask.json). Один раз настроенный узел работает для всей армии — ни один агент после него не видит реальных реквизитов.
Третье правило: справочник масок живёт только на вашем сервере. Файл соответствия «МАСКА_1 = ООО Реальная Компания» хранится локально, в нейросеть никогда не уходит. Это ваш ключ дешифровки результатов, который вы применяете уже к готовым черновикам агентов.
Что никогда не кладём в knowledge base агентов армии:
- Реальные ИНН, ОГРН, КПП, банковские реквизиты.
- ФИО сотрудников, паспортные данные.
- Суммы и условия реальных сделок под NDA.
- Внутреннюю переписку (Telegram, почта, Slack).
Что можно класть:
- Учётную политику без указания конкретных контрагентов и сумм.
- Шаблоны отчётов и записок (обезличенные).
- Справочники статей ДДС и P&L структуры.
- 3-5 примеров ваших лучших записок с замаскированными суммами.
- Словари внутренней терминологии.
Подробный разбор техники обезличивания с готовым шаблоном справочника-мэппинга есть в статье обезличивание данных в ChatGPT.
Четвёртое правило: финальная проверка остаётся на финансисте. Всё, что уходит собственнику, в банк, в налоговую — проверяете сами. Армия готовит, решение и ответственность остаются на человеке. Про то, какие ошибки финансисты делают при работе с нейросетями, у меня есть отдельный разбор в статье 5 ошибок финансиста в нейросетях.
Как собрать армию за выходные: пошаговый план
Прямой ответ: за два выходных дня реально запустить рабочий сценарий, если не пытаться сразу автоматизировать всё и выбрать один конкретный месяц для теста.
Суббота, первая половина дня (3-4 часа). Поставьте self-hosted n8n (если ещё не стоит). Подключите Credentials: Anthropic API (Claude), Google Sheets, Google Drive, Telegram Bot. Сгенерируйте базовый JSON мультиагентного сценария через мета-промпт из предыдущего раздела. Импортируйте в n8n, пройдитесь по нодам, убедитесь, что структура совпадает с тем, что ожидали.
Суббота, вторая половина дня (3-4 часа). Подготовьте обезличенные данные одного прошлого месяца (например, апреля). Замените в файлах все ИНН и названия контрагентов на маски, удалите персональные данные. Подготовьте файлы справочников для knowledge base агентов: dds_categories.json, pnl_structure.json, contractors_mask.json. Замените заглушки промптов в нодах на готовые промпты из этой статьи.
Воскресенье, первая половина дня (2-3 часа). Запустите тест на обезличенных данных апреля вручную (кнопка Test). Проверьте выход каждой ноды: корректный ли формат JSON, нет ли пустых полей, правильно ли помечены флаги. Исправьте ошибки через нейросеть (скопировали ошибку, получили правку). Ещё один прогон.
Воскресенье, вторая половина дня (2 часа). Сравните черновики, которые выдала армия за апрель, с тем, что вы делали вручную. Найдёте точки расхождения — скорректируйте промпты. Настройте Schedule Trigger на 1-е число следующего месяца в 23:00. Настройте Error Trigger: сбой любой ноды — сразу в Telegram. Первые три месяца после запуска — проверяйте черновики тщательно и ведите список «что армия сделала хорошо / что нужно подтюнить».
Итого: 10-14 часов за два выходных на запуск армии. Дальше каждое 2-е число месяца вы получаете черновики и список флагов. Время окупаемости — первое же закрытие.
Что армия AI-агентов делает плохо: честный список
Прямой ответ: армия работает отлично на предсказуемых структурированных данных и плохо — на нестандартных ситуациях, требующих суждения и контекста, которого в базе нет.
Нестандартные операции. Разовая сделка M&A, обмен долями, нетиповой способ признания выручки — всё это за пределами базовых шаблонов классификатора. Агент пометит флагом «проверить», и это правильно. Ваша задача — такие операции разбирать руками, а не ждать от армии правильного ответа.
Судебные и претензионные ситуации. Если в выписке есть платёж, который связан с судебным решением или претензией, агент увидит только строку с назначением платежа. Контекст «это первый взнос по мировому соглашению» у него нет. Сверщик поднимет флаг, вы разберёте.
Изменения в учётной политике или формате данных. Поменялся формат выгрузки из 1С или банк изменил структуру CSV — сборщик упадёт с ошибкой. Error Trigger пришлёт уведомление в Telegram. Вы передаёте обновлённый формат в нейросеть с промптом «обнови парсер», правите нормализатор, перезапускаете. Разовая правка раз в несколько месяцев, это нормально.
Нормативка и налоговые интерпретации. Налоговый оценщик работает с параметрами, которые вы вшили в knowledge base. Если ставки изменились, письмо Минфина появилось после даты обновления базы — агент не знает. Все расчёты агента помечены тегом [ПРОВЕРИТЬ], это не баг, это правильная граница. Финальная ответственность за налоговую позицию остаётся на финансисте.
«Магические» ответы без данных. Если агент не получил нужных данных от предыдущего в цепочке (источник не отдал файл, нода упала), он не должен что-то придумывать. В каждом промпте прописано правило «если данных нет — пиши "нет данных" и помечай строку флагом». Но если промпт составлен небрежно — агент может попытаться угадать. Проверяйте промпты внимательно на тестовых данных и добавляйте явный запрет додумывать.
Начальная настройка требует времени. Два выходных — это минимум для человека, который уже работал с n8n. Если n8n совсем новый, добавьте ещё один вечер на знакомство с интерфейсом. Пробуйте сначала на базовой автоматизации из трёх нод, как описано в n8n для финансиста, а потом уже строите армию.
FAQ: что чаще всего спрашивают про армию агентов
Как армия агентов в n8n связана с тем, что называют «multi-agent AI»? Это одна и та же концепция: несколько специализированных AI-агентов, каждый из которых делает часть работы и передаёт результат. В академическом смысле мы строим оркестрованный мультиагентный пайплайн, где роль оркестратора выполняет структура самого сценария n8n плюс диспетчерская нода. В практическом — это просто несколько AI Agent нод в одном workflow с чёткими промптами и правилами передачи данных.
Можно ли запустить армию на бесплатных лимитах нейросетей? Технически да, но для боевой работы с закрытием месяца бесплатных лимитов не хватит: один полный прогон армии по 600-900 транзакциям потребляет 50 000-150 000 токенов в зависимости от размера данных и длины промптов. Это несколько долларов по API, не десятки. DeepSeek V3.2 без VPN — бесплатный вариант для обезличенных данных.
Что если армия нашла меньше флагов, чем я нашёл бы руками? Это повод откалибровать промпты. В каждом агенте есть настройка чувствительности: например, порог для флага «расхождение» в сверщике можно опустить с 1 000 рублей до 100 рублей. Первые три месяца работы армии я рекомендую параллельно делать выборочную ручную проверку по 10-15% транзакций и сравнивать с флагами агентов — это калибровка, которая делает армию точнее под вашу специфику.
Как передать армию коллеге или преемнику? Экспортируйте workflow как JSON из n8n. Credentials (API-ключи) в JSON не сохраняются, это защита. Передаёте JSON, коллега импортирует и подключает свои ключи. Промпты, справочники и knowledge base экспортируете отдельно. Три часа на передачу вместо недели обучения «как закрывать месяц».
Хочешь получить готовый JSON-шаблон этого мультиагентного сценария плюс все промпты агентов в одном файле? Собрала как бесплатный бонус для подписчиков. Забирай в Telegram-канале школы.Забрать шаблон армии агентов
Чек-лист: армия AI-агентов для закрытия месяца
Прогоните по пунктам перед первым боевым запуском. Каждый пункт — это ошибка, которую я видела у учениц на практике.
- Self-hosted n8n установлен — данные не уходят на чужую платформу.
- Credentials подключены — Anthropic API, Google Sheets, Google Drive, Telegram Bot. Проверьте доступы на тестовом вызове.
- Справочники заполнены — dds_categories.json, pnl_structure.json, contractors_mask.json актуальные и полные.
- Knowledge base каждого агента — не пустой. У P&L-аналитика есть минимум 3 примера-эталона записок.
- Узел обезличивания работает — прогоните строку с реальным ИНН, убедитесь, что на выходе маска.
- Тест на обезличенных данных прошёл — полный прогон от диспетчера до редактора без критических ошибок.
- Error Trigger настроен — при сбое любой ноды в Telegram приходит уведомление с именем упавшей ноды.
- Финальное уведомление работает — Telegram-сообщение с кратким статусом и ссылками на черновики.
- Schedule Trigger на 1-е число в 23:00 — включён и активен.
- Три месяца параллельной проверки — первые три закрытия дополнительно проверяете выборочно вручную для калибровки.
Финальный CTA: курс «AI-навыки финансиста»
Эта статья даёт архитектуру армии, 10 промптов для агентов и пошаговый план сборки. Но системная автоматизация финансов — это не набор отдельных сценариев, а выстроенный процесс: нейросети под конкретные задачи, безопасная архитектура с обезличиванием, мультиагентные связки под вашу отрасль, работа с 1С и банковскими API, контроль результатов.
На курсе «AI-навыки финансиста» онлайн-школы «Финансовый директор | Мастер CFO» эта система собрана целиком: 10 модулей, 800+ выпускников, диплом установленного образца с лицензией, налоговый вычет 13%. Я веду курс лично, разбираю кейсы учениц на эфирах, n8n-сценарии собираем вместе на практике под задачи конкретного финотдела.
Записаться на курс «AI-навыки финансиста»
Каналы школы «Финансовый директор | Мастер CFO»
Три канала, в которых разбираю практику AI для финансиста, кейсы учениц, готовые промпты и анонсы бесплатных эфиров:
- Telegram-канал @findir_pro. 45 000+ подписчиков, ежедневные посты с промптами, кейсами и быстрыми приёмами.
- «АИ с Софьей и Натали». 13 000 подписчиков, разборы новых AI-инструментов вместе с основателем школы Софьей Бурцевой.
- MAX-канал «Финансовый директор». 5 000+ подписчиков в российском мессенджере MAX, ключевые материалы и эксклюзив для коллег из российского контура.
Об авторе
Натали Васильева. Эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (основатель школы Софья Бурцева). С нейросетями в работе финансиста с февраля 2023 года. Через курс «AI-навыки финансиста» прошли 800+ бухгалтеров, главбухов и финдиров. Веду Telegram-канал @findir_pro (45 000+ подписчиков), канал «АИ с Софьей и Натали» (13 000 подписчиков) и MAX-канал «Финансовый директор» (5 000+). Личный стек: ChatGPT Plus, Claude Pro, Gemini Advanced, DeepSeek V3.2, YandexGPT, GigaChat. Собственный набор мультиагентных сценариев в n8n: 4 боевых workflow для закрытия месяца, анализа договоров и подготовки управленческой отчётности.