Перейти до вмісту
Розбір#AI-агенти#Компанія

Філіпп Ларрю: звірка рахунків із замовленнями в Make

Ларрю зібрав у Make ланцюжок: пошта, розпізнавання, пошук замовлення, порівняння рядків і журнал у таблиці. Розбираю кроки та місця, де потрібна людина.

Опубліковано · Ярослав Максимович

Філіпп Ларрю показав у Make Community сценарій, який звіряє рахунки постачальників із закупівельними замовленнями: система читає документ, знаходить замовлення й пише статус у таблицю. У дописі він каже: «Я побудував цей сценарій». Перевірив його на 3 випадках: збіг із різними назвами, розбіжність у кількості, відсутня відповідна позиція. Це демонстраційні перевірки, а не вимір якості на живому потоці. Власникові компанії такий розбір корисний не обіцянкою економії, а схемою: видно, з чого складається звірка і де в ній лишається людина.

Звірка рахунка із замовленням - рутина, яку легко недооцінити. Хтось відкриває PDF, шукає номер замовлення, відкриває саме замовлення, зіставляє рядки, а потім пише колезі, що кількість не сходиться. Кожна дія проста, але разом вони з'їдають час людей, які мали б робити щось інше. Ларрю розклав цю рутину на послідовність модулів і дав кожному одну задачу.

Нижче я переказую його кроки так, як він їх описав. Мої власні застереження стоять окремо, з позначкою «Від себе». Усе з цією позначкою автор не стверджував, це мої міркування, і перевіряти їх треба на своїх документах.

Що варто зробити вже завтра, ще до будь-якого конструктора: відкрити свій робочий журнал звірок і порахувати обсяг ручної роботи та вартість перевірки того, що видасть автоматика. Як саме рахувати, я пишу в розділі «Що я б зробив».

З чого складається метод

Метод збирається з готових модулів Make і кількох сервісів Google, без власного коду. Gmail дає вхідні рахунки. Google Drive зберігає і вкладення, і файли закупівельних замовлень. Google Cloud Vision розпізнає текст на скані чи в PDF. Text Parser витягує з цього тексту номер рахунка й номер замовлення. Make AI Agent порівнює документи й виносить вердикт. Google Sheets приймає результат.

Вхідні дані прості: рахунок, у тексті якого є номер замовлення, і файл цього замовлення в потрібній папці. Весь сценарій тримається на цьому номері, бо за ним працює пошук пари. Якщо постачальник номер не пише або пише в незвичному місці, ланцюжок ламається ще до порівняння, і агент до цього не причетний.

Розумна частина тут лише одна: агент, який порівнює рядки. Решта - звичайна склейка сервісів: взяти файл, розпізнати, знайти, записати. Це корисно знати наперед. Більшість зусиль піде на підготовку входу та перевірку виходу, а не на сам «інтелект». Для мене важить схема, а не конкретні назви: вхід, розпізнавання, пошук пари, порівняння, журнал. Якщо у вас інша пошта чи інше сховище, схема лишається тією самою.

Крок 1: Зберіть вкладення зі вхідної пошти

Почніть із того, щоб кожен рахунок став файлом у відомому місці. У Ларрю Gmail відстежує вхідні листи, а Make зберігає вкладення в Google Drive. Тригер реагує на нову пошту, модуль бере вкладення з листа й кладе їх у папку, де їх згодом розпізнають. Усе, що відбувається далі, залежить від того, що саме потрапило в цю папку.

Від себе: я б виділив для рахунків окрему адресу або мітку. Тоді сценарій не підхопить рекламу, картинки з підписів і листування, яке рахунками не є. Як його сценарій поводиться з листом без вкладення або з кількома файлами в одному листі, у моєму переказі не описано, тож це місце перевіряйте в оригінальному дописі, перш ніж будувати власну версію.

Крок 2: Розпізнайте текст і дістаньте номери

Google Cloud Vision читає документ повністю, а Text Parser дістає з отриманого тексту номер рахунка й номер замовлення. Vision повертає суцільний текст і не знає, де в ньому потрібне число. Тому й потрібен другий модуль: він шукає номер за шаблоном, який описує, як цей номер виглядає. Такий порядок дій - від Ларрю.

Від себе: шаблон, що впевнено ловить номер в одного постачальника, може проґавити його в іншого, бо формати різні. Я б зібрав кілька справжніх рахунків від різних контрагентів і спершу подивився, що Text Parser знаходить у кожному. Якщо номер не знайдено, сценарій краще зупинити й показати документ людині, ніж передавати порожнє значення далі.

Крок 3: Знайдіть замовлення за номером

Пошук пари робиться за номером замовлення: сценарій шукає відповідний файл у папці Google Drive. Ларрю описує задачу саме так, як знайти правильне замовлення для щойно прочитаного рахунка. Механіка проста й тому строга: номер із рахунка або збігається з тим, що є в назві чи змісті файлу, або ні. Одна зайва літера чи пробіл, і файл не знайдеться.

Від себе: я б заздалегідь домовився про єдиний спосіб називати файли замовлень, щоб номер завжди був у назві. І окремо продумав два результати пошуку, про які в переказі нічого не сказано: файлу немає взагалі або знайшлося більше одного. Це не помилка агента, а окремий стан, який має піти до людини з чіткою позначкою, а не загубитися.

Крок 4: Нехай агент порівняє рядки

Make AI Agent класифікує кожен рядок як точний збіг, смисловий збіг, розбіжність або позицію без пари, а для документа повертає загальний статус. Тут сценарій робить те, чого не вміє жорстке правило «рівно чи не рівно». Смисловий збіг означає, що позицію названо інакше, але йдеться про той самий товар. Для звірки це принципово: постачальники рідко копіюють назви з вашого замовлення літера в літеру.

Від себе: уявіть, що в замовленні написано «папір для принтера», а в рахунку - «папір офісний». Агент може визнати це смисловим збігом, і найчастіше буде правий. Та саме такі рядки - зона судження, а не арифметики. Я б не вважав їх закритими автоматично й принаймні спочатку переглядав вибірку цих рядків очима.

Крок 5: Запишіть результат у таблицю

Фінал сценарію - рядок у Google Sheets. Розібрана структурована відповідь потрапляє туди з датою, номерами, статусом і поясненням агента. Структурована означає, що вердикт розкладено на окремі поля, а не залишено суцільним абзацом. Завдяки цьому таблицю можна фільтрувати: показати лише розбіжності чи лише позиції без пари. За описом Ларрю, таблиця стає журналом усіх звірок.

Від себе: я б додав дві колонки, яких у переказі немає: «перевірила людина» і «чи згодна людина з агентом». Це дрібниця, але саме вона дає дані для головного розрахунку: скільки рішень автоматики людина все одно перегляне і скільки на це піде часу. Без цих колонок вартість перевірки лишається здогадкою, а не цифрою з вашого журналу.

Кому це не потрібно

Метод не підійде, якщо рахунків мало, а їхній вигляд щоразу різний. Налаштування шаблонів, перевірка на реальних документах і підтримка сценарію коштують часу, і за рідкісної рутини вони можуть не окупитися. Тоді доречніша проста домовленість: хто і за яким чеклистом звіряє вручну.

Він не потрібен і там, де постачальники не пишуть номер замовлення, а самі замовлення живуть лише в обліковій системі чи в усних домовленостях. Сценарій тримається на номері та файлі в папці, і без них нічого шукати.

Окремо зважте політику роботи з документами. Рахунки в цій схемі проходять через зовнішні сервіси розпізнавання й агента, тож спершу переконайтеся, що вашим правилам це не суперечить.

Що я б зробив

Власного впровадження цього сценарію в мене немає, тому пишу не про досвід, а про межі та порядок дій. Ларрю перевірив лише 3 демонстраційні випадки, і з цього не випливає ні економія, ні точність на живому потоці. Тож я почав би не з Make, а з журналу. Для звірок за обраний період я порахував би, скільки рахунків людина обробляє вручну і скільки хвилин іде на один. Окремо оцінив би, скільки рішень автоматики вона все одно перегляне, і помножив би це на час такої перевірки. Якщо різниця між двома числами мала, будувати сценарій рано. Якщо вона відчутна, я зібрав би лише вхід і журнал, а агента підключив би після перегляду справжніх рахунків.

Часті питання

Нижче відповіді на запитання, які найчастіше виникають, коли читаєш цей розбір. Вони стосуються лише того, що Ларрю описав у дописі, і моїх застережень до нього. Про результати на живих даних джерело нічого не повідомляє, тому там, де потрібна цифра, її слід брати зі свого журналу.

Як працює звірка рахунків із замовленнями в Make?

Сценарій бере вкладення зі вхідного листа, розпізнає текст і дістає номер рахунка та номер замовлення. За номером він шукає файл замовлення, агент порівнює рядки, а результат потрапляє в таблицю. Так це описав Філіпп Ларрю в Make Community.

Які сервіси потрібні для такого сценарію?

У Ларрю це Gmail, Google Drive, Google Cloud Vision, Text Parser, Make AI Agent і Google Sheets. Схема важливіша за назви: вхід, розпізнавання, пошук пари, порівняння й журнал. Якщо в компанії інша пошта чи інше сховище, ту саму логіку можна відтворити на них, але такий варіант Ларрю не показував.

Чи можна довіряти рішенню агента про збіг?

Не без перевірки. Агент ділить рядки на точний збіг, смисловий збіг, розбіжність і позицію без пари, а для документа дає загальний статус із поясненням. Смисловий збіг - це судження, а не арифметика. Ларрю показав лише демонстраційні перевірки, тож частку помилок на своїх даних вам доведеться з'ясувати самим.

Для чого таблиця в кінці сценарію?

Таблиця працює як журнал: у ній зберігаються дата, номери, статус і пояснення агента. За нею видно, де знайдено розбіжності, і легко фільтрувати такі рядки. Додавши колонки про перевірку людиною, ви отримаєте дані для розрахунку вартості контролю результату.

Джерела

Що з цим робити далі

Зробити самому

Усе, на чому стоїть цей текст, — у джерелах вище. Візьміть один процес у своїй компанії і перевірте на ньому одну тезу звідси: тиждень такої перевірки скаже більше, ніж ще десять прочитаних статей.

Коли має сенс оргсхема

Коли процесів більше, ніж встигаєте перевірити руками, і незрозуміло, з якого відділу почати. Оргсхема показує компанію зверху і підказує, де AI дасть віддачу першою.

Подивитись свою компанію зверху — безкоштовна оргсхема

Пов'язані матеріали

Як зроблено. Чернетку зібрано з моїх робочих нотаток за допомогою AI-асистента; факти, виміри й висновки — мої. Помітили неточність — напишіть.

Якщо хочете розібрати свою задачу — напишіть мені в Telegram: t.me/YaroslavMaxymovych