Юрист плакал, а я автоматизировал: как n8n за месяц сэкономил компании 100 тысяч на документах

Проблема, от которой хочется плакать

Представьте себе среднестатистическую компанию на 50 человек. Каждый месяц через неё проходит около 150 договоров: с клиентами, поставщиками, арендодателями. Каждый договор нужно:

• Скачать с почты (иногда из трёх разных ящиков)
• Переименовать по шаблону «Контрагент_Дата_Тип»
• Заполнить Excel-таблицу с реквизитами
• Загрузить в CRM (Bitrix24 в нашем случае)
• Отправить уведомление юристу на проверку
• После проверки — разослать контрагентам
• И, наконец, положить в папку «Обработанные»

На это уходило 3,5 часа рабочего времени каждый день. В месяц — примерно 70 часов. При стоимости часа работы сотрудника в 1500 рублей (администратор + частично юрист) — это 105 000 рублей ежемесячно на рутину, которую можно заменить скриптом.

Почему именно n8n, а не что-то ещё?

Потому что это бесплатно (self-hosted версия), визуально и не требует программирования. Zapier за такие объёмы запросил бы 100$ в месяц. Make (бывший Integromat) — около 80$. А n8n работает на вашем сервере за стоимость электричества.

И главное — гибкость. Когда вам нужно добавить проверку через ChatGPT или интеграцию с какой-нибудь странной корпоративной системой, вы просто добавляете новый узел. Не пишете код, не нанимаете разработчика.

Архитектура решения: что куда идёт

1Настраиваем мониторинг почты

Создаём новый workflow в n8n. Добавляем триггер «Email (IMAP)». Настраиваем подключение к корпоративной почте.

// Пример конфигурации узла IMAP
{
  "host": "imap.yandex.ru",
  "port": 993,
  "secure": true,
  "authentication": "plain",
  "username": "{{ $vars.email_login }}",
  "password": "{{ $vars.email_password }}"
}

Ключевой момент: фильтрация. Нам нужны только письма с вложениями .pdf или .docx и темой, содержащей «Договор» или «Соглашение». В n8n это делается через условия прямо в узле.

2Извлекаем текст и данные из документов

Здесь два пути. Если документы создаются в вашей компании по шаблону — можно парсить по регулярным выражениям. Если приходят от контрагентов в разных форматах — нужен OCR.

Я использовал связку:

1. Unstructured.io для извлечения текста из PDF (есть готовый узел в n8n)
2. Самописный JavaScript-узел для парсинга ключевых полей

// Пример парсинга данных из текста договора
function extractContractData(text) {
  const data = {};
  
  // Ищем сумму (разные форматы)
  const sumMatch = text.match(/(\d{1,3}(?:[\s,]\d{3})*(?:\.\d{2})?)\s*(?:руб|RUB|₽)/i);
  if (sumMatch) {
    data.amount = sumMatch[1].replace(/[\s,]/g, '');
  }
  
  // Ищем дату (формат ДД.ММ.ГГГГ)
  const dateMatch = text.match(/(\d{2}\.\d{2}\.\d{4})/);
  if (dateMatch) {
    data.contractDate = dateMatch[1];
  }
  
  // Ищем контрагента (после слов "между" или "с одной стороны")
  const partyMatch = text.match(/между\s+([А-Я][А-Яа-я\s\"-]+?)(?:\s+и|\s+с\s+другой)/i);
  if (partyMatch) {
    data.counterparty = partyMatch[1].trim();
  }
  
  return data;
}

Для сложных случаев с плохим качеством сканов пригодится статья про сравнение OCR-инструментов. LlamaParse показал себя лучше всего для финансовых документов, но он платный.

3Интегрируем с CRM и таблицами

Bitrix24 имеет нормальное API. Добавляем узел «HTTP Request» и настраиваем:

// Добавление элемента в CRM Bitrix24
{
  "method": "POST",
  "url": "https://ваш-домен.bitrix24.ru/rest/1/ваш-код/crm.deal.add",
  "body": {
    "fields": {
      "TITLE": "Договор с {{ $json.counterparty }}",
      "OPPORTUNITY": "{{ $json.amount }}",
      "DATE_CREATE": "{{ $json.contractDate }}",
      "COMMENTS": "Автоматически создан из вложения почты"
    }
  }
}

Параллельно записываем данные в Google Sheets — для отчётности. Узел «Google Sheets» есть в стандартной библиотеке.

4Уведомления и логирование

Юрист должен знать, что пришёл новый договор. Отправляем сообщение в Telegram:

// Узел Telegram Bot
{
  "chatId": "{{ $vars.telegram_chat_id }}",
  "text": `📄 Новый договор\nКонтрагент: {{ $json.counterparty }}\nСумма: {{ $json.amount }} руб\nДата: {{ $json.contractDate }}\n\nСсылка на файл: {{ $json.fileUrl }}`
}

И обязательно логируем все действия в отдельную таблицу. Что обработали, когда, какие были ошибки. Через месяц это поможет отладить процесс.

Типичные ошибки (чтобы вы их не повторили)

Что делать, когда документы становятся слишком сложными?

Бывают договоры с приложениями, спецификациями, нестандартными условиями. Мой совет — не усложняйте парсинг до бесконечности. Лучше выделите такие документы в отдельную очередь для ручной обработки.

Но если хочется автоматизировать всё, смотрите в сторону VLM (Vision-Language Models). Модели вроде Qwen3-VL могут «читать» документы с таблицами и схемами. У меня есть сравнение мультиязычных VLM — некоторые работают локально и дешевле, чем API GPT-4.

Сколько это реально стоит?

• Сервер на 2 ядра, 4 ГБ RAM: 500-1000 руб/мес (Selectel, Timeweb)
• Доменное имя для n8n: 200 руб/год
• Unstructured.io API: первые 1000 страниц бесплатно, потом ~$0.001 за страницу
• Ваше время на настройку: 8-12 часов

Итого: вложение 1500 рублей и день работы. Возврат: 100 000 рублей ежемесячно. ROI — 6500% в первый месяц. Даже если я ошибся в расчётах вдвое — всё равно выгодно.

А что дальше? Куда развивать систему

Когда базовый workflow работает, можно добавить:

1. Проверку через ChatGPT: «Найди рисковые формулировки в этом договоре»
2. Автоматическое создание ответных писем с исправлениями
3. Интеграцию с системой электронной подписи
4. Дашборд в Grafana с аналитикой по типам договоров

И главное — не останавливайтесь на документах. Та же логика работает для счетов, актов, заявок. В компании из нашего кейса через год автоматизировали 80% бумажного оборота.

P.S. Если боитесь, что ваш босс увидит эту статью и задумается о сокращении — не волнуйтесь. Лучше сами предложите автоматизацию. Так вы станете не расходом, а активом. Как показывает статья про 2026 год, тех, кто умеет работать с AI, не увольняют. Увольняют тех, кто боится нажать кнопку «Запустить workflow».