How to choose GPT-6 for invoice processingКак выбрать GPT-6 для обработки счетов

The news and the business decisionНовость и решение для бизнеса

On October 2, OpenAI published a practical GPT-6 model guide. It names invoice-field extraction among focused, repeated tasks suited to evaluating Luna, and recommends measuring task success, latency and cost per successful task. OpenAI, October 2, 20262 октября OpenAI опубликовала практическое руководство по моделям GPT-6. Извлечение полей счёта приведено как пример узкой повторяемой задачи для оценки Luna. Компания рекомендует измерять успешность, задержку и стоимость успешно выполненной задачи. OpenAI, 2 октября 2026

Our editorial recommendation is to test a bounded extraction workflow before buying a more expensive model for every document. The design below is a proposed implementation exercise. This article does not report a benchmark on SABSUS customer documents.Редакционная рекомендация: сначала проверьте ограниченный сценарий извлечения данных, затем выбирайте модель. Ниже предложен проект проверки. В этой статье нет результатов сравнительного теста на клиентских документах SABSUS.

Define one bounded workflowОпределите границы одного процесса

Example: a distributor receives supplier invoices as searchable PDFs or text. The output is a draft of extracted fields: supplier reference, invoice number, date, currency, line items and total, with a source excerpt for each critical field. For the text-token calculation below, assume the application extracts and checks the PDF text before sending text to the model. Sending a PDF directly as an API file input also adds page images to the model context and changes token usage. Scanned images need a separately tested recognition stage. PDF preprocessing and recognition costs are outside the calculation. OpenAI file-input documentationПример: дистрибьютор получает счета поставщиков в PDF с текстовым слоем или в тексте письма. Нужен черновик извлечённых полей: ссылка на поставщика, номер, дата, валюта, позиции и сумма, с фрагментом источника для каждого важного поля. В расчёте текстовых токенов ниже предполагается, что приложение извлекает и проверяет текст PDF до отправки текста модели. При передаче самого PDF через API в контекст добавляются и изображения страниц, поэтому потребление токенов меняется. Для сканов отдельно проверяют распознавание. Подготовка PDF и распознавание в расчёт не включены. Документация OpenAI о файлах

1. Extract only what the document states. Mark missing values as missing; do not invent a currency or payment term.Извлекайте только сведения из документа. Отмечайте пропуски; не додумывайте валюту и срок оплаты.
2. Check totals, required fields and known supplier identifiers with application rules. A matching total alone does not prove that all lines are correct.Проверяйте суммы, обязательные поля и известные идентификаторы поставщика правилами приложения. Совпадение итога само по себе не доказывает правильность всех позиций.
3. Send conflicting or incomplete results to a reviewer. The model can prepare evidence, while an authorized person makes the business decision.Передавайте противоречивые и неполные результаты сотруднику. Модель готовит доказательства, решение принимает уполномоченный человек.
4. Keep approval, accounting posting, bank-detail changes and payment outside this controlled test. Attach the approved draft to the business record only through a separately authorized integration.Оставьте утверждение, бухгалтерское проведение, изменение банковских реквизитов и оплату за границами проверки. Прикрепление принятого черновика к рабочей записи выполняйте через отдельно согласованную интеграцию.

Where to test each modelНа каких задачах сравнивать модели

Use the same test documents and output fields for each candidate. The following roles are starting hypotheses, not measured rankings.Используйте одинаковые тестовые документы и поля результата для всех кандидатов. Роли ниже являются исходными гипотезами, а не измеренным рейтингом.

Verified API ratesПроверенные тарифы API

Rates checked on October 4, 2026. USD per one million text tokens, Standard processing. These are OpenAI API rates; they are separate from SABSUS subscriptions, implementation and support.Тарифы проверены 4 октября 2026 года. Доллары США за миллион текстовых токенов, режим Standard. Это стоимость API OpenAI; подписка SABSUS, внедрение и сопровождение оплачиваются и рассчитываются отдельно.

The model pages also list higher rates for prompts above 272,000 input tokens and different processing tiers. Read the applicable rate before using a large archive or a speed upgrade. Input tokens use the uncached-input, cached-input or cache-write rate; the cache-write rate replaces, rather than adds to, the ordinary input rate for those tokens. Repeating a request does not guarantee the cached-input rate.В карточках моделей также указаны повышенные тарифы для запросов свыше 272 000 входных токенов и отдельные режимы обработки. Уточните ставку перед отправкой большого архива или включением ускорения. Для входных токенов применяется ставка обычного входа, чтения из кэша или записи в кэш; ставка записи заменяет обычную входную ставку для этих токенов, а не прибавляется к ней. Повтор запроса не гарантирует ставку чтения из кэша.

Reasoning tokens are billed as output tokens, even when they are not visible in the answer. Compare recorded billable usage rather than the length of the final JSON. OpenAI reasoning documentationТокены рассуждения оплачиваются как выходные, даже если их не видно в ответе. Сравнивайте фактически оплачиваемое потребление, а не длину итогового JSON. Документация OpenAI о reasoning

A transparent 10,000-document calculationПрозрачный расчёт на 10 000 документов

Hypothetical monthly workload: 10,000 documents, each using 2,000 total uncached text input tokens, including instructions and schema, and 500 total billable output tokens, including reasoning. One call per document, no cache writes, image input, long-context surcharge, regional premium or premium processing. This is arithmetic under fixed assumptions, not a forecast of real token consumption.Условная месячная нагрузка: 10 000 документов, на каждый всего 2 000 входных текстовых токенов без кэша, включая инструкции и схему, и 500 оплачиваемых выходных токенов, включая рассуждение. Один вызов на документ, без записи в кэш, входных изображений, длинного контекста, региональной надбавки и ускоренного режима. Это арифметика при заданных условиях, а не прогноз реального потребления.

To reproduce the no-cache assumption on GPT-6, the documentation specifies explicit caching mode with no breakpoints: prompt_cache_options.mode=explicit. Default implicit caching can create billable cache writes. OpenAI prompt-caching guideДля воспроизведения условия без кэша документация GPT-6 предусматривает режим explicit без точек кэширования: prompt_cache_options.mode=explicit. В стандартном режиме implicit возможны оплачиваемые записи в кэш. Документация OpenAI о кэшировании

If all documents first go to Luna and an assumed 10% then get one additional Sol call of the same size, model cost is $4.50 + $9 = $13.50. The 10% escalation rate is an example input, not an observed result. Extra evidence, retries or longer reasoning change the bill.Если все документы сначала обрабатывает Luna, а условные 10% затем получают один дополнительный вызов Sol того же размера, расход моделей составит $4,50 + $9 = $13,50. Доля 10% взята для примера, а не измерена. Дополнительные документы, повторы и более длинное рассуждение меняют счёт.

Review is a separate workload assumption: 1,000 documents × one minute ÷ 60 × $15 per hour = $250. That covers only those 1,000 reviews, not all 10,000 documents. If every draft in a 10,000-document test is reviewed at the same assumed duration and rate, review alone costs $2,500. Model escalation and human review rates need not match. These are examples, not labor-market benchmarks. Storage, preprocessing, recognition, integration, monitoring, taxes and other provider charges remain excluded. Replace every assumption with test measurements.Проверка — отдельное допущение о нагрузке: 1 000 документов × одна минута ÷ 60 × $15 в час = $250. Это стоимость только 1 000 проверок, а не всех 10 000 документов. Если в проверке сотрудник проверяет каждый из 10 000 черновиков при той же условной длительности и ставке, расход только на проверку составит $2 500. Доли обращений к более дорогой модели и ручной проверки могут различаться. Это примеры, а не рыночные ориентиры оплаты труда. Хранение, подготовка документов, распознавание, интеграции, мониторинг, налоги и другие платежи провайдерам не включены. Замените каждое допущение измерением при проверке.

What must pass before releaseЧто проверить перед запуском

Score accepted documents, not just extracted fields. One wrong supplier or currency can invalidate a draft containing many correct fields. An average accuracy score can hide this failure.Оценивайте принятые документы целиком. Один неверный поставщик или валюта могут сделать непригодным черновик с множеством верных полей. Средний процент точности способен скрыть такую ошибку.

• Different currencies and decimal separators: the draft preserves the original units and values.Разные валюты и десятичные разделители: черновик сохраняет исходные единицы и значения.
• Credit notes, discounts and negative lines: signs and document type remain correct.Кредит-ноты, скидки и отрицательные позиции: знак и тип документа определяются корректно.
• Repeated invoice numbers: the application checks supplier and document identity before creating a duplicate.Повторные номера счетов: приложение сверяет поставщика и идентичность документа до создания дубля.
• Several files or conflicting totals: the reviewer sees the conflicting evidence.Несколько файлов или противоречащие суммы: проверяющий видит оба источника расхождения.
• Instructions embedded in an invoice: test whether document text can redirect extraction, and block any attempted action outside the approved workflow in application code. Treat the document as data to verify, not as authority to change the rules.Инструкции внутри счёта: проверяйте, может ли текст документа изменить задачу извлечения, и блокируйте действия за согласованными границами средствами приложения. Документ — это данные для проверки, а не основание менять правила.
• Timeouts or incomplete answers: the record remains pending until the outcome is reconciled.Тайм-аут или незавершённый ответ: запись остаётся в ожидании до сверки результата.

Track critical errors, human minutes per accepted draft, processing time, unresolved cases and total cost per accepted draft. Keep difficult documents in the denominator; do not improve the result by silently excluding them.Отслеживайте критичные ошибки, минуты сотрудника на принятый черновик, время обработки, незакрытые случаи и полные расходы на принятый черновик. Оставляйте сложные документы в расчёте; не улучшайте результат их незаметным исключением.

A controlled implementation sequenceПорядок внедрения с контролем

1. Define the output and forbidden actions with the process owner. Assemble anonymized, representative examples with checked answers.Согласуйте с владельцем процесса поля результата и запрещённые действия. Подготовьте обезличенные характерные примеры с проверенными ответами.
2. Run candidates beside the existing process. Record model version, settings, usage, evidence and corrections. Compare against manual handling of the same documents.Запускайте кандидатов параллельно текущему процессу. Записывайте версию модели, настройки, потребление, источники и исправления. Сравнивайте с ручной обработкой тех же документов.
3. Allow only reviewed drafts into the operational system. Give unresolved work an owner and a visible queue.Пропускайте в рабочую систему только проверенные черновики. Назначьте ответственного за незакрытые случаи и сделайте очередь видимой.
4. Expand only after agreed acceptance criteria pass. Repeat regression checks after a model, prompt, parser or supplier-format change.Расширяйте сценарий после выполнения согласованных критериев. Повторяйте проверки после смены модели, инструкции, парсера или формата поставщика.

Before using real documents, check model access in your project and the supported-country list. Review what data leaves your organization, retention and access permissions. OpenAI says API data is not used for model training unless you opt in, but abuse-monitoring logs may retain content for up to 30 days by default, with stated exceptions. Application-state retention, including stored Responses and uploaded files, has separate feature-specific rules. OpenAI data controlsДо работы с реальными документами проверьте доступ к модели в проекте и список поддерживаемых стран. Согласуйте передаваемые данные, хранение и права доступа. OpenAI указывает, что данные API не используются для обучения без согласия, однако журналы контроля злоупотреблений по умолчанию могут хранить содержимое до 30 дней с указанными исключениями. Для состояния приложения, включая сохранённые ответы Responses и загруженные файлы, действуют отдельные правила хранения. Правила OpenAI по данным

Apply the comparison to your SABSUS workflowПрименение к вашему процессу в SABSUS

In SABSUS, scope this as a specific integration with a source document, draft destination, reviewer and acceptance rules. The AI solutions, API integrations and implementation plan pages describe the relevant areas to discuss. The model-routing example in this article is not a claim that a ready-made GPT-6 invoice connector is included in a plan. Confirm compatibility, data handling and costs for your configuration.В SABSUS оформляйте такой сценарий как конкретную интеграцию: исходный документ, место хранения черновика, проверяющий и правила приёмки. Для обсуждения подойдут разделы AI-решений, API и интеграций и плана внедрения. Пример выбора моделей в этой статье не означает, что готовый коннектор счетов на GPT-6 включён в тариф. Совместимость, обработку данных и расходы уточняют для выбранной конфигурации.

Bring a few anonymized examples, your monthly volume and current review time to the discussion. That makes it possible to compare a model bill with the full operating cost.Подготовьте несколько обезличенных примеров, месячный объём и текущее время проверки. Тогда можно сравнивать расход моделей с полной стоимостью процесса.

Related practical guidesЧто читать дальше

• Tracking the broader return on AI automationКак считать общий ROI AI-автоматизации
• Finance workflows and exception ownershipФинансовые процессы и ответственность за исключения