Интеграция ChatGPT с кассой Эвотор через n8n позволяет автоматически выгружать чеки и анализировать остатки с помощью языковых моделей OpenAI.
Схема подходит владельцам розничных точек с базовыми навыками настройки вебхуков, проверялась в условиях реальной торговой точки на модели gpt-4o-mini с ограничением на обработку коротких и сокращенных названий товаров.
Как мы подключили ChatGPT к кассе Эвотор через n8n
У нас в кабинете возникла задача автоматизировать разбор продаж, потому что сидеть по вечерам и вручную сводить цифры из отчетов уже надоело. Решили прикрутить нейросеть к кассе Эвотор, используя платформу n8n для связки. Никаких штатных разработчиков у нас нет, поэтому всё настраивали своими силами по мануалам.
Технически схема выглядит так: касса через облачный сервис или приложение отправляет данные по транзакциям на вебхук-адрес в n8n. Платформа принимает JSON-пакет с чеками, упаковывает его в промпт и отправляет по API в OpenAI, после чего готовый текстовый отчет падает нам в телеграм-бот.
- Регистрация аккаунта в n8n (облачная версия или локальный запуск).
- Создание сценария с триггером Webhook для приема данных.
- Настройка узла HTTP Request для обращения к OpenAI API.
- Добавление узла Telegram для отправки готовой аналитики.
Документация n8n по интеграции с вебхуками: https://docs.n8n.io/Документация Эвотор API для разработчиков: https://developer.evotor.ru/Как настроить выгрузку из кассы в n8n без программиста
Самый первый затык, с которым мы столкнулись — это как заставить кассу отдавать данные наружу без написания кода с нуля. В самом Эвоторе есть маркетплейс приложений, но готового коробочного решения под нашу конкретную задачу не нашлось, да и платить ежемесячную подписку сторонним сервисам не хотелось.
Мы пошли через выгрузку отчетов по закрытию смены или через интеграцию с товароучетными системами, которые уже умеют отдавать вебхуки. В n8n создается входящий вебхук, который принимает структурированные данные о проданных позициях, времени чека и сумме оплаты.
- В n8n создаем новый воркфлоу и выбираем узел Webhook в режиме Test URL.
- Настраиваем отправку тестового запроса из системы учета или кассового плагина.
- Проверяем, что в n8n пришел JSON-ответ с номенклатурой и ценами.
- Сохраняем рабочий URL для постоянного приема данных.
Сколько реально стоит работа ChatGPT с чеками Эвотора в месяц
Если говорить про деньги без иллюзий, то это съело три тысячи в месяц на запросы к API OpenAI, если отправлять данные пачками по итогам дня. Сама платформа n8n при локальном развертывании обходится бесплатно, а в облаке зависит от тарифного плана.
Мы использовали модель gpt-4o-mini, потому что гонять тяжелые запросы на полноценную gpt-4 для анализа простых чеков — чистая трата бюджета. Цифры округляем: при объеме около тысячи чеков в месяц затраты на токены составляют сущие копейки, основные расходы идут на частые тестовые прогоны и отладку промптов.
- Использование модели gpt-4o-mini вместо флагманских версий.
- Пакетная отправка данных один раз в день вместо запроса по каждому чеку.
- Ограничение длины контекста и фильтрация лишних служебных полей в JSON.
- Контроль баланса на аккаунте OpenAI с настроенными лимитами расходов.
Где нейросеть путает товары из-за сокращений в номенклатуре
Главная боль, с которой мы столкнулись на практике — это сокращения в позициях чека. Кассиры и товарные справочники любят забивать наименования вроде «Вода питьевая 0.5л б/г» или «Пиво с ветч.» так, что человек поймет по контексту, а нейросеть начинает гадать.
Из-за сокращений модель периодически путает похожие позиции, объединяя разные виды напитков или снеков в одну категорию. Исправить это «в лоб» не получилось, пришлось дописывать в системный промпт жесткие правила расшифровки наших внутренних аббревиатур.
- Симптом: модель суммирует продажи разных товаров с похожими сокращениями в названии.
- Причина: дефицит контекста в строках номенклатуры чека Эвотора.
- Фикс: добавление словаря расшифровок прямо в тело системного промпта n8n.
- Проверка результата: тестовый запуск отчета по спорным позициям.
Методика полевого тестирования и ограничения связки n8n и OpenAI
Наши замеры основаны на реальной эксплуатации связки в течение месяца на одной торговой точке. Мы фиксировали сбои связи, задержки при обработке больших массивов данных и случаи галлюцинаций модели при попытке классифицировать новые товарные позиции.
Главное ограничение такого метода — зависимость от стабильности сторонних API и качества исходных данных в кассе. Если номенклатура ведется хаотично, ни одна нейросеть не выдаст идеальную аналитику без предварительной ручной чистки справочника.
- Фиксация времени отклика n8n при получении больших чеков.
- Мониторинг ошибок таймаута на стороне OpenAI API.
- Обязательная проверка сгенерированных отчетов с реальной кассовой лентой.
- Регулярное обновление словаря сокращений в настройках сценария.
Источники