Нейросети для финансиста: модели, отчёты, прогнозы

Нейросети для финансиста — это прежде всего помощник по таблицам и текстам: написать формулу, которую не хочется вспоминать, найти расхождения между выпиской банка и учётной системой, собрать каркас финансовой модели, объяснить руководителю, почему маржа за квартал упала на 3 пункта. Считать итоговые цифры «в голове» модели нельзя доверять никогда: языковая модель без запуска кода не вычисляет, а угадывает правдоподобный результат.

Эта граница — главное, что стоит вынести из статьи. Ниже — задачи по направлениям работы финансиста, промпты для них и места, где модель чаще всего ошибается. Готовые инструкции для агентов — Excel, отчётность, биллинг — собраны на полке скиллов для финансиста.

Где нейросеть полезна финансисту

Задачи финансиста удобно разделить на три группы. Инструментальные — формулы, макросы, скрипты, сверки: здесь модель пишет инструмент, а считает Excel или Python, и ошибку видно по результату. Текстовые — комментарии к отчётам, письма, пояснения: модель пишет по вашим цифрам. И экспертные — налоговые вопросы, учётная политика, трактовка стандартов: здесь модель опирается на память, а память у неё устаревшая.

Отсюда рабочее правило: модель делает инструменты и тексты, числа получаются формулой или кодом, нормы берутся из правовой системы или с сайта ФНС. Всё остальное — вопрос удобства и привычки: какой интерфейс вам ближе, чат, встроенный помощник в таблице или агент на компьютере.

Excel и таблицы: формулы, сверки, макросы

Формулы. Описать задачу словами быстрее, чем вспоминать синтаксис: «подтяни сумму оплаты из листа Банк по номеру счёта, если номеров несколько — сложи, если нет — покажи 0». Модель напишет формулу с СУММЕСЛИМН или ПРОСМОТРX и объяснит, как она работает. Указывайте версию Excel и язык функций: русский Excel ждёт ПРОСМОТРX и точку с запятой, английский — XLOOKUP и запятую, и модель без подсказки часто путает.

Сверки. Задача, на которой модель экономит больше всего времени: сопоставить выписку банка с оплатами в учётной системе, реестр дебиторки с актами сверки, две версии бюджета. Просите не результат, а скрипт на Python или набор формул с контрольными суммами: сумма сопоставленных + несопоставленных строк должна равняться итогу выписки. Если не равна — где-то потерялись или задвоились строки, и выводам верить нельзя.

Макросы и автоматизация. Модель пишет макросы VBA и скрипты для Google Таблиц по описанию: разнести выписку по статьям, собрать 12 файлов подразделений в один, раскрасить просроченную дебиторку. Запускайте новый макрос на копии файла — ошибка в цикле может перезаписать данные. Встроенные помощники в самих таблицах — ИИ в Excel и Google Таблицах — удобны для простых задач, но для сверок на тысячи строк надёжнее отдельный скрипт с проверками. Подробнее о работе с таблицами — в гайде работа с документами и таблицами.

Финансовая модель: структура и сценарии

Каркас финансовой модели нейросеть собирает хорошо: листы допущений, выручки, затрат, отчёта о прибылях и убытках, движения денежных средств, баланса и чувствительности, связи между ними и перечень драйверов. По описанию бизнеса она предлагает структуру за минуты, а вы получаете чек-лист того, что должно быть в модели, — особенно полезно, если модель для нового направления, где у вас нет готового шаблона.

Последняя фраза промпта важна. Если не запретить, модель заполнит допущения «типичными» числами — средний чек, конверсия, аренда за метр, — и они будут выглядеть убедительно, но к вашему рынку не имеют отношения. Допущения — это ваша работа: данные продаж, договоры, рыночные исследования. Модель может предложить, где их взять и как проверить на разумность.

Для сценариев модель полезна как генератор «что если»: падение трафика на 20%, рост себестоимости на 15%, задержка открытия на 3 месяца, изменение ставки налога. Она собирает таблицу чувствительности и пишет формулы, а вы смотрите, какие допущения сильнее всего влияют на результат. Готовую модель стоит отдать модели на ревью: найти захардкоженные числа внутри формул, циклические ссылки, несогласованные единицы измерения — тысячи и рубли, месяцы и годы в одной формуле.

Отчёты и комментарии к отклонениям

Комментарий к план-факту — задача, которую финансисты пишут каждый месяц и которую никто не любит. Модель делает её хорошо, если дать ей таблицу отклонений и ваши пояснения тезисами: «аренда выше плана — индексация с 1 июля не заложена», «выручка ниже — закрытие точки на ремонт на 12 дней». Из этого получается связный текст по схеме «отклонение — причина — разовое или постоянное — что делаем».

Ключевое слово — «не придумывай». Без него модель достроит причину, которая звучит логично, но не соответствует действительности: «рост затрат связан с сезонным увеличением закупок» при том, что закупки не менялись. Для финансиста такой комментарий хуже пустого — он вводит руководителя в заблуждение от вашего имени.

Модель полезна и для перевода финансовых отчётов на язык нефинансистов: объяснить собственнику, почему прибыль есть, а денег на счёте нет, или руководителю отдела продаж — как скидка 10% съедает половину маржи. Цифры для объяснения — из вашей отчётности, модель отвечает за ясность изложения.

Первичные документы. Модели, которые принимают изображения и PDF, извлекают из счетов, актов и накладных реквизиты, суммы, ставку НДС и позиции в таблицу. Для 20–30 документов в месяц это заметная экономия ручного ввода.

Проверяйте два места. Первое — числа: модель может неверно прочитать цифру на плохом скане, поэтому сумма позиций должна сходиться с итогом документа, а итог — с платежом. Второе — реквизиты: ИНН сверяйте с выпиской ЕГРЮЛ на сайте ФНС, а не с тем, что «помнит» модель. Для потока в сотни документов удобнее специализированные сервисы распознавания, встроенные в учётные системы и системы электронного документооборота, — там проверки уже встроены.

Прогнозы: считать, а не угадывать

Попросить нейросеть в чате «спрогнозируй выручку на следующие 6 месяцев по этим данным» — худший способ прогнозирования. Модель без запуска кода не применяет метод, а продолжает ряд правдоподобными числами. Правильный путь — попросить её выбрать метод и написать расчёт: функцию ПРЕДСКАЗ.ETS в Excel, которая учитывает сезонность, или скрипт на Python с моделью временного ряда. Тогда прогноз воспроизводим, а метод можно объяснить и проверить на прошлых данных.

Проверка на прошлых данных — обязательный шаг. Отрежьте последние 3–6 месяцев, постройте прогноз по более ранним данным и сравните с фактом. Если ошибка прогноза больше, чем у простого правила «как в прошлом году с поправкой на тренд», сложный метод не нужен. Модель поможет посчитать ошибку и сравнить методы, если попросить её об этом явно.

Для управления ликвидностью полезен прогноз движения денежных средств на 13 недель — распространённый формат для контроля кассовых разрывов. Модель собирает структуру: поступления по графику оплат клиентов с учётом их реальной дисциплины, платежи по графикам поставщиков, налоги, зарплата, кредиты. Цифры подставляются из учётной системы, а модель помогает построить понедельную раскладку и сценарий, в котором крупный клиент задерживает оплату на 30 дней.

Такой прогноз обновляется раз в неделю, и именно здесь окупается скрипт: он пересобирает раскладку по свежим выгрузкам за минуту, а вы смотрите только на недели, где остаток уходит ниже порога. Порог задаёте вы — например, сумма двух недель обязательных платежей, — а скрипт подсвечивает недели, где к нему нужно готовиться заранее: перенести закупку, договориться об отсрочке или запросить предоплату.

Налоги и законы: почему модель отстаёт

Модель обучена на текстах до определённой даты и не знает изменений после неё. Для налогов это критично. Пример 2026 года: с 1 января основная ставка НДС выросла с 20 до 22% по закону № 425-ФЗ от 28.11.2025, а порог доходов, при котором компании и предприниматели на УСН освобождены от НДС, снижен до 20 млн ₽ и продолжит снижаться до 10 млн ₽ в течение трёх лет. Модель с более старыми знаниями уверенно посчитает НДС по ставке 20% и назовёт прежний порог.

То же относится к бухгалтерскому учёту: федеральные стандарты бухучёта меняются, требования закона № 402-ФЗ к первичным документам уточняются, а модель может описывать правила, отменённые несколько лет назад. У правовых систем появились собственные ИИ-помощники, которые отвечают по документам своей базы со ссылками — для учётных и налоговых вопросов они надёжнее общих моделей. Подробнее о разнице — в гайде нейросети для юриста.

Какие финансовые данные нельзя отдавать

Финансист работает с тремя видами чувствительных данных. Персональные данные — зарплатные ведомости, данные сотрудников и клиентов-физлиц: их загрузка в зарубежный сервис считается трансграничной передачей по статье 12 закона № 152-ФЗ. Коммерческая тайна — маржа, закупочные цены, условия договоров, если в компании введён такой режим. И сведения, которые важны для конкурентов и банков: кредитная нагрузка, ковенанты, планы по сделкам.

Для большинства задач реальные данные модели не нужны. Формулу, макрос и скрипт она пишет по структуре таблицы и примеру из нескольких строк с изменёнными значениями, а считает у вас на компьютере Excel или Python. Если нужен анализ в облачном чате, загружайте агрегаты без персональных данных. Для работы с реальными данными в облаке — российский сервис с договором и хранением данных в России, а для агента, который подключается к учётной системе, — доступ только на чтение.

С чего начать на этой неделе: возьмите самую рутинную сверку месяца и попросите модель написать для неё скрипт с контрольными суммами. Сравните время и количество найденных расхождений с ручной сверкой. Если результат устроит, следующим шагом станет комментарий к план-факту, а там и автоматический сбор отчёта. Про анализ данных и статистику подробнее — в гайде нейросети для аналитика данных.

Автор: Артём Беспалов, маркетинговое ИИ-агентство «Термос Беспалова», Калининград. Статья не является налоговой консультацией.

Источники: ФНС о повышении ставки НДС до 22% с 2026 года · закон № 402-ФЗ «О бухгалтерском учёте» · закон № 152-ФЗ «О персональных данных» · закон № 98-ФЗ «О коммерческой тайне» (проверено 25.09.2026).