ИИ можно делегировать многое. Кроме одного — ответственности за результат. Если нейросеть ошибется, она не компенсирует убыток и не объяснит его совету директоров. Последствия ошибки останутся у компании и у людей, которые приняли решение на основе результата.

При этом ИИ может заметно ускорить финансовую функцию и расширить объем анализа. Он помогает объединять и интерпретировать информацию из 1С, Excel, ERP и BI-систем, комментировать цифры, объяснять отклонения, готовить черновики отчетов и дашбордов, подсвечивать потенциальные слабые места.

Чем глубже ИИ встроен в процесс и чем лучше настроены данные, правила и контроль, тем меньше ручных шагов требуется. Но на человеке остается ответственность за качество входных данных, корректную постановку задачи и валидацию результата. Для финансово значимых решений важно контролировать логику расчетов, сопоставлять выводы с историческими данными и заранее определять, какие действия ИИ может выполнять сам, а какие требуют подтверждения сотрудника.

В финансовой функции ИИ помогает автоматизировать цепочки задач, которые раньше выполнялись вручную или требовали участия нескольких специалистов. До пилота важно зафиксировать базовый уровень: сколько времени занимает процесс, сколько в нем ручных операций и ошибок, как быстро выявляются отклонения. Тогда после внедрения можно измерять не впечатление от ИИ, а изменение конкретных показателей.

На практике я бы выделил три наиболее понятных класса сценариев. Первый — управленческая отчетность: сбор данных из нескольких систем, консолидация, комментарии к отклонениям, подготовка черновика отчета. Второй — финансовые операции: сверки, обработка первичных документов и типовых запросов, где ИИ забирает рутину и передает человеку исключения. Третий — финансовый контроль: поиск нетипичных операций, отклонений от бюджета, дублирующих расходов и других сигналов, которые стоит проверить. Ценность здесь не в красивом ответе модели, а в том, что финансовая команда быстрее видит риск и успевает отреагировать.

Количество сценариев быстро растет. По данным McKinsey, в опросе 102 финансовых директоров из разных отраслей и регионов 44% респондентов в 2025 году использовали генеративный ИИ более чем в пяти сценариях — годом ранее таких было 7%. И сами сценарии усложняются. В частности, мы разработали ИИ-агента, который работает непосредственно внутри решений экосистемы «1С:Предприятие». Он позволяет ставить задачи на естественном языке: получать и анализировать информацию, искать причины отклонений и автоматизировать повторяющиеся сценарии.

Внедрять ИИ можно, даже если данные разбросаны между ERP, 1С, Excel и BI-системами. Необязательно сначала строить единую идеальную базу данных, а только потом подключать ИИ: современные интеграционные механизмы позволяют работать сразу с несколькими источниками. Но нужно заранее определить, где находится источник истины для каждого показателя, кто отвечает за данные и по каким правилам они обновляются. Если данные противоречивы, устарели или неполны, ИИ лишь быстрее масштабирует эту проблему.

Успешность пилота нельзя оценивать «на глазок». Нужно считать весь контур решения: инфраструктуру или облачные мощности, лицензии и модели, безопасность, прикладной слой, интеграции, внедрение, сопровождение и внутренние трудозатраты. Собственная инфраструктура — это в основном CAPEX, облачная модель — OPEX, но для бизнеса важнее другое: какой процесс меняется и какой измеримый эффект это дает.

И здесь есть важная ловушка: экономия времени сама по себе еще не равна экономии денег. Если ИИ высвободил 500 часов в месяц, нужно понимать, во что эти часы превращаются: в отказ от дополнительного найма, ускорение закрытия периода, снижение числа ошибок и переплат, более быстрый оборот денег или рост объема работы без расширения штата. Считайте не стоимость технологии и не количество сэкономленных часов, а денежный или риск-эффект измененного процесса по отношению к полной стоимости решения.

Большинство ошибок можно свести к трем группам. Первая — ограничения самой модели: она может уверенно сформулировать неверный вывод или придумать недостающий факт. Вторая — плохие, устаревшие или противоречивые входные данные. Третья — неправильно поставленная задача, логика процесса или критерии результата. Для каждой группы нужен свой механизм контроля.

Снижать риск галлюцинаций стоит не только выбором «более сильной» модели. В финансовом процессе важно разделять роли: язык и объяснения можно отдавать LLM, а расчеты — детерминированным формулам, учетным системам и специализированным инструментам. Модель должна получать проверяемые источники, а критичные выводы — ссылки на данные, из которых они получены. Для разных операций можно использовать разные модели и инструменты, но само по себе увеличение их количества качество не гарантирует.

Входные данные нужно валидировать до того, как они попадут в модель. Для финансовой задачи важно знать не только значение показателя, но и его источник, период, валюту, версию данных и правила расчета. Принцип простой: если на входе некорректные показатели, ИИ не обязан понять, что они некорректны. Поэтому до подключения ИИ нужно описать источники данных, оценить их качество и полноту, а также определить периодичность обновления.

Третья группа ошибок связана с постановкой задачи. Здесь помогает спецификация: заранее описать ожидаемый результат, формат ответа, допустимую погрешность и условия, при которых система должна передать решение человеку. Первые итерации нужно проверять на репрезентативной выборке и сравнивать с согласованным эталоном. Автономность стоит расширять не тогда, когда ИИ «полностью повторяет старый процесс», а когда он стабильно достигает заданного порога качества. Низкорисковые операции можно автоматизировать сильнее, а финансово значимые действия оставлять на подтверждении человека.

Если не знаете, с чего начать, отчет, который готовится дольше всего, — хороший кандидат для первичной проверки, но не единственный критерий. Лучше выбирать процесс, который регулярно повторяется, съедает заметное количество времени, опирается на доступные данные и имеет измеримый результат. И желательно, чтобы цену ошибки на пилоте можно было ограничить человеческой проверкой.

Для первого пилота нужен не идеальный ИИ-контур, а несколько конкретных вещей:

• владелец процесса внутри финансовой функции;

• одна бизнес-метрика и ее базовое значение до внедрения;

• доступ к нужным источникам данных и понятные правила их использования;

• определенные требования безопасности и допустимый вариант размещения решения;

• репрезентативная выборка примеров для проверки качества;

• технический владелец интеграций, доступов и журналирования;

• бюджет пилота и заранее заданный критерий: масштабировать, дорабатывать или останавливать.

Если требования безопасности позволяют, начать проще с облачного пилота: не закупать оборудование заранее, а подключить защищенный прикладной слой к данным компании и проверить один-два сценария. Так быстрее становится понятно, работает ли конкретная гипотеза и есть ли у нее экономический эффект. Выбор собственной инфраструктуры имеет смысл делать уже с учетом подтвержденной нагрузки, требований к данным и планов масштабирования.

Успешные сценарии затем можно переводить в промышленную эксплуатацию. Если решение должно работать внутри собственного контура, оборудование и платформенный слой разумнее подбирать уже под проверенные требования, а не под абстрактное «нам нужен ИИ». Параллельно нужно закреплять владельцев сценариев в бизнесе, развивать внутренние компетенции и регулярно пересчитывать эффект: после пилота экономика решения может измениться вместе с объемом данных, числом пользователей и стоимостью эксплуатации.

Роль финансовой команды меняется на двух уровнях. Первый — повышение эффективности существующих процессов. Бухгалтеры, финансисты и аналитики будут все чаще использовать ИИ внутри привычных систем, в том числе 1С: быстрее находить информацию, готовить пояснения, заполнять типовые поля, сверять данные и работать с отчетностью. При росте объема бизнеса штат не всегда придется увеличивать пропорционально: часть повторяющихся операций можно передать ИИ. Но эффект появится только тогда, когда высвобожденное время действительно будет перенаправлено на более ценную аналитическую и управленческую работу.

Второй уровень — переход части специалистов от непосредственного исполнения к постановке и контролю задач для ИИ-агентов. Это не означает, что каждый бухгалтер станет «руководителем цифрового отдела». Но специалистам придется лучше формулировать задачу, задавать критерии качества, передавать системе контекст и понимать, когда результат можно принять, а когда нужно вмешаться. По сути, профессиональная экспертиза становится еще важнее: без нее невозможно ни правильно настроить цифрового помощника, ни заметить его ошибку.

Я бы начал с собственных повторяющихся задач с низкой ценой ошибки: поиск и обобщение информации, подготовка материалов, разбор документов, черновики писем и аналитических записок. Я сам шел примерно этим путем: сначала собрал агента для повседневных задач, затем стал объединять отдельные сценарии в цепочки и только после этого увидел, что часть из них можно масштабировать на коллег. Такой путь полезен тем, что руководитель сначала сам понимает ограничения технологии, а уже потом решает, где она действительно меняет процесс.

ИИ не снимает ответственность с CFO — он меняет то, на что финансовая функция тратит время. Если вы думаете о первом ИИ-проекте, начните с одного процесса, одной метрики, одного владельца и заранее заданного порога качества. Если после пилота вы не можете объяснить эффект в деньгах, времени или снижении риска, масштабировать его пока рано.