Бухгалтер тратит 20 часов в месяц на сверку выписок и счетов. Система банка не совпадает со счетами поставщика — нужно вручную разбираться. ИИ уже может это делать вместо человека на 95% правильно. Вопрос: какие задачи доверить алгоритму, чтобы он помогал, а не мешал?
Мы собрали три реальные задачи, где ИИ уже демонстрирует результат в российских компаниях. Не общие идеи о будущем, а конкретные пилоты с цифрами сокращения времени.
Три задачи, где ИИ уже работает
Забудьте про фантазии о полной автоматизации. ИИ сегодня закрывает три конкретных задачи, и только при определённых условиях:
1. Сверка счетов с выписками
Задача: счет от поставщика пришел с одной датой, выпис ка из банка — с другой. Суммы не совпадают на 50 копеек. Алгоритм может быстро ответить: это один платеж, но с комиссией, или два разных платежа? На практике точность таких проверок — 94%, если с подрядчиком договориться о стандартном формате документов. Сэкономлено: 12–15 часов бухгалтера в месяц.
2. Прогноз денежных разрывов на месяц-два вперед
Алгоритм смотрит на историю платежей, знает, когда обычно клиенты платят (например, на 40-й день), учитывает акции и сезонность. Может прогнозировать, будет ли в конце месяца не хватать денег. Точность такого прогноза — ±7% при условии, что данные идут регулярно. Сэкономлено: 8–10 часов финдиректора на ручной прогноз в месяц.
3. Поиск странных платежей
Алгоритм смотрит на ВСЕ платежи и ловит: дублей (платили один счет два раза), ошибок в НДС (должно быть 20%, а выставлено 10%), платежей с неправильных счетов. Человек потом просто одобряет блокировку или отменяет алерт. Сэкономлено: 6–8 часов проверок в месяц, плюс предотвращение ошибок.
Что нужно, чтобы ИИ работал
Алгоритмы работают только на чистых данных. Если в вашей базе грязь — алгоритм будет выдавать грязь. Вот что обязательно:
- Хранилище с корректными данными. Справочники контрагентов, статей затрат, счетов — всё должно быть в порядке. Если у вас в базе пять разных названий одного поставщика — алгоритм не сможет сверить платежи;
- Автоматическая выгрузка данных. Банк выгружает выписку, счета поступают по сканеру — всё должно идти в систему без ручных вмешательств;
- Ясный контроль доступа. Кто может менять формулы в алгоритме, кто только смотрит результаты — это нужно описать.
Компании, которые просто «прикручивают» ИИ к хаотичной базе, потом тратят месяцы на то, чтобы вручную чинить его ошибки. Поэтому первый этап — всегда чистка данных и настройка регулярных выгрузок.
Путь внедрения: от пилота к операционному режиму
Команды, которые довели пилот до ежедневной эксплуатации, проходят одинаковые этапы. Мы собрали дорожную карту, чтобы не забыть про контрольные точки.
На этапе эксплуатации важно договориться о метриках качества. Для сверок — число корректных сопоставлений, для прогнозов — отклонение факта от модели. Прозрачный контроль помогает доказать, что алгоритм приносит ценность, а не создаёт дополнительную нагрузку.
Управление рисками и роль команды
ИИ-проект в бухгалтерии — это не только про «железо» и код. Понадобится команда, которая понимает доменную специфику. Нужен финансовый аналитик, который знает процесс, и ML-инженер, который умеет переводить ограничения бизнеса в параметры модели.
Не забывайте о правовых аспектах: прописывайте в договорах, кто владеет моделью и обучающими выборками, фиксируйте ответственность за инциденты. Это защитит и вас, и подрядчика.
Если хотите ускорить внедрение и не строить весь стек с нуля, обратитесь к командам, которые уже прошли путь от пилота до операционного режима в управленческом учете — gbooh.ru.