Иван Лашков, «Аскона»: Цифровая революция в финансах: Как внедрять ИИ и RPA для эффективного налогового планирования и не только

«Аскона» – ведущий федеральный ритейлер, представляющий собой вертикально интегрированный холдинг. В настоящее время сеть насчитывает порядка 900 магазинов, половина из которых работает по модели франчайзинга, а другая половина находится в прямом управлении.

Бизнес-модель компании имеет два уровня интеграции:

1. Производство готовой продукции: компания реализует более 70% товаров собственного производства.

2. Сырьевая база: предприятия по производству сырья и полуфабрикатов для фабрик готовой продукции.

Кейс №1: Сквозное налоговое планирование и оптимизация операционного денежного потока

В связи с изменениями в налоговом законодательстве, вступившими в силу с 1 января текущего года, компания столкнулась с необходимостью пересмотра финансовой модели взаимодействия с B2B-партнерами. Государство повысило ставку НДС на 5-7 процентных пунктов и снизило пороги применения специальных налоговых режимов.

Ранее оптовая модель строилась по схеме «купил-продал»: «Аскона» продавала продукцию партнеру, который делал свою наценку и реализовывал товар конечному клиенту. Новые налоговые условия привели к тому, что финансовая нагрузка (P&L) и денежный поток (кэш-флоу) партнеров оказались критически перегружены. Их рентабельность упала до нуля, что поставило под угрозу существование партнерской сети. Бизнес-подразделения предложили простое решение – компенсировать партнерам потерю рентабельности в размере 6% за счет маржи «Асконы». Однако это привело бы к двукратному сокращению собственной рентабельности компании, что было неприемлемо.

Решение: переход к сквозному планированию

Вместо того чтобы планировать налоги изолированно (компания – свои, партнер – свои), был применен комплексный подход. Команда проанализировала суммарную налоговую нагрузку на всю цепочку создания добавленной стоимости – от фабрики до конечного розничного покупателя.

В качестве альтернативы классической модели была рассмотрена агентская схема. Суть подхода заключается в том, что продажа конечному потребителю осуществляется от лица «Асконы», а партнер выступает лишь в роли оператора: он пробивает чек в системе производителя и получает за это вознаграждение (комиссию). Таким образом, на партнера не ложится бремя уплаты конечного НДС с розничной выручки. Он облагается налогами только с суммы своего вознаграждения, что эквивалентно доходам от аренды магазина и покрытия операционных расходов.

До изменений большинство партнеров использовали упрощенную систему налогообложения (УСН) и региональные патенты, что позволяло им минимизировать налоговые выплаты. Кроме того, серьёзным вызовом для нас была практика дробления бизнеса, с которой мы активно боролись (например, один предприниматель мог владеть магазинами под разными юридическими лицами – «Аскона» и Beyosa). Однако сегодня эта возможность исчезает по двум причинам:

1. Экономическая: снижение порогов применения льготных налоговых режимов для групп с существенными оборотами делает дробление экономически нецелесообразным.

2. Контрольная: налоговые органы научились эффективно бороться с такими схемами, применяя к предпринимателям серьезные санкции.

Компания столкнулась с комплексом вызовов: введением новых налогов, стагнацией на мебельном рынке и, как следствие, снижением рентабельности B2B-партнеров. Ключевой задачей стало не просто сохранение эффективности, а поиск нового решения для поддержания общей рентабельности системы.

Вместо того чтобы жертвовать собственной EBITDA, было принято решение применить сквозной подход. Анализу подверглась вся цепочка создания добавленной стоимости – от фабрики до конечного клиента. Цель состояла в том, чтобы за счет налоговой оптимизации и оптимизации операционного денежного потока получить общее преимущество и разделить его между компанией и партнером. Это позволило бы сохранить рентабельность обеих сторон на уровне, превосходящем сценарий бездействия.

Индивидуальный подход и роль технологий

Важной сложностью стала высокая неоднородность партнерской сети. Обороты партнеров варьируются в широком диапазоне – от 40 миллионов до 2 миллиардов рублей. Это потребовало отказа от универсальных решений в пользу индивидуального подхода.

Необходимо было детально проанализировать структуру оборотов и расходов каждого партнера, поскольку сами предприниматели не всегда обладают достаточной компетенцией в налоговом планировании (часто имея в штате лишь одного бухгалтера). Задача финансового блока «Асконы» – выступить в роли центра компетенций: проанализировать данные и предложить каждому партнеру готовое, наиболее выгодное для него финансово-правовое и налоговое решение.

Практическая реализация: ИИ против Excel

Первоначально для решения этой сложной математической задачи была предпринята попытка использовать искусственный интеллект (GPT). В обезличенные финансовые модели (P&L и Cash flow) компании и партнера были загружены данные с задачей рассчитать старую и новую налоговую нагрузку для двух вариантов правовой цепочки (транзитной и агентской) и выдать рекомендации.

Процесс занял около двух часов, включая уточняющие вопросы от ИИ. Однако я решил перепроверить расчеты вручную в Excel. Этот процесс занял около полутора недель и потребовал значительных интеллектуальных усилий. По итогам кропотливой ручной работы был получен вывод, который полностью совпал с тем, что ИИ предложил за полтора часа.

Финансовые результаты и выводы

По итогу моделирования были получены конкретные финансовые показатели, подтверждающие эффективность нового подхода.

1. Транзитная схема. При сохранении старой модели партнеры на общей системе налогообложения едва оставались в «плюсовой зоне», а все партнеры на упрощенной системе (УСН) становились убыточными («уходили в красную зону»).

2. Агентская схема. Анализ показал значительный прирост суммарного операционного денежного потока для всей системы.

Сравнительный анализ продемонстрировал, что переход на агентскую модель позволяет получить немедленный экономический эффект. В денежном выражении оптимизация налогов, операционного денежного потока и рабочего капитала принесла бизнесу выгоду в размере 45, 54 и 41 миллиона рублей (по разным сценариям), что является существенным результатом «здесь и сейчас».

Анализ налоговой нагрузки

Этот аспект заслуживает отдельного внимания. При детальном рассмотрении различных сценариев сквозного планирования мы столкнулись с нетривиальным результатом.

В частности, при сравнении вариантов суммарная налоговая нагрузка распределялась следующим образом: в одном из сценариев (вариант до 290 млн) она составляла 11%, в другом – 12%, а в третьем – всего 3%. При переходе на агентскую схему показатели менялись на 10%, 10%  и 8% соответственно.

Именно этот результат изначально вызвал у меня сомнения, совпав с выводами, к которым ранее пришёл GPT. Логика подсказывала, что если экономия происходит в одном звене, она должна быть системной. Однако мы наблюдали инверсию: в двух первых вариантах мы экономили около 1,2%, а в третьем, наоборот, возникала переплата. Это доказывает, что к каждому партнёру необходимо применять дифференцированный подход, анализируя его индивидуальные финансовые показатели.

Тем не менее, ключевым итогом является то, что на совокупном уровне – объединяя наши денежные потоки и потоки партнёра – мы достигаем главной цели. Мы не только оптимизируем налоги и операционный денежный поток, но и снижаем налоговую нагрузку для 80% наших партнёров.

Что особенно важно, мы должны активнее использовать современные инструменты. Уровень владения математическими и аналитическими знаниями, который демонстрируют такие системы, как Claude (который я считаю на данный момент наиболее интеллектуальным), уже превосходит возможности многих специалистов. Наша задача как экспертов меняется. Мы должны перестать тратить время на рутинные математические расчёты и сведение данных.

Наш фокус должен сместиться на продумывание самой модели и построение её безупречной логики. После того как эта логика сформулирована и передана нейросети, мы получаем готовый результат. В этом и состоит суть моего первого кейса сквозного налогового планирования и оптимизации операционного денежного потока.

Партнёрская модель: независимость и устойчивость денежного потока

В основе нашей работы лежит фундаментальный принцип – полная независимость сторон.

Наши партнёры самостоятельно принимают все операционные решения и инвестируют собственные средства в открытие торговых точек. На мой взгляд, это абсолютно чистая модель, которая не несёт даже малейшего налогового риска.

Почему мы не открываем собственные филиалы вместо такой сложной структуры? Ответ кроется в законности нашего подхода. Использование законодательства для планирования и оптимизации налоговой системы и операционного денежного потока – наше полное право, которым мы активно пользуемся. Этот процесс поставлен на поток и является постоянной практикой при взаимодействии с партнёрами.

Более того, наша стратегия эволюционирует. С частью партнёров мы перезаключили договоры купли-продажи на агентские соглашения там, где это экономически целесообразно. Ставка налога у них изменилась с 22% до 20%. Однако эта мера оказалась крайне выгодной с точки зрения управления денежными средствами. Она позволила высвободить значительный объём оборотного капитала (около 40 миллионов).

Таким образом, ситуация неоднозначна: иногда выгоднее пойти на небольшое увеличение налоговой нагрузки ради существенного улучшения операционного денежного потока и высвобождения средств. Это вопрос комплексного финансового анализа, а не слепого следования одной стратегии.

Кейс №2. Претензии от налоговой: опыт защиты инновационного продукта с помощью ИИ

Кейс демонстрирует трансформацию подхода к защите интересов бизнеса в спорах с налоговыми органами. В центре истории – наша разработка матраса iSense, который адаптируется под анатомию спящего человека.

До 2022 года мы успешно применяли положения Соглашения об избежании двойного налогообложения (СИДН), уплачивая налог на прибыль в США и избегая повторного налогообложения в России на основании соответствующих сертификатов. Однако ситуация изменилась: после исключения страны из реестра Минфин выпустил противоречивые разъяснения, что создало правовую неопределённость. Вскоре мы получили претензию от ФНС, согласно которой применение льгот после 2022 года стало невозможным, за исключением случаев оплаты научно-исследовательских (R&D) или изобретательских работ.

Для формирования стратегии защиты было решено использовать два параллельных трека работы:

1. Традиционный: обсуждение проблемы внутри команды с участием юристов и бухгалтеров.

2. Инновационный: использование искусственного интеллекта (в частности, Claude) для анализа ситуации и подготовки документов.

Роль искусственного интеллекта в подготовке защиты

Я описал ситуацию ИИ-помощнику, выступив в роли главного бухгалтера, и поставил ему задачу: предложить стратегию защиты, оценить вероятность успеха каждого варианта и подготовить проект ответа для налоговой инспекции.

В ходе диалога ИИ задавал уточняющие вопросы, подобно тому, как это делают коллеги на совещании. Результатом его работы стал развёрнутый аналитический документ. Ключевым преимуществом предложенной им стратегии был отказ от опоры на слабую позицию – письмо Минфина 2022 года, которое противоречило другим документам ведомства. Вместо этого ИИ предложил сделать акцент на доказательстве сути сделки как R&D-разработки (НИОКР). Он разложил пять возможных сценариев защиты, оценив плюсы, минусы и вероятность успеха каждого. В конечном итоге команда приняла именно этот вариант ИИ как основной.

Далее искусственный интеллект подготовил официальный ответ в ФНС, где чётко сформулировал нашу ключевую аргументацию. Когда потребовалось сформировать защитный файл – структурированный пакет подтверждающих документов – процесс также был автоматизирован. Мы запросили у американских партнёров всю техническую документацию (около 30 файлов) и загрузили их в систему. ИИ отсортировал документы по блокам защиты, хронологии и привязал каждый из них к конкретному тезису нашей аналитической записки. Подготовка защитного файла, ранее занимавшая дни напряжённой ручной работы, была выполнена менее чем за полчаса.

Этот опыт наглядно демонстрирует, как интеграция искусственного интеллекта позволяет оптимизировать трудозатраты, повысить качество юридического анализа и кардинально ускорить подготовку сложной документации, делая команду более эффективной и конкурентоспособной.

От требования к диалогу: итог опыта взаимодействия с ФНС

Таким образом, взаимодействие с Федеральной налоговой службой началось с получения требования о предоставлении пояснений. Налоговая на данном этапе не выставляла акт камеральной проверки, а лишь запросила позицию компании, чтобы понять аргументацию налогоплательщика перед принятием окончательного решения. На это письмо был дан официальный ответ. При этом сама история с американскими партнёрами к тому моменту уже завершилась: контракт был закрыт 1 января 2026 года по причине очередного изменения законодательства и готовности продукта, что сделало дальнейший спор неактуальным.

Наш инструментарий и вопрос безопасности ИИ

Для решения поставленных задач я использую несколько систем искусственного интеллекта. Ключевым инструментом для генерации текста и стратегии является Claude, однако я также активно применяю бесплатную систему NotebookLM. Последняя хорошо подходит для работы с большими массивами документов.

Бурное развитие нейросетей вызывает определённые опасения в консервативных кругах, однако на практике ИИ кардинально меняет подход к работе. Я сейчас делаю такой объём задач, для которого раньше мне нужно было пять человек вокруг меня. Модель берёт на себя сценарное моделирование, стресс-тесты, налоговое планирование и оптимизацию операционного денежного потока и даже построение интерактивных дашбордов (как правило, в формате HTML), выполняя работу в режиме реального времени.

Актуальность данных и ответственность человека

Важным аспектом использования ИИ является проверка актуальности его знаний. Налоговая практика меняется стремительно, отставание данных модели на полгода или год может привести к ошибкам. База знаний модели обновляется примерно раз в полгода, однако вся актуальная судебная практика и нормативная информация подтягиваются онлайн в режиме реального времени.

При этом ответственность за итоговый документ всегда лежит на человеке. Ссылки на разъяснения и нормы законодательства проверяются вручную. Искусственный интеллект выступает в роли «самого опытного главного бухгалтера», но финальную оценку рисков и принятие решения осуществляет специалист. Логика построения модели анализируется человеком, а не слепо принимается на веру.

Я отвечаю за то, что выдал ИИ, когда отправляю это в налоговую.

Автоматизация рутины: ИИ-агенты в операционных процессах

Приведу несколько примеров, где у нас уже задействованы ИИ-агенты:

1. Автоматизация оплат. ИИ-агент интегрирован с системами электронного документооборота (СЭД) и ERP. При поступлении заявки на оплату он самостоятельно проверяет ИНН и реквизиты контрагента, наличие контракта и потенциально может проверять квоту в бюджете. В текущей конфигурации система формирует платёжный реестр за день, а финальное нажатие кнопки «отправить» выполняет человек. Однако технически возможно реализовать и полностью автоматизированный цикл.

2. Нейробухгалтерия. На сегодняшний день технологии искусственного интеллекта значительно упрощают процессы бухгалтерского учёта. Один из наших ИИ-агентов полностью берёт на себя сверки с контрагентами. Бизнес-пользователь может через чат-бот (ранее – Telegram, теперь – Max) дать команду: «Сделай сверку по контрагенту “Ромашка”». Если же от контрагента пришёл акт сверки, агент автоматически загружает его, сравнивает с данными из внутренней системы, подсвечивает расхождения и формирует протокол разногласий.

Нейробухгалтер по авансовым отчётам

Одной из наиболее трудоёмких задач традиционно считается работа с авансовыми отчётами сотрудников. Раньше оформление такого отчета могло занимать целую неделю: сотрудник собирал бумаги, бухгалтер проверял каждую позицию, звонил сотруднику, уточнял детали, выявлял несоответствия. Теперь всё изменилось кардинально благодаря искусственному интеллекту.

Сейчас сотрудник просто отправляет в чат-бот сканированные копии всех необходимых документов – билетов, квитанций гостиницы, счетов за питание и прочее. Чат-бот самостоятельно формирует авансовый отчёт, проверяя соответствие установленным внутренним стандартам компании. Если обнаруживаются расхождения, бот чётко указывает на них и объясняет причину отклонения. Например, если сотрудник получил 50 тыс. рублей аванса, а фактически потратил лишь 44 тыс., бот уведомит о задолженности в размере оставшихся 6 тыс. рублей, которые впоследствии удержатся из зарплаты сотрудника.

ИИ действует строго в рамках утверждённой внутренней методологии. Модель предварительно обучается корпоративным правилам и критериям, принятым в организации. Процесс обучения модели занимает совсем немного времени – буквально пару дней. Зато потом она работает автономно, постоянно совершенствуя свою точность.

Особенность ИИ заключается в способности находить несоответствия и оперативно сигнализировать о них. Если бот сталкивается с сомнительным документом или расходом, выходящим за рамки установленных норм, он немедленно направляет уведомление ответственному лицу. Сотрудник вправе оспорить отказ, обратившись непосредственно к своему руководителю за дополнительным согласованием.

Автоматизированный процесс подготовки авансового отчёта включает создание документа вне бухгалтерской системы. Затем готовый отчёт направляется в систему электронного документооборота (например, Directum) для подписания электронной цифровой подписью (ЭЦП) уполномоченного сотрудника. Таким образом обеспечивается юридическая значимость документа и прозрачность процесса утверждения.

Важно отметить, что этап повторного согласования трат после возвращения из командировки зачастую становится ненужным. Все необходимые разрешения и согласования проходят заранее, ещё перед поездкой сотрудника, что дополнительно ускоряет всю процедуру.

3. Проверка благонадёжности. Процесс проверки контрагентов (KYC) также автоматизирован. Модель анализирует историю взаимоотношений (наличие просроченной дебиторской задолженности), а затем сканирует внешние источники на предмет судебных споров и налоговых задолженностей, формируя внутренний и внешний рейтинг благонадёжности.

Внедрение и безопасность

Внедрением ИИ-решений у нас в ФЭ-блоке (фотоэлектрическом) занимается не выделенный дорогостоящий ИТ-отдел, а команда энтузиастов-«амбассадоров» со стороны бизнеса и ИТ (например, системный администратор). Для создания агентов используется ряд платформ – Open Claw и n8n, а сейчас мы осваиваем DIFY. Они позволяют строить сложные решения практически без опыта программирования.

Вопросы информационной безопасности остаются камнем преткновения. Службы ИБ относятся к технологии настороженно. Конечно, наши сотрудники придерживаются прагматичного подхода: в нейросети передаётся практически вся рабочая информация, за исключением персональных данных клиентов и сотрудников, а также патентованных разработок и уникальных технологических решений, составляющих коммерческую тайну. В частности, обезличенные или быстро устаревающие данные (как P&L по торговым точкам) активно используются для получения управленческих решений, что поддерживается руководством компании вопреки позиции отдела инфобеза.

Несмотря на опасения некоторых специалистов, у службы информационной безопасности пока нет эффективных инструментов контроля наших действий с использованием ИИ. Именно поэтому критически важно действовать осознанно и с полным пониманием того, что ответственность за то, чтобы не создать уязвимостей для компании, лежит на нас самих. Принципиально, что в части ИИ у нас действует политика информационной безопасности, которой мы строго следуем. Важно понимать, что я действую исключительно в интересах собственников бизнеса, и именно эта выгода позволяет нам уверенно двигаться вперёд.

Подходы к обработке конфиденциальной информации

В компаниях существует три основных подхода к вопросам конфиденциальности и обработки чувствительных корпоративных данных.

Первый подход: полное ограничение передачи данных внешним сервисам. Внутренняя документация, финансовая отчётность, налоговые претензии и прочие сведения остаются закрытыми. Этот путь выбирают консервативные организации, предпочитающие максимальную безопасность. Однако такой подход требует значительных затрат на разработку собственной локальной LLM или ML-системы, что далеко не всегда оправдано экономически и технически.

Второй подход: выборочный обмен информацией. Организация сама решает, какие типы данных передавать ИИ-сервисам, а какие категорически запрещает.

Третий подход: передача всей информации, за исключением персональных данных сотрудников, патентованных разработок и уникальных технологических решений, составляющих коммерческую тайну компании. Именно этот способ выбрали мы в «Асконе» – именно его наша компания придерживается на практике, осознавая определённые риски, но понимая потенциальную эффективность и скорость принятия управленческих решений.

Некоторые коллеги выражают сомнения относительно возможной утечки коммерческой тайны через внешние сервисы. Тем не менее, современные крупные облачные платформы, такие как Claude, обеспечивают высокую степень анонимизации передаваемых сведений. Даже теоретически возможная попытка спецслужб получить доступ к данным крайне затруднительна и маловероятна.

Таким образом, грамотное использование возможностей искусственного интеллекта способно радикально изменить традиционные подходы к организации бизнес-процессов, сделав принятие решений более быстрым, точным и эффективным.

Иван Лашков, финансовый директор компании «Аскона»