Ильдар Габбасов, «Подружка»: Бюджет за 25 минут: как подружить ИИ с Excel

Я занимаю должность финансового директора в торговой сети «Подружка». Чтобы читатели могли оценить масштаб компании, приведу несколько цифр: мы работаем в трёх странах, управляем 600 магазинами, а наш годовой оборот составляет 25 миллиардов рублей.

Хочу поделиться важным наблюдением: будущее уже наступило. Каждую неделю появляются новые модели, плагины и надстройки на основе искусственного интеллекта. Я перестал относиться к ИИ как к игрушке и нашёл ему практическое применение в финансовом планировании.

В 2026 году компания Anthropic выпустила специальную надстройку для Excel, которая интегрирует возможности ИИ прямо в интерфейс таблиц.

Раньше мы использовали бесплатный DeepSeek: просили написать макрос, затем вручную вставляли его в Excel. Теперь достаточно нажать кнопку внутри ленты – чат открывается прямо в рабочей книге, и никаких лишних действий не требуется.

Я решил опробовать ИИ в бюджетном процессе. Не в «боевом» режиме, конечно, а для сценарного анализа и экспериментов. Полученный опыт оказался настолько интересным, что я посчитал необходимым им поделиться.

Почему формулы важнее статичных результатов

Обычно нейросети обрабатывают данные на стороне – в Python или в облаке – и выдают статичный результат. Однако в случае с Excel-надстройкой ИИ пишет формулы непосредственно внутри таблиц. Достаточно чётко объяснить: «сделай на ссылках, напиши формулы» – и он создаёт сводные таблицы, используя стандартный инструментарий Excel. Это принципиально меняет ценность инструмента. Excel перестаёт быть просто калькулятором, превращаясь в интерфейс, где логику расчётов можно проследить по формулам. Такая возможность, на мой взгляд, бесценна.

Для теста я взял три отчётные формы. Предварительно изменил разрядность показателей, чтобы сохранить конфиденциальность, и добавил детализацию по магазинам. Статьи расходов и доходов не совпадали между собой: в одном месте они были детальными, в другом – укрупнёнными, на иерархическом уровне. Кроме того, отчётный год был неполным. Это усложняло задачу, но одновременно делало её максимально приближенной к реальности.

Как я формулировал задание (промпт)

При работе с ИИ я выработал несколько простых правил. Во-первых, нужно задать роль: «ты финансовый директор» или «ты финансовый аналитик». Это настраивает веса нейронов на правильную область знаний, чтобы система не путала финансиста с педиатром или юристом. Во-вторых, требуется чётко сформулировать задачу. В-третьих, важен контекст: нужно объяснить, крупная ли компания, чем она занимается. Тогда ИИ обращается к своим знаниям и находит лучшие отраслевые практики.

Обязательны ограничения: «не галлюцинируй, бери только фактические данные, если что-то непонятно – спроси». И наконец, формат. Если просто сказать «построй финансовую модель», вариантов слишком много – от DCF до мультипликативной оценки бизнеса. Чёткий формат исключает неоднозначность.

Для своей задачи я написал следующий промпт: «Ты финансовый директор. На основе неполных данных допрогнозируй недостающий месяц и построй на следующий год драйверную бюджетную модель, чтобы можно было менять допущения». Затем я перечислил, какие листы нужны, какими параметрами я хочу управлять, и попросил рассчитать отчёт о движении денежных средств прямым методом (через изменение элементов баланса), поскольку косвенный метод в данном случае менее удобен для последующей загрузки. Добавил контрольные проверки: актив равен пассиву, остаток денежных средств в отчёте о движении денежных средств сходится с балансом, а строки прибыли нарастающим итогом совпадают с балансовыми данными.

На составление этого промпта у меня ушло 20 минут – чуть больше двух страниц текста.

Генерация модели заняла 25 минут, потому что я разрешил ИИ задавать уточняющие вопросы. Система спросила, какое количество магазинов планируется открыть. Я дал несколько вводных. Далее нейросеть провела собственное рассуждение (на каком-то этапе неожиданно перешла на английский, но это не критично), самостоятельно обнаружила некоторые ошибки и выбрала корректный метод расчёта.

Первый результат и процедура аудита

ИИ сформировал все три отчётные формы. Цифры появились, но оценить качество с первого взгляда было сложно. Я дал следующее указание: «во всех формах подгони ширину столбцов, убери пустые строки, удали лишние наименования и значения внутри массива таблицы P&L». Для верификации я попросил справа от каждой формы выполнить вертикальный и горизонтальный анализ на основе полученных значений.

В процессе выполнения этого анализа ИИ сам заметил аномальные выбросы и начал их исправлять. Это напомнило мне проверку работы живого финансового аналитика: те же вопросы, те же методы контроля. Вовсе не обязательно копаться в каждой формуле.

Для дополнительной надёжности я запросил самоаудит: «используй результаты вертикального и горизонтального анализа, перепроверь себя по значительным отклонениям». В результате ИИ обнаружил ошибку в логике расчёта переменных расходов – в одном месте он сослался на годовые значения вместо месячных. То есть система самостоятельно себя проверила и исправила. Затем я переключил Excel в режим отображения формул и лично убедился, что жёстко заданных значений нет, все расчёты работают на ссылках.

Сценарный анализ за считаные минуты

В итоге у меня получилась скользящая прогнозная модель, построенная от фактических данных. Результат оказался неоптимистичным – это отражало реальную тенденцию падения офлайн-розницы, которую ИИ экстраполировал в будущее. Тогда я решил провести сценарный анализ: быстро подобрать допущения, чтобы достичь требуемого результата и закрыть разрыв между текущим положением и целевыми показателями.

Я написал: «Целевой показатель EBITDA – около 1000 единиц. Подсвети, какие допущения можно скорректировать: например, увеличить показатель в маркетплейсах, сдержать рост расходов в рознице и в офисе. Самое главное – согласуй со мной перечень корректируемых показателей». ИИ прямо в чате перечислил, какие параметры он изменил, и затем переспросил: «Всё, можно применить?» Система решила сложную оптимизационную задачу буквально за две-три минуты.

Если бы мы перебирали модель вручную, потребовалось бы от получаса до часа. А если ставить такую задачу живому аналитику, он может уйти на два дня, а потом вы вдвоём будете разбираться, что получилось. Здесь же результат мгновенный.

Риски при таком подходе я оцениваю как невысокие. Если ИИ ошибётся в сценарии, я не стану загружать этот сценарий напрямую в 1С для установки лимитов подразделениям. Я просто пойму, где у нас возникают разрывы и какие показатели требуют внимания. Затем направлю уточняющие задания соответствующим службам. Специалисты всё равно перепроверят и при необходимости вернут мне информацию о недоработках ИИ. Поэтому для сценарного анализа, а не для финального утверждения бюджета, такой инструмент является исключительно полезным.

Другие примеры использования ИИ в текущей работе

Помимо бюджетного эксперимента, я применяю искусственный интеллект и в рутинных процессах. Например, для еженедельного отчёта. Из 1С выгружается файл с определённым набором данных. Я попросил ИИ на основе шаблона прошлого отчёта обработать новую выгрузку и сформировать слайд. IT-специалисты настроили автоматическую выгрузку в сетевую папку. Теперь каждый понедельник я запускаю ИИ (он самостоятельно написал для себя скрипт), и система обрабатывает данные, создаёт слайд, а я только проверяю итоговые значения. Этот процесс уже работает в «боевом» режиме.

Кроме того, мы используем ИИ для анализа отклонений – выявления выбросов и нестандартных значений. Риск ошибки там минимален, потому что итоговые цифры всё равно проходят экспертную проверку сотрудниками.

Некоторые коллеги спрашивали меня: почему я занимаюсь этим сам, а не поручаю подчинённым? В самолёте рекомендуют сначала надеть кислородную маску на себя, а потом на ребёнка. Я не могу требовать от команды использования инструмента, который сам не опробовал. Кроме того, у меня возник встречный вопрос к IT-отделу: в некоторых компаниях айтишники с помощью вайб-кодинга закрывают потребности бизнеса, а у нас я вынужден автоматизировать свои рутинные операции через ИИ, потому что они не подпадают под стандартную автоматизацию.

При этом мои сотрудники тоже вовлекаются. На прошлой неделе я случайно узнал, что бухгалтер, отвечающий за статистическую отчётность, уже использует DeepSeek для автоматизации своего участка. В ближайшее время мы планируем распространить этот опыт на другие филиалы в СНГ. Статистическая отчётность – идеальная зона для применения ИИ: формы часто меняются, IT-отдел ставит задачу в спринт, и время идёт. А если контрольные соотношения сходятся, даже при незначительных внутренних ошибках риск минимален – максимум вам позвонит статистический орган и уточнит детали.

Как устроена работа с командой

Что касается организации процесса в компании, мы поступили просто: приобрели подписку Claude по 20 долларов в месяц и «раздали» доступы во все департаменты тем сотрудникам, кто проявил желание экспериментировать. Наш операционный директор, почувствовав перспективу, уже создаёт несложные дашборды и ставит задачи подчинённым через эти инструменты. В настоящий момент бухгалтерия и два финансиста осваивают сборку слайдов для управленческой отчётности. Всего в нашей команде, занимающейся бюджетным и управленческим учётом, работает пять человек. Мы находимся в самом начале пути.

Мои основные выводы

Первый вывод касается формулы эффективности: результат = ваша экспертность × возможности ИИ. Речь не об IT-бэкграунде, а о глубоком знании своей предметной области. Если вы эксперт в финансах, ИИ станет мощным усилителем. Если же вы не эксперт (например, юрист пытается построить финансовую модель), система запутается и выдаст усреднённый, малополезный ответ.

Второй вывод – о трансформации мышления. Мне пришлось приложить сознательное усилие: я дублировал часть своей работы через ИИ и проверял результаты. Теперь я выступаю в роли методолога (определяю, откуда брать данные и куда их помещать), архитектора, тестировщика и заказчика одновременно. Сознание действительно меняется. Мы стараемся побуждать сотрудников преодолевать сопротивление новому, потому что модели совершенствуются каждую неделю, и отставание от конкурентов в использовании ИИ может стать критическим.

Третий вывод касается «чёрных ящиков». Раньше люди перепроверяли калькуляторы, потом – расчёты в Excel. Сейчас ситуация та же: я проверяю итоги, анализирую формулы, прошу ИИ проводить самоаудит. Можно даже отправить данные в другую модель и заставить их «посовещаться», но это уже следующий уровень мастерства.

Показательный пример: на прошлой неделе я самостоятельно, не имея IT-образования, создал Telegram-бота для получения результатов анализа. Я просто описал задачу в диалоге с ИИ, получил скрипт на Python, установил Python, нашёл ID чата, подключил всё. MCP-коннекторы действительно позволяют не программисту настраивать интеграции.

Наконец, о конфиденциальности. Необходимо знать политику компании в этой сфере. Лучше возглавить процесс внедрения ИИ, чем потом получать замечания за утечку данных.

Итоговая ценность, которую я для себя выделил: ИИ умеет писать формулы в Excel. Это означает, что логика расчётов остаётся прозрачной и прослеживаемой. Инструмент перестаёт быть «чёрным ящиком», выдающим статичный результат, и становится полноценным помощником финансового директора.

Ильдар Габбасов, финансовый директор торговой сети «Подружка»