• Сегодня 19 ноября 2026
  • USD ЦБ 82.23 руб
  • EUR ЦБ 90.36 руб
Реклама. ПАО «Сбербанк России»
Сорок восьмая конференция «Трансформация ОЦО: стратегия, эффективность, сервис»
Девятая конференция «Управление рисками в промышленности»
Книги для дошколят и младших школьников
Пятнадцатая конференция «Корпоративное планирование и прогнозирование»
https://t.me/cfo_russiaru

Роман Ромашевский, ПЭК: «ИИ может ошибаться очень уверенно»

19.11.2026

Роман Ромашевский, ПЭК: «ИИ может ошибаться очень уверенно»

Роман Ромашевский, директор по финансам и персоналу компании ПЭК и спикер Пятнадцатой конференции «Корпоративное планирование и прогнозирование», рассказал CFO Russia о том, как ИИ уже помогает в еженедельном прогнозе P&L и бюджете ФОТ, а также о главных ловушках, из-за которых прогноз может стать «красивым, но бесполезным».

ИИ в прогнозировании сегодня – это дань моде или реальный рабочий инструмент, который уже приносит измеримую пользу? Если отбросить маркетинг, в чём главное преимущество использования ИИ именно в вашей отрасли / в вашей компании на текущем этапе?

Для нас искусственный интеллект уже рабочий инструмент, хотя чудес я бы от него не ждал. Поясню на нашем примере. ПЭК перевозит сборные грузы по всей России, у компании больше 300 филиалов, и бюджет мы детализируем до каждого из них. Прогноз финансового результата обновляем каждую неделю, бюджет пересматриваем три раза в год. На таком масштабе детальные расчеты вручную просто не успеваешь сделать в срок, и здесь ИИ дает вполне измеримую пользу.

Работает он, правда, только там, где в данных и процессах уже есть порядок. Поэтому с 2024 года мы сначала перестроили финансовую функцию, перевели все платежи в единую учетную систему и выстроили бюджетный процесс и регулярный контроль результата. ИИ начали подключать, когда эта основа уже заработала, потому что без нее модель просто быстрее выдает неправильный результат.

Сейчас в прогнозировании ИИ помогает нам в двух задачах. Первая связана как раз с еженедельным прогнозом P&L. Модель по статистике прошлых периодов оценивает, каким будет результат в оставшиеся недели месяца. Логистике тут немного проще, чем многим отраслям. Выручку мы признаем, когда отдаем груз получателю, поэтому часть выручки ближайших недель можно оценить заранее по грузам, которые уже приняты и находятся в пути. Модель учитывает их объем и средние сроки доставки.

Вторая задача касается бюджета. Бюджет ФОТ на второе полугодие 2026 года мы впервые посчитали с помощью ИИ-агента по каждому сотруднику, по месяцам и видам начислений, причем по тем же правилам, по которым учетная система потом считает фактическую зарплату. План был готов меньше чем за неделю, а подразделения при проверке поправили примерно 1% значений. В бюджете на 2027 год методику доработали, например, реалистичнее считаем отпуска тех, кого только планируем нанять.

Главное преимущество для нас в детализации и скорости. План можно считать от конкретного сотрудника или груза и пересчитывать за несколько часов, если поменялись вводные. Маржа в логистике небольшая, поэтому ошибка в плане затрат сразу бьет по результату.

Вы заявили тему скрытых угроз и несоответствий. Если не раскрывать все карты, можете привести пример типичной ловушки, в которую попадают компании, пытаясь внедрить ИИ в финансовое планирование? На что точно стоит обратить внимание, чтобы не получить «красивые, но бесполезные» цифры?

Под несоответствиями я имею в виду ситуации, когда прогноз выглядит убедительно, но за ним что-то не сходится. Подробнее расскажу на конференции, а здесь коротко назову основные.

Чаще всего ловушка связана с ответственностью. Когда прогноз считает модель, у цифры пропадает хозяин. Руководитель уже не защищает план и не может его объяснить, а если факт ушел в сторону, ссылается на ИИ. Так и появляются «красивые, но бесполезные» цифры. Точность у них бывает высокой, только управлять по ним нельзя. У нас на этот счет простое правило. ИИ считает, а проверяет и принимает решение человек. Поэтому даже бюджет ФОТ, рассчитанный моделью, мы отдали на проверку в подразделения, и за каждой строкой остался конкретный руководитель.

Второе тонкое место связано с данными из смежных систем. Финансовый прогноз собирается из кадровых, производственных, биллинговых данных, а финансовая служба этими системами обычно не владеет. Если, допустим, график отпусков заполнен для галочки или справочники в двух системах не совпадают, модель этого не заметит. Цифра получится аккуратной, вплоть до копейки, только реальную картину она отражать не будет. Поэтому до запуска стоит разобраться, откуда приходит каждая вводная и кто за нее отвечает.

О чем говорят реже, так это о деньгах. ИИ-проект стоит считать как любую инвестицию. Платформа, интеграции и очистка данных могут обойтись дороже, чем принесет пара лишних процентов точности, если ни одно решение от них не изменится. Начинаем с задач, где эффект виден быстро, и стараемся делать их своими силами. Тот же бюджет ФОТ сделали без подрядчиков, покупки софта и капзатрат. А где-то честнее признать, что ИИ пока не нужен.

Внедрение ИИ часто меняет не только инструменты, но и требования к команде. Как в этой новой реальности меняется роль финансового директора и аналитика? Какие компетенции (или, может быть, барьеры в мышлении) становятся критичными, когда часть «рутины» забирает алгоритм?

Мне кажется, сильнее всего меняется работа аналитика. Раньше ценили того, кто быстро сводит данные и собирает отчет. Теперь сборку все чаще делает модель, и от аналитика ждут другого. Нужно поставить задачу, проверить результат и объяснить цифры бизнесу. Бюджет ФОТ у нас, например, считал один специалист с ИИ-агентом. Но правила расчета и проверки мы сначала описали сами, иначе модель начинает додумывать, как у вас принято.

Из компетенций я бы начал с умения ставить задачу. Модель делает ровно то, что написано, и неточная формулировка дает неточный результат.

Второе, без чего сейчас трудно, это здоровый скепсис. ИИ может ошибаться очень уверенно, поэтому чем лучше выглядит цифра, тем внимательнее ее стоит проверить. У нас был показательный случай на проекте по распознаванию первичных документов. Одна из версий показала очень высокую точность, а при разборе оказалось, что модель подглядывала в правильные ответы. Этот замер команда отменила сама.

И, конечно, нужно понимать бизнес. Заметить, что прогноз не сходится с жизнью, может только тот, кто знает, как работают склад и терминал.

Из барьеров я бы выделил привычку гордиться ручной работой, когда умение свести большую таблицу считается признаком профессионализма. Я сейчас отвечаю не только за финансы, но и за персонал, и по найму хорошо вижу, что этот навык перестал быть преимуществом кандидата. Нам гораздо интереснее люди, которые могут описать методику и проверить результат, в том числе результат работы модели.

Роль финансового директора, по-моему, меняется меньше, чем принято думать. Ответственность за решения на ИИ не переложишь. Зато появилась новая задача. Нужно понимать, где ИИ действительно окупается, и учить команду работать с ним без слепого доверия.

Узнать больше об опыте ПЭК в использовании ИИ для финансового планирования вы сможете на Пятнадцатой конференции «Корпоративное планирование и прогнозирование», которая состоится 8 декабря 2026 года в Москве.

Ольга Кушнаренко

Наши конференции: