Марина Одинова, эксперт по внедрению Генеративного ИИ в работу и бизнес: Искусственный интеллект в казначействе

Больше 20 лет я работала в финансах – от главного бухгалтера до финансового директора на производстве – и всегда интересовалась тем, как оптимизировать процессы. С искусственным интеллектом я знакома более двух лет, еще с тех пор, когда, будучи финансовым директором, использовала его для подготовки бизнес-планов и анализа отраслевых трендов. Тогда качество ответов ChatGPT оставляло желать лучшего, но сегодня его возможности выросли на порядок.

С 2024 года я плотно занялась внедрением ИИ в бизнес-процессы, в первую очередь – в финансы и бухгалтерию. Столкнувшись с тем, что многие компании, особенно средние и малые, слышали про ИИ, но не понимали, как его применить, я написала книгу-ликбез и разработала курсы для финансистов и бухгалтеров.

Поскольку сегодня мы говорим о казначействе, начну с цифр.

В 2025 году PwC провело глобальное исследование, которое показало, что более 74% крупных компаний в мире уже используют ИИ в работе казначейств. Есть яркий кейс компании Pearson, которая сэкономила более 100 млн фунтов и повысила точность прогнозов до 96% благодаря внедрению ИИ.

В работе казначейства, как и других отделов, можно использовать три группы технологий ИИ.

Машинное обучение – это алгоритмы, обучающиеся на исторических данных. Они позволяют строить точные прогнозы денежных потоков, работать с ликвидностью, прогнозировать поведение дебиторов. 

Генеративный искусственный интеллект (ChatGPT, DeepSeek, YandexGPT и др.) – это мощный инструмент для анализа, например, контрактов, извлечения условий оплаты, штрафных санкций и других финансовых метаданных.

И, наконец, роботизированные системы с ИИ. Роботизация в России уже широко развита. Обычные RPA-роботы работают по сценарию с развилками, но, добавив в эти развилки ИИ, можно научить систему принимать решения без участия человека, например, при автоматической подгрузке и разноске выписок.

Сфер для применения этих технологий в казначействе множество.

Например, в прогнозировании ликвидности отлично показывает себя машинное обучение для анализа данных и сценарного моделирования. Эти же технологии помогают в управлении рисками, прогнозируя валютную экспозицию и оптимизируя хеджирование. Что касается учета и отчетности, здесь незаменимы роботы с ИИ для автоматического распознавания и разноски платежей, в основе которых лежат продвинутые OCR-системы с классификацией.

Для анализа контрактов и дебиторской задолженности нет равных генеративному ИИ, а в контроллинге он же вместе с машинным обучением используется для план-фактного анализа и выявления аномалий.

Отдельно хочу выделить обучение персонала, где с помощью ИИ можно создавать виртуальных агентов для формирования индивидуальных программ развития. В области рефинансирования и анализа долгового портфеля ИИ помогает быстро анализировать и сравнивать условия финансирования, экономя время на рутинном сборе предложений.

Реальные кейсы внедрения

Теория подкрепляется практикой.

Яркий пример – компания Pearson, которая использовала платформу Cashforce, интегрированную с ERP. Это позволило им настолько точно планировать заимствования, что только на процентных расходах они сэкономили 2 млн фунтов в год, окупив систему за первый же год.

Другой вдохновляющий кейс – нидерландский производитель чипов, который столкнулся с проблемой валютных рисков из-за закупок в долларах и выручки в евро. Они протестировали более 20 open-source моделей, выбрали одну и на Python создали внутреннюю систему, что позволило поднять точность валютного прогноза с 70% до 96% и резко улучшить ситуацию с хеджированием.

Не отстают и такие гиганты, как IKEA, сложность управления финансами которых в множестве стран заставила разработать собственный проект всего за 8 месяцев. Уже в 2023 году их решение получило премию в области казначейства.

Банк JPMorgan пошел дальше и создал систему для своих клиентов по управлению денежными потоками с ИИ-анализом договоров, что сэкономило огромное количество человеко-часов.

И, конечно, наш российский пример – «Северсталь», чья собственная разработка позволяет автоматически разносить 99% выписок и 80% документации, а также использовать ИИ для отслеживания изменений в законодательстве и финансового контроллинга.

Как подойти к внедрению? Смотрите на эффект

Главный урок, который я вынесла: не нужно пытаться объять необъятное. Как это сделала «Северсталь», начинайте с уже существующих процессов автоматизации и добавляйте в них ИИ. Посмотрите, что в вашей работе стандартизировано, повторяемо и выполняется по четким правилам. Любой процесс, который можно описать пошагово, можно оптимизировать с помощью ИИ.

Но ключевой вопрос: а надо ли?

Внедрять ИИ стоит только тогда, когда есть экономический эффект. Проще всего его посчитать через экономию времени: сколько занимала операция раньше, сколько занимает теперь, и на что можно направить высвободившийся ресурс.

Люди – главное звено

Ничего не сработает без обучения команды. Я часто сталкиваюсь со скепсисом и страхом, особенно у рядовых сотрудников: «Меня заменят роботом!». На деле все иначе. Одна из моих учениц, финдиректор, как-то сказала: «Чем больше я работаю с ИИ, тем больше понимаю, что он без меня никуда».

До стадии общего искусственного интеллекта, который мыслит как человек, нам еще далеко. Тот «узкий» ИИ, с которым мы работаем сегодня, требует инструкций, контекста и не знает внутренней кухни вашей компании. Он – мощный инструмент, но инструмент в руках эксперта. Чтобы он работал, людей нужно научить с ним общаться – правильно формулировать запросы.

Что мешает массовому внедрению?

На мой взгляд, есть несколько стоп-факторов.

Прежде всего, это безопасность данных. Крупные компании опасаются утечек. Малый и средний бизнес может предварительно очищать данные, а вот выгружать конфиденциальную информацию на сторонние сервера, особенно за пределы России, – большой риск и нарушение законодательства РФ.

Другая проблема – непонимание возможностей. Многие просто не знают, что уже можно сделать. На моих занятиях люди нередко удивляются: «А что, так можно было?». Мы, например, за час разрабатывали систему KPI для финотдела, не «сливая» в сеть ничего, кроме названий должностей.

И, конечно, сохраняется страх замены. Один руководитель создал виртуального сотрудника для пояснения отчетности, и высшее руководство спросило: «А ты не боишься, что мы оставим его, а тебя – нет?». Но на ковер вызывают человека, и отвечать за решения будет именно он.

Искусственный интеллект пришел в нашу жизнь и бизнес надолго. Не стоит его бояться – стоит учиться с ним взаимодействовать. Идеальная формула работы – это сочетание вашей собственной экспертизы и возможностей ИИ. Вы, как эксперт, способны оценить и проверить полученную от него информацию, особенно цифры. Мы же проверяем расчеты, сделанные людьми? Так же нужно относиться и к результатам работы ИИ.

Это не про то, чтобы всех уволить и поставить роботов. Это про то, чтобы стать эффективнее, переложив рутину на умные машины и сосредоточившись на стратегических задачах. Начните с малого, оцените эффект, обучите команду – и вы увидите, что ИИ действительно может стать надежным помощником в работе корпоративного казначейства.

Марина Одинова, эксперт по внедрению Генеративного ИИ в работу и бизнес