Михаил Романов, «СК 10»: «ИИ в финансах – это не про будущее, это про то, что можно начать использовать уже завтра»

Михаил Романов, советник генерального директора по экономике и финансам «СК 10» и спикер Четырнадцатого форума финансовых директоров строительной отрасли, поделился с CFO Russia своим видением практического применения искусственного интеллекта в финансовом управлении строительной компанией, рассказал о рисках внедрения и необходимой инфраструктуре.

Какие, на ваш взгляд, наиболее перспективные направления использования ИИ в финансовом управлении, и какие конкретные задачи они могут помочь решить в ближайшие 3–5 лет?

По опыту работы я бы выделил четыре уровня зрелости применения ИИ в финансовом блоке застройщика. Они отличаются и по сложности, и по скорости получения результата, и, мне кажется, важно их не смешивать – иначе разговор быстро уходит в область фантазий.

Первый уровень – готовые рыночные продукты, которые уже работают и дают измеримый результат. Динамическое ценообразование на лоты, внешний скоринг контрагентов через специализированные сервисы. Подключение занимает дни, это SaaS-подписки с подтверждённым эффектом. Для строительной компании, работающей с проектным финансированием и эскроу-счетами, dynamic pricing – это не просто оптимизация выручки, а инструмент управления темпом наполнения эскроу и, как следствие, стоимостью кредитных ресурсов.

Второй уровень – LLM как персональный финансовый аналитик. Большие языковые модели уже сегодня способны за десятки минут выполнять задачи, на которые у специалиста уходит несколько рабочих дней: построить экспресс-финмодель нового проекта, сконвертировать сметные позиции из программ сметного планирования в бюджетные статьи компании, проверить входящую бюджетную форму на ошибки и выбросы, подготовить финансовую модель в формате банка для проектного финансирования. По нашему опыту, предварительная оценка нового земельного участка с расчётом ключевых показателей, которая раньше занимала несколько рабочих дней, сокращается до 30–40 минут. При этом никакого «внедрения» не требуется – финансовый директор может начать использовать это буквально завтра.

Третий уровень – AI-агенты, встроенные в операционные процессы. Это, пожалуй, наиболее интересное и недооценённое направление. В отличие от «аналитика по запросу», агент работает проактивно и системно: он встроен в конкретный рабочий процесс компании и применяет именно вашу внутреннюю логику, а не общие алгоритмы. Примеры, которые уже вполне реализуемы: бот бюджетного контроля, который при согласовании каждого договора или заявки на платёж автоматически проверяет наличие лимита по соответствующей статье и проекту. Агент мониторинга ковенантов банка – сканирует фактические данные и сигнализирует о приближении к пороговым значениям задолго до отчётной даты. Кредитный скоринг контрагентов по методике компании – не внешний стандартный рейтинг, а оценка с учётом вашей собственной истории работы с этим подрядчиком: задержки, претензии, качество, финансовая устойчивость. Контроль типов сделок и лимитов инструментов – менеджер по продажам спрашивает, допустима ли рассрочка на конкретную квартиру, и получает ответ с учётом текущего состояния эскроу и ковенантов.

Технически всё это реализуемо уже сейчас на базе LLM с программными интеграциями, и срок внедрения – от одного до трёх месяцев на каждый процесс. Но эффект принципиально другой, по сравнению с разовыми консультациями: агент работает непрерывно, снижает зависимость от человеческого фактора и создаёт единый контур управления: продажи → эскроу → ковенант → ставка → бюджет.

Четвёртый уровень – специализированные ML-модели: предиктивное прогнозирование денежных потоков, автоматическое выявление аномалий в актах КС-2/КС-3, ресурсное планирование строительных бригад и техники. Мировая практика показывает впечатляющие результаты – например, точность прогноза денежных потоков с использованием ML может существенно превышать показатели ручного планирования. Но до промышленного внедрения таких решений в российском строительном бизнесе – ещё два-три года, и ограничение здесь не столько в технологиях, сколько в зрелости данных. Если в учётной системе нет проектной аналитики, а первичные документы приходят в бумаге – обучить модель просто не на чем.

Если обобщить: основная отдача сегодня – в первых трёх уровнях. Причём третий, уровень AI-агентов, даёт наибольший системный эффект, потому что он меняет не разовые задачи, а повседневные процессы. А вот четвёртый уровень, о котором чаще всего говорят на конференциях, требует серьёзной подготовительной работы.

Какие меры, по вашему мнению, необходимо предпринять для минимизации рисков при использовании ИИ в финансовом управлении?

Риски есть, и игнорировать их было бы безответственно. Но они вполне управляемы, если подходить к ним системно.

Первое – ошибки модели. LLM может уверенно выдать неверный расчёт или «додумать» данные, которых нет. Здесь работает простой принцип: ИИ готовит черновик, человек принимает решение. Ни одно решение по запуску проекта, параметрам финансирования или структуре сделки не должно приниматься на основании вывода ИИ без верификации специалистом. Это не ограничение, а нормальная управленческая гигиена. По мере накопления опыта работы с конкретными инструментами уровень доверия к ним растёт, но сам принцип контроля остаётся.

Второе – конфиденциальность данных. Финансовая модель проекта, параметры ковенантов, маржинальность по объектам – всё это чувствительная информация. Нужна простая и понятная внутренняя политика: что можно загружать в публичные AI-сервисы, что нельзя, какие инструменты разрешены для каких задач. Документ на две-три страницы, но он необходим. Для наиболее критичных данных – корпоративные тарифы сервисов с гарантиями конфиденциальности или локальные решения.

Третье – и, возможно, самое важное – риск «автоматизации хаоса». Если базовые процессы не выстроены – нет единой методологии бюджетирования, справочники не унифицированы, управленческий учёт расходится с бухгалтерским – то ИИ просто ускорит генерацию ошибок. Он одинаково хорошо масштабирует и хороший процесс, и плохой. Поэтому минимальная упорядоченность данных – обязательное условие. Но здесь есть приятный парадокс: тот же LLM помогает и с наведением порядка – классифицирует статьи, выявляет дубли в справочниках, стандартизирует форматы. Можно начинать параллельно.

И ещё один момент, который стоит упомянуть: не нужно ждать, пока все риски будут устранены, чтобы начать. Многие коллеги находятся в своеобразном ожидании «идеальных условий». Но использование LLM как персонального аналитика – это практически безрисковый первый шаг, который позволяет оценить возможности на собственном опыте.

Какие ресурсы и инфраструктура, на ваш взгляд, необходимы для успешного внедрения и масштабирования решений на основе ИИ в сфере финансового управления? Какие шаги уже предпринимаются, и какие ещё необходимы?

Принципиальный момент: ИИ для финансового блока застройщика – это не ERP-проект с многомесячным внедрением и миллионным бюджетом. Это надстройка, и ресурсы нужны принципиально другого масштаба.

Первое – зрелость данных. Без единого справочника ЦФО (центров финансовой ответственности) по проектам, без оцифрованных первичных документов, без структурированных бюджетов большинство AI-инструментов просто не смогут работать эффективно. Это вопрос не технологий, а управленческой дисциплины. Многим компаниям имеет смысл начинать именно отсюда: привести в порядок мастер-данные, стандартизировать форматы, обеспечить сквозную аналитику от проекта до строки бюджета.

Второе – компетенции внутри команды. Финансовому директору не нужно становиться программистом, но нужно уметь грамотно формулировать задачу для ИИ и критически оценивать результат. Это новый навык – примерно как в своё время все учились работать с Excel или осваивали ERP-системы. По нашим наблюдениям, один подготовленный сотрудник в финансовом блоке, который умеет работать с LLM и выстраивать AI-агентов для типовых задач, может дать эффект, сопоставимый с расширением аналитической команды на два-три человека.

Третье – архитектура интеграции. Для перехода от точечных экспериментов к системному использованию AI-агентов нужен конвейер: данные из учётной системы попадают в AI-модуль, результат возвращается обратно в рабочий процесс. Для нас это означает связку 1С, программные интеграции с LLM и отчётный слой. Не нужно заменять ERP – достаточно построить «умную прослойку» поверх имеющейся инфраструктуры.

Что касается последовательности, мы для себя определили три волны. Первая – быстрые результаты без капитальных затрат: LLM для экспресс-моделирования, валидации бюджетных форм, подготовки финмоделей для банков. Это уже работает и даёт ощутимый эффект.

Вторая волна – развёртывание AI-агентов в ключевых процессах и подключение готовых SaaS-решений: динамическое ценообразование, скоринг контрагентов, бот бюджетного контроля, мониторинг ковенантов, конвертация данных между системами сметного планирования и бюджетной моделью через AI-маппинг.

Третья волна – развитие собственных ML-моделей: предиктивный прогноз денежных потоков, системы раннего предупреждения, автоматический контроль исполнения обязательств. К ней есть смысл переходить, когда данные приведены в порядок и первые две волны дают устойчивый результат.

Ключевая мысль: не нужно ждать «большого проекта по внедрению ИИ». Самый правильный первый шаг – начать использовать LLM лично, оценить эффект на своих задачах, а масштабирование – это уже осознанное решение на основе собственного опыта, а не презентаций вендоров.

Подробнее о практике применения ИИ в финансовом управлении строительной компанией Михаил Романов расскажет на Четырнадцатом форуме финансовых директоров строительной отрасли, который пройдет 19–20 марта 2026 года в Москве.

Юлия Сильченко