ИИ в бухгалтерии: где автоматизация экономит время, а когда бесполезна

Леонид Горн пишет:

Антон Соболев пишет:
Меня радует, что за пару недель отсутствия на форуме Вы теперь - в дополнение к психологии - стали еще и экспертом в финансовой отчетности. Возможно, такими темпами скоро мы с Вами станем здесь обсуждать стратегии оптимизации портфелей.

Я вам про Фому, а вы мне про Ерёму. Вместо того, чтобы честно признать свои ошибки, вы пытаетесь подменитьт тезис. Обломитесть, не получится.

Снова Вам где-то мерещатся ошибки, и снова вижу я попытки "подучить Минерву". Давайте, хоть, не про финансы Вы будете рассказывать мне. Странно выходит.

Антон Соболев пишет:
Не всегда резерв будет отражать истинное положение дел - просто в силу необходимости "балансировки" финансового результата под задачи текущей повестки. Никакой ИИ этим заниматься не сможет.

Да, вы затронули реальную проблему корпоративного управления - манипуляции с резервами. Обычный ИИ не может полностью решить проблему намеренных манипуляций с финансовой отчетностью. Это ограничение любой автоматизированной системы. Но с том и ценность моей архитектуры CONSTRUCT.AI + ККМ + МИНД, что именно для таких случаев в системе предусмотрен третий уровень диагностики - мотивационный анализ.

Мне не понятно, о какой конкретно архитектуре в приложении к финансам идет речь. Имеется ли ссылка на описание, статью или что-то более подробное?

Это работает так:

1. ККМ выявляет расхождения между операционными метриками и финансовыми результатами, показывает причинно-следственные связи между операционными драйверами (L3-L5) и финансовыми результатами (L1-L2). Если финансовые показатели улучшены через манипуляции с резервами, но операционные метрики этого не подтверждают, система автоматически подсвечивает расхождение.

Пример:

В P&L показана стабильная маржинальность (L2) - "зелёный"

Но операционные метрики показывают:

Рост Cost per Delivery (L4) - "красный"

Падение NPS (L3) - "жёлтый"

Рост текучести курьеров (L5) - "красный"

ККМ показывает: "Финансовый результат не соответствует операционной реальности". Это триггер для углубленного анализа.

Вы вот здесь это серьезно? При формировании резервов по ссудной и приравненной к ней задолженности, о которой я писал применительно к банку, Вы предлагаете вписать метрику текучести курьеров? Мы о каком бизнесе вообще обсуждение ведем?

Про операционную реальность - один человек хорошо отметил: "она такова, какова она есть, и больше никакова". Финансовый результат отражает операционную реальность с точностью до корректировок после отчетной даты (СПОДов).

Когда ИИ-агент обнаруживает аномалии в формировании резервов (например, резкое увеличение резерва на сомнительные долги в конце квартала), он активирует мотивационный анализ и задает вопросы:

"Какова цель формирования этого резерва именно сейчас?"

"Есть ли операционные причины для такого изменения, или это решение связано с финансовыми целями квартала?"

"Кто принимает решение о размере резерва и какие KPI влияют на его мотивацию?"

"Были ли подобные корректировки в предыдущих периодах при схожих операционных условиях?"

Этот сократический диалог заставляет ЛПР осознать собственные мотивы и возможные когнитивные искажения.

Без обид, но если бы Вы хотя бы один день отработали в банке, хоть в кредитном департаменте, хоть в бэк-офисе, этого блока бы просто не случилось.

Фантазии о "сократическом диалоге" никак не соотносятся с регламентной классификацией ссудной задолженности на основе качества обслуживания долга и оценочных мнений в отношении дефолта контрагента.

Решение о принятии конкретной суммы резерва принимает кредитный эксперт на основании вполне конкретных факторов, его мотивация и KPI вообще там роли не играет. А если предправлению потребуется соптимизировать налогооблагаемую базу - будет выполнено дополнительное резервирование, которое затем станет восстанавливаться для периодов просадки по выручке. Какие тут "осознанности" в части когнитивных искажений? 

В Средние века в периоды голода или осады из городов первыми изгонялись циркачи, певцы и прочие артисты. Финансы хороши тем, что они не изгоняют "психологизм" из проводок - они просто не пускают в них эту муть. Просто для информации - Положение Банка России N 590-П.

К тому же архитектура CONSTRUCT.AI не полагается только на финансовые данные. Она использует три уровня анализа:

1. На логическом уровне проверяет формальную корректность формирования резервов (соответствие МСФО/GAAP, внутренним политикам).
2. На смысловом уровне выявляет, соответствует ли размер резерва реальному смыслу ситуации (например, резерв на возвраты товаров сопоставляет с реальной статистикой возвратов).
3. Мотивационный анализ исследует, какие скрытые цели могут стоять за решением (бонусы менеджмента, ковенанты, ожидания аналитиков).

Даже если резерв формально корректен (логический уровень) и обоснован (смысловой уровень), мотивационный анализ может выявить, что решение принято под давлением текущей повестки, а не на основе объективных данных.

Вот здесь у Вас уже реальная "жесть" начинается. Давайте разбираться.

1) применительно к России используются ПБУ, МСФО может вестись дополнительно либо через параллельный учет (что редко), либо через трансформационные проводки по итогам года. Внутренние политики, которые могут регламентировать формирование управленческой отчетности, могут сильно отличаться от требований к формированию регламентной отчетности, равно как и от иных подходов в рамках одной и той же индустрии. Пример - различия в учетных политиках и способах амортизации, а также по методам складского учета (FIFO/LIFO/WAC).

2) смысл резервирования состоит в реализации "самострахования" путем изъятий из капитала, то есть это всегда негативно воздействует на его доходность. Статистика прошлых периодов совсем не отражает возможности формирования резервов на будущее.

Даже если оставить различия в традиционном рыночном риске (процентный, валютный, ценовой), который имеет нормальное распределение и может +/- предсказываться с определенной точностью в рамках V@R-моделей, дефолтность по контрагентам не однородна: потери подчиняются логнормальному распределению, соответственно, "тяжелые хвосты" могут резко перевешивать суммы резервов. Это в свое время вывело с рынка Lehman Brothers, который уж точно мог себе позволить автоматизировать резервирование.

Реальный смысл ситуации видится предсказуемым из будущего, в настоящем это - фантазии. Я не люблю Талеба, но здесь без его "черных лебедей" не обойтись. Не получится с позиций "здравого смысла" судить о редких событиях: тот же "черный понедельник", если правильно помню, имел стандартное отклонение в 22 сигмы, то есть мог случиться 1 раз за 10 в 104-степени лет. 

3) "скрытые цели" за решением не создавать обязательные резервы составляют состав преступления по совокупности статей о мошенничестве, подлоге документов и манипуляции рынком. Расследуются они также понятным способом.

CONSTRUCT.AI не заменяет аудиторов и совет директоров. ИИ выявляет аномалии и задает вопросы, а человек принимает окончательное решение. Совет директоров и аудиторский комитет несут ответственность за качество финансовой отчетности.

Система CONSTRUCT.AI не может полностью предотвратить намеренные манипуляции с финансовой отчетностью, поскольку такие действия часто мотивированы сложными корпоративными факторами (давление инвесторов, бонусные схемы, ковенанты), которые выходят за рамки автоматизированного анализа.

Однако система конструктивно снижает риск таких манипуляций через выявление аномалий и показывает расхождения между операционными метриками и финансовыми результатами.

Окончательная ответственность за качество финансовой отчетности лежит на совете директоров, аудиторском комитете и внешнем аудиторе. CONSTRUCT.AI выступает как инструмент поддержки принятия решений, а не как замена человеческого контроля. Это не панацея, но система сдержек и противовесов, которая делает манипуляции более сложными и менее вероятными.

Зачем корове седло?

Любой Совет директоров любого банка прекрасно понимает, что конкретно происходит в каждый момент времени. "Игры в бирюльки" - это может быть интересно интернам или продавцам ИИ-решений, но стратегические вопросы никогда не будут отданы на откуп ИИ. И система сдержек и противовесов в серьезном бизнесе иначе работает: в случае доведения до банкротства не системный блок в багажнике уедет.

Антон Соболев пишет:
В финансах смена регламентных форматов отчетных документов является достаточно редким явлением. Отчасти именно поэтому бухгалтерия является одной из наиболее востребованных областей работы IT-компаний. "Угадывать" строки баланса при помощи ИИ просто не требуется.

Предложенная в моей статье архитектура CONSTRUCT.AI и когнитивный компас метрик (ККМ) не предназначены для замены бухгалтерского учета или формирования регламентной отчетности. Они решают задачу, которая возникает после того, как бухгалтерия сдала свой отчет.

Дайте ссылку на статью, если она уже вышла.

Баланс и P&L - это lagging indicators (запаздывающие индикаторы). Они фиксируют следствие (финансовый результат), но не показывают причину (операционные драйверы).

Да, спасибо за перевод.

Баланс показывает состояние бизнеса на конкретную дату, ОПУ (отчет о фин. результате) - декомпозицию статей формирования прибыли и убытков за период. Сами статьи могут показать, как именно формировались продажи, какова маржинальность операций, как конкретно распределяется операционная прибыль. Связать это с драйверной моделью бизнеса очень просто.

Проблема ЛПР (лица, принимающего решения) начинается там, где заканчивается бухгалтерия. Когда CEO видит в P&L падение маржинальной прибыли, бухгалтерская система отвечает на вопрос «Насколько упала?» и «По какой статье?». Но она не может ответить на вопросы: «Почему это произошло? (Это рост цен поставщиков, увеличение брака на производстве, изменение поведения клиентов или неэффективная промоакция?)». «Как решение одной функции влияет на другую? (Как скидка от маркетинга повлияла на нагрузку склада и, как следствие, на время доставки и NPS?)». «Какой скрытый смысл стоит за предложением финдиректора «урезать косты»? (Не приведет ли это к оттоку ключевых сотрудников и потере клиентов через квартал?)»

У такого ЛПР проблемы начались до бухгалтерии - в момент формирования стратегии и ее вероятностных оценок. Здесь также очень большая тема - просто погуглите "@Risk".

Эти кросс-функциональные причинно-следственные связи не зашиты в регламентные формы баланса. Они существуют в головах руководителей, в переписках, в логах CRM и в неструктурированных данных. Именно здесь ИИ выступает не как «угадыватель строк баланса», а как инструмент смыслового и мотивационного анализа, связывающий операционные драйверы (ККМ) с финансовыми последствиями через сократический диалог.

А про понятие "Модель Дюпона" слашать случаем не приходилось? Она входит в стандартный алгоритм анализа бизнеса, как раз увязывает различные формы отчетности.

Кстати, Вы еще ДДС "за бортом" оставили, а в норме в РСБУ смотрят на 4 формы с дополнением в пояснительной записке к отчетности. Если компания соответствует требованиям об обязательном аудите - тогда еще и заключение аудиторов.

Классические IT-системы блестяще справляются с регистрацией фактов хозяйственной жизни (бухгалтерия). А предложенная мой архитектура решает задачу интерпретации смысла этих фактов и поиска корневых причин для принятия управленческих решений. ИИ здесь не подменяет 1С, а работает в синергии с ней, переводя язык финансовых симптомов на язык операционных драйверов.

Грамотный финансист "видит смыслы" в отчетности автоматически, даже с учетом их потенциальных вариаций до 30%, которые может "заготовить" грамотный бухгалтер. И весь поиск "корневых причин" на основании в прошлом обученной модели сам по себе не просто не создает ценности, он методологически оказывается невалидным.

Пассаж про "перевод финансовых симптомов на язык операционных драйверов" может оказаться "рабочим" в продажной презентации для очень наивной аудитории, но у специалистов в индустрии он даже не вызовет улыбку. Так - чудачество.

Антон Соболев пишет:
Люди ошибаются - никто с этим не спорит. Цена ошибки различна. Команда бухгалтеров с гораздо меньней легкостью составит ошибочный баланс. Пример про рекомендацию грибов от ИИ Вам уже в соседней ветке привели.

В реальности крупнейшие скандалы в финансах (Enron, Wirecard, даже недавние случаи в РФ) происходили именно при наличии команд профессионалов. Почему? Потому что ошибки не всегда технические, а часто они этические или концептуальные. И здесь моя методология как раз помогает.

Никаким образом не помогает. Enron стала работать как хедж-фонд, и вывод проблем на забалансовые счета покрывался аудиторами Arthur Andersen. ИИ туда даже близко не подпустили бы.

К тому же, у вас устаревшая информация об ИИ-агентах, предназначенных для замены команды бухгалтеров. ИИ-агенты для бухгалтерского учёта существуют и активно развиваются (Vic.ai, Trullion, BlackLine, решения Big 4, 1С с ИИ). Они работают в области регламентного учёта и подтверждают тезис о зрелой автоматизации бухгалтерии.

Да, конечно, Вам виднее. Только вот лично я в Big4 лекции читал про применение ИИ, а также про ограничения данного подхода. Зрелая автоматизация бухгалтерии на уровне 1С существует уже более 10 лет, и никакого ИИ там не требуется.

Попробуйте ради интереса пойти в более легкую область - юриспруденцию. У компании "Гарант" есть отличное решение по применению ИИ в праве - "ИСКРА". Они дают ее потестировать бесплатно. Если "поиграетесь" - сможете посмотреть, что получается на выходе.

А по поводу грибов я уже отвечал, но вы ничего не поняли, как обычно. Я там предлагал способ проверки. Еще раз. Даже если вы не доверяте какому то ИИ-агенту для бухгалтерского учёта, то пойтиме, наконец, что модели ИИ могут перепроверять друг друга через механизмы multi-agent debate, Constitutional AI, Red Team / Blue Team и agentic mesh, и могут выявлять аномалии финансовой отчётности через механизм Triple-Agent Validation.

Обученные на одном и том же наборе данных с применением похожих алгоритмов обучения модели станут выявлять концептуально разные проблемы? Я Вас уже отправлял как-то прослушать курс про инженерную реализацию моделей ИИ, но вижу, что этого сделано не было. Рекомендацию оставляю в силе.

Антон Соболев пишет:
Если использовать ИИ с тем, чтобы потом его контролировать, это приведет к росту времени работы и увеличению нагрузки. В финансах со времен Пачоли применяется двойная запись, которая и позволяет находить ошибки в агрегации первичных документов. Сами документы проверяются в момент ввода в бухгалтерские системы. Втисткивать туда ИИ просто в силу того, что это можно сделать, я смысла не вижу: детерминированные системы формирования отчетности работают и без стохастических добавок.

Да, в области регламентного финансового учёта (бухгалтерский баланс, ОПиУ по РСБУ/МСФО, налоговая отчётность) классические rule-based системы работают безупречно и не требуют замены или дополнения генеративным ИИ.

Вот и прорыв сегодняшнего дня! Бинго!

Но не регламентной отчетностью единой...

Но предложенная мною в статье архитектура CONSTRUCT.AI + ККМ не ставит своей целью автоматизацию или модификацию процессов регламентного финансового учёта. ККМ и CONSTRUCT.AI работают не с первичными документами и не с регламентной отчётностью, а с управленческими интерпретациями и стратегическими решениями, где нет механизма двойной записи и стратегическое решение о выходе на новый рынок не имеет дебета и кредита.;

Первичные документы уже агрегированы, а ККМ работает с уже сформированными P&L, балансами, отчётами о движении денежных средств, то есть с результатами работы бухгалтерии. Здесь цена ошибки максимальна, поскольку неверное стратегическое решение может стоить компании миллиарды, и двойная запись его не предотвратит. ККМ не вмешивается в нижние два уровня. Он работает на верхнем уровне, используя уже сформированные и верифицированные бухгалтерией данные как вход для управленческой интерпретации.

Таким образом, ККМ не втискивает ИИ в область, где он не нужен, а применяет его именно там, где детерминированные системы бессильны - в области неопределённости, вероятностных суждений и стратегических решений с высокой ценой ошибки.

С управленческими интерпретациями? А как они будут поданы на вход для обучения модели? Даже технически стало интересно.

В части неопределености - не нужно изобретать колесо: стохастическое моделирование применяется уже более 30 лет, в последнее время к нему добавились нейронные сети, но не те LLM, которые Вам удалось освоить.

Аналитика данных - это достаточно серьезная профессия, на нее учат, сертифицируют. Инсайты по применению LLM дипломированным дата-аналитикам не требуются.

Антон Соболев пишет:
Не увидел нужды в интеграции ИИ, качество которой не может быть гарантировано. В риск-менеджменте такие проблемы попадают сразу в операционный и комплаенс-риски. С вопросами Вашей логики мы уже ранее разбирались - нет смысла повторять это здесь, а вот с фактами о финансах и ИИ в них можно обсудить. Наверняка Ваша экспертиза о том, что и как делать корректно в финансах, должна быть востребована у игроков рынка.

Да, внедрение ИИ без надлежащего контроля создаёт неприемлемые риски.

Но предлагаемая мной архитектура CONSTRUCT.AI + ККМ не игнорирует эти риски, а конструктивно их митигирует через шесть встроенных механизмов контроля. Более того, она снижает существующие невидимые риски традиционного подхода.

А главное - ИИ никогда не принимает окончательных решений. Он лишь задаёт вопросы и визуализирует данные. ИИ-агент выступает как процессор входа, преобразующий неструктурированные данные в структурированные, но никогда не принимает окончательных решений. Окончательное решение всегда остаётся за человеком. Человек всегда может переопределить рекомендацию ИИ.

Традиционный подход также создаёт значительные риски, которые часто не формализованы. Это когнитивные искажения ЛПР, ошибки фрейминга, функциональные колодцы. Архитектура CONSTRUCT.AI + ККМ не добавляет новых рисков, а переводит невидимые когнитивные риски в видимые и управляемые, обеспечивая более высокий уровень контроля по сравнению с традиционным подходом.

Мне здесь сложно что-то комментировать: я не видел статью. Из описания субъективно могу сделать вывод, что это просто не сработает по широкому спектру причин: начиная от методологических, заканчивая чисто инженерными (в т.ч. доступностью данных для обучения моделей).

Леонид Горн пишет: ИИ - это усилитель когнитивных способностей в области неструктурированных, творческих, контекстуальных задач. Человек не заменяется, а усиливается. 

Ну вот в области машинного зрения человек полностью заменяется. Решения, которые принимает ИИ в области машинного зрения, несет существенно меньшее количество ошибок по сравнению с человеком. Это не принимая во внимание скорость обработки информации. Вставлять человека между  ИИ и исполнением миллионов сгенерированных им решений в данном случае нонсенс.