Каждый день бухгалтер тратит часы на однотипные операции: распознавание первичных документов, сверку с контрагентами, проверку дебиторской задолженности. Искусственный интеллект способен взять на себя часть этой рутины, но идея о полной замене бухгалтера роботом пока остается мифом. В этой статье поговорим о том, в каких процессах ИИ уже применим, где его использование невозможно, какие риски и экономия для бизнеса.
Где технология может помочь бухгалтеру
1. Обработка первичных документов
Как работает: ИИ анализирует фотографию или скан накладной, акта, счета-фактуры, распознает реквизиты, сверяет сумму и контрагента и автоматически разносит документ в учетную систему. Бухгалтеру остается только проконтролировать результат, можно делать это в формате выборочной проверки.
Для кого подходит: для компаний с большим потоком первички – везде, где много повторяющихся документов.
2. Расчет заработной платы
Как работает: ИИ на основе загруженных табелей и фиксированных ставок автоматически рассчитывает оклады, премии и удержания. Стоит учитывать: как только появляются нюансы (например, сдельная оплата, ночные смены, совместительство), точность ИИ резко падает.
Для кого подходит: для компаний со стандартной схемой оплаты труда, без сложных коэффициентов, районных надбавок, сменных графиков и индивидуальных договоренностей.
3. Акты сверки с контрагентами
Как работает: ИИ по запросу (или автоматически в заданную дату) формирует акт сверки, используя данные учетной системы.
Для кого подходит: применимо как для крупных, так и для небольших компаний.
4. Контроль дебиторской и кредиторской задолженности
Как работает: на основе заданных алгоритмов ИИ подсвечивает просроченную задолженность, автоматически формирует и отправляет письма-напоминания контрагентам. Такой подход снижает риск пропуска сроков оплаты, ускоряет оборачиваемость денег и разгружает бухгалтера от «ручных» обзвонов.
Для кого подходит: универсально – и для малого бизнеса, и для более крупных компаний.
5. Анализ счетов для взаимозачетов
Как работает: ИИ анализирует счета 60, 62, 76 и другие, находит встречные требования и автоматически формирует предложение о взаимозачете. Это позволяет сократить излишние платежи и ускорить закрытие обязательств без участия бухгалтера.
Для кого подходит: любые компании, где есть регулярные встречные поставки или услуги.
Какие бухгалтерские задачи не нужно делегировать ИИ
- Составление бухгалтерской и налоговой отчетности. Это требует не только точных цифр, но и понимания контекста, изменений законодательства, учетной политики компании. Ошибка в расчете налога, и штраф обеспечен. ИИ неспособен взять на себя ответственность за подпись под декларацией.
- Сложные и нестандартные случаи. Любая ситуация, выходящая за рамки заданного алгоритма (например, спорные проводки, реорганизация, нестандартные договоры), требует профессионального опыта бухгалтера. ИИ здесь либо ошибется, либо запросит уточнения – фактически вернет задачу человеку.
- Сложный расчет заработной платы. Когда в игру вступают индивидуальные коэффициенты, ночные часы, вахтовый метод, расчет с несколькими ставками, ИИ становится ненадежным помощником. Такие задачи лучше оставить человеку.
Преимущества и недостатки автоматизации бухгалтерии
Преимущества:
- Частичная замена операторов 1С и бухгалтеров на первичной документации. ИИ способен заместить человека на этапе обработки входящих документов (распознавание, разноска по счетам, проверка реквизитов), что приводит к прямой экономии ФОТ.
- Сокращение трудозатрат опытных бухгалтеров. Автоматизация рутины позволяет штатным бухгалтерам сосредоточиться на аналитике, налоговой оптимизации и сложных задачах. В итоге компания может либо сэкономить на расширении штата, либо повысить качество работы без дополнительных наймов.
Недостатки:
- Требуется проверка результата. ИИ-агенты хорошо справляются с рутиной, но никогда не гарантируют 100% точности. Бухгалтер обязан контролировать итоговые цифры.
- У нейросети нет опыта и профессионального чутья. Робот не знает, что в прошлом году контрагент уже пытался обмануть, не помнит особенности учета в конкретной отрасли. ИИ действует строго по алгоритму – без понимания экономической сути.
- Полноценное ведение учета ИИ невозможно. Ни один робот не заменит главного бухгалтера при принятии стратегических решений, налоговом планировании или общении с инспекцией.
С чего начать внедрение ИИ в бухгалтерию
- Выберите одну рутинную задачу. Например, распознавание чеков или формирование актов сверки. Не пытайтесь автоматизировать все сразу.
- Соберите данные за 3-6 месяцев. ИИ нужно на чем-то учиться. Подойдут типовые накладные, счета, акты без ошибок.
- Протестируйте на малом объеме. Загрузите 10-20 документов, проверьте результат. Уровень точности в 95-98% – норма.
- Внедрите двухэтапный контроль. ИИ обрабатывает, бухгалтер выборочно проверяет (например, каждый 10-й документ).
- Обучите команду. Проведите вебинар или разошлите инструкцию своим коллегам-бухгалтерам. Главное, снять страх «робот отнимет работу».
Также читайте:
Это вполне даже возможно! Сбер может себе позволить купить железо и развивать локальные нейросети для оценки корпоративных и частных заемщиков - и таких датасетов для обучения нет ни у одного банка! Ну может кроме еще 2-3 из крупнейших. Но, подавляющее большинство банков этого лишены!!!
Решение о кредитовании физлиц "на автомате" и 40% по кредитованию корпоративных клиентов - жто собственная политика Сбера, который всегда будет поддержан государством, как и автоваз. Большинство банков не могут себе позволить такую роскошь - отдавать на откуп ИИ кредитование корпоратов - так в трубу вылететь недолго и никто не поможет.
Согласна, Эрнст, с вашими доводами. Так речь и шла о возможности в принципе.
Вопрос не о возможностях - это техническая реализация - а о необходимости и единственности. Документооборот придумали не Вы, это давняя история. Решений много, но важны детали.
А реальной практике не соответствует то, что Вы так и не смогли привести ни одного примера реальной корпоративной системы, которую Вы действительно знаете в деталях, и где предлагаемый Вами набор ключевых слов используется как указано. Только самые общие слова и ссылки.
Вы не в теме. Бывает.
Новое обоснование с моей стороны не требуется. Беседа закончена. Хамство неприемлемо, хамы игнорируются.
Возможно ли автоматизировать выдачу кредита в принципе? Да, безусловно.
Это - очень давняя история, которая успешно была реализована годы назад в ряде банков по миру. Сбер там не был даже в первой десятке. Но Сбер очень умело "продает" рынку свои достижения, поэтому возникает wow-эффект. Грамотная работа выходит.
Если смотреть ретроспективно - и в России были свои разработки. Так, есть рязанская команда программистов и дата-аналитиков, которая на базе своего решения "Дедуктор" строила кредитные конвейеры более десятилетия назад. Я с их разработкой "игрался" году где-то 2008, а в 2013 на очередной конференции банк "Дельтакредит" рассказал, как конкретно это работатет. Видео выступления - здесь, с 40-й минуты идет рассказ об интеграции.
К "Дедуктору" вышла и пара изданий книги-компаньона "От данных - к знаниям", здесь можно посмотреть, как модель реализуется на практике - целиком глава 17, со стр. 657.
Таким образом, если мы рассматриваем машинное обучение как составную часть ИИ - да, решения для кредитования есть давно. Принципиальной новизны здесь нет. Просто большинство людей и не задумывалось о машинном обучении в период до выхода GPT.
Если же мы рассматриваем ИИ в "бытовом понимании": в рамках LLM - нет, такие решения кредиты выдавать не могут ровно по тем причинам, которые я описывал ранее. LLM не может при ненулевой температуре устойчиво выдавать предсказуемый результат, который можно использовать для создания резервов по ссудной и приравненной к ней задолженности. С дугой стороны, это и не требуется - иные модели вполне берут на себя решение этой задачу.
Отдельно отмечу, что ИИ-решения уровня "Дедуктора" требовали кратно меньших мощностей парка техники, чем требуют современные контуры для развертывания нейросетей, поэтому даже сегодня небольшие компании могут их применять. Задача состоит не в том, чтобы "поймать хайп", а в том, чтобы обеспечить построение ресурсо-эффективного процесса в рамках возможностей конкретного бизнеса. Не все ИИ в этом одинаково полезны.
На Ваш взгляд и на основании Вашего опыта: у кого есть объективная необходимость в системах скоринга на основе каких-то новых принципов, включая любые варианты AI? Будут ли они принципиально лучше существующих? В какой момент их можно будет уверенно сравнивать?
Мне лично - нет, не интересно. Бывают, конечно яркие и забавные персонажи - но это не тот случай - очень примитивно и хамства многовато. Не вращался персонаж там, где за фразу и даже за слово придется ответить. Ну или еще - судя по поведению можно сделать вывод за кого он держит здешнюю публику.
А Вам интересно?
Правильный тезис! Сбер - это огромная кредитная фабрика. Если этот процесс не автоматизировать, то придется содержать множество квалифицированных кредитных специалистов (да и где их взять?), что затратно при большой сети. Ясно, что скорниг (с ИИ - кто как понимает этот термин, и\или с машиннообучаемыми моделями (если не включить их в ИИ) дает существенную экономию и снижает ошибки персонала, привнося свои, системные. Тут вопрос баланса - на одной чаше весов стоимость крединого персонала и вообще возможности его иметь, на другой - цена ошибок скоринга.
При этом, "размер (сети и кредитного портфеля) имеет значение"! Для небольших банков риски иные - цена ошибки намного выше. Ведь широко известны приемы, так скажем, не совсем добросовестных заемщиков, которые легко пропустит ИИ. На большом портфеле, если это приобретет статистически значимый размер, скоринг дообучится. А если портфель невелик, то до дообучения можно и не "дожить" - в финансовом смысле.
Вот здесь, как мне видится, и лежит основной смысл: Сбер, даже допустив критические ошибки в оценке контрагентов, может списать безнадежную задолженность, и это будет возмещено позднее из дешевого фондирования. У обычного коммерческого банка такой возможности нет.
Соответственно, Сбер может "экспериментировать" за квазигосударственные деньги с любым набором "погремушек" без риска коллапса. ИИ просто дает возможность еще и "умно выглядеть": мало кто понимает, о чем речь идет, но LLM может "мысли подсказывать", а это можно попробовать даже на коленке.
Соответственно, в крупных банках при правильном нарративе и грамотном подборе команды имплементаторов сами проекты по внедрению ИИ могут оказаться очень интересной платформой для монетизации, и все это - даже безотносительно к принципиальному наличию конечного продукта.
Мне думается, что близость "легких денег" катализирует хайп вокруг ИИ-трендов. Но с учетом уже двух "зим ИИ" в прошлом можно ожидать, что в обозримом будущем снова произойдет охлаждение. Капитал в очередной раз победит "креативность".
Объективной необходимости, как мне думается, нет вообще ни у кого - здесь аналогия с печатными машинками подойдет: набирать текст на машинке сильно сложнее и некомфортнее в плане исправления ошибок, чем на компьютере.
На компьютере все сильно проще, но будет ли это "Лексикон" под DOS или WordPerfect 2021 на 20-ядерной рабочей станции - это уже детали. Принципиальный переход с машинок уже произошел.
По скорингу - в принципе, аналогично. Вот слайд из моей лекции по машинному обучению, где решается задача прогнозирования увольнения работника. В своей сути бинарная переменная совпадает с выходом под задачи кредитного скоринга:
Как можно видеть, логрегрессия, случайный лес и векторные машины (boxplots слева направо) способны объяснить значительную долю информации в профиле человека. Первые две модели по факту являются моделями выбора при кредитном скоринге.
А дальше мы сталкиваемся с классическим экспоненциальным убыванием полезности: при увеличении переменных в любой модели факторная нагрузка на каждую из переменых падает, и мы быстро приходим к ситуации, когда получаемые значения будут сопоставимы с погрешностями. То есть усложнение модели не идет ей на пользу.
ИИ (конкретно - нейросети и их расширения в домен deep learning) помимо того, что требует большого количества примеров на каждый нейрон (в идеале - свыше 30 единиц), дополнительно сильно зависит от топологии самой сети. То есть и с точки зрения подбора исторических данных, и с точки зрения проектирования ИИ-решения возникает кратно более сложная задача, которая по эффективности решения не всегда сможет "обогнать" обычную логрегрессию.
Я полагаю, что вообще нет смысла совершенствовать модели в "хвостах" распределений. Фактически мы говорим об оптимизации в оставшихся 10-15%% ошибок, ради которой нет смысла переобучать (overfit) модель. Дополнительно это осложняется и мультиколлинеарностью самих переменых: понятно, что возраст, образование, должность и оклад не являются строго независимыми переменными, и уже одно это будет порождать невязки при обучении моделей.
Гораздо более оптимистичным выглядит создание ансамблей моделей для имитиации "жюри", по итогам работы которого формируется некоторое суждение. Калибровка весов в таком "жюри" уже может идти при помощи нейросетей.
В отношении ИИ в виде LLM - они полезны в качестве парсеров информации из открытых источников, а также частично могут применяться для психологического профилирования потенциального заемщика, но они не смогут перевесить общую полезность уже имеющихся моделей.
Итого: я считаю, что:
1) объективной необходимости в принципиально иных моделях кредитного скоринга на базе ИИ нет;
2) принципиально новое качество анализа не будет достигаться на прежних данных. Большая часть информации уже успешно извлекается более простыми моделями;
3) сравнивать ИИ модели с традиционными в ограниченных выборках можно уже сегодня, но качество такого сравнения будет оказываться условным. Для более полноценного сравнения требуется очень большая выборка дефолтов, на которой будет обучаться нейросеть. С известными допущениями это можно реализовать на клиентской базе Сбера - просто из-за масштаба кредитования.
Отмечу, что сложность по сбору данных отмечают и зарубежные исследования, таким образом, проблема оказывается универсальной.
С точки зрения банковского бизнеса представляется более экономически обоснованным поднять норму резервирования, расходы по которой переложить на плечи платящих вовремя заемщиков, чем "искать грааль" в виде идеальной скоринговой модели.
Спасибо!
Никогда не работал в банках изнутри, но с ощущениями совпадает. Если банки устраивает точность и прочие параметры существующих систем, можно поискать другие темы для развития бизнеса.