Содержание статьи
Собственник открывает Excel, смотрит на цифры прошлого года и умножает их на 1,2. Готов «финансовый план». По сути, такой документ фиксирует надежду, и с прогнозом у него мало общего.
Ручное финансовое планирование в бизнесе с выручкой от 10 млн рублей упирается в число переменных, которые надо держать в голове одновременно, от сезонности и дебиторки до курса и задержек у поставщиков. Человек столько не удерживает, поэтому строит прогноз по трём-четырём фактам из последних месяцев, а остальное достраивает памятью.
AI берёт данные за несколько лет, находит закономерности, которых собственник не замечал, и строит сценарии с конкретными числами. Вместо «примерно столько же» появляется формулировка вроде «при текущей динамике дебиторки кассовый разрыв случится в третью неделю ноября».
Я трекер, и на финансовых разборах начинаю с одного вопроса: где сейчас лежат цифры, по которым вы принимаете решения. Ответ почти всегда показывает, готова ли компания к AI-прогнозу. Дальше в статье про то, какие задачи финансового планирования AI закрывает уже сейчас, какие инструменты подходят бизнесу без ИТ-отдела и где внедрение ломается даже при правильных шагах.
Обновлено: 15 октября 2026
Почему финансовое планирование в небольших компаниях систематически не работает
Объяснение «собственники уделяют финансам мало времени» удобное, но картину оно объясняет слабо. Многие сидят над финансовым анализом часами каждую неделю и всё равно не получают прогноза, по которому можно принимать решения.
Планирование ломается на уровне конструкции, причём сразу в четырёх местах.
Данные живут в разных местах. Что-то лежит в 1С, что-то в банковских выписках, что-то в таблицах менеджеров и кассовых аппаратах. Свести всё это в один файл долго, и делать это регулярно у собственника не получается.
Прогноз строится на памяти. «Декабрь обычно хороший» так и остаётся воспоминанием. Насколько хороший, на сколько процентов и по какому каналу продаж, никто не знает, и без этих ответов прогноз превращается в угадывание.
Нет сценарного мышления. Классический план содержит один сценарий. Что будет, если ключевой клиент задержит оплату на полтора месяца? А если два менеджера уйдут в августе? Вручную такие вопросы не просчитывают, слишком долго.
Реакция запаздывает. Когда собственник видит отклонение от плана, маневрировать уже поздно, и кассовый разрыв закрывают дорогим кредитом, потому что предотвратить его не успели.
Все четыре поломки AI разом не исправит. Первые три он закрывает быстро и недорого, если выстроен сбор данных, а четвёртая лечится уже не моделью: прогноз должен попадать к людям, которые успеют на него отреагировать.
Что именно AI делает в финансовом планировании
Задачи стоит разделить. AI в финансовом планировании складывается из нескольких функций, и внедрять их лучше по очереди, начиная с той, где данных уже достаточно.
Прогнозирование выручки
Самая зрелая задача из всех. Модели временных рядов (Prophet от Meta, ARIMA, LSTM-сети) обучаются на исторических данных продаж и выдают прогноз с доверительным интервалом.
На практике вместо одной цифры плана на квартал собственник получает диапазон с наиболее вероятным сценарием и отдельный список факторов, которые тянут прогноз вниз.
Точность зависит от стабильности бизнеса и качества данных: чем ровнее продажи и чище история, тем уже доверительный интервал. Сами модели давно открыты, и сейчас ими может пользоваться бизнес без программиста в штате.
Прогнозирование кэш-флоу
Эта задача часто важнее прогноза выручки. Компания может показывать прибыль и одновременно сидеть в кассовом разрыве, если дебиторка длинная, а кредиторка короткая.
AI смотрит, кто из клиентов платит вовремя, а кто и насколько задерживает, строит вероятностный график поступлений, накладывает на него исходящие платежи по расписанию и выдаёт предупреждение с периодом и суммой возможного разрыва.
Меняется сама логика управления. Вместо реакции на разрыв появляется время на решение: можно заранее позвонить клиенту-должнику, договориться о предоплате с нового заказа или открыть кредитную линию, пока она не стала срочной.
Как это выглядит вживую, я видел на финансовом разборе в агентстве недвижимости. У компании сорвалась сделка, и финансовый директор пришёл на встречу с платёжным календарём: к началу следующего месяца на счетах оставался тонкий остаток, а деньги по другой большой сделке ожидались только к середине месяца или к его концу. Собственник добавил своё: занимать в следующем месяце, скорее всего, придётся, и это нормально, но сумму надо предвидеть заранее. Заодно вскрылась путаница, которую я встречаю очень часто. Под словом «минус» финансовый директор имел в виду деньги на счетах, а я смотрел в отчёт о прибылях и убытках и слышал убыток. Я предложил разводить эти два отчёта на встречах, а бюджет месяца смотреть в двух разрезах: что будет оплачено в этом месяце и что только начислено. Прогноз кэш-флоу нужен ровно для того, чтобы такой разговор случался раньше и не зависел от того, успел ли кто-то свести таблицу.
Сценарный анализ
Здесь разница между Excel и AI заметнее всего.
В Excel собственник собирает три сценария, оптимистичный, реалистичный и пессимистичный, и тратит на это полдня. AI прогоняет сотни сценариев методом Монте-Карло за секунды, то есть варьирует ключевые параметры в реалистичных диапазонах и показывает распределение результатов.
В итоге собственник видит вместо трёх сценариев вероятность каждого исхода. Например, насколько вероятен кассовый разрыв в квартале при текущей структуре дебиторки и насколько эта вероятность снизится, если сократить средний срок оплаты.
Меняется и разговор с командой. Вместо «нам нужно улучшить дебиторку» звучит «вот цена бездействия в рублях». Со второй фразой спорить заметно труднее.
Нормирование расходов и обнаружение аномалий
Функция менее заметная, но очень ценная. AI учится на том, как обычно тратит деньги ваша компания, и начинает замечать отклонения.
Подсвечивает он разное. Расходы растут при стабильном объёме, платежи дублируются, какая-то статья даёт всплески без связи с продажами. Причину ищет уже человек.
Аномалия сама по себе вину не доказывает, она требует объяснения, и человека, который обязан его дать, лучше назначить до того, как модель найдёт первую странную статью.
Инструменты: что работает для бизнеса в 2026 году
Рынок AI-решений для финансов разделился на два сегмента. Тяжёлые корпоративные системы (Oracle EPM, SAP Analytics Cloud) требуют дорогого внедрения и команды ИТ, а лёгкие инструменты собственник бизнеса запускает без программистов, и этот второй сегмент развивается быстро.
Planful, Anaplan (международные). Облачные FP&A-платформы с AI-функциями. Для бизнеса тяжелы и по стоимости, и по срокам внедрения.
Fathom, Jirav, Mosaic. Решения полегче, делают прогнозирование на загруженных данных без программирования. Подписка у них в валюте, и для российской компании оплата и выгрузка данных из 1С сами по себе отдельный вопрос, который стоит выяснить до выбора.
ChatGPT или Claude с финансовыми данными. Прагматичный старт. Данные выгружаются из 1С в Excel, задача описывается модели словами, на выходе анализ и базовый прогноз. Автоматизации здесь нет, бюджета тоже, и точность ниже, чем у специализированных систем, зато барьера входа нет никакого.
Российские решения. Финтабло, Планфакт и аналитика, встроенная в интернет-банки для бизнеса. Есть ли в конкретном тарифе прогноз кэш-флоу и как он устроен, проверяйте у вендора: функции меняются быстрее, чем статьи о них. Банковские выписки в такие сервисы подключаются без программиста, и для большинства компаний это самый простой старт.
Последовательность я бы предложил такую. Сначала Планфакт или аналог, чтобы настроить управленческий учёт и отладить сбор данных. Через несколько месяцев, когда данные стали чистыми и полными, добавить AI-прогнозирование, а к более сложным инструментам переходить, когда базовые задачи уже закрыты. Начав с дорогой платформы без нормального учёта, вы заплатите за автоматизацию хаоса.
Три ошибки, которые делают внедрение бесполезным
На разборах я вижу три сценария, по которым срывается внедрение AI в финансы, и ещё один, о котором говорят реже.
Ошибка 1. Грязные данные на входе.
AI строит прогноз на исторических данных. Если в 1С категории расходов перемешаны, часть операций проходит мимо кассы, а управленческий учёт ведётся в отдельных таблицах, прогноз будет мусором, каким бы красивым ни был интерфейс.
Барьер этот главный. Перед внедрением AI нужно навести порядок в учёте, и на это уходят месяцы. Кто пропускает этот шаг, получает аккуратные графики с неверными числами.
Свежий пример из моей практики. Мы внедряли сервис управленческого учёта у собственника с несколькими направлениями, от розничных точек до перевозки. Деньги у него двигались через чаты в мессенджере и бумажные листки, а раз в месяц сотрудница сводила всё это в таблицу. Собственник рассчитывал, что бот сам распознает голосовые и фотографии листков и разнесёт всё по статьям. На демонстрации стало видно, где это ломается. Суммы в чатах каждый раз записаны по-своему, где полностью, где с сокращением, часть расходов собственник оплачивал сам и никуда не вносил. Ответственного за порядок в финансах в компании не было, и брать эту роль на себя он не хотел. По-моему, без порядка на стороне людей такой вход не вытянет никакая модель. Обсудили два шага: жёсткий шаблон для записей в чатах и обучение сотрудницы, которая и так сводит цифры, чтобы дальше она вела учёт уже в сервисе. Окончательного решения на той встрече не было.
Ошибка 2. AI ставят вместо учёта.
Некоторые собственники считают AI заменой финансовому учёту, хотя работает он поверх учёта, как аналитика. Без управленческого учёта нет данных, без данных нет прогноза.
Порядок здесь один. Сначала учёт, потом накопленные данные, и только потом AI-прогнозирование.
Путаница в словах обходится дороже путаницы в формулах. На трекинге у одной онлайн-школы команда ставила общую цель на два месяца, и разговор долго кружил вокруг одной круглой суммы. Я заметил вслух: «Мы вокруг десятки ходим», а десятка у них то прибыль, то дивиденды, то выручка, то за год, то за месяц. На следующей встрече я спросил, сколько сегодня в кассе, и поступления за месяц по финансовому учёту разошлись с недельным отчётом в несколько раз: в отчёт не попадали автоплатежи, а суммы считали по-разному, одни за вычетом комиссий, другие только по отделу продаж. Ещё позже пришлось задать вопрос, с которого стоило начинать: выручка у вас это поступившие деньги или исполненное обязательство, и в какой момент вы её признаёте? Отдайте такие данные любой модели, и она аккуратно спрогнозирует смесь прибыли, поступлений и обещаний. Прогноз кэш-флоу начинается с договорённости, какие деньги в компании чем называются.
Ошибка 3. Прогноз читает один человек.
Если AI-прогноз видит только финансист или собственник, а операционная команда работает по-старому, ничего не меняется. Модель предсказала кассовый разрыв, а менеджер по продажам продолжает давать длинные отсрочки, потому что про прогноз просто не знает.
Прогноз должен влиять на решения, и для этого нужны регулярные короткие разборы на неделю вперёд, где обсуждают, что показывает модель и какие решения из этого следуют. Лежать он должен в одном отчёте, который открывают все участники разбора. Личная таблица финансиста эту роль не выполняет: на том же разборе агентства недвижимости выяснилось, что у маркетинга и финансов свои таблицы, цифры в них расходятся, и первой задачей после встречи стал один общий отчёт для всех.
Отдельная ошибка, о которой говорят реже, это внедрение ради отчёта перед инвестором. Компания ставит AI-инструмент, чтобы показать наличие технологий, а решения по-прежнему принимаются на интуиции. Деньги потрачены, поведение прежнее.
Что точно не сделает AI в финансовом планировании
Ограничения у AI есть, и существенные.
Финансового директора, который видит бизнес целиком, AI не заменит. Он не скажет, стоит ли входить в новый рынок, не оценит риск партнёрства и не заметит, что ключевой менеджер собирается уйти и забрать с собой крупного клиента.
Работает AI на закономерностях прошлого. Когда меняется рынок, продукт или модель продаж, историческая модель теряет точность, и доверять прогнозу вслепую нельзя.
Плохо AI справляется и с «чёрными лебедями» вроде пандемии, санкционных шоков или резкой смены регулирования. В исторических данных их нет, а модель не прогнозирует то, чего не видела.
AI-прогноз остаётся структурированной гипотезой, которую нужно проверять и корректировать, и лучший результат даёт его обсуждение с командой, потому что люди добавляют контекст, которого у модели нет.
Как начать: четыре шага без хаоса
Ниже план для собственника, который хочет внедрить AI в финансовое планирование и не потерять полгода на ИТ-проект.
Шаг 1. Аудит текущего учёта. Прежде чем что-либо покупать, проверьте, есть ли управленческий учёт отдельно от бухгалтерского и видны ли P&L и кэш-флоу за последние 12 месяцев в одном месте. Если нет, начинать надо с этого.
Для первого прогноза хватит выручки по каналам помесячно за два года и больше, расходов по категориям и данных дебиторки с датами оплат.
Шаг 2. Выбрать инструмент под ваш уровень. Компании с небольшим оборотом начинают с Планфакт или похожего российского решения, и подключение банка и учётной системы при наличии API не требует программиста. Крупным компаниям стоит смотреть на Jirav или международные FP&A-системы и считать окупаемость под свою ситуацию.
Шаг 3. Накопить историю. Первые месяцы цель одна: наладить сбор данных и убедиться, что данные полные, категории правильные, а автоматизация работает без ручных вмешательств.
Шаг 4. Включить прогнозирование и выстроить процесс реакции. Данные чистые, значит, пора включать AI-прогнозирование. Раз в неделю на 15 минут садитесь с финансистом или опердиром и смотрите прогноз ближайших 60-90 дней. Увидели риск, реагируете сразу, без «посмотрим по ситуации».
Большой проект из этого делать не нужно. Кто пишет ТЗ на полгода и ищет идеальное решение, тот так и не запускается. Несовершенный прогноз через пару месяцев полезнее идеального через полтора года.
Часто задаваемые вопросы
AI анализирует историю продаж, платежей и расходов и строит прогнозы с учётом сезонности, поведения дебиторов и переменных расходов. Вместо одного интуитивного сценария собственник получает несколько вероятностных, с конкретными числами и предупреждениями о рисках. Главная ценность в прогнозе кэш-флоу на 60-90 дней вперёд, с которым кассовый разрыв видно заранее, пока до него ещё есть время.
Точность зависит от качества данных и стабильности бизнеса. На чистой истории модель учитывает больше переменных, чем собственник держит в голове, и строит интервал вместо одной цифры, тогда как ручной прогноз опирается на несколько последних месяцев и память. Чтобы проверить точность, сравните прогноз прошлого месяца с фактом. Если модель стабильно ошибается меньше ручного плана, подписку она оправдывает.
Финансовая модель, в которой прогнозные значения рассчитывает алгоритм на основе исторических данных. Excel-модель держится на ручных допущениях, а AI-модель обновляется при поступлении новых данных, сама находит сезонность и аномалии и строит сценарии без ручной работы. Простейший вариант это ChatGPT с загруженными данными, продвинутый это специализированные FP&A-платформы с интеграцией в 1С.
Для операционного управления прогноз кэш-флоу важнее прогноза прибыли. Компания может быть прибыльной и одновременно переживать кассовый разрыв, если клиенты платят с задержкой, а поставщикам нужно платить вовремя. AI смотрит, кто из клиентов платит в срок, а кто задерживает, и строит по этой истории вероятностный график поступлений, который накладывается на расписание исходящих платежей. На выходе предупреждение за несколько недель до возможного разрыва.
Цена определяется классом инструмента. Российские сервисы вроде Планфакт работают по подписке, международные платформы класса Jirav и Mosaic дороже и считаются в валюте, а корпоративные FP&A-платформы (Anaplan, Oracle) требуют дорогого внедрения. Для бизнеса разумно начинать с российского сервиса и добавлять инструменты по мере роста задач, актуальные тарифы смотрите у вендоров. Предотвращённый кассовый разрыв экономит расходы на кредитную линию, и этот эффект стоит сопоставить с годовой стоимостью подписки.
Нет. AI берёт на себя рутину, то есть прогнозирование, мониторинг и генерацию сценариев. Финансовому директору остаются интерпретация данных, решения в нестандартных ситуациях, переговоры с банками и инвесторами и стратегические суждения. Поэтому в небольшой компании я бы смотрел на связку из AI-инструментов и финансового директора на частичной занятости, который отвечает за выводы и решения.
Превентивно, давая окно для реакции. AI строит прогноз поступлений по платёжной дисциплине клиентов, накладывает исходящие платежи по контрактам и обязательствам и рассчитывает даты и суммы возможных разрывов. Финансовый директор или собственник видит предупреждение заранее, и за это время можно договориться с клиентом об ускоренной оплате, перенести закупку, открыть кредитную линию на нормальных условиях или взять предоплату по следующему заказу.
Минимум для работающего прогноза включает выручку по каналам или клиентам помесячно за 2+ года, расходы по укрупнённым категориям за тот же период и данные дебиторки с историей платежей. Точность повышают данные по воронке продаж (незакрытые сделки), график контрактных обязательств и сезонные факторы. Идеально структурированная база с нуля не нужна. Нужны чистые данные за 12-24 месяца в любом формате, будь то CSV, Excel или выгрузка из 1С.
Управленческий учёт служит источником данных, AI даёт аналитику поверх него: учёт фиксирует факт, AI строит прогноз. В типовой интеграции данные из 1С или управленческой системы по расписанию выгружаются в AI-платформу, прогноз обновляется, и у финансиста или собственника всегда актуальная картина. В Планфакт и аналогах интеграция настраивается без программиста, через API или загрузку CSV.
Первый прогноз в специализированной платформе появляется вскоре после подключения и загрузки данных. Доверять ему сразу рано, потому что модели нужно время, чтобы увидеть закономерности бизнеса, а собственнику нужно оценить её точность на реальных данных. Практическое правило: сравнивайте прогноз прошлого месяца с фактом. Небольшое расхождение даёт основание принимать решения по прогнозу, большое означает, что часть данных неполная или неверно разнесена по категориям.
Безопасность определяется сервисом и его настройками. Перед загрузкой выясните, хранит ли платформа ваши данные и как долго, используются ли они для обучения общих моделей и где физически стоят серверы. Для российского бизнеса с точки зрения регуляторики предпочтительнее российские решения (Планфакт, Финтабло), где данные хранятся в РФ. В международных платформах проверьте, можно ли отключить использование данных для обучения. Финансовые данные с идентификаторами клиентов и контрагентов в публичные чаты (ChatGPT, Claude web) не загружают, для этого лучше подходит API с изолированным окружением.
Да, с оговоркой. Российские сервисы управленческого учёта вроде Планфакта и Финтабло собирают данные из банков и учётной системы и показывают движение денег по статьям, а прогнозные функции в них появляются и меняются от тарифа к тарифу, поэтому их наличие проверяйте у вендора. Встроенная аналитика есть и в интернет-банках для бизнеса, и в системах электронного документооборота. Глубины Anaplan или Mosaic у российских решений пока нет, но для прогноза кэш-флоу и базового сценарного анализа их хватает.
Запросить AI-диагностику для вашего бизнеса
Если после статьи непонятно, с чего начать именно у вас, ничего страшного. Каждый бизнес устроен по-своему, и универсальный порядок шагов работает только как ориентир.
Nexops проводит AI-диагностику для собственников бизнеса. Разбираем состояние учёта, смотрим, какие задачи финансового планирования можно закрыть AI-инструментами уже сейчас, и составляем план без трат на то, что вашему бизнесу не нужно.
Записаться на AI-диагностику на ai.nexops.ru
Бывает, что сбои в финансовом планировании растут из более глубокой поломки. Тогда смотрят на всю операционную систему: диагностика операционной системы бизнеса на diagnostika.nexops.ru.
Читайте также по теме AI для бизнеса: