Исследование бизнес-таблиц показало, что 94% из них содержат хотя бы одну критическую ошибку. Citigroup однажды перевёл кредиторам $900 миллионов из-за ошибки в таблице. Сделки «Лондонского кита», которые обошлись JPMorgan в $6 миллиардов, частично стали результатом ошибки при копировании данных в Excel. А в 2020 году система здравоохранения Великобритании потеряла 16 000 результатов тестов на COVID-19, потому что таблица незаметно достигла лимита строк.
Теперь каждую из этих подверженных ошибкам таблиц отдают ИИ-ассистенту с просьбой «просто проанализировать это». Именно в этом заключается неудобный подтекст утверждения, которое в этом году активно обсуждается в финансовых кругах: традиционное ПО для FP&A (финансового планирования и анализа), созданное для людей, кликающих по меню, устарело. Провокационное заявление сделал Диди Гурфинкель, генеральный директор Datarails — базирующейся в Тель-Авиве FP&A-компании, которая заработала себе имя, решая проблему «эксель-ада» для финансовых команд. Его аргумент вкратце таков: ИИ теперь может строить модели, проводить анализ и писать отчёты быстрее и лучше, чем когда-либо мог человек, — поэтому любой инструмент, ограничивающий то, к чему может получить доступ ИИ, уже отстаёт.
Независимо от того, согласны ли вы с формулировкой «мертво», лежащая в основе тенденция заслуживает внимания, если вы ведёте бухгалтерию малого бизнеса, работаете в компактной финансовой команде стартапа или просто отслеживаете цифры собственной компании в таблице.
Что на самом деле анонсировала Datarails
Datarails — компания, привлёкшая $175 миллионов венчурного финансирования, включая раунд Series C на $70 миллионов в начале 2026 года, — запустила платформу под названием FinanceOS. Это скорее смена позиционирования, чем отдельный продукт: вместо того чтобы строить очередную закрытую панель управления, Datarails делает ставку на то, что финансовые команды продолжат пользоваться тем ИИ-инструментом, который им уже нравится (Claude, ChatGPT, Microsoft Copilot), — и им просто нужно, чтобы лежащие в основе данные были надёжными.
FinanceOS подключается к сотням исходных систем (бухгалтерскому ПО, ERP, CRM, системам расчёта зарплаты), выполняет непритязательную работу по консолидации — исключение внутригрупповых операций, конвертацию валют, сверку цифр, поступающих из трёх разных систем и не вполне совпадающих между собой, — и предоставляет результат ИИ-моделям через управляемый, поддающийся аудиту слой на основе стандарта Model Context Protocol. Как только модель, построенная ИИ, готова, её можно зафиксировать, чтобы она оставалась неизменной, даже пока исходные данные продолжают обновляться.
Гурфинкель резко высказался о конкурентах: старые поставщики «уже сошли со сцены... у них не хватает ни денег, ни сил, чтобы переписать технологию», в то время как более новые ИИ-нативные конкуренты вложились в отточенные интерфейсы, но недоинвестировали в непритязательный слой консолидации данных — который, по его мнению, на самом деле и есть долгосрочное конкурентное преимущество. Datarails также переходит от лицензирования по числу пользователей к оплате по факту использования, исходя из того, что «пользоваться» софтом всё чаще будут не люди, а ИИ-агенты.
Парадокс внедрения ИИ в финансах
Datarails — не единственная компания, заметившая это. Отраслевые опросы об использовании ИИ в корпоративных финансах раз за разом выявляют один и тот же загадочный паттерн: внедрение растёт, а заявленное влияние почти не меняется. Одно отраслевое исследование 2025 года показало, что доля финансовых команд, активно использующих ИИ, выросла всего на один процентный пункт год к году — с 58% до 59%, — при этом 91% финансовых команд заявили, что уже внедрённые ИИ-инструменты дали низкий эффект для их реальной работы.
Странный результат для настолько мощной технологии. Финансовые директора и руководители обычно объясняют это не тем, что модели плохие, а тем, что данные, которые в них загружают, — плохие. Команды подключают по-настоящему мощный ИИ к по-настоящему разрозненным исходным данным, а потом удивляются, почему результат не приносит пользы.
Настоящая проблема не в нехватке ИИ, а в отсутствии управляемых данных
Вот что важнее любого отдельного запуска продукта: внедрение ИИ в финансовых командах растёт, но эффект от него не поспевает за темпами внедрения. Несколько отраслевых опросов 2026 года указывают на один и тот же разрыв — команды включают ИИ быстрее, чем успевают получить от него ценность, и самая частая называемая причина — качество данных. Одно широко цитируемое исследование среди финансовых директоров 2026 года показало, что 63% руководителей были уверены, что обладают полной видимостью своих расходных данных, тогда как в реальности это было верно лишь примерно для 5%.
В этом разрыве вся суть. Если ваша бухгалтерия в беспорядке, подключение ИИ-инструмента не устраняет этот беспорядок — оно просто быстрее его обрабатывает и выдаёт вам уверенно звучащий ответ, построенный на плохих исходных данных. ИИ-модели не умеют надёжно понимать, когда они ошибаются. Они сошлются на налоговое правило, утратившее силу два года назад, или обобщат вкладку таблицы, которая никогда не обновлялась, — с точно такой же уверенностью в голосе, как и когда они правы.
Для малого бизнеса это проявляется в обыденных, но дорогостоящих формах:
- Сформированная ИИ сводка по денежному потоку, которая незаметно исключает банковский счёт, о котором ему никто не сообщил.
- «Чистый» отчёт о расходах, построенный на таблице, где 3–5% ячеек с формулами содержат скрытые ошибки — показатель, стабильно фиксируемый в исследованиях ошибок в электронных таблицах на протяжении двух десятилетий и только усугубляющийся по мере роста таблиц.
- Уверенный ответ о марже, который на самом деле усредняет два разных финансовых периода, потому что вкладку скопировали, а не связали ссылкой.
На самом деле ничего из этого не является проблемой ИИ. Это проблема управления данными, которую ИИ сделал более заметной, — потому что теперь весь этот беспорядок сводится в абзац, которому вы, скорее всего, поверите на слово, чем сырой, очевидно неаккуратной таблице.
Что на самом деле требуется для «готовых к ИИ» финансовых данных
Независимо от того, будете ли вы когда-либо пользоваться таким продуктом, как FinanceOS, дисциплина, лежащая в основе его идеи, сама по себе заслуживает внедрения:
1. Единый источник истины, а не папка с таблицами. Если «реальные цифры» хранятся в четырёх книгах с разными датами последнего изменения, никакой ИИ поверх этого не сможет корректно их сверить — он просто будет угадывать, какая версия актуальна.
2. Аудиторский след для каждой цифры. Когда показатель меняется, вы должны уметь ответить, почему он изменился и кто (или что) его изменил. Именно с этим у таблиц хуже всего — формула, перезаписанная жёстко заданным числом, не оставляет никакого следа.
3. Зафиксированные, версионированные модели. Прогноз, построенный ИИ, полезен только если он остаётся стабильным, пока вы его проверяете. Если исходные данные незаметно продолжают меняться под моделью, вы проверяете движущуюся цель.
4. Управление данными до автоматизации, а не после. Инстинктивное желание — прикрутить ИИ к уже существующему процессу. Команды, получающие реальную пользу, поступают наоборот: сначала приводят в порядок план счетов и стандартизируют категоризацию, и только потом подключают к этому ИИ.
5. Права доступа, которые не держатся на честном слове «не трогай эту вкладку». В общей таблице контроль доступа обычно сводится к устной договорённости не редактировать определённые ячейки. Это не управление — это привычка, которая ломается, как только в команде появляется новый человек. Система, хранящая ваши цифры, должна принудительно определять, кто и что может менять, а не просто надеяться, что все помнят правила.
6. Записи, которые переживут сам инструмент, а не только его поставщика. FinanceOS, как и большинство FP&A-платформ, — проприетарная система: полезная, но ваша историческая информация хранится внутри чужого продукта. Любому внедряемому инструменту стоит задать вопрос: если завтра вы уйдёте от него, сможете ли вы забрать с собой полную, читаемую финансовую историю — или вам придётся вручную заново вводить годы транзакций?
Изменит ли это хоть что-то для компании из пяти человек?
Легко прочитать «FP&A-платформа» и решить, что речь идёт исключительно о крупных корпорациях. На практике сценарий сбоя одинаков при любом размере компании — просто в компании из пяти человек он менее заметен, ведь вашу таблицу, кроме вас самих, никто не проверяет.
Представьте небольшое агентство, которое отслеживает прибыльность проектов в общей таблице: по вкладке на каждого клиента, часы подтягиваются из трекера времени, расходы вставляются из выписки по карте. Спросите ИИ-ассистента «какие клиенты были прибыльными в прошлом квартале?» — и он с готовностью прочитает все вкладки и выдаст вам уверенный ранжированный список. Чего он вам не скажет, так это того, что в двух клиентских вкладках используется другая формула накладных расходов, чем в остальных (скопированная со старого шаблона), а данные по одному клиенту устарели на три недели, потому что эту вкладку не обновили после последнего цикла выставления счетов. У ИИ нет способа узнать об этом — он просто видит числа в ячейках и отчитывается по ним.
Решение не обязательно заключается в покупке корпоративного ПО для FP&A. Оно в том, чтобы прежде, чем ИИ прикоснётся к вашим цифрам, у них было одно место хранения, единый согласованный формат и запись о том, когда каждый показатель менялся в последний раз. Это проблема управления данными, а не размера компании.
Аргументы в пользу текстовой бухгалтерии под контролем версий
Именно этот пробел учёт в открытом текстовом формате был призван закрыть — задолго до того, как «готовые к ИИ данные» стали модной фразой. Гроссбух, который ведётся в текстовом формате под контролем версий, по своей конструкции обладает свойствами, которые финансовые команды сейчас в спешке пытаются прикрутить к своим таблицам:
- Каждое изменение отслеживается. История Git и есть аудиторский след — не нужно вести отдельный журнал изменений, ни одна формула не будет незаметно перезаписана без следа.
- Один канонический файл, а не папка с книгами вида «final_v3». Нет никакой двусмысленности насчёт того, какая версия актуальна.
- Структурированные, машиночитаемые данные. Поскольку записи следуют единообразному формату двойной записи, а не произвольным ячейкам таблицы, ИИ-инструмент, читающий гроссбух, работает со структурированными, поддающимися аудиту записями, а не гадает, что означает объединённая ячейка.
Если вы владелец малого бизнеса, фрилансер или независимый разработчик, который сейчас ведёт учёт в таблице и раздумывает, стоит ли отдавать её ИИ-помощнику, более надёжное решение обычно состоит в том, чтобы сначала привести в порядок сам способ ведения записей.
Держите свою бухгалтерию готовой к ИИ с первого дня
Какие бы финансовые инструменты ни победили в ближайшие несколько лет, победителями станут те, чьи базовые записи были надёжны ещё до того, как их коснулся ИИ. Beancount.io предлагает текстовый учёт, который прозрачен, находится под контролем версий и структурирован именно для такой проверки — никаких закрытых таблиц-«чёрных ящиков», никаких загадочных формул, только поддающиеся аудиту записи, которым может доверять любой инструмент (ИИ или человек). Начните бесплатно и постройте свою бухгалтерию на фундаменте, готовом к любому будущему.