директор и машина · стратегия · запись № 057 · 30 августа 2026 · Давид Герштейн

Нейросеть как второй финдиректор: где ИИ реально помогает считать стратегию

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные.

Это дневник внедрения ИИ в стратегическое планирование производственной компании: как нейросеть сначала обманула совет директоров красивыми графиками, а потом стала инструментом пересчёта плана и проверки допущений. Финдиректор (10 менеджеров, оборот около 4 млн ₽ в месяц, средний чек по заказу — 350 тыс ₽) принесла на совет директоров презентацию стратегии на год. Собственник — назовём его Марк — требует, чтобы план пересчитывался за час, а не за квартал, и не читает отчёты длиннее страницы. На совете он открыл третий слайд и спросил: «Это годовая цифра или из месячного бюджета?» Ответа не было. Часть цифр в таблице оказалась годовой, часть — месячной, и никто их не свёл к одному знаменателю.

Разрыв обнаружился не сразу, а через квартал, когда отдел продаж показал результат на 40% выше заложенного плана. Похвалить менеджеров не вышло: сама база для сравнения была кривой, и премию считать было не от чего. В деньгах это означало, что компания три месяца управляла вслепую — не понимала, сколько маркетингового бюджета, менеджеров и склада ей реально нужно под тот рост, который она сама себе обещала.

Что решили в начале квартала: новые правила стратегического планирования

Марк поставил условие: каждый руководитель приносит трёхмесячную стратегию, посчитанную, а не нарисованную на глаз. Критерии успеха утверждают заранее с вышестоящим руководителем — чтобы не спорить о них по итогам периода. План разбивается по неделям, а не «на квартал в целом». Отдельно — макрозадача: к концу мая у каждого направления должна быть пятилетняя стратегия с ожидаемыми показателями, и написать её предлагается с помощью нейросети, чтобы не тратить месяц на ручной пересчёт сценариев.

Мы решили не делать это через одну универсальную «супермодель». Вместо этого — три отдельных шага: собрать данные, обучить модель на реальных кейсах с проверкой человеком, протестировать на контролируемом сегменте и только потом масштабировать. Это медленнее, чем «дай ChatGPT весь Excel и попроси план» — но именно этот короткий путь и провалился уже на второй неделе.

Неделя 1: ИИ строит модель за вечер

Первая попытка была простой и наивной. Финдиректор выгрузила годовую выручку, разбивку по каналам и текущий план, скормила это модели с промптом «построй финансовую модель роста на год» — и за вечер получила готовую презентацию. Выглядело убедительно: рост с текущего плана до целевой цифры, разбивка по кварталам, красивые графики.

Цифры совпадали с реальной задачей компании: цель совета директоров была в 2,4 раза выше текущего плана. В легенде это выглядело так: текущий план — 48 млн ₽ в год (без роста, ровно оборот), стратегическая цель совета директоров — 116 млн ₽ в год. Разрыв огромный, и модель ИИ бодро нарисовала, как его закрыть за счёт «усиления всех каналов на 30-40%».

На совете директоров план приняли предварительно. Через неделю Марк задал вопрос, который снёс презентацию: «Я не говорю, за счёт чего. Я хочу понимать, за счёт SEO он даст больше лидов или за счёт SMM?». Ответа в модели не было — только агрегированная цифра роста без механики.

Неделя 2: что сломалось

При детальной проверке всплыло три проблемы разом.

Во-первых, модель не различала выручку и авансы. В производстве на заказ аванс по договору — 37-40% от суммы, остальное поступает по факту отгрузки. ИИ считал «пришедшие деньги» выручкой текущего месяца, из-за чего кассовый разрыв на бумаге не был виден вообще.

Во-вторых, в модели не был заложен бонусный фонд менеджеров по продажам. Такие бонусы обычно составляют 5-8% от закрытой сделки. При обороте 4 млн ₽/мес это 200-320 тыс ₽/мес искажения прогноза операционной прибыли (оценка) — модель считала «чистую» выручку без вычета премий, и итоговая маржинальность выглядела на бумаге выше реальной.

В-третьих, прогноз роста на 40% по каналам был просто утверждением без обоснования — модель не связывала рост с конкретными действиями (бюджетом на рекламу, числом новых менеджеров, сроками найма).

Похожая история с надзором за автоматизацией уже разбиралась отдельно: «Если бы я не пришёл, ничего бы не произошло» — про то, что любой автоматический процесс без точки контроля человека рано или поздно начинает врать красиво, а не грубо.

Неделя 3: возвращаемся к ручному пересчёту и учимся спрашивать «за счёт чего»

Мы откатились на ручной пересчёт — без права на автопилот. Марк на планёрке произнёс фразу, которая стала внутренним стандартом: «Ты должна знать юнит-экономику каждого направления как свои пять пальцев. Сколько зарабатываем, какая маржа, какие точки бизнеса. Это база, база, база». Подробнее о том, как строить систему учёта, которая не зависит от памяти одного человека, — в разборе контроля дебиторки и денежных показателей.

Заодно вскрылась вторая проблема, не связанная с ИИ напрямую: SEO-специалист не мог назвать конкретные источники лидов из органического поиска — аналитика не отслеживала связку «запрос → страница → продажа». Без этой связки любая ИИ-модель роста по каналам была фикцией: нечего было закладывать в формулу — классический разрыв, который отдельно разобран в статье про лиды, которые не доходят до продаж.

Собственник предложил новую структуру стратегии, которую мы и взяли за основу дальше: сначала совокупная картина на год (доля лидов по каналам, конверсия по каждому), потом детализация по годам с фиксацией прогресса — например, «в 2025-м было 5% SEO-лидов, в 2026-м стало 35%», и только после этого — тактические детали. Никаких смешанных годовых и месячных цифр на одном слайде.

ИИ-связка: формула вместо мёртвых цифр

К четвёртой неделе стало ясно: главная проблема не в том, что ИИ считает, а в том, что план — статичен. Стратегия писалась один раз в квартал и морально устаревала через месяц-полтора, особенно если внешние условия (спрос, курс, законодательство) двигались быстрее плана. Переписывать презентацию заново — трата целого дня аналитика каждый раз.

Решение: заменить фиксированные цифры формулами. Если темп роста — плюс 5% ежемесячно, план должен пересчитываться сам при загрузке факта за месяц, а не переписываться вручную. Схема конвейера получилась такая:

Google-таблица с фактическими данными (выручка по каналам, конверсия, авансы) → скрипт раз в неделю по расписанию дёргает вебхук → дешёвая модель пересчитывает прогноз по формуле роста и подсвечивает отклонения → раз в две недели дорогая модель проверяет, не сломались ли допущения → итог попадает в ту же таблицу отдельным листом, который смотрит финдиректор по четвергам вместе с коммерческим отчётом.

Модель: gpt-4o-mini (дешёвая, задача чисто арифметическая — не нужно рассуждение)
Роль: пересчитать план по формуле роста на основе новых фактических данных.

Входные данные (JSON из Google Sheets через Apps Script):
{
  "period": "2026-08",
  "channels": [
    {"name": "SEO", "leads_share_prev": 0.30, "leads_share_fact": 0.35, "conversion": 0.12},
    {"name": "Telegram", "leads_share_prev": 0.45, "leads_share_fact": 0.40, "conversion": 0.09},
    {"name": "SMM", "leads_share_prev": 0.25, "leads_share_fact": 0.25, "conversion": 0.07}
  ],
  "monthly_growth_target": 0.05,
  "current_plan_revenue": 4000000,
  "avans_share": 0.38
}

Задача:
1. Пересчитай план выручки на следующий месяц по формуле:
   plan_next = current_plan_revenue * (1 + monthly_growth_target)
2. Разбей план по каналам пропорционально leads_share_fact * conversion.
3. Отдельно посчитай ожидаемый аванс (avans_share от плана) и остаток по факту отгрузки.
4. Если доля канала изменилась больше чем на 5 п.п. к прошлому месяцу — пометь флагом "check_needed": true.
5. Верни только JSON, без пояснений.

Пример ответа модели:

{
  "plan_next_revenue": 4200000,
  "by_channel": {
    "SEO": {"revenue": 1764000, "check_needed": true},
    "Telegram": {"revenue": 1512000, "check_needed": true},
    "SMM": {"revenue": 924000, "check_needed": false}
  },
  "avans_expected": 1596000,
  "postoplata_expected": 2604000
}

Проверка по формуле: 4 000 000 ₽ × (1 + 0,05) = 4 200 000 ₽ — план на следующий месяц. Аванс: 4 200 000 ₽ × 0,38 = 1 596 000 ₽, остаток по факту отгрузки — 2 604 000 ₽. Именно эту арифметику и делает дешёвая модель за секунды вместо ручного пересчёта в Excel.

Дешёвая модель хороша именно тут: задача — арифметика по чёткой формуле, а не поиск смысла. Она не рассуждает «почему», она считает «сколько». За рассуждение отвечает второй промпт — уже на дорогой модели, раз в две недели, в роли внутреннего критика.

Модель: gpt-4o (дороже, задача — найти нестыковки в допущениях, нужно рассуждение)
Роль: аудитор стратегии. Проверь план на реалистичность.

Входные данные:
- пересчитанный план по каналам (JSON из предыдущего шага)
- бонусный фонд менеджеров: 6% от закрытой выручки
- факт найма за последние 4 недели: 2 новых менеджера из 10 плановых
- комментарий отдела продаж (текст, до 500 слов)

Задача:
1. Проверь, учтён ли бонусный фонд в прогнозе прибыли.
2. Сопоставь темп роста лидов с фактическим темпом найма менеджеров — 
   может ли отдел физически обработать такой рост.
3. Если план предполагает рост, для которого нет ресурсов (людей, бюджета) —
   явно укажи это как риск, а не сглаживай формулировку.
4. Дай короткий вывод (3-5 пунктов), без общих фраз.

Пример ответа модели:

{
  "bonus_fund_accounted": false,
  "bonus_gap_estimate_rub": 252000,
  "hiring_gap": "план роста +5%/мес требует 10 менеджеров, факт найма 2 из 10 за 4 недели",
  "risks": [
    "прогноз прибыли завышен на величину невычтенного бонусного фонда",
    "рост лидов по SEO не подкреплён ростом штата — очередь на обработку заявок вырастет",
    "рекомендация: снизить темп роста плана до +3%/мес на ближайший квартал"
  ]
}

Проверка цифры: 6% от 4 200 000 ₽ прогнозной выручки = 252 000 ₽ — именно эту сумму дорогая модель и указала как невычтенный бонусный фонд. Без этой проверки план на совете директоров выглядел бы на 252 000 ₽ прибыльнее, чем есть на самом деле.

Инженерная обвязка простая и сознательно небольшая: Google Apps Script по расписанию (раз в неделю для первого промпта, раз в две недели для второго), вызов через HTTP к API модели, запись ответа в отдельный лист таблицы. Ошибка вызова (таймаут, лимит токенов) пишется в тот же лист красной строкой с меткой времени — если строка не обновилась за неделю, значит скрипт упал, и это видно на глаз без отдельного мониторинга. Перезапуск — вручную, кнопкой в меню таблицы: для команды из 10 человек этого достаточно.

Неделя 5-6: обучаем агента на своих кейсах, а не на общих промптах

Параллельно шла вторая линия — не просто пересчёт цифр, а модель, которая училась бы отличать реалистичный сценарий роста от красиво звучащего, но необоснованного. Внедряли поэтапно, без забегания вперёд: сначала обучили нейросеть на реальных данных — 40 исторических кейсов сделок с валидацией менеджерами (было это реалистично или нет, и почему), потом протестировали на контролируемом сегменте из 5 000 записей, и только после этого начали масштабировать на весь портфель.

Разметка 40 кейсов обошлась в 1,5-2 доллара за кейс — итого 60-80 долларов на весь пилот. Дёшево по сравнению с ценой одной ошибки в квартальном плане: одна только невычтенная премия менеджеров, как показал пример выше, искажала прогноз на 252 тыс ₽ в месяц. Правило на будущее: дёшево и качество приемлемое — берём в работу. Дорого и качество всё равно не дотягивает — не тащим в продакшн, ищем другой путь.

Что показали цифры за квартал

На диаграмме ниже — рост доли SEO-лидов в общем потоке заявок за год, тот самый прогресс, который потом закладывали в формулу пересчёта плана.

Экономика: что это стоит и что даёт

Пилот из двух связок (пересчёт по формуле + агент-критик) обошёлся в разметку данных (60-80 $, это около 5-7 тыс ₽ по курсу, оценка) плюс 10-15 часов аналитика на настройку скриптов и таблиц — это разовые затраты. Ставку квалифицированной работы по настройке возьмём условно 1500 ₽/час (оценка, выше линейной ставки менеджера, так как это не рутинная задача): 10 ч × 1500 ₽ = 15 000 ₽, 15 ч × 1500 ₽ = 22 500 ₽. Вместе с разметкой данных суммарные расходы на внедрение — примерно 20-30 тыс ₽ разово (оценка).

Эксплуатация: несколько запросов в дешёвой модели раз в неделю плюс пара запросов в дорогой модели раз в две недели — это укладывается в единицы долларов в месяц, дешевле любой подписки на BI-сервис.

Результат считаем отдельно от эффекта самой стратегии (рост выручки — заслуга канала и продаж, а не инструмента пересчёта). Вклад именно ИИ-связки — в скорости и в снятом риске ошибки: ручной пересчёт плана при поступлении новых данных занимал у финдиректора около 6 часов (оценка) каждый раз, когда менялись входные цифры. С формулой и агентом-критиком на это уходит около 1 часа проверки в неделю.

Формула для своего расчёта: (часы ручного пересчёта в неделю − часы с формулой и агентом) × ваша ставка в час × 4 недели в месяце = экономия в месяц. В нашем случае: (6 ч − 1 ч) × 1500 ₽/час × 4 = 30 000 ₽ в месяц (оценка) — то есть примерно 7-8 тыс ₽ в неделю рабочего времени финдиректора. При разовых затратах на внедрение в 20-30 тыс ₽ окупаемость — меньше месяца эксплуатации связки (оценка, без учёта того, что план больше не расходится с реальностью на 2,4 раза незамеченным).

На диаграмме — сколько времени финдиректор тратила на пересчёт плана вручную и сколько уходит теперь.

Время на пересчёт плана при поступлении новых данных: было ~6 часов вручную при каждом изменении входных цифр, стало ~1 час в неделю на проверку с формулой и агентом-критиком.

Отдельно — цена невычтенного бонусного фонда, которую поймал агент-критик: 6% от 4,2 млн ₽ прогнозной выручки — это 252 тыс ₽ в месяц искажения прогноза прибыли (оценка, расчёт по данным примера выше). Если бы план с этой ошибкой ушёл на совет директоров, решения по найму и бюджету принимались бы на основе картины, которая на 252 тыс ₽ оптимистичнее реальности.

Что осталось нерешённым

Не всё закрылось за квартал. Не решён вопрос, кто персонально отвечает за проект ИИ-агента — Марк сам признаёт, что боится делегировать и теряет время, но решение так и не принято, а сроки горят. Стратегия по-прежнему требует детализации по каждому рынку отдельно, а не общими цифрами — этого агент пока не умеет, потому что нет размеченных данных по региональным различиям. И главное: формула роста +5% в месяц — это гипотеза, а не константа. Она сама требует пересмотра, если внешние условия (спрос, законодательство, курс) меняются быстрее, чем раз в квартал — а это в 2026 году происходит регулярно.

Чек-лист: с чего начать в понедельник

• Сверить в текущей стратегии годовые и месячные цифры — найдётся минимум одна нестыковка, проверено на практике.
• Выписать три допущения плана, которые ИИ (или аналитик) обычно забывает: бонусный фонд, авансы vs выручка, ресурс найма под темп роста.
• Завести таблицу с формулой пересчёта плана вместо фиксированных цифр — хотя бы в Google Sheets, без агента на старте.
• Собрать 30-50 исторических кейсов сделок с оценкой менеджера «реалистично / нереалистично» — это основа для обучения агента-критика.
• Назначить день недели для сверки факта с планом (у нас — четверг) и одного ответственного, а не «всех вместе».
• Не отдавать финальное решение по стратегии модели без прогона через второй промпт-аудит на дорогой модели.

Похожий разбор того, как стратегия становится рабочим инструментом, а не презентацией для полки, — в статье «Стратегия как рабочий инструмент».

Частые вопросы

Может ли нейросеть сама построить финансовую модель компании?

Может собрать структуру и посчитать сценарии за минуты, но без исторических данных компании и проверки допущений (бонусы, авансы, сезонность) модель будет звучать убедительно и ошибаться в цифрах.

Чем ИИ-агент для стратегического планирования отличается от таблицы в Excel?

Тем, что план завязан на формулы и пересчитывается автоматически при обновлении факта, а не переписывается вручную каждые три недели.

Сколько стоит внедрить ИИ в стратегическое планирование среднему бизнесу?

Обучение агента на 40 исторических кейсах обошлось в 60-80 долларов на разметку, плюс 10-15 часов аналитика на настройку связки — дальше эксплуатация стоит меньше подписки на один SaaS-сервис.

#ии и нейросети #аналитика и отчётность #деньги