Аннотация

Финансовое прогнозирование и эффективное распределение ограниченных ресурсов - одна из основных задач, решаемая менеджментом ради увеличения реальной капитализации компании. Рост объёмов данных в сочетании с повышением уровня доступности и новыми методами анализа, позволяют генерировать качественную аналитику в более сжатые сроки и в большем объёме, тем самым предоставляя большую ценность для компании.

Появление больших языковых моделей (LLM) не только облегчают эту задачу в контексте проведения финансового анализа с большей эффективностью и меньшими затратами, но и меняет методологический подход к финансовому моделированию, формируя тем самым комплексную информацию для принятия управленческих решений.

В данной статье предлагается рассмотреть, как формируется базовое понимание возможностей применения искусственного интеллекта (ИИ) в финансовом планировании и сценарном анализе, а также изучить возможные преимущества практического применения в повседневной операционной деятельности. Попутно автор статьи предлагает познакомиться с примером использования ИИ-модели для прогнозирования и сценарного анализа и методами внедрения в корпоративную финансовую функцию, а также рассмотреть варианты преодоления скептицизма, который до сих пор присутствует в корпоративной среде.

Но, стоит отметить, что вопрос доверия к результатам генерации ИИ-моделей является отдельной темой для научных исследований и в данном случае будет затронут только аспект доверия в контексте внедрения сценарного анализа.

1. Применение ИИ-моделей в финансах

Проведенный в 2025 году анализ систематического обзора литературы (International Journal of Science and Research Archive, 2025), состоящей из 323 публикаций в отраслевых изданиях из базы Scopus за 2015-2025 гг позволил определить интерес к ключевым направлениям: торговля и инвестиции, оценка кредита, выявление мошенничества и управление рисками.

После 2019 г. отмечается рост числа публикаций, посвященных применению ИИ в финансовом планировании и, несмотря на тенденцию возрастающего интереса, тема финансового моделирования и сценарного анализа по-прежнему раскрывается не полностью.

Ключевой проблемой является эпизодический и нерегулярный характер использования данной функции в реальных корпоративных финансовых процессах, что затрудняет получение комплексной оценки эффективности и оценки необходимости внедрения на регулярной основе.

Общая цель финансового прогнозирования - информировать и поддерживать решения руководства и совета директоров (Oesterreich, 2019). Для этого используются различные способы, которые помогают определить, какие факторы оказывают наибольшее влияние на ценность компании.

Сценарный анализ дает возможность компании оценить влияние различных экономических факторов, таких как рост, спад или стагнация на ключевые финансовые показатели и позволяет заранее сформировать план необходимых мероприятий для минимизации воздействия рисков. Кроме того, это неплохая основа для проведения «тестов на прочность», когда есть потребность в оценке устойчивости организации к неблагоприятным, но вероятным событиям.

Несмотря на очевидные преимущества и активное внедрение, переход к ИИ-планированию сопряжен с рядом определенных проблем. По данным Gartner, хотя 59% финансовых функций уже используют ИИ, этот показатель практически перестал расти после периода стремительного роста. Основными барьерами для внедрения остаются нехватка соответствующих компетенций, качество и доступность данных.

2. Внедрение применения ИИ-моделей в корпоративную финансовую функцию

Анализ материалов тематических конференций, вебинаров и публикаций, на которых рассматривался опыт применения ИИ-моделей в работе финансовых департаментов, показал, что интеграция ИИ в качестве основного инструмента сохраняет свою актуальность на сегодняшний день.

При этом, отмечается широкое применение в отдельных отраслях, например, финтехе и ретейле (внедрение ИИ в услугах и сервисе происходит значительно быстрее, чем в реальном секторе), но, в то же время, в отраслях, практикующих консервативный подход, риски при внедрении превалируют над ожидаемым эффектом.

В этих случаях применение ИИ носит «индивидуальный» характер и является результатом инициативы отдельных менеджеров.

Основными ограничениями при внедрении ИИ в корпоративные финансовые процессы являются факторы доверия и ответственности. Так, ГОСТ Р ИСО/МЭК 42001-2024 - новый российский национальный стандарт - устанавливает требования к системе менеджмента искусственного интеллекта (ИИ) и является идентичным международному стандарту ISO/IEC 42001:2023.

Данный стандарт разработан для того, чтобы помогать организациям ответственно разрабатывать, внедрять и использовать ИИ-продукты и услуги. Он предполагает создание, внедрение и постоянное улучшение системы управления ИИ, а также поощряет ответственный подход к ИИ на уровне высшего руководства организации.

Стандарт также регламентирует регулярное прохождение аудита, позволяющего установить соответствие политике компании, отраслевым стандартам и нормативным актам.

Внедрение подобной практики компаниями означает приверженность международным нормам безопасности и соблюдение этики при работе с нейросетями и другими технологиями на основе ИИ.

Касаемо отношения к результатам генерации ИИ, в настоящее время ведутся серьезные научные разработки методов повышения доверия к ИИ, как со стороны зарубежных специалистов, так и со стороны российских. ИИ-модели продемонстрировали впечатляющие возможности по обработке запросов и представлению результатов, но их внутренние механизмы по-прежнему являются «черным ящиком» и недостаточно прозрачны и объяснимы. Методы, которые разрабатываются в научном сообществе, достаточно сложны для неподготовленного пользователя, и уже сегодня ощущается нехватка простых и удобных решений, которые позволили бы определить корректность результатов и подтвердили возможность их использования без относительных рисков.

Еще одна сложность, отмеченная, например, Spaniol & Rowland (2023), заключается в обеспечении когерентности сценариев, генерируемых LLM. Алгоритмы способны быстро создавать множество вариантов будущего часто допускают логические противоречия, которые могут, например, выражаться в одновременном росте инфляции и снижении цены на ключевое сырье.

В результате возникает потребность в доработке и внедрении в системную работу новых подходов, инструментов и методов взаимодействия с ИИ на корпоративном уровне. Ключевым документом подобной системы должна стать «Политика в области применения искусственного интеллекта», в которой прописываются следующие важные аспекты:

1. Документ должен отражать роли и ответственность на корпоративном уровне, определять основные термины и границы применения, этические аспекты.

2. Особое внимание должно быть уделено рискам: определение запрещенных действий (таких как, загрузка конфиденциальных и личных данных), запрет на использование несанкционированных ИИ-моделей, определение параметров кибербезопасности и т.д.

3. Качество данных. Политика должна содержать требования к чистоте, актуальности и репрезентативности данных, используемых для обучения или промптинга моделей.

4. Порядок взаимодействия и работы с ИИ - в каких направлениях можно использовать ИИ-инструменты, в каких - нет. Также должен быть раздел, посвященный отслеживанию и разбору инцидентов при работе с ИИ.

5. Также можно отдельно прописать такие направления, как «Обучение» (регулярное повышение ИТ-грамотности работников при работе с ИИ) и «Непрерывное улучшение» (поощрение сотрудников за предложение новых сценариев интеграции ИИ в рабочие процессы.)

Данный список не является исчерпывающим и при желании его можно расширить, включив важные для вашей компании аспекты и нюансы.

Помимо внедрения самой Политики нелишним будет проводить «аудиты» или привлечение «Red team».

Аудиты представляют собой процедуры для определения соответствует ли ваша практика применения ИИ политике компании, отраслевым стандартам или нормативным актам. По сути система аудита - это опросный лист, вопросы в котором касаются различных аспектов эксплуатации моделей машинного обучения и LLM.

«Red team» - это структурированная попытка найти недостатки и уязвимости в плане, организации или технической системе, часто выполняемая специально выделенными "командами", которые стремятся перенять мышление злоумышленника и методы (М. Брандейдж, Ш. Авин и др). Привлечение подобных «команд» могут себе позволить только крупные компании, тем не менее, такая практика снижает риски утечки конфиденциальных данных и повышает качество использования систем искусственного интеллекта.

Таким образом, применение ИИ в рамках финансового моделирования и сценарного анализа требует приложения определенных усилий и решения организационных задач со стороны высшего руководства. В противном случае результаты генерации ИИ не будут востребованы и потеряют практическую ценность для принятия управленческих решений.

В исследовании «AI in strategic foresight» выделяются три уровня интеграции в корпоративные процессы планирования, которые могут быть применены, в том числе, и к финансовому планированию.

Первый уровень предполагает, что ИИ используется как инструмент для решения простых задач с целью ускорить рабочий процесс, обеспечивая базовый уровень понимания, которое в дальнейшем не требует в обязательном порядке углубленного анализа. Очень часто подобные действия носят роль эксперимента или же дополнения к основным процессам.

Второй уровень интеграции предполагает использование ИИ в качестве оппонента и генератора идей. На данном уровне генеративная языковая модель помогает систематизировать данные, предлагает новые идеи на основе загруженных данных, сравнивает сценарии с фактическими результатами, а также упрощает поиск необходимой информации. Таким образом, несмотря на то, что применение ИИ на данном уровне, все еще носит вспомогательный характер, происходит ускорение и повышение качества анализа. В данном случае интеграция ИИ рассматривается уже не как эксперимент, а качественное дополнение к знанию и опыту человека.

Третий уровень интеграции встречается на текущий момент крайне редко и предполагает использование ИИ как важный компонент планирования. При таком подходе ИИ используется на постоянной основе для обнаружения тенденций, в разработке сценариев, моделировании, визуализации результатов. Также на данном уровне интеграции возможны автоматическое извлечение и сбор данных, а также автоматический анализ документов в качестве основы для разработки сценариев и других результатов прогнозирования.

Интеграцию ИИ в процесс планирования нельзя решить только технически, требуется высокий уровень вовлеченности и особое внимание для извлечения максимальной пользы от полученных результатов в принятии решений, особенно в условиях, когда способность справляться с неопределенностью будет является неоспоримым стратегическим преимуществом.

3. Сценарный анализ с помощью ИИ-моделей

Анализ сценариев позволяет одновременно оценивать множество факторов для моделирования различных реалистичных ситуаций. Такой подход позволяет проводить стресс-тестирование как правдоподобных сценариев, так и маловероятных, но имеющих серьезные последствия случаев.

При этом, цифровизация на основе ИИ, особенно, когда речь идет об анализе больших объёмов данных и выборе соответствующего инструментария, предоставляет возможность для более качественного финансового планирования и улучшения функции сценарного анализа.

Анализ бизнес-среды с помощью ИИ также является неотъемлемой частью работы, выполняемой при сценарном анализе. Выводы, полученные в результате такого анализа, являются максимально информативными и полезными при разработке прогнозов и планировании, а также оказывают помощь в оценке вероятности успеха.

Разработка ряда возможных сценариев облегчает планирование действий в чрезвычайных ситуациях.

Основная методология проведения сценарного анализа заключается в следующем:

1. Определить стратегический запрос (цель, горизонт планирования и проч.), что является основным параметром формирования финансовой модели.

2. Определить ключевые драйверы, которые оказывают непосредственное влияние на результат модели. При этом можно как самому задать данные факторы, так и определить их с помощью анализа рынка (при участии ИИ или без).

3. На основе выявленных драйверов сгенерировать матрицу сценариев, часть которых может быть маловероятными, часть относится к стресс-тестированию и так далее.

4. Оценить когерентность сценариев. Проанализировать на непротиворечивость допущений (например, через проверку логических связей между макроэкономическими переменными), применить модель к историческим данным для проверки, попал бы реальный кризис в доверительный интервал сгенерированных сценариев.

5. С помощью ИИ реализовать симуляции выработанных сценариев, в том числе, рассчитать их вероятность или провести ранжирование.

6. Провести анализ сценариев различными методами (регрессионный анализ, поиск оптимального решения, метод Монте-карло и др).

7. Подготовить результаты для презентации Высшему руководству или Совету Директоров.

Если мы не используем машинное обучение, а применяем только ИИ, некоторые методы анализа могут быть применимы и в этом случае. Например, использовать метод SHAP для количественной декомпозиции сценариев, а не для «объяснение черного ящика». Это может выглядеть следующим образом: «в пессимистичном сценарии 68% падения NPV объясняется снижением маржи, а не падением объёмов».

Выделяют 3 варианта расчёта сценарного анализа с помощью ИИ.

1 вариант предполагает загрузить финансовую модель в ИИ-модель и с помощью ряда запросов (промптов) провести сценарный анализ.

Преимущества такого варианта в простоте использования, где от оператора не требуется серьезной технической подготовки, а серия промптов может быть стандартизирована.

Ограничения также присутствуют. Если ИИ-модель локальная, без выхода в интернет, то она не сможет учесть текущую конъюнктуру внешнего рынка, а будет опираться только на внутреннюю информацию (объёмы, продажи, динамика цен и так далее). Если же модель имеет связь с учетными системами и интернетом, то здесь диапазон возможностей выше, как и риски снижения качества входящей информации (здесь важную роль, как и в следующих вариантах, будет играть верификация данных). Данные ограничения справедливы и для следующих вариантов.

2 вариант предполагает использование только Excel + ИИ. 

Применяется в основном для генерации гипотез и сценариев. Работает на неструктурированных данных, таких как текст, документы, в меньшей степени, финансовые модели. Преимущество данного метода в скорости и отсутствию специальной технической подготовки. Если требуется более точные количественные оценки на основе размеченных исторических данных, то здесь больше подойдет следующий вариант.

3 вариант предполагает использование машинного обучения (ML).

Применение машинного обучения позволяет получить более точные выводы, основанные на глубоком и сложном анализе. Данный подход будет наиболее полезен при большом количестве входных переменных данных. «Благодаря своей способности определять сложные структуры, которые не были определены заранее, они позволяют поддерживать высокую степень автоматизации при составлении прогнозов.» (Wasserbacher, Spindler, 2022). Однако такой подход требует определенной технической подготовки, связанной с анализом данных и программированием.

При этом следует отметить, что гибридный вариант (2+3) также будет являться эффективным и полезным для использования.

4. Пример моделирования сценариев

Рассмотрим на примере процесс проведения сценарного анализа инвестиционного проекта, где в финансовой модели настроены допущения по 4-м факторам, которые влияют на итоговый результат. Нам необходимо сформировать множество когерентных сценариев с помощью ИИ. Для генерации предлагается гибридный подход. На первом этапе большая языковая модель (LLM) используется для формирования когерентного набора макроэкономических и отраслевых допущений. Когерентность обеспечивается через системный промпт, требующий проверки логических взаимосвязей.

Для валидации адекватности сгенерированных сценариев можно применить как ретроспективный анализ на исторических данных, так и провести экспертную оценку.

На втором этапе полученные текстовые сценарии передаются в модель для количественной оценки распределения NPV.

Следующий шаг - это произвести массовый расчёт сценариев в Excel, который бы обычными средствами занял бы не один день, тогда как с помощью сгенерированных скриптов это можно сделать в течение короткого времени.

Рисунок 1. Результат применения скриптов: расчёт сценариев и NPV.

После того, как все сценарии просчитаны, можно приступать к анализу данных, например, провести анализ совокупного вклада факторов (аналог метода SHAP).

Рисунок 2. Результат регрессионного анализа

Можно провести и другие анализы данных, например, «поиск оптимального сценария» и другие.

После того, как цикл анализа будет завершен, необходимо подготовить резюме или аналитическую записку. И в этом случае мы также можем воспользоваться функциональностью ИИ.

Рисунок 3. Подготовка рекомендаций.

Готовый документ можно дополнительно оформить по корпоративным стандартам, подписать и приложить к подготовленной финансовой модели.

Реализация данного подхода требует не более одного часа, что значительно сокращает трудозатраты по сравнению с традиционными методами (2–3 дня). Таким образом, применения ИИ при проведении сценарного анализа существенно ускоряет процесс, делает его более объёмным и качественным.

5. Ограничения и перспективы

Как и с любым мощным инструментом, важно смотреть не только на возможности, но и на ограничения: что он действительно даёт, и где границы.

Начнём с преимуществ.

Во-первых, скорость и точность. ИИ обрабатывает тысячи документов за время, за которое человек вручную проверит один. И делает это с точностью, которая со временем только растёт.

Во-вторых, обработка и анализ данных. ИИ позволяет эффективно обрабатывать и анализировать большие неструктурированные наборы данных, выявлять тенденции и паттерны, которые сложно было бы определить вручную.

В-третьих, оптимизация затрат и ресурсов. ИИ делает методы прогнозирования более доступными даже не для специалистов за счёт снижения требований к экспертных знаниям и опыту.

И, наконец, поддержка принятия решений. Сегодня ИИ может предложить более качественный сценарный анализ: за счёт быстрой генерации вариантов, уточнения и тестирования множества будущих сценариев.

Однако необходимо пристально посмотреть и на ограничения, с которыми можно столкнуться при использовании ИИ в рамках процесса прогнозирования и моделирования финансовых результатов.

Первое ограничение - начальные затраты.

Внедрение ИИ-решений требует инвестиций: в технологии, в интеграцию с существующими системами, в настройку, в обучение. В зависимости от выбранного варианта, затраты могут составить от несколько сот тысяч рублей до несколько десятков миллионов.

Второе - качество данных.

Здесь работает простое правило: «некорректные исходные данные приводят к ошибочным результатам». Основная проблема заключается в том, что ИИ часто производит ненадежные, неглубокие или неоригинальные результаты. Обеспечение качества входящих данных - весьма сложная и трудоемкая задача.

Третье - «чёрный ящик».

Алгоритмы машинного обучения принимают решения на основе сложных паттернов, которые не всегда можно легко объяснить. Какой именно фактор стал решающим? Иногда ответ неочевиден. Это вызывает недоверие. Поэтому критически важно выбирать решения с элементами интерпретируемости: где система не просто даёт прогноз, а объясняет, почему.

Четвёртое - методологические проблемы и проблемы использования.

Функционирование ИИ требует человеческого контроля. Он требует людей, которые его настраивают, контролируют, интерпретируют результаты. Зависимость от квалификации - критический фактор. Нужны не столько IT-специалисты, а финансисты, которые понимают и данные, и бизнес-логику, и умеют работать с языковыми моделями.

Пятое - мошеннические схемы. 

Снижение квалификационных барьеров для использования ИИ (сейчас можно пройти месячный курс или посмотреть несколько вебинаров, чтобы начать пользоваться) приводит к тому, что зачастую идет злонамеренное вредительство и мошенничество, когда некомпетентные люди используют ИИ для генерации сценариев, рекомендаций и т.д, которые обладают либо низкой ценностью, либо не обладают ей вовсе, и при этом не несут ответственности. А ведь это может принести к потери денег не только связанных с оплатой услуг подобных индивидуумов, но и нанести вред компании. Поэтому подход к использованию ИИ должен быть взвешенным и безопасным.

Ограничения, описанные выше, указывают на то, что ИИ в настоящее время должен рассматриваться как инструмент, который скорее дополняет, а не заменяет человеческий опыт, и требующий тщательного и постоянного надзора для обеспечения качества и обоснованности результатов.

Выводы

Внедрение ИИ в финансовое планирование прошло стадию простых экспериментов. Наиболее эффективные компании используют его на втором и третьем уровнях интеграции: как генератора идей, оппонента и полноценный инструмент сценарного моделирования.

Доверие к результатам ИИ достигается не отказом от технологии, а использованием методов, которые помогут убедиться в адекватности представленных результатов. Снижение технического барьера входа несет риски некомпетентного использования. Внедрение систем менеджмента ИИ (ГОСТ Р ИСО/МЭК 42001-2024) и развитие компетенций финансовых аналитиков в области промт-инжиниринга являются обязательными условиями для безопасного и эффективного применения технологии.

Внедрение в корпоративную практику «Политики в области применения искусственного интеллекта» должно обеспечить системный подход к безопасности и практике использования моделей машинного обучения и LLM.

При таком подходе ИИ не должен восприниматься модным экспериментом, а являться надежным инструментом, который берет на себя рутину и сложные вычисления, оставляя финансисту самое главное - стратегическое мышление и принятие взвешенных управленческих решений в условиях неопределенности.

Рекомендуется начать с пилотного внедрения: выберите один текущий инвестиционный проект, примените описанный выше алгоритм (от генерации сценариев до VBA-расчёта в Excel) и сравните затраченное время и глубину анализа со своими текущими методами. И результат убедит вас в необходимости системного внедрения подобных практик.

Список литературы

1. ГОСТ Р ИСО/МЭК 42001-2024. Искусственный интеллект. Система менеджмента. - Москва: Стандартинформ, 2024. - 38 с. (Введен в действие с 01.01.2025).

2. Kelly, B. T., & Xiu, D. (2023). Financial Machine Learning. NBER Working Paper No. 31502.

3. World Economic Forum. (2025). Artificial Intelligence in Financial Services. Geneva: World Economic Forum. (91–93 route de la Capite, CH-1223 Cologny/Geneva, Switzerland).

4. Xing, F. Z., Du, K., Mengaldo, G., Cambria, E., & Welsch, R. (2025). AI reshaping financial modeling. npj Artificial Intelligence.

5. Wasserbacher, H., & Spindler, M. (2022). Machine learning for financial forecasting, planning and analysis: recent developments and pitfalls. Digital Finance, 4(2), 203–242.

6. OECD. (2025). AI and Strategic Foresight: A Practical Guide. Paris: OECD Publishing.

7. Finkenstaedt, D. J., Sotiriadis, J., Guinto, P., & Eapen, T. T. (2024). Contingency Scenario Planning using Generative AI. California Management Review.

8. Naude, W. (2023). Artificial Intelligence and the Economics of Decision-Making. IZA Discussion Paper No. 16000. Institute of Labor Economics (IZA).

9. Mohsin, M. T., & Nasim, N. B. Explaining the Unexplainable: A Systematic Review of Explainable AI in Finance. arXiv preprint / Qeios.

10. OpenAI. (2025). The State of Enterprise AI.

11. UNDP. (2024). AI for Scenario Planning: Field Manual. New York: United Nations Development Programme.

12. Oesterreich, T. D., Teuteberg, F., Bensberg, F., & Buscher, G. (2019). The controlling profession in the digital age: Understanding the impact of digitisation on the controller's job roles, skills and competences. International Journal of Accounting Information Systems, 35, 100432.

13. Aldasoro, I., Gambacorta, L., Korinek, A., Shreeti, V., & Stein, M. (2024). The intelligent financial system: how AI is transforming finance. BIS Working Papers, No 1194. Bank for International Settlements.

14. Gartner. (2024). Hype Cycle for Finance AI and Advanced Analytics. Stamford: Gartner, Inc.

15. Spaniol, M. J., & Rowland, N. J. (2023). AI-assisted scenario generation for strategic planning. Futures & Foresight Science, 5(1), e145.

16. Кодекс этики в сфере искусственного интеллекта. (2021). Альянс в сфере искусственного интеллекта.

17. M. Brundage et al., "Toward trustworthy AI development: Mechanisms for supporting verifiable claims," arXiv preprint arXiv:2004.07213, 2020. [Online]. Available: https://arxiv.org/abs/2004.07213