Питання про гроші, яке чекає бухгалтера тиждень
Як власник отримує відповідь про прибуток по напрямках і прогноз грошей за секунди, чому персональні дані не йдуть у модель і з чого починати без AI.
← Усі статтіВи хочете знати, чи прибутковий напрямок, який запустили навесні. Або скільки компанія витратила на одного контрагента за пів року. Або на скільки місяців вистачить грошей, якщо виторг просяде на чверть. Кожне з цих питань іде до бухгалтерії, там перетворюється на завдання, і відповідь приходить через кілька днів, коли ви вже вирішили щось інше.
Не бухгалтерія винна
Бухгалтерія веде облік для звітності, і робить це правильно. Питання власника інші: не «скільки нарахували», а «де я заробляю», «що буде, якщо», «чому цифри у двох звітах різні». Під такі питання облік не проєктувався. Тому кожне з них означає ручну вибірку, зведення й таблицю, яку роблять один раз і викидають.
Симптом, який варто помітити: ви перестали ставити частину питань, бо знаєте, скільки це коштує часу. Гіпотези не перевіряються, бо перевірка довша за саму ідею. Це найдорожче, що є в цій ситуації, і його не видно в жодному звіті.
Питання звичайною мовою, відповідь із обліку
Для автобізнесу, з яким ми працюємо кілька років, ми поставили AI-фінаналітика поверх облікової системи. Власник пише питання так, як поставив би його фінансовому директору: «прибуток по напрямках за квартал», «витрати на цього контрагента за рік», «що буде з грошима, якщо виторг впаде». AI відповідає цифрами прямо з даних обліку й показує, з чого складається кожна цифра. Тобто це не «думка моделі», а розкладка до операцій, яку можна перевірити.
Прогноз грошового потоку будується в трьох сценаріях: найкращий, ймовірний, найгірший, і в кожному видно, на скільки місяців вистачить грошей. Прибуток розкладається по менеджерах, клієнтах і напрямках. Раніше власник бачив лише загальний підсумок, тепер бачить, звідки він складається.
Звіти, які нарешті зійшлись
Окремий біль, знайомий багатьом: звіти про доходи, проєкти й зарплату показують різні цифри, і з'ясовувати чому доводилось руками. Тепер звіти з облікової системи завантажуються й перехресно звіряються, тож розбіжності видно одразу, а не на річному підсумку. Поверх цього працює набір правил, який регулярно проходить фінансові дані й знаходить, де компанія переплачує, з планом дій до кожної знахідки.
Чому персональні дані не йдуть у модель
Перше, що спитав власник: чи не побачить зовнішня модель імена людей і реквізити контрагентів. Відповідь стала окремим модулем. Перед відправкою в модель імена, реквізити й інші персональні дані автоматично маскуються. Модель бачить цифри, але не людей. Це не налаштування «на потім», а умова, без якої такі системи не варто запускати взагалі.
Друге питання, яке з'являється через місяць: скільки коштує сам AI. Кожен запит до моделі враховується у звіті витрат, нетермінові обробки йдуть пакетом за нижчою ціною, а систему можна поставити на паузу однією командою. Витрати на розум теж мають бути видимими.
Коли цифри треба показати не собі
Для розмови з партнерами звіт відкривається за закритим посиланням, без доступу до бота й до внутрішньої кухні. А історію та всі дані можна вивантажити для ретроаналізу, тобто система не тримає вас у заручниках.
У роздрібі техніки та сама логіка працює на іншому рівні: власник у своєму кабінеті бачить діалоги з клієнтами, отримані номери й залишок депозиту, а продажі з облікової системи розкладаються на сегменти: кого варто повернути, яка частка допродажів, скільки приносить кожна кампанія.
З чого почати, поки AI ще немає
- Запишіть десять питань про гроші, які ви хотіли б ставити щотижня. Це технічне завдання для будь-якої системи, і воно покаже, чого не вистачає в обліку вже зараз.
- Домовтесь із бухгалтерією про один зріз, який приходить сам, без запиту: прибуток по напрямках. Навіть у таблиці, навіть раз на два тижні.
- Перевірте, хто бачить персональні дані в будь-якому інструменті, який ви вже використовуєте. Це питання варто поставити до автоматизації, а не після.
Межа проста: AI відповідає з тих даних, які є в обліку. Якщо облік неповний, відповідь буде швидкою, але неповною. Тому перший крок часто не в моделі, а в тому, щоб дані взагалі потрапляли в систему.
