What it does
Фінансова команда витрачає час щотижня на перезбирання прогнозу кеш-флоу: вивантаження проводок, зведення в Excel, перерахунок під «що якщо».
Автоматизація знімає цю рутину і переводить прогноз із режиму «знімок раз на місяць» у режим «актуальна картина щодня».
AI-агент бере дані з бухгалтерської системи та сховища даних / BI, будує прогноз на 30/60/90 днів і супроводжує його текстовим поясненням. Фінансовий менеджер не отримує голу таблицю — він отримує короткий звіт із поясненням, що змінилося і чому.
Що робить автоматизація
- Підтягує фактичні дані з бухгалтерії (надходження, платежі, зобов'язання) та зі сховища даних (контрактні графіки, періодичні підписки, прогноз продажів).
- Категоризує рухи: операційні надходження, податки, ФОТ, оренда, разові платежі.
- Будує прогноз на три горизонти: 30, 60 і 90 днів.
- Формує три сценарії: базовий (за фактом і підтвердженими зобов'язаннями), оптимістичний (з урахуванням конвеєру продажів), песимістичний (із затримкою ключових надходжень).
- Порівнює з попередньою версією прогнозу: що змінилося, які нові ризики з'явилися, який тренд по грошовій позиції.
- Готує текстовий виклад — коротке пояснення цифр у форматі, зрозумілому власнику без фінансової освіти.
- Доставляє звіт за розкладом (наприклад, вранці щопонеділка) або на запит — в email, Slack або Notion.
Чого автоматизація не робить
- Не замінює скарбника і фінансового директора. Рішення про платежі, переговори з банком, залучення фінансування залишаються за людиною.
- Не передбачає виручку, якої немає в системі. Якщо конвеєр продажів ведеться в голові менеджера, а не в CRM — прогноз буде неповним.
- Не править дані у джерелі. Якщо бухгалтерія не закрита або проводки затримані — прогноз відобразить це, але не виправить.
How it works
Під капотом — зв'язка з коннекторів до джерел, ETL-шару для нормалізації даних, прогнозної моделі та LLM для генерації текстового коментаря. Реалізація — код на замовлення на Python: готові SaaS-рішення рідко покривають специфіку роботи з рахунками, контрагентами та графіком податків конкретної компанії.
Архітектурний потік
Сирі дані надходять з двох категорій джерел. Бухгалтерія (1С, QuickBooks, Xero, NetSuite — що використовується) дає фактичні залишки, проводки, контрагентів, відкриті рахунки. Сховище даних / BI (BigQuery, Snowflake, Metabase) дає продуктові метрики, контрактні графіки, розширений конвеєр продажів. Якщо сховища немає, AI-агент працює напряму з CRM і таблицями.
Далі шар ETL приводить дані до єдиної моделі: рахунки зводяться до категорій руху, періодичні платежі (оренда, підписки, зарплата) виділяються як відомі зобов'язання, разові платежі — як сценарні. Прогнозна модель будує три траєкторії та рахує залишок на кожен день горизонту.
LLM (AI-модель або аналог) отримує на вхід цифри та контекст і генерує текстовий виклад: що у фокусі цього тижня, який ризик найбільш відчутний, що змінилося з попереднього прогнозу.
Кроки впровадження
- Аудит джерел. Описати, де лежать фактичні дані (бухгалтерія), де планові (CRM, контракти), які категорії витрат потрібно відстежувати.
- Маппінг рахунків. Звести план рахунків та категорії CRM до єдиної таксономії для прогнозу (операційка, ФОТ, податки, інвестиції, разове).
- Підключення коннекторів. API бухгалтерії та сховища даних / BI; якщо API обмежений — вивантаження через регулярне вивантаження.
- Збірка прогнозної моделі. Базова логіка — повторювані + заплановані + сценарні корективи. Без ML на першій ітерації, щоб результат був пояснюваним.
- Налаштування сценаріїв. Параметри для оптимістичного та песимістичного сценаріїв узгоджуються з CFO: % затримки надходжень, % зірваної воронки продажів, прискорені платежі.
- Підключення LLM-шару для текстового викладу. Промпт з контекстом компанії, останній прогноз, зміни. Тон та формат коментаря узгоджуються на кількох ітераціях.
- Канал доставки. Email з PDF, Slack-повідомлення, Notion-сторінка, дашборд у BI — вибирається за тим, як команда вже працює з фінансовою звітністю.
- Запуск у тіньовому режимі на 2-4 тижні. AI-агент будує прогноз паралельно з ручною версією, розбіжності розбираються та калібруються.
Компоненти
Шар | Що робить | Технологія |
|---|---|---|
Коннектори | Тягнуть дані з бухгалтерії та BI | Python + API клієнти |
ETL | Нормалізація та категоризація | Python (pandas) |
Модель | Будує сценарії 30/60/90 | Код на замовлення |
LLM-виклад | Текстовий коментар | мовна модель |
Доставка | Звіт у потрібний канал | Email / Slack / Notion API |
Оркестрація — low-code платформа або код в Airflow / cron, залежно від того, що вже використовується в команді. Для SMB частіше рушій робочих процесів: візуальний робочий процес простіше підтримувати без виділеного DevOps.
Prerequisites
Впровадження потребує доступу до джерел даних і невеликої підготовчої роботи з боку фінансової команди.
Доступи та дані
- Доступ до бухгалтерської системи (1С, QuickBooks, Xero, NetSuite або інша) — краще API, у крайньому разі вивантаження.
- Доступ до сховища даних / BI або до джерел, на основі яких будується конвеєр продажів (CRM, білінг, таблиці контрактів).
- План рахунків і таксономія рухів в актуальному вигляді.
- Інформація про повторювані зобов'язання: оренда, підписки, ФОТ, податки.
Готовність команди
- CFO або фінансовий менеджер, який погоджує таксономію та параметри сценаріїв. Це не одноразове завдання — на першій ітерації потрібно 4-6 робочих сесій.
- Готовність працювати в тіньовому режимі 2-4 тижні: ручний прогноз і AI-прогноз паралельно для калібрування.
- Доступ до людини, яка розуміє структуру даних у джерелах (бухгалтер, власник BI).
Терміни
Базове впровадження займає 6-10 тижнів:
- Аудит джерел і маппінг — 2 тижні.
- Збірка моделі та інтеграцій — 3-4 тижні.
- Тіньовий період і калібрування — 2-4 тижні.
Терміни зростають, якщо дані в джерелах розрізнені або якщо потрібні нестандартні сценарії (мульти-валютний прогноз, факторинг, робота з авансами від великих клієнтів).
Pain points
- Poor Forecasting (cashflow/sales/stock)
- Time on Manual Reports
FAQ
Скільки займає впровадження?
Базовий запуск — 6-10 тижнів. З них 2 тижні йдуть на аудит джерел і маппінг плану рахунків, 3-4 тижні — на збірку моделі та інтеграцій, 2-4 тижні — тіньовий режим, коли AI-прогноз іде паралельно з ручним для калібрування. Терміни збільшуються, якщо бухгалтерія закривається із затримками або потрібна мульти-валютна логіка.
Що якщо у нас немає сховища даних / BI?
Можна працювати без сховища даних — AI-агент тягне дані напряму з бухгалтерії та CRM. Точність прогнозу в цьому разі обмежена тим, наскільки воронка продажів коректно відображена у CRM: якщо комерційна команда не веде угоди в системі або веде хаотично, прогноз надходжень буде частковим. На першій ітерації це не блокує запуск — навіть базовий автооновлюваний прогноз дає CFO більше передбачуваності, ніж ручний звіт раз на місяць.
Які ризики і що може зламатися?
Головний ризик — сміттєві дані на вході. Якщо бухгалтерія закривається із затримкою 2-3 тижні, прогноз працюватиме на старих залишках. Технічні збої бувають на стороні конекторів: зміна API провайдера, ротація токенів, зміна структури вивантажень. Закладайте моніторинг і регулярну звірку з фактом раз на місяць — особливо в перші 2-3 місяці після запуску.
Підходить для нашої індустрії?
AI-агент підходить для Professional Services / Consulting (де залишок коштів залежить від графіка контрактів і оплат), SaaS / Tech (де є регулярна і змінна частина), і для горизонтальних кейсів у будь-яких SMB. Для компаній з великим товарним циклом (e-com, виробництво) логіка прогнозу потребує доповнення: запаси, відстрочки оплат, сезонність.
Яка періодичність перерахунку?
За замовчуванням — щотижневий оновлений прогноз з понеділка, плюс на запит. Технічно модель перераховується щодня, але розсилка звіту раз на тиждень зручніша для фінансової команди та власника. Тригерні перерахунки вмикаються на великих подіях: оплата ключового клієнта, разова витрата, зміна воронки продажів.
Чим це відрізняється від вивантаження в Excel з 1С?
Excel-вивантаження з 1С або QuickBooks дає зріз на момент і швидко застаріває. AI-агент прив'язує прогноз до фактів, додає сценарії, оновлюється автоматично і супроводжує цифри текстовим коментарем. Фінансова команда перестає збирати звіт руками і переключається на аналіз — що робити з побаченою картиною кеш-флоу.
Want this in your business?
Book a free audit — we'll show how this automation will work for you.