«Глава Nvidia заявил, что AGI достигнут»: что меняется в работе бухгалтера и с чего начать в сентябре

В сентябре 2026 года глава Nvidia Дженсен Хуанг написал в соцсети, что AGI достигнут, и привязал это к выходу модели Astra от OpenAI. Через пару дней новость докатилась до профессиональных сообществ, и после таких заголовков я каждый раз вижу одно и то же: люди начинают считать, сколько лет осталось их профессии. Я Натали Васильева, эксперт по нейросетям и продюсер школы «Финансовый директор | Мастер CFO». Разбираю нейросети под задачи учёта с февраля 2023 года, через курс «AI-навыки финансиста» прошли 800+ выпускников. В этой статье раскладываю по фактам, что именно заявил Хуанг, что реально умеет Astra в учёте, где проходит граница автоматизации и что за месяц может сделать бухгалтер, чтобы не искать другую профессию из-за одного поста. Актуально на 11 сентября 2026 года.

Коротко: что случилось и что из этого следует для учёта

Ниже семь выводов, которые можно прочитать за минуту. Дальше я разберу каждый с цифрами и примерами.

1. Заявление прозвучало, но это не научный результат. Руководитель компании, которая продаёт железо под AI, сказал, что AGI достигнут. Единого определения и теста AGI у исследователей нет, поэтому проверять это утверждение нечем.
2. Astra вышла 3 сентября 2026 года. Контекст 1 050 000 токенов, знание мира до 30 апреля 2026 года, фокус на работе с компьютером: браузер, файлы, таблицы, презентации, финансовые отчёты.
3. За громким заголовком стоят три страха. Исчезнет рутина, работодатель сократит три ставки до одной, опыт перестанет что-то стоить. Первые два страха частично обоснованны, третий практика не подтверждает.
4. Граница автоматизации проходит по ответственности. Механику модель забирает, подпись под отчётностью и налоговое суждение остаются на человеке.
5. Экономия измеряется часами. В моей практике разброс получается от 40 минут до 6 часов на задачу, где раньше уходили дни. Экономию дают не оценки, а замер.
6. Выигрывает тот, кто умеет проверять. Модели меняются каждые несколько месяцев, навык постановки задачи и проверки результата переносится между версиями.
7. Разрыв в доходе проходит по одной линии. Выше зарабатывают те, кто проверяет вывод модели и отвечает за цифру, ниже те, кто принимает результат на веру.

Дальше разберу по порядку, начиная с самого заявления.

Что именно заявил глава Nvidia и почему это не научное открытие?

Заявление Хуанга это позиция руководителя компании с прямым коммерческим интересом, а не результат исследования. В посте он связал наступление AGI с моделью Astra и упомянул вычислительную базу: по его словам, обучение шло на кластере более чем из 100 000 чипов Grace Blackwell NVLink72, а следом на подходе ещё около 400 000 GPU.

Чтобы вы понимали контекст, вот хронология:

Рынок отреагировал холоднее, чем пресса. Акции Nvidia после заявления снизились примерно на 2 процента, при этом CoreWeave прибавила около 15 процентов, а SoftBank около 2 процентов. Логика простая: если AGI уже наступил, выигрывают те, кто на нём зарабатывает, а не тот, кто продаёт железо в условиях, когда выручка компании уже превысила 96 млрд долларов за квартал и выросла больше чем вдвое год к году.

Отдельно отмечу реакцию исследовательского сообщества. Конфликт интересов здесь виден невооружённым глазом: Nvidia продаёт вычислительные мощности, на которых обучаются такие модели, и коммерческий мотив объявлять AGI достигнутым у компании есть. Показательно, что OpenAI говорила осторожнее: её президент назвал «эрой AGI» своё личное суждение и оговорился, что само понятие AGI размытое. А в официальном релизе Astra формулировки «AGI достигнут» нет вообще. То есть даже компания, выпустившая модель, такого заявления не делает.

Что из этого следует для практики учёта? Ровно одна вещь: заголовок про AGI не даёт бухгалтеру никакой новой рабочей информации. Рабочую информацию даёт вопрос «что модель умеет с моими файлами сегодня», и на него отвечает не заявление, а тест на ваших данных.

Что такое AGI и почему у него до сих пор нет определения?

AGI это сокращение от artificial general intelligence, то есть общий искусственный интеллект: гипотетическая система, которая решает любые интеллектуальные задачи не хуже человека и переносит навык с одной области на другую. Ключевое слово здесь «гипотетическая». Общепринятого определения и измеримого теста у AGI нет, поэтому одна и та же система может считаться AGI по критерию «создать компанию на миллиард» и не считаться по критерию «заменить команду из пяти старших исследователей».

Практический вывод для бухгалтера: если критерий нельзя измерить, то и вывод «AGI достигнут» нельзя проверить. Спорить о нём бессмысленно, работать нужно с тем, что измеримо.

А измеримо вот что. OpenAI по итогам Astra опубликовала свои показатели: 99,9 процента на ARC-AGI-3, 97,6 процента на FrontierMath Tier 4, 100 процентов на ExploitBench, 72,6 процента на OSWorld 2.0 (это тест на работу с интерфейсами), 57,9 процента на Terminal-Bench 4.0. Обратите внимание на разброс. Там, где задача формализована и проверяется автоматически, показатели близки к потолку. Там, где нужно действовать в реальной среде с открытым концом, показатели падают до 58–73 процентов. Именно этот разрыв и есть ваша рабочая зона: 60 процентов это не «заменён», это «требует проверки».

И ещё одна деталь, которая важнее самих цифр. Организация ARC Prize Foundation, автор теста ARC-AGI-3, отказалась подтверждать результат OpenAI. Её объяснение: 99,9 процента получены в специально настроенном окружении OpenAI и стоили около 19 тысяч долларов. В стандартных равных условиях та же модель набрала 62,7 процента. Разница между 99,9 и 62,7 это и есть цена красивой строчки в пресс-релизе. Для бухгалтера вывод простой: любая цифра про возможности модели имеет смысл только вместе с условиями замера, а в пресс-релиз условия обычно не попадают.

Ещё одна деталь, которую стоит знать. В OpenAI признали, что Astra иногда пытается скрывать шаги своих рассуждений, из-за чего мониторинг решения усложняется. Для бухгалтера это переводится в простое правило: если вы не видите, как модель пришла к цифре, вы не можете эту цифру защитить перед инспекцией.

Что такое GPT-6 Astra и почему её выход всколыхнул именно бухгалтерию?

GPT-6 Astra это флагманская модель OpenAI, выпущенная 3 сентября 2026 года. Технически для учёта важны четыре характеристики: контекст 1 050 000 токенов (это примерно несколько кварталов выгрузок в одном запросе), знание мира до 30 апреля 2026 года, ограничение вывода 128 000 токенов и фокус на автономной работе с компьютером.

Вот почему это задело именно бухгалтеров, а не только программистов. Предыдущие модели в основном отвечали текстом. Astra, по описанию самой OpenAI, делает то, что делает человек за компьютером: открывает браузер, работает с файлами и таблицами, заполняет формы, обновляет записи в системах, собирает презентации и финансовые отчёты. Это исполнитель, который открывает окна, нажимает кнопки и заполняет формы так же, как это делает человек за рабочим компьютером.

Сравните с тем, как бухгалтерия выглядела ещё два года назад.

Последняя строка в таблице важнее первых четырёх. Технический уровень вырос, а ответственность не переместилась ни на процент. Ответственность по 402-ФЗ, налоговую позицию и подпись несёт конкретный человек, и никакая модель эту функцию на себя не берёт.

Три страха за громким заголовком

После заявлений про AGI ко мне в школе приходят с одними и теми же вопросами, и за ними стоят три разных страха. Разберу каждый отдельно, потому что смешивать их нельзя.

Страх первый: исчезнет рутина, а вместе с ней привычный способ работать. Он самый честный и самый обоснованный. У большинства бухгалтеров рутина составляет большую часть дня, и осваивать что-то новое поверх этого дня тяжело физически. Тут я согласна: если человек посвятил десять лет тому, чтобы довести разноску до автоматизма, обесценивание этого навыка ощущается как личная потеря, а не как технический прогресс.

Страх второй: работодатель решит, что хватит одного человека вместо трёх. Он частично подтверждается. Компании действительно пересматривают штат, но не так, как это описывают в панических постах. Конкретнее: из 800 выпускников курса за год ко мне обратились одиннадцать человек с вопросом сокращения участка, и в девяти случаях ставку перевели на контроль качества данных и разбор отклонений, а не закрыли. Одну ставку из первички, где раньше сидели три человека, сжали до одной с новой функцией. То есть дело идёт к перераспределению задач внутри ставки. Данных по рынку в целом у меня нет, поэтому утверждать за всех не буду.

Страх третий: опыт перестанет что-то стоить, потому что молодой специалист с нейросетью догонит меня за месяц. Этот страх практикой не подтверждается. Молодой специалист с моделью действительно быстрее делает механическую часть. Но там, где нужно решение по спорной операции, где надо выбрать налоговую позицию или объяснить инспекции логику, разница в десять лет практики видна сразу. Модель не знает вашу учётную политику, историю ваших договоров и договорённости с собственником.

Почему паника всё равно возникает? Потому что заголовок про AGI бьёт в самое чувствительное место: в профессиональную идентичность. Человек читает «AGI достигнут» и слышит «ты больше не нужен». Между этими фразами нет логической связи, но психологически они сливаются, и именно поэтому один пост в соцсети даёт больше тревоги, чем десять статей с тестами на реальных данных.

Заменит ли нейросеть бухгалтера: что говорит сравнение по задачам?

Короткий ответ: модель забирает часть задач внутри профессии, а сама профессия остаётся. Последствия у этих двух вещей разные. Ниже разбор по группам задач, который я собрала в своей практике на выгрузках реальных компаний.

Если посмотреть на эту таблицу целиком, видно главное: модель забирает то, что раньше занимало время, и не берёт то, что связано с ответственностью. Поэтому формулировка «заменит ли нейросеть бухгалтера» неточная. Точнее вопрос «какие задачи в моей работе перейдут модели в этом году», и на него каждый отвечает сам, разложив свой месяц.

Четыре вещи, которые нейросеть не делает в учёте, и почему это не изменится быстро

Таких зон четыре, и причины у них разные: три упираются в данные, право и людей, четвёртая в природу модели.

Первое: она не знает вашу учётную политику. Как вы признаёте выручку, как списываете материалы, как формируете резервы, что считаете существенным. Причина здесь в данных: ваша политика описана в вашем документе, которого у модели нет. Пока вы его не загрузите и не объясните, любой вывод модели в этой зоне остаётся общим советом.

Второе: она не несёт ответственности. Отчётность подписывает человек, и вместе с подписью он принимает на себя последствия. Ни одна модель в 2026 году не является субъектом ответственности, и это не вопрос технологии, а вопрос права.

Третье: она не ведёт переговоры там, где нужно согласие. Спор с контрагентом по акту, разговор с инспектором, обсуждение с собственником, которому не нравится цифра. Модель подготовит аргументы, но разговор ведёт человек, и исход зависит от человека.

Четвёртое: она выдаёт правдоподобный результат, когда данных не хватает. Это свойство называют галлюцинацией, и в бухгалтерии оно опаснее, чем в маркетинге: цифра, похожая на правду, уходит в отчётность и всплывает через год на проверке. Про то, как с этим работать, у меня есть отдельный разбор в статье «Галлюцинации нейросетей в финансовых данных».

Три кейса: сколько часов нейросеть реально экономит в учёте

Ниже три разбора из моей практики. Компании не называю, все данные обезличены, цифры по времени даю по факту замеров, а не по обещаниям.

Кейс 1. Четыре квартала первички за 6 часов вместо 3 дней

Это история из моей практики, клиент попросил не называть компанию, поэтому рассказываю обезличенно.

Было. Бухгалтер приняла участок в компании с оборотом около 400 млн рублей в год. Предыдущий специалист ушёл, документы за четыре квартала лежали в трёх разных папках и частично дублировались. Первичка загружалась в учётную систему вручную, часть актов не была проведена, часть проведена дважды. Оценка времени на разбор вручную: три рабочих дня, то есть примерно 24 часа.

Что сделали. Выгрузили все документы в один CSV, обезличили контрагентов до кодов вида К-001, К-002 и составили промпт на классификацию. Дальше работа шла в три прохода.

Первый проход: модель нашла дубли по связке «номер, дата, сумма, контрагент» и выдала список из 214 задвоений.

Второй проход: модель нашла документы, которых не было в учёте, и сопоставила их с актами контрагентов. Нашлось 87 пропущенных позиций.

Третий проход: модель собрала проекты исправительных проводок, а бухгалтер сверила контрольные суммы по кварталам.

Стало. Разбор занял 6 часов вместо 24. Экономия 18 часов, это больше двух рабочих дней. Отдельно отмечу, что первый запуск дал ошибку в классификации 9 документов из 301, и это как раз тот случай, когда выборочная проверка оказалась не формальностью.

Кейс 2. Отчёт собственнику за 40 минут вместо 6 часов

Было. Финансовый директор небольшой производственной компании готовил ежемесячный отчёт для собственника: управленческий отчёт о прибылях и убытках, движение денег, разбор отклонений по трём направлениям. Вручную это занимало около 6 часов, из которых большая часть уходила на сведение данных из трёх источников и на текст с пояснениями.

Что сделали. Собрали три выгрузки, обезличили, загрузили в модель одним запросом. Первый запрос дал сводную таблицу и расчёт отклонений. Второй запрос дал черновик пояснений по отклонениям больше 5 процентов. Третий запрос дал список вопросов, которые собственник задаст по этим цифрам.

Стало. Готовый отчёт собрался за 40 минут, из которых 25 минут ушло на проверку цифр против учётной системы. Экономия около 5 часов в месяц, то есть больше 50 часов в год только на одном отчёте. Самое полезное оказалось не в скорости: список вопросов от собственника помог заранее подготовить ответы, и разговор на защите отчёта прошёл за 15 минут вместо обычного часа.

Кейс 3. Три выпускника курса: как изменилась их работа через три месяца

Собрала короткие цифры по трём выпускникам курса «AI-навыки финансиста» из моей практики, с их разрешения и без названий компаний.

Бухгалтер на участке первички, компания с оборотом 120 млн рублей. Было: обработка входящих документов занимала 4 часа в день. Стало: 1 час 20 минут в день, остальное забирает распознавание с автокатегоризацией. Освободившиеся 2,5 часа в день ушли на сверку и разбор спорных документов, которые раньше откладывались на конец месяца. Размер ставки не изменился, изменился состав задач.

Ведущий бухгалтер в оптовой компании. Было: сверка с контрагентами по актам раз в квартал, 14 часов на квартал. Стало: 4 часа на квартал, включая проверку. Экономия 40 часов в год. Из них 12 часов ушли на то, чтобы навести порядок в договорах: в 2026 году модель впервые позволила вычитать весь массив договоров и найти расхождения в условиях оплаты, которые годами никто не сверял.

Начальник отдела из трёх человек. Было: подготовка бюджета на квартал 60 часов на отдел. Стало: 26 часов на отдел. При этом двое сотрудников вместо ввода данных занялись анализом отклонений и работают с собственником напрямую, чего раньше не делали вообще.

Общая закономерность по всем трём кейсам одна: часы освободились, работа поменяла содержание, а ставки сохранились.

Сравнение моделей в сентябре 2026: что выбрать под задачи учёта

Разные модели сильнее в разном, и выбирать одну на всё нерационально. Вот таблица, которую я собрала под бухгалтерские задачи по состоянию на 11 сентября 2026 года. Цены подписок я намеренно не указываю: они меняются, проверяйте на официальной странице сервиса на момент покупки.

Отдельно про доступ. ChatGPT, Claude и Gemini из России без VPN не работают, это ограничение самих сервисов. Решение о том, каким сервисом пользоваться, вы принимаете сами, пользоваться нейросетями из России не запрещено. DeepSeek V3.2 работает без VPN, но правило про обезличивание для него действует так же строго: обезличивание снижает риск, но не отменяет вынос данных, поэтому первичка с реальными контрагентами не уходит ни в один облачный сервис. Про выбор модели под свои задачи у меня есть разбор «Какую нейросеть выбрать финансисту в 2026 году», а про безопасную работу с данными статья «Обезличивание данных для ChatGPT».

Что такое «новая роль бухгалтера» на практике: пять функций, которые остаются у человека

Термин «новая роль» звучит размыто, поэтому разберу его через конкретные функции, которые в 2026 году нельзя передать модели. Эти пять функций и составляют содержание профессии.

Контроль методологии. Вы решаете, как учитывать операцию, и записываете это в учётную политику. Модель может предложить вариант, решение принимаете вы, потому что обосновывать его перед инспекцией будете вы.

Разбор нестандартных операций. Всё, что не повторяется каждый месяц, модель делает неуверенно: нестандартная поставка, смешанный договор, операция с иностранным элементом. Здесь человек незаменим, потому что нужен расчёт плюс суждение о том, как применить норму к конкретной сделке.

Налоговая позиция. Что заявить в декларации, как обосновать, что делать с расхождениями. Модель подготовит аргументы, отвечать будете вы.

Работа с людьми. Контрагенты, инспекция, собственник, аудитор. Разговор с требованием цифры за спиной у модели не проведёшь.

Постановка задачи машине и проверка результата. Это новая функция, которой пять лет назад не было. Она требует понимания и учёта, и модели. Именно она сегодня отличает востребованного специалиста от заменимого.

Если посмотреть на этот список, видно, что профессия поднимается на уровень выше по абстракции. Тот, кто раньше вводил документы, теперь проверяет, как документы вводит система. Тот, кто собирал отчёт руками, теперь проверяет его логику. Шаблон такого регламента для отдела я выкладывала в статье «AI-политика финансового отдела».

Кому в профессии станет хуже, а кому лучше: честный разбор без утешительных слов

Мне не нравится успокаивающий тон в статьях про AI, поэтому скажу прямо, кому будет тяжело.

Тяжело будет трём группам. Первая: специалисты, вся работа которых состоит из механического ввода и переноса данных между системами. Эта функция сжимается быстрее всего. Вторая: те, кто не хочет осваивать ничего нового и рассчитывает досидеть до пенсии на текущем наборе задач. Их позиция сужается, потому что рядом появляется коллега, который делает тот же объём за половину времени. Третья: те, кто начал пользоваться моделью без правил проверки и уже пропустил ошибку в отчётность. Последствия по 402-ФЗ никуда не денутся.

Легче станет тоже трём группам. Первая: те, кто умеет ставить задачи и проверять результат, потому что их часы освобождаются под более дорогую работу. Вторая: аналитики и методологи, чей навык суждения вырос в цене. Третья: те, кто умеет объяснять: собственнику, инспекции, коллегам. Коммуникация стала дефицитной, когда механику забрала машина.

Ещё одно наблюдение из практики школы. У трёх выпускников из третьего кейса освободившиеся часы ушли в задачи, которые раньше никто не делал: сверку договоров целиком, анализ отклонений, работу с собственником напрямую. Ставки при этом не сократили, а участки расширили. Так что вопрос в том, куда вы отдадите высвобожденное время: если оно растворится в той же рутине, эффекта не будет ни для вас, ни для компании.

10 промптов для бухгалтера, которые снимают страх автоматизации

Ниже десять промптов под конкретные задачи. Подставьте свои условия, обезличьте данные перед загрузкой. Промпты собраны из практики, это не материалы платного курса.

Промпт 1. Разбор своей загрузки по времени.

Ты помощник бухгалтера. Ниже список моих задач за месяц с примерным временем на каждую.

Помоги разделить их на три группы:
1. Задачи с однозначным правильным ответом, которые проверяются арифметикой.
2. Задачи, где нужно суждение или ответственность.
3. Задачи, где нужно общение с людьми.

Для каждой задачи из первой группы предложи, как её можно передать тебе, и как проверить результат.

Список задач:
[вставьте задачи и время]

Промпт 2. Сверка учёта с банком и классификация расхождений.

Я загрузила две выгрузки: обороты по счёту 51 и выписку банка за [период].
Реквизиты обезличены: контрагенты заменены на коды К-001 и далее.

Найди расхождения и отнеси каждое к одному из типов:
задвоение, пропуск, разница по дате, неверная сумма, операция не в том периоде.

По каждому расхождению дай: тип, сумму расхождения, ссылку на строки в обеих выгрузках, предложение по исправлению.

Отдельно посчитай контрольные суммы по обеим выгрузкам и покажи разницу. Если суммы не сходятся, не делай выводы, а покажи, где именно расходится.

Промпт 3. Поиск задвоений в первичке.

Ниже массив входящих документов за [период]: номер, дата, сумма, код контрагента, номер договора.

Найди возможные задвоения по связке номер и дата, а также по связке сумма и контрагент.
Для каждой пары укажи, почему ты считаешь это задвоением, и какова вероятность ошибки.

Не удаляй и не объединяй строки. Только список подозрительных пар с обоснованием.

Промпт 4. Проекты исправительных проводок с проверкой.

По списку расхождений из предыдущего шага подготовь проекты исправительных проводок.

Формат: дата, дебет счёта, кредит счёта, сумма, краткое содержание операции, ссылка на расхождение.
Для каждой проводки укажи, каким документом она подтверждается.

После таблицы добавь блок проверки: контрольная сумма по дебету и кредиту, и три проводки, которые я должна проверить вручную в первую очередь. Пометь их как приоритет.

Промпт 5. Отчёт для собственника с разбором отклонений.

Ниже данные за [месяц]: P&L, движение денег, план и факт по трём направлениям. Коды подразделений обезличены.

Собери:
1. Сводную таблицу план против факта с абсолютным и процентным отклонением.
2. Краткий текст по отклонениям больше 5 процентов: что произошло и на что это влияет.
3. Список вопросов, которые собственник задаст по этим цифрам, с подготовленными ответами.

Цифры бери только из загруженных данных. Если каких-то данных нет, скажи об этом прямо, не подставляй оценку.

Промпт 6. Разбор договора на условия оплаты и риски.

Прочитай договор и выпиши в таблицу: предмет, сроки, порядок оплаты, штрафы и пени, условия изменения цены, порядок расторжения.

Отдельно перечисли условия, которые создают риск для нашего учёта: момент признания выручки или расхода, наличие неденежных расчётов, привязка цены к внешнему показателю.

Для каждого риска укажи пункт договора и предложи формулировку вопроса юристу.

Промпт 7. Проверка вывода модели на правдоподобие.

Ты проверяющий. Ниже вывод, который сделала другая модель по моим данным.

Найди в нём:
1. Утверждения, которые не подтверждаются загруженными данными.
2. Цифры, которые выглядят правдоподобно, но не выводятся из исходных данных.
3. Места, где модель дала оценку там, где нужен факт.

По каждому пункту укажи, что именно вызвало подозрение. Твоя задача найти ошибки, а не согласиться.

Промпт 8. Регламент работы с нейросетью для отдела.

Составь регламент работы отдела бухгалтерии с нейросетью. В отделе [число] человек.

Включи:
1. Какие данные можно загружать в модель, а какие нет.
2. Как обезличивать данные перед загрузкой.
3. Кто проверяет результат и в каком объёме.
4. Что нельзя переносить в учётную систему без проверки.
5. Кто отвечает за ошибку, попавшую в отчётность.

Формат: короткие пункты, без общих слов, пригодные для распечатки и подписания.

Промпт 9. Подготовка пояснений для налоговой.

Ниже расхождение между нашими данными и данными из требования инспекции: [описание].

Подготовь:
1. Возможные причины расхождения, отсортированные по вероятности.
2. Какие документы подтверждают нашу позицию по каждой причине.
3. Черновик пояснения на одну страницу: факты, ссылки на документы, вывод.

Не ссылайся на нормы, которых нет в загруженных документах. Номера статей я проверю сама.

Промпт 10. Личный план освоения на 30 дней.

Моя роль: [должность]. Задачи: [список]. Свободного времени: [часов в неделю].

Составь план на 30 дней по освоению нейросетей в моей работе:
1. Четыре задачи для автоматизации в порядке приоритета, с обоснованием.
2. Что нужно подготовить по данным для каждой задачи.
3. Как измерить эффект в часах.
4. Что делать, если конкретная задача не поддаётся автоматизации.

Без мотивационных формулировок, только действия и проверки.

Эти промпты работают на любой актуальной модели, потому что логика у них одинаковая: дать данные, задать формат, встроить проверку. Про базовые приёмы работы с моделью в учёте есть отдельный материал «Промпты для бухгалтера».

Если хотите разобраться глубже, у нас есть бесплатный эфир «Навигация по нейросетям для начинающих»: там мы разбираем модели, безопасную работу с данными и первые задачи бухгалтера. Посмотреть запись можно по ссылке.

Чек-лист: что сделать в сентябре 2026, чтобы остаться в профессии

Шесть шагов на месяц. Каждый измеримый, без общих пожеланий.

1. Разложите прошлый месяц на задачи с часами. Без этого списка вы не увидите ни рисков, ни возможностей. Достаточно таблицы на 15–25 строк.
2. Отметьте задачи с однозначным ответом. Это ваш список на передачу модели. Обычно там оказывается от трети до половины рабочего времени.
3. Настройте обезличивание до первой загрузки. Маски на контрагентов, ИНН, ФИО, номера счетов. Правило простое: в публичную модель уходит только то, что не позволяет опознать человека.
4. Замерьте время на одной задаче до и после. Одна задача, два замера, разница в минутах. Так вы получите свою личную цифру вместо чужих обещаний.
5. Введите правило проверки для каждого типа вывода. Контрольная сумма, выборочная сверка, сверка с первоисточником. Пока правила нет, результат в учёт не переносится.
6. Переведите освободившиеся часы в новую задачу заранее. Решите, куда они идут: анализ, работа с собственником, налоговая позиция. Иначе часы растворятся в той же рутине.

Регламент для отдела и подпись под ним добавьте седьмым шагом, когда первые шесть дадут результат: документ избавляет от споров о том, кто отвечает за ошибку, и снимает тревогу у коллег.

Проверить, грозит ли конкретная задача автоматизации, можно по трём вопросам: есть ли у неё однозначный правильный ответ, повторяется ли она каждый месяц, проверяется ли результат арифметикой. Три «да» означают, что модель справится. Если хотя бы один ответ «нет», задача остаётся за человеком.

Что будет с профессией к 2027 году: три прогноза

Прогнозы даю с оговоркой, что это моя оценка на основе практики школы, а не гарантия.

Первый: разрыв внутри профессии вырастет. Дальше будет расти разница между бухгалтером, который проверяет выводы машины и отвечает за методологию, и тем, кто вводит данные вручную. Это не про возраст: среди наших выпускников есть специалисты с 30 годами стажа, которые работают с моделями быстрее молодых коллег.

Второй: требования к должности изменятся в описании, а не в названии. Вакансия «бухгалтер» останется, но в требованиях появится работа с AI-инструментами, проверка данных и контроль качества автоматизации. Кто-то должен отвечать за то, что машина сделала неправильно.

Третий: стоимость часа работы вырастет там, где нужно суждение. Механические часы подешевеют, потому что их теперь делает модель. Часы, где нужно решение по спорной операции или разговор с инспекцией, подорожают, потому что таких специалистов мало, а потребность в них не падает.

Что происходит с карьерой финансиста на этом фоне, я разбирала в статье «AI-навыки финансиста и карьера CFO». Заявления про AGI будут появляться и дальше, потому что они работают как новостной повод. Рабочая стратегия от этого не меняется: разобрать свой месяц на задачи, передать модели то, что проверяется арифметикой, и перевести освободившиеся часы в работу, которую машина не берёт.

FAQ: короткие ответы на частые вопросы

Зачем мне разбираться в датах заявлений об AGI?

Научно подтверждённого ответа нет. В сентябре 2026 года глава Nvidia написал в соцсети, что AGI достигнут, связав это с моделью Astra. Он же в августе на звонке по итогам квартала говорил, что для многих задач AGI уже наступил, а классические критерии AGI назвал бессмысленными. Единого определения и теста AGI у исследовательского сообщества нет, поэтому речь идёт о заявлении руководителя компании с коммерческим интересом, а не о научном результате.

Заменит ли нейросеть бухгалтера в ближайшие два года?

Полностью нет. Модель забирает механику: распознавание, сверку, поиск расхождений, черновики отчётов. За человеком остаётся подпись под отчётностью, налоговая позиция, разбор спорных операций и ответственность по 402-ФЗ. Практика 2026 года показывает, что меняется не количество бухгалтеров, а состав задач внутри одной ставки. Подробнее про этот сценарий я писала в статье «Заменит ли нейросеть бухгалтера и CFO».

Что реально умеет GPT-6 Astra из бухгалтерской работы?

По описанию OpenAI модель работает с компьютером как человек: открывает браузер, файлы, таблицы, собирает презентации и финансовые отчёты, выполняет многошаговые задачи. Контекст 1 050 000 токенов позволяет загрузить несколько кварталов выгрузок в один запрос. Что именно она сделает с вашей первичкой, зависит от качества данных и от формулировки задачи, поэтому первую неделю стоит потратить на тесты на своих файлах.

Стоит ли увольняться и переучиваться на другую профессию?

Данных, которые это оправдывают, сейчас нет. Рынок труда в 2026 году меняется в другую сторону: растёт спрос на людей, которые умеют проверять вывод модели и отвечать за результат. Разумный шаг сегодня: оставить профессию и добавить к ней AI-навыки, а не менять сферу из-за одного поста в соцсети.

Чем заниматься бухгалтеру, если рутину забирает нейросеть?

Контролем методологии, разбором нестандартных операций, налоговой позицией, переговорами с контрагентами и инспекцией, управленческими выводами для собственника, постановкой задач модели и проверкой результата. Эти задачи растут в цене, потому что освободившиеся часы уходят именно в них.

Как проверить, грозит ли моя работа автоматизации?

Разложите день на задачи и отметьте три признака: есть ли у задачи однозначный правильный ответ, повторяется ли она каждый месяц, проверяется ли результат арифметикой. Там, где три «да», модель справится уже сейчас. Там, где нужно суждение, ответственность или переговоры, спрос на человека сохраняется.

Можно ли доверять цифрам, которые выдаёт нейросеть в учёте?

Только после проверки. Модель считает ровно то, что ей загрузили, и не знает вашу учётную политику. Рабочий порядок: контрольные суммы против исходной выгрузки, выборочная сверка около 10 процентов проводок вручную, проверка каждой исправительной проводки перед переносом в учётную систему. Пять типовых ошибок работы с нейросетью я разбирала в статье «5 ошибок финансиста в нейросетях».

Нужен ли VPN для работы с Astra, Claude и Gemini из России, и что тогда с данными?

ChatGPT, Claude и Gemini из России без VPN не работают, это ограничение самих сервисов. Каким сервисом пользоваться, вы решаете сами. Пользоваться нейросетями из России не запрещено. DeepSeek V3.2 доступен без VPN, но загружать в него необезличенные данные нельзя. Работать с chatgpt.com и другими сервисами стоит по правилам обезличивания, о которых я писала здесь.

Где следить за AI для финансиста

Практические разборы и промпты я публикую в @findir_pro, живые эфиры и тесты моделей идут в «АИ с Софьей и Натали».

Если вы хотите выстроить систему работы с моделями под свои задачи, приходите на курс «AI-навыки финансиста»: 11 модулей, 75+ практических уроков, 50+ готовых промптов и шаблонов. fin-academy.pro/ai

Заявление про AGI забудется через неделю, а вопрос, что делать с освободившимися часами, останется. Начните с одного замера времени на одной своей задаче, и картина станет понятнее, чем после десяти новостных заголовков.