AI-аналитик дебиторки на n8n: автоматический скоринг платёжной дисциплины контрагентов

Каждый понедельник в 90% финотделов кто-то открывает Excel, фильтрует реестр дебиторки и вручную решает, кому звонить первому. Это 40-60 минут на 100-150 контрагентов, и через полгода паттерны в голове уже стёрлись — вы помните только последних трёх должников, а не тех, кто скатывается в просрочку постепенно, месяц за месяцем. В 2026 году эту работу делает AI-агент на n8n: сценарий запускается сам, считает скоринг платёжной дисциплины по формуле и присылает готовый список с рекомендациями ещё до утренней планёрки.

Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (основатель школы Софья Бурцева, 45 000 подписчиков в @findir_pro, 13 000 в «АИ с Софьей и Натали», 5 000+ в MAX, 800+ выпускников курса AI-навыков). С автоматизацией финансовых процессов через n8n и AI-агентов я работаю с учениками школы с конца 2024 года, и скоринг дебиторки — один из самых благодарных сценариев: данные структурированы, формула объяснима, а результат сразу виден в снижении просрочек.

В этой статье — полная архитектура AI-агента скоринга: какие данные нужны, как построить формулу, как подключить нейросеть для интерпретации и куда доставлять результат. Десять готовых промптов, три кейса с реальными цифрами и сравнительная таблица моделей — внутри. Актуально на июль 2026 года, актуальные модели — GPT-5.6, Claude Sonnet 5, Gemini 3.1 Pro, DeepSeek V4. Сайт chatgpt.com в России открывается через специальные средства доступа — упоминаю один раз и не возвращаюсь к этому.

Главный тезис статьи: скоринг — это не решение об отгрузке или отказе клиенту. Это система раннего предупреждения, которая освобождает финансиста от рутинного пересчёта одних и тех же таблиц и оставляет время на разговор с контрагентом, пока просрочка ещё небольшая, а не когда она уже перешла в безнадёжный долг.

Что такое скоринг платёжной дисциплины и зачем он нужен финансисту

Прямой ответ: скоринг платёжной дисциплины — это числовая оценка надёжности контрагента как плательщика, построенная на истории его реальных оплат, а не на юридической проверке при заключении договора.

Классическая проверка контрагента (СПАРК, Контур.Фокус, ручная проверка через ФНС) отвечает на вопрос «стоит ли вообще начинать работать с этой компанией». Она смотрит на регистрационные данные, судебные дела, признаки банкротства, связанные лица. Это разовая или редкая процедура — на входе в сделку или раз в квартал.

Скоринг платёжной дисциплины отвечает на другой вопрос: «как этот контрагент платит нам прямо сейчас, и куда движется тренд». Он строится не на внешних данных, а на внутренней истории — ваших собственных счетах, датах оплаты, суммах просрочки. Это динамическая метрика, которая меняется каждый месяц вместе с поведением клиента.

Разница критична для принятия решений. Контрагент может быть безупречен по СПАРК — не банкрот, без судов, без признаков однодневки — и при этом стабильно платить на 15-20 дней позже срока каждый месяц. Юридическая проверка этого не покажет. Только анализ истории оплат.

Зачем скоринг нужен именно как автоматический процесс, а не разовый анализ:

• Ручной пересчёт раз в квартал упускает динамику внутри квартала — контрагент может ухудшиться за 6 недель, а вы узнаете об этом только на следующем плановом разборе
• При 80+ активных контрагентах ручной анализ занимает часы, которые тратятся на рутинное сравнение цифр, а не на решения
• Автоматический скоринг с регулярным запуском ловит паттерн ухудшения на ранней стадии, когда ещё можно предупредить проблему звонком, а не претензией
• Результат становится основой для решений: кому дать отсрочку, кому требовать предоплату, с кем пересмотреть условия договора

Почему ручной скоринг дебиторки не масштабируется

Прямой ответ: ручной скоринг 100-150 контрагентов занимает 4-6 часов в месяц, и качество анализа падает по мере роста количества контрагентов — человек физически не удерживает в голове паттерны десятков компаний одновременно.

Типичный ручной процесс выглядит так. Финансист выгружает реестр из 1С, открывает Excel, считает по каждому контрагенту среднюю просрочку за период, сортирует по убыванию долга, красит строки цветом «на глаз» — кто выглядит проблемным, у того красная заливка. Дальше по памяти вспоминает, кто из «жёлтых» уже звонил и объяснял задержку, а кто просто тянет молча.

Проблема в трёх местах:

Субъективность оценки. Один финансист красит контрагента красным при просрочке 10 дней, другой — только при 20. Формальной формулы нет, решение зависит от настроения и памяти в моменте.

Отсутствие динамики. Excel-таблица показывает статику на дату среза. Контрагент, который постепенно скатывается — 5 дней просрочки в январе, 12 в феврале, 20 в марте — визуально не выделяется, пока разница не станет очевидной. К этому моменту тренд уже устоявшийся.

Не масштабируется на рост. При 50 контрагентах ручной анализ терпим. При 150-200 — это уже полноценный рабочий день, который никто не готов выделять каждый месяц. Финансист либо делает анализ реже (раз в квартал вместо раз в месяц), либо анализирует только топ-20 по сумме долга, упуская тех, кто небольшой по сумме, но стабильно ухудшается.

По практике учениц курса, при переходе с ручного скоринга на автоматизированный через n8n среднее время анализа падает с 4-6 часов до 10-15 минут проверки готового отчёта. Экономия не только во времени — качество раннего предупреждения растёт, потому что агент считает всех контрагентов одинаково, без усталости и без забывчивости.

Что такое n8n и почему это лучший инструмент для скоринга дебиторки

Прямой ответ: n8n — это визуальный конструктор автоматизаций с открытым исходным кодом, где вы собираете сценарий из готовых блоков (нод) без написания кода с нуля, а логику связываете стрелками на холсте.

Для финансиста без бэкграунда в разработке n8n даёт баланс между простотой и мощностью. Каждая нода — это готовый блок: «взять данные из Google Sheets», «отправить сообщение в Telegram», «запустить по расписанию». Вы соединяете их в цепочку, и там, где нужна нестандартная логика — например расчёт формулы скоринга — вставляете небольшой блок кода на JavaScript или Python.

Почему n8n, а не другие инструменты:

• Self-hosted вариант бесплатный. Развернуть n8n на своём сервере или VPS не требует лицензионных платежей — только стоимость хостинга (от 300-500 рублей в месяц на минимальном VPS).
• Гибкость подключений. Готовые интеграции с Google Sheets, Telegram, почтой, базами данных, HTTP-запросы к любому API — включая API нейросетей.
• Визуальная отладка. Видно, что происходит на каждом шаге сценария — какие данные пришли, что изменилось после каждой ноды. Это критично при настройке скоринга, когда нужно проверить, что формула считает правильно.
• Не требует Python-разработчика. Базовая логика собирается мышкой, код нужен точечно — в одном-двух узлах для расчётов.

Альтернативы вроде Zapier или Make (бывший Integromat) тоже подходят, но у них выше стоимость на масштабе (цена растёт с количеством операций) и меньше гибкости в написании кастомного кода внутри сценария. Для скоринга, где нужна собственная формула с весами факторов, свобода n8n в написании JavaScript-кода — существенное преимущество.

Если вы совсем не знакомы с n8n, начните с более простых сценариев — базовые автоматизации разбираю в статье n8n для финансиста. Скоринг дебиторки — сценарий на ступень сложнее, но логика конструктора та же.

Какие данные нужны для скоринга и откуда их взять

Прямой ответ: минимальный рабочий скоринг строится на трёх источниках данных — реестр счетов с датами, договорные условия отсрочки и история фактических платежей за 6-12 месяцев.

Обязательные поля для каждой строки счёта:

Если счёт ещё не оплачен на дату анализа — фактическая дата оплаты остаётся пустой, и просрочка считается от плановой даты до сегодня.

Как выгрузить эти данные из 1С:

Настройте регламентное задание в 1С (у администратора базы это занимает 20-30 минут), которое формирует реестр счетов покупателей с нужными полями и сохраняет в Excel или CSV в определённую папку каждый день или раз в неделю. Дальше n8n забирает файл автоматически — либо через подключённую папку Google Drive, либо через прямой webhook, если у вас настроена интеграция.

Для компаний без развитой 1С-инфраструктуры рабочий вариант — вести реестр счетов в Google Sheets вручную или полуавтоматически, тогда n8n подключается к таблице напрямую через встроенную интеграцию Google Sheets — это самый простой способ начать без участия IT.

Сколько истории нужно для точного скоринга:

Минимум 3 месяца данных даёт базовый скоринг, но паттерны сезонности и реальную динамику показывает только история от 6 месяцев. Для контрагентов, с которыми вы работаете меньше 3 месяцев, скоринг будет менее надёжным — недостаточно точек данных, чтобы отличить случайную задержку от системной проблемы. Такие компании стоит помечать флагом «недостаточно истории» вместо присвоения полноценного балла.

Как построить формулу скоринга платёжной дисциплины

Прямой ответ: рабочая формула скоринга строится на 4-5 факторах с весами, дающими в сумме 100%, и выдаёт итоговый балл от 0 до 100, где выше — надёжнее.

Формула не должна быть чёрным ящиком. Финансовый директор и коммерческий отдел должны понимать, почему конкретный контрагент получил конкретный балл — иначе доверие к системе быстро падает при первом спорном случае.

Базовая формула из пяти факторов:

1. Средняя просрочка в днях (вес 30%). Средневзвешенное количество дней просрочки по всем оплаченным счетам за период, взвешенное по сумме счёта. Крупный счёт с просрочкой 10 дней весит больше, чем мелкий с просрочкой 30.

2. Доля просроченных счетов (вес 25%). Процент счетов, оплаченных с нарушением договорного срока, от общего количества счетов за период. Показывает системность проблемы, а не разовый случай.

3. Динамика долга за 3 месяца (вес 20%). Тренд: растёт непогашенный остаток, стабилен или снижается. Растущий тренд — сигнал даже при небольшой абсолютной просрочке.

4. Текущий непогашенный остаток относительно среднего оборота (вес 15%). Сумма риска в деньгах, нормализованная относительно того, сколько контрагент обычно у вас покупает — крупный клиент с крупным остатком не то же самое, что мелкий с тем же остатком.

5. История спорных ситуаций (вес 10%). Количество случаев за 12 месяцев, когда контрагент оспаривал счёт, требовал перевыставления документов или иным образом создавал административную нагрузку сверх обычной оплаты.

Логика перевода баллов в категории риска:

• 80-100 баллов — зелёная зона, надёжный плательщик, стандартные условия
• 50-79 баллов — жёлтая зона, требует наблюдения, возможно ужесточение условий
• 0-49 баллов — красная зона, требует решения: предоплата, сокращение отсрочки, эскалация руководству

Веса — не догма. В производственной компании с длинным циклом отсрочки логично увеличить вес динамики долга. В рознице с быстрым оборотом важнее доля просроченных счетов. Откалибруйте формулу под свою отрасль на исторических данных — прогоните на данных прошлого года и сверьте с реальными случаями, которые вы уже знаете.

Промпт для помощи в калибровке весов формулы:

Ты финансовый аналитик, специализируешься на риск-менеджменте
дебиторской задолженности.

Я работаю в отрасли [укажите отрасль], средний цикл отсрочки
по договору [X] дней, средний оборот на контрагента [Y] тыс. руб.
в месяц.

У меня формула скоринга из 5 факторов:
1. Средняя просрочка в днях
2. Доля просроченных счетов
3. Динамика долга за 3 месяца
4. Непогашенный остаток относительно оборота
5. История спорных ситуаций

Помоги предложить логичное распределение весов (сумма 100%)
с учётом специфики моей отрасли. Обоснуй, почему именно такое
распределение подходит для отрасли с указанным циклом отсрочки.

Также предложи, какой из факторов стоит добавить дополнительно,
если у меня есть данные о сезонности продаж по контрагенту.

Архитектура AI-агента скоринга дебиторки на n8n

Прямой ответ: рабочий сценарий состоит из семи последовательных блоков — триггер, выгрузка данных, нормализация, расчёт скоринга, AI-интерпретация, доставка результата и архивация истории.

Блок 1. Триггер по расписанию. Нода Cron/Schedule Trigger запускает сценарий каждый рабочий день утром, например в 7:00, до начала рабочего дня. Достаточно и еженедельного запуска по понедельникам для менее динамичной дебиторки.

Блок 2. Выгрузка данных. Нода подключения к источнику — Google Sheets, база данных PostgreSQL/MySQL, или HTTP-запрос к API 1С, если настроен веб-сервис. Забирает актуальный реестр счетов и справочник договорных условий.

Блок 3. Нормализация данных. Code node на JavaScript: приведение дат к единому формату, преобразование сумм из текста в числа, удаление пустых и некорректных строк, объединение реестра счетов со справочником условий отсрочки по каждому контрагенту.

Блок 4. Расчёт скоринга. Code node с логикой формулы из предыдущего раздела: для каждого контрагента группируются счета за период, считаются пять факторов, применяются веса, выводится итоговый балл и категория (зелёный/жёлтый/красный).

Блок 5. AI-интерпретация. HTTP Request к API ChatGPT или Claude: передаётся таблица с топ-рискованными контрагентами (обычно жёлтая и красная зона) и их метриками, модель возвращает текстовое объяснение паттерна и рекомендацию по действию.

Блок 6. Формирование и доставка сводки. Нода Telegram Bot или Gmail собирает итоговое сообщение: количество контрагентов по зонам риска, топ-5 самых проблемных с кратким объяснением, ссылка на полную таблицу.

Блок 7. Архивация в Google Sheets. Каждый прогон записывается отдельной строкой в исторический лист — это даёт возможность строить график динамики скоринга по каждому контрагенту месяц к месяцу.

Промпт для AI-ноды интерпретации скоринга:

Ты финансовый риск-аналитик. Тебе передаются данные скоринга
контрагентов по платёжной дисциплине.

Данные (обезличены, маски вместо реальных названий):
[вставляется таблица: контрагент, балл, зона риска,
средняя просрочка, доля просроченных счетов, тренд долга,
непогашенный остаток]

Для каждого контрагента из жёлтой и красной зоны:
1. Опиши паттерн поведения в одном предложении
   (например: "стабильно платит на 15-20 дней позже,
   но остаток не растёт" или "просрочка растёт третий месяц подряд").
2. Дай одну рекомендацию из списка:
   наблюдать / предупредить звонком / ужесточить условия /
   эскалировать руководству.
3. Укажи, является ли ситуация разовым отклонением
   или системной проблемой, судя по динамике.

Не придумывай причины отклонений — их в данных нет.
Опирайся только на цифры. Если данных недостаточно
для уверенного вывода — так и напиши.

Формат ответа: таблица контрагент | паттерн | рекомендация | тип проблемы.

Пошаговая настройка: от пустого холста до первого рабочего прогона

Прямой ответ: сборка базового сценария скоринга занимает 3-5 часов при первом запуске, дальше донастройка формулы и порогов — вопрос итераций на исторических данных.

Шаг 1. Разверните n8n. Для старта проще всего облачная версия n8n.cloud — регистрация и первый сценарий за 10 минут, тариф от 20 евро в месяц. Self-hosted вариант на VPS дешевле в долгосрочной перспективе, но требует базовых навыков администрирования сервера (Docker-контейнер поднимается за 20-30 минут по официальной документации).

Шаг 2. Создайте новый Workflow. В интерфейсе n8n нажмите «New Workflow», дайте название («AI-скоринг дебиторки»).

Шаг 3. Добавьте Schedule Trigger. Первая нода на холсте — триггер по расписанию. Настройте интервал: ежедневно в 7:00 или еженедельно по понедельникам, в зависимости от динамики вашей дебиторки.

Шаг 4. Подключите источник данных. Добавьте ноду Google Sheets (или HTTP Request для другого источника), укажите таблицу с реестром счетов. Настройте авторизацию через Google-аккаунт — это делается один раз через OAuth.

Шаг 5. Добавьте Code node для нормализации. Вставьте блок кода на JavaScript, который приводит даты к единому формату (new Date() парсинг), суммы — к числовому типу, убирает строки без ключевых полей.

Шаг 6. Добавьте Code node для расчёта скоринга. Второй блок кода реализует формулу: группировка по контрагенту, расчёт пяти факторов, применение весов, вывод итогового массива с баллом и зоной риска для каждого контрагента.

Шаг 7. Добавьте HTTP Request для AI-интерпретации. Настройте запрос к API OpenAI (endpoint /v1/chat/completions) или Anthropic (/v1/messages), передайте в теле запроса промпт из предыдущего раздела с подстановкой рассчитанных данных. Понадобится API-ключ — получить в личном кабинете платформы.

Шаг 8. Добавьте ноду Telegram. Создайте бота через @BotFather (2 минуты), получите токен, добавьте ноду Telegram Send Message в n8n, укажите chat_id для отправки в личный чат или групповой чат отдела.

Шаг 9. Добавьте запись в архив. Ещё одна нода Google Sheets, режим «Append Row», записывает результат каждого прогона в отдельный лист истории.

Шаг 10. Протестируйте вручную. Нажмите «Execute Workflow» в интерфейсе n8n, пройдите по каждому шагу, проверьте данные на выходе каждой ноды. Именно на этом шаге находится 90% ошибок формата дат и чисел.

После успешного ручного теста активируйте сценарий (переключатель Active в правом верхнем углу) — и он начнёт запускаться сам по расписанию.

Три кейса: как AI-агент скоринга изменил работу с дебиторкой

Три истории учениц курса «AI-навыки финансиста». Имена и названия компаний обезличены.

Кейс 1. Финансовый директор дистрибьютора стройматериалов, Екатеринбург

Ситуация. 130 активных контрагентов-покупателей, средний оборот дебиторки около 40 млн рублей. Ручной скоринг раз в месяц занимал у финансового аналитика 5-6 часов: выгрузка из 1С, сведение в Excel, ручная сортировка, презентация для планёрки коммерческого отдела.

Что сделала. Собрала сценарий на n8n с еженедельным запуском по понедельникам в 6:00. Формула скоринга — 5 факторов с акцентом на динамику долга (вес 30%, так как в отрасли с сезонным спросом важнее тренд, чем абсолютная просрочка). AI-интерпретация через Claude Sonnet 5 — короткое объяснение паттерна по каждому контрагенту жёлтой и красной зоны.

Результат через три месяца. Время на скоринг — 15 минут проверки готовой сводки вместо 5-6 часов расчёта. Количество контрагентов, дошедших до красной зоны без предупреждения, снизилось с 8-10 в квартал до 2-3 — потому что жёлтую зону теперь видят на 3-4 недели раньше, чем при ежемесячном ручном пересчёте. Экономия времени: 20-24 часа в месяц на аналитике плюс снижение суммы просроченной дебиторки на 12% за счёт более раннего реагирования.

«Раньше я узнавала о проблемном клиенте, когда он уже был должен три отгрузки. Сейчас агент присылает предупреждение, когда просрочка ещё 8-10 дней и тренд только начал расти. Звонок на этом этапе решает вопрос за один разговор».

Кейс 2. Финансовый контролёр в оптовой торговле продуктами питания, Краснодар

Ситуация. 220 контрагентов, высокая частота отгрузок (несколько раз в неделю), короткая договорная отсрочка (7-14 дней). При такой скорости ручной скоринг раз в месяц был бесполезен — данные устаревали быстрее, чем успевали проанализировать.

Что сделала. Настроила ежедневный запуск сценария в 7:00, формула с повышенным весом на долю просроченных счетов (35%) и текущий непогашенный остаток (25%) — при коротком цикле отсрочки эти факторы реагируют быстрее динамики за три месяца. AI-интерпретация через GPT-5.6, доставка в групповой Telegram-чат коммерческого отдела с тегом ответственного менеджера.

Результат. Первый месяц работы агент выявил 14 контрагентов, скатывающихся в красную зону, которых ручной ежемесячный скоринг обычно упускал до момента накопления существенного долга. Средняя просрочка по портфелю снизилась с 9,2 до 5,8 дня за квартал. Время на аналитику — 10 минут в день на проверку сводки вместо полного дня раз в месяц, итого около 15-18 часов в месяц освобождённого времени.

Неожиданный побочный эффект: коммерческий отдел стал внимательнее к условиям при заключении новых договоров, потому что видит в реальном времени, как быстро формируются паттерны просрочки у похожих клиентов.

Кейс 3. Финансовый директор IT-интегратора, Москва

Ситуация. 65 корпоративных клиентов, крупные суммы по счетам (от 300 тысяч до нескольких миллионов рублей), длинный цикл согласования оплаты у клиентов (30-45 дней — это норма, не просрочка). Задача — не просто выявить просрочку, а отличить нормальную задержку крупного корпоративного клиента от реального ухудшения платёжеспособности.

Что сделала. Скорректировала формулу под специфику B2B с длинным циклом: договорная отсрочка учитывается индивидуально по каждому клиенту (у некоторых 45 дней прописаны в договоре как норма), фактор «истории спорных ситуаций» получил повышенный вес (20%), так как у корпоративных клиентов споры по актам и закрывающим документам — более значимый индикатор проблем, чем небольшая просрочка в днях.

Результат. За полгода работы агент дважды поймал паттерн раннего ухудшения у клиентов, которые формально ещё не вышли за пределы «нормальной» отсрочки, но динамика долга и учащение споров по документам указывали на будущие проблемы. В обоих случаях финансовый директор успел инициировать разговор с клиентом до того, как ситуация стала критической — в одном случае удалось согласовать частичную предоплату по следующему проекту, во втором — пересмотреть условия договора.

«С 65 клиентами кажется, что можно и вручную уследить. Но паттерн “количество споров по актам растёт третий месяц” человек глазами не видит — а формула видит сразу. Это тот случай, когда не скорость важна, а системность взгляда на данные, которые я и так собираю, но не анализирую вместе».

Сравнение ChatGPT, Claude и Gemini для AI-интерпретации скоринга

Актуально на июль 2026 года. Для расчётной части (формула скоринга) нейросеть не нужна — это чистая математика в Code node. AI-модель нужна на этапе интерпретации: объяснить паттерн, сформулировать рекомендацию.

Точные тарифы на токены и лимиты контекста у всех трёх провайдеров меняются чаще, чем обновляется эта статья — перед боевым запуском проверяйте актуальные цифры на официальной странице модели.

Как выбрать для своего сценария:

Если сводка идёт напрямую в Telegram-чат отдела без дополнительной редактуры — берите GPT-5.6 или Gemini 3.1 Pro, оба дают стабильный структурированный вывод при низкой стоимости на объёме.

Если сводка попадает в еженедельный отчёт для руководства с более развёрнутыми формулировками — Claude Sonnet 5 даёт более точный и естественный русский текст, разница заметна в развёрнутых рекомендациях длиннее одного предложения.

DeepSeek — рабочий вариант для тестирования сценария на этапе разработки без затрат на дорогие токены, доступен без специальных средств доступа. Для боевого режима на реальных клиентских данных стоит использовать модель с более предсказуемым поведением на структурированных задачах.

Технически в n8n можно подключить сразу две модели — например GPT-5.6 для ежедневной сводки и Claude Sonnet 5 для еженедельного развёрнутого отчёта — это не усложняет архитектуру, просто вторая HTTP Request нода с другим эндпоинтом.

10 готовых промптов для скоринга дебиторки

Все промпты — часть открытой практики, не из платного курса. Адаптируйте под свою отрасль и структуру данных.

Промпт 1. Первичный аудит качества данных перед скорингом

Прочитай загруженный реестр счетов и проверь качество данных
перед расчётом скоринга.

Проверь:
1. Есть ли пропуски в ключевых полях (контрагент, дата счёта,
   сумма, договорная отсрочка).
2. Есть ли даты оплаты раньше даты выставления счёта (логическая ошибка).
3. Есть ли дублирующиеся строки (одинаковый контрагент + дата + сумма).
4. Сколько контрагентов имеют менее 3 счетов за период
   (недостаточно данных для надёжного скоринга).
5. Есть ли суммы с отрицательным значением там, где их быть не должно.

Выдай список проблемных строк с описанием проблемы.
Не рассчитывай скоринг, пока данные не пройдут проверку.

Промпт 2. Расчёт факторов скоринга для одного контрагента

У меня есть история счетов одного контрагента за 6 месяцев.
Данные: дата счёта, договорная отсрочка (дней), дата оплаты
(пусто, если не оплачен), сумма.

Рассчитай:
1. Среднюю просрочку в днях (только по оплаченным счетам,
   взвешенную по сумме).
2. Долю просроченных счетов от общего количества.
3. Динамику непогашенного остатка по месяцам (растёт/стабилен/снижается).
4. Текущий непогашенный остаток.

Покажи расчёт по каждому пункту с формулой.
Не давай итоговый балл — только сырые метрики.

Промпт 3. Присвоение категории риска по готовым метрикам

У меня есть таблица контрагентов с рассчитанными метриками:
средняя просрочка, доля просроченных счетов, динамика долга,
непогашенный остаток.

Пороги категорий:
Зелёная зона: просрочка ≤ 5 дней, доля просроченных ≤ 10%
Жёлтая зона: просрочка 6-20 дней, доля просроченных 11-30%
Красная зона: просрочка > 20 дней, доля просроченных > 30%

Если метрики попадают в разные зоны по разным критериям —
присвой более строгую (худшую) категорию.

Присвой категорию каждому контрагенту, объясни в одном
предложении, какой критерий стал решающим.

Промпт 4. Выявление аномалий в динамике платежей

Проанализируй историю платежей по контрагентам за 6 месяцев.
Найди паттерны ухудшения:
— Контрагенты, у которых просрочка растёт 3 месяца подряд без остановки.
— Контрагенты, у которых резко (более чем в 2 раза) выросла сумма
  непогашенного остатка за последний месяц.
— Контрагенты, которые стабильно укладывались в срок,
  но в последнем месяце впервые просрочили платёж.

Это не окончательный вердикт, а список для приоритетной проверки
финансистом. Не делай выводов о причинах — только опиши паттерн.

Промпт 5. Сравнение скоринга с предыдущим периодом

У меня два набора скоринга: текущий месяц и предыдущий месяц.
Формат: контрагент, балл, категория риска.

Сравни:
1. Контрагенты, которые перешли из зелёной в жёлтую или из жёлтой
   в красную зону — приоритет для проверки.
2. Контрагенты, которые улучшили категорию — можно рассмотреть
   смягчение условий.
3. Контрагенты со стабильной категорией без изменений.

Выдай таблицу: контрагент | категория месяц назад | категория сейчас |
направление изменения | приоритет внимания (высокий/средний/низкий).

Промпт 6. Формирование текста уведомления для менеджера

Контрагент [название/маска] перешёл в жёлтую зону риска.
Метрики: средняя просрочка [X] дней, доля просроченных счетов [Y]%,
динамика долга [растёт/стабильна], непогашенный остаток [Z] тыс. руб.

Напиши короткое уведомление для ответственного менеджера
(не финансиста, продажника):
— 2-3 предложения
— без финансового жаргона
— с конкретной рекомендацией действия
  (позвонить/уточнить причину/предложить график)
— деловой, не тревожный тон

Промпт 7. Еженедельная сводка для руководителя финотдела

Ты — финансовый аналитик, готовишь еженедельную сводку
по дебиторской задолженности для финансового директора.

Данные за неделю:
— Всего контрагентов в скоринге: [N]
— Зелёная зона: [N1], жёлтая: [N2], красная: [N3]
— Изменения за неделю: [список переходов между зонами]
— Топ-5 контрагентов по сумме риска в красной зоне

Напиши сводку по структуре:
1. Одна фраза об общей картине недели
2. Ключевые изменения (кто ухудшился, кто улучшился)
3. Топ-3 контрагента, требующих внимания на этой неделе
4. Общая сумма риска в красной зоне

Длина: не более 150 слов. Без вводных фраз вроде
"в данной сводке" или "следует отметить".

Промпт 8. Разбор конкретного спорного случая

Контрагент [маска] попал в красную зону, но у меня есть
дополнительный контекст: [опишите ситуацию, например
"клиент оспаривает часть поставки, документы на сверке"].

С учётом этого контекста:
1. Меняется ли интерпретация скоринга?
2. Стоит ли временно исключить этот случай из автоматических
   уведомлений до разрешения спора?
3. Какой минимальный набор действий нужен, чтобы вернуть
   контрагента в нормальный процесс скоринга после разрешения ситуации?

Не пересчитывай сам балл — только дай рекомендацию по процессу.

Промпт 9. Подготовка к разговору с проблемным контрагентом

Мне предстоит звонок контрагенту [маска], который перешёл
в красную зону скоринга.
Метрики: просрочка [X] дней, доля просроченных счетов [Y]%,
динамика [описание], сумма риска [Z] тыс. руб.
История сотрудничества: [коротко, сколько месяцев/лет работаем].

Помоги подготовиться:
1. Как начать разговор без обвинительного тона.
2. Три вопроса, которые нужно задать, чтобы понять причину
   (не предполагай причину сама/сам).
3. Два варианта решения, которые можно предложить
   (график погашения, частичная предоплата по новым заказам).
4. Как зафиксировать договорённости после звонка.

Промпт 10. Проверка формулы скоринга на исторических данных

У меня есть формула скоринга (веса факторов ниже) и исторические
данные за прошлый год, включая случаи, когда контрагент реально
ушёл в безнадёжный долг или сорвал оплату критично.

Формула: [вставьте веса факторов]
Исторические случаи: [список контрагентов с итогом —
"вышел в просрочку 90+ дней" или "стабильно платил"]

Проверь: правильно ли формула присвоила бы этим контрагентам
красную/жёлтую зону за 1-2 месяца до реального ухудшения,
если бы применялась в тот момент по историческим данным.

Укажи, какие случаи формула поймала бы поздно или пропустила.
Предложи корректировку весов, если есть системное отставание.

Какие ошибки допускают при внедрении AI-скоринга дебиторки

Собрала по опыту настройки подобных сценариев с учениками школы за последний год. Часть ошибок стоила времени на переделку, часть — потери доверия команды к системе после первого спорного случая.

Ошибка 1. Отдать агенту право автоматически останавливать отгрузки. Самая рискованная ошибка на старте. Формула скоринга — статистическая модель, она не знает контекста разового спора по накладной или временных трудностей у надёжного долгосрочного партнёра. Решение: агент только подсвечивает и рекомендует, финальное действие — за человеком. Автоматизация решения без человека в контуре создаёт риск испортить отношения с ценным клиентом из-за ложного срабатывания.

Ошибка 2. Слишком сложная формула на старте. Пытаются заложить 10-12 факторов сразу, включая субъективные («лояльность клиента», «стратегическая важность»). Формула становится непрозрачной, никто не может объяснить, почему конкретный балл именно такой. Начните с 4-5 объективных числовых факторов, добавляйте сложность только когда базовая версия проверена на практике.

Ошибка 3. Не тестировать формулу на исторических данных. Запускают агента сразу в бой без проверки, правильно ли формула отработала бы на уже известных случаях просрочки прошлого года. Промпт 10 из раздела выше — обязательный шаг перед боевым запуском, не опциональный.

Ошибка 4. Одинаковые пороги для разных типов контрагентов. Крупный корпоративный клиент с длинным циклом согласования оплаты и мелкий разовый покупатель — разная норма. Использование единых порогов для всех создаёт постоянные ложные срабатывания по одной группе клиентов, что снижает доверие к системе в целом.

Ошибка 5. Игнорировать флаг «недостаточно истории». Новые контрагенты с 1-2 счетами получают такой же формальный балл, как контрагенты с годовой историей. Это создаёт нестабильные и часто неверные оценки на старте сотрудничества. Правильная логика: отдельная категория для контрагентов с недостаточной историей, без присвоения полноценного скоринга.

Ошибка 6. Не обновлять справочник договорных условий. Формула считает просрочку от договорной отсрочки. Если контрагенту изменили условия (например, перешли с 30 на 14 дней отсрочки), а справочник в n8n не обновили — расчёт станет неверным для всех последующих счетов. Нужен процесс: изменение условий в договоре автоматически влечёт обновление справочника, желательно на уровне интеграции с 1С, а не ручного ввода.

Ошибка 7. Использовать скоринг вместо разговора с клиентом. Агент говорит «красная зона», и вместо звонка с уточнением причины сразу летит формальная претензия. Скоринг — повод для диалога, не замена ему. Лучшие результаты в кейсах выше получены там, где скоринг стал триггером для раннего человеческого разговора, а не автоматической эскалации.

Ошибка 8. Не проверять устойчивость AI-интерпретации. Языковая модель иногда формулирует рекомендацию слишком категорично («немедленно прекратить отгрузки») там, где данных для такого вывода недостаточно. В промпте всегда закладывайте ограничение: только наблюдаемые метрики, без домысливания причин и без крайних формулировок без явного основания в данных.

Если узнали одну из ошибок в своём процессе — это нормальная часть внедрения. Каждая исправляется корректировкой промпта или порога, без пересборки всей архитектуры.

Получи бесплатный доступ к эфиру «n8n для финансиста: от первого сценария до AI-агента скоринга»

Как считать экономику внедрения AI-агента скоринга

Прямой ответ: экономика считается через сравнение стоимости содержания агента (подписка n8n плюс токены API) с высвобожденным временем специалиста и снижением суммы просроченной дебиторки.

Стоимость содержания в месяц:

• n8n cloud тариф или self-hosted VPS: 5-20 USD в месяц
• Токены API нейросети при 100-200 контрагентах, ежедневном или еженедельном прогоне: 3-10 USD в месяц
• Итого: 10-30 USD в месяц (примерно 900-2 700 рублей по курсу на дату написания)

Экономия времени:

Возьмём консервативный сценарий из кейса 1: экономия 20 часов в месяц при ставке специалиста 1 200 рублей в час. Это 24 000 рублей ежемесячной экономии только на времени, не считая эффекта от снижения просрочки.

Эффект от снижения просроченной дебиторки:

Это вторая, часто более весомая часть экономики. Даже снижение средней просрочки на 5-7 дней по портфелю в 40-50 млн рублей означает высвобождение оборотных средств, которые не приходится замещать кредитной линией. При стоимости оборотного финансирования 20-25% годовых, ускорение оборачиваемости дебиторки на неделю по портфелю в 40 млн рублей — это экономия порядка 150-200 тысяч рублей в год на процентах, которые не пришлось платить.

Итоговый расчёт на примере кейса 1:

• Экономия времени: 24 000 руб./мес × 12 = 288 000 руб./год
• Экономия на стоимости оборотного капитала: ~150 000-200 000 руб./год
• Затраты на содержание агента: ~20 000-25 000 руб./год
• Чистый эффект: 400 000-460 000 руб./год при разовых затратах на настройку 15 000-30 000 рублей (собственное время или фрилансер)

Окупаемость наступает в первый-второй месяц работы уже за счёт высвобожденного времени, эффект от снижения просрочки добавляется поверх и растёт со временем работы системы.

Что дальше: расширение агента скоринга на прогноз и рекомендации

После стабильной работы базового скоринга 2-3 месяца появляется понимание, куда развивать сценарий дальше. Три направления расширения, которые проверены на практике учениц школы.

Прогноз даты фактической оплаты. Вместо простой констатации «просрочен» агент может считать вероятностный прогноз, когда контрагент реально заплатит, на основе паттерна его прошлых оплат. Это требует больше исторических данных (от 12 месяцев) и чуть более сложной логики в Code node, но даёт финансисту дополнительный инструмент планирования кассовых разрывов.

Автоматическая сегментация условий работы. Скоринг можно связать с автоматическим предложением условий для новых счетов: зелёная зона — стандартная отсрочка, жёлтая — сокращённая отсрочка или требование частичной предоплаты, красная — эскалация на согласование руководителю перед выставлением следующего счёта. Это уже пограничная зона автоматизации решений, требующая осторожной настройки и обязательного согласования с коммерческим директором перед внедрением.

Интеграция с платёжным календарём. Скоринг дебиторки становится одним из входных параметров для прогноза кассовых разрывов — если у компании накапливается риск в красной зоне на крупную сумму, платёжный календарь должен закладывать более консервативный сценарий поступлений. Подробнее об автоматизации платёжного календаря — в статье про AI-агентов для закрытия месяца на n8n.

Важно не пытаться построить всё сразу. Базовый скоринг с понятной формулой и человеком, принимающим решения по красной зоне — уже полноценный рабочий инструмент. Расширения добавляйте по одному, тестируя каждое на исторических данных перед боевым запуском, как и с самой формулой скоринга.

Если хотите начать с более простого шага перед скорингом — освойте автоматическую сверку регистров с первичкой на n8n. Архитектура похожая, но данные проще, и это хорошая тренировка перед более сложным сценарием скоринга — сценарий разобран в статье «AI-агент на n8n для сверки регистров и первички».

Как обезличить данные контрагентов перед отправкой в нейросеть

Прямой ответ: перед отправкой в облачный API GPT, Claude или Gemini реальные названия контрагентов, ИНН и другие идентифицирующие реквизиты нужно заменить на условные маски прямо внутри сценария n8n, а связь маска-реальное название хранить только в пределах самого workflow.

Механика простая. В Code node на JavaScript перед AI-нодой создаётся словарь соответствий: реальное название «ООО Стройтех» превращается в «Контрагент-047», ИНН — в служебный код. Все данные, которые уходят в HTTP-запрос к API нейросети, содержат только маски. После получения ответа тот же словарь используется, чтобы вернуть реальные названия в финальную таблицу и уведомление в Telegram.

Это не заменяет работу с NDA и коммерческой тайной. Если среди контрагентов есть компании под особым режимом конфиденциальности, их данные стоит обрабатывать отдельно — либо вручную, либо через self-hosted модель внутри инфраструктуры компании, без выхода в облачные API вообще. Подробный алгоритм обезличивания с примерами разобран в статье «Обезличивание данных для ChatGPT» — логика применима к любой облачной нейросети, не только к ChatGPT.

Как скоринг сочетается с проверкой контрагента через открытые реестры

Скоринг на основе внутренней истории платежей — только часть картины. Когда контрагент попадает в жёлтую зону или на границе категорий, стоит дополнить оценку внешней проверкой: сведения о банкротстве, судебных исках, смене учредителей. Это разные вопросы — «как контрагент платит нам» и «есть ли у него внешние юридические риски» — и хорошо работают вместе, а не вместо друг друга. Как проверять контрагента через нейросеть, я разбирала в статье «Проверка контрагентов через ChatGPT».

Важное ограничение: не стоит поручать самой модели ходить по внешним источникам и делать выводы о юридической благонадёжности без верификации. Факты о банкротстве, исполнительных производствах и судебных спорах нужно проверять напрямую в официальных реестрах — ФНС, картотека арбитражных дел, ЕФРСБ — а не доверять пересказу модели, у которой может не быть актуальных данных за последние недели.

Чек-лист запуска AI-агента для скоринга дебиторки

1. Соберите реестр счетов и справочник договорных условий отсрочки за 6-12 месяцев по каждому контрагенту.
2. Выберите 4-5 объективных числовых факторов скоринга и присвойте им веса в сумме 100%, без субъективных критериев.
3. Разверните n8n — self-hosted через Docker для максимального контроля над данными или облачную версию n8n.cloud для быстрого старта.
4. Соберите сценарий из нод: триггер по расписанию, выгрузка данных, нормализация, расчёт скоринга в коде, обезличивание, AI-интерпретация, доставка результата, архивация.
5. Обязательно обезличивайте данные контрагентов перед отправкой в облачный API нейросети.
6. Прогоните формулу на исторических данных прошлого года и сверьте, поймала бы она уже известные случаи просрочки заранее.
7. Запустите сценарий в тестовом режиме на 2-4 недели параллельно с ручным контролем, откалибруйте пороги по расхождениям.
8. Договоритесь с командой о протоколе: скор — сигнал для наблюдения и разговора, решение об отгрузке, отсрочке или претензии принимает человек.
9. Настройте уведомление об ошибках сценария, чтобы не пропустить сбой интеграции с 1С или лимит API.
10. Планируйте пересмотр весов формулы раз в квартал — на новых исторических данных и с учётом изменений в отрасли.

FAQ

Что такое скоринг платёжной дисциплины контрагента?

Это числовая оценка (обычно 0-100 баллов) или категория (зелёный/жёлтый/красный), которая отражает, насколько надёжно контрагент платит по счетам. Считается по истории просрочек, доле неоплаченных в срок счетов, динамике долга и сумме риска. AI-агент автоматизирует расчёт и добавляет текстовую интерпретацию паттерна поведения.

Нужно ли программировать, чтобы собрать AI-агента скоринга на n8n?

Базовый навык работы с формулами Excel и понимание логики «если-то» достаточны для 80% сценария. n8n — визуальный конструктор нод, код нужен в 1-2 узлах: расчёт формулы скоринга и нормализация дат. Собрать сценарий с нуля — это 3-5 часов работы самостоятельно или помощь фрилансера за 5-10 тысяч рублей.

Какие данные нужны для расчёта скоринга контрагента?

Минимальный набор: реестр выставленных счетов с датами выставления и оплаты, договорные условия отсрочки платежа по каждому контрагенту, история фактических оплат за 6-12 месяцев. Чем длиннее история, тем точнее скоринг. Для первого запуска хватает выгрузки из 1С за последний квартал.

Чем AI-агент скоринга отличается от обычной таблицы Excel с формулами?

Формулы Excel считают числа по жёстким правилам, но не объясняют паттерн и не запускаются сами. AI-агент на n8n добавляет три вещи: автоматический запуск по расписанию без участия человека, качественную интерпретацию через языковую модель (не просто цифра, а объяснение «почему так») и доставку результата в удобный канал — Telegram, почту, дашборд.

Можно ли доверить AI-агенту решение об остановке отгрузок клиенту с плохим скорингом?

Нет, и это принципиальный момент. Агент считает риск и подсвечивает зону, но финальное решение об остановке отгрузок, звонке юриста или пересмотре условий принимает финансист или коммерческий директор. Скоринг — инструмент раннего предупреждения, не автоматический выключатель бизнес-процессов.

Сколько стоит содержать такого агента в месяц?

Три статьи расходов: подписка n8n (self-hosted бесплатно на своём сервере или облачный тариф от 20 евро в месяц), токены API нейросети (при 100-200 контрагентах — обычно в пределах 10 долларов в месяц на GPT-5.6 или Claude Sonnet 5, точную цифру проверяйте на официальной странице тарифов), опционально хостинг сервера от 5 долларов в месяц. Итого ориентировочно 10-30 долларов в месяц против нескольких часов ручной работы специалиста каждую неделю.

Что делать, если у компании 500+ контрагентов и скоринг нужен ежедневно?

Архитектура та же, меняется только объём. При 500+ строках стоит разбить прогон на батчи по 100-150 контрагентов, использовать модель с низкой стоимостью токена для расчётной части и оставить более точную модель только для текстовой интерпретации топ-20 самых рискованных контрагентов.

Заменяет ли AI-скоринг проверку контрагента через открытые реестры?

Нет, это разные задачи. Проверка через ФНС, картотеку арбитражных дел и аналогичные реестры отвечает на вопрос о юридической надёжности контрагента — банкротства, суды, связанные лица. Скоринг платёжной дисциплины оценивает, как контрагент реально платит по счетам уже в процессе сотрудничества. Обе проверки дополняют друг друга.

Если хотите пойти дальше базового скоринга и собрать систему из нескольких взаимодействующих AI-агентов для финансового отдела — от дебиторки до платёжного календаря и закрытия месяца, — подписывайтесь на мои каналы:

• Telegram-канал @findir_pro — 45 000 подписчиков, разборы кейсов и практика для финансистов
• Канал «АИ с Софьей и Натали» — совместный проект с основательницей школы Софьей Бурцевой, 13 000 подписчиков, только про нейросети для финансов
• Канал в MAX — 5 000+ подписчиков, короткие практические форматы

А если нужна системная программа с наставником, приходите на курс «AI-навыки финансиста» в онлайн-школе «Финансовый директор | Мастер CFO»: практические модули с наставником, 800+ выпускников.