AI-агент для управления кредитным портфелем компании: ChatGPT считает график платежей, ковенанты и рефинансирование

Раз в квартал в компании с несколькими действующими кредитами кто-то садится сверять условия договоров, график платежей и ковенанты вручную — открывает 5-10 PDF-файлов, выписывает цифры в Excel, пересчитывает коэффициент долг/EBITDA и с тревогой смотрит, не подошли ли вплотную к порогу, прописанному банком. Это 6-10 часов работы, которая при росте числа кредитных линий превращается в отдельный проект. В 2026 году эту работу закрывает AI-агент: нейросеть читает договоры, таблица считает график и ковенанты, а финансист тратит 30-40 минут на проверку готового отчёта вместо целого рабочего дня.

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). Тема кредитного портфеля и ковенантов регулярно всплывает на консультациях с ученицами школы: у большинства компаний со средним оборотом уже есть 2-4 действующих кредита, и ручной контроль условий превращается в источник постоянного фонового стресса.

В статье — полная механика сборки AI-агента: как извлечь ковенанты из текста договора, как посчитать запас прочности, как смоделировать сценарии рефинансирования и куда встроить регулярную проверку. Десять готовых промптов, три кейса с цифрами и сравнительная таблица моделей — внутри. Актуально на июль 2026 года, актуальные модели — GPT-5.5, Claude Sonnet 4.6, Gemini 2.5, DeepSeek V3.2. Сайт chatgpt.com в России открывается через специальные средства доступа — упоминаю один раз и не возвращаюсь к этому.

Главный тезис статьи: AI-агент не принимает решение о рефинансировании и не заменяет расчёт ковенанты по официальной методике банка. Это инструмент, который экономит часы рутинной сверки и даёт финансисту время на главное — разговор с банком до того, как нарушение уже наступило, а не после.

Что такое ковенанты и почему их нельзя игнорировать

Прямой ответ: ковенанты — это условия кредитного договора, которые заёмщик обязан соблюдать весь срок кредита, а не только в момент его получения, и нарушение даёт банку формальное право требовать досрочного погашения долга.

Классическое разделение — финансовые и нефинансовые ковенанты. Финансовые завязаны на показатели отчётности: максимальный уровень долга к EBITDA (обычно 2,5-4,0x в зависимости от отрасли), минимальный коэффициент покрытия процентов (обычно от 2,0x), минимальный уровень собственного капитала, ограничение на выплату дивидендов сверх определённого порога. Нефинансовые — это, например, запрет на смену контролирующего собственника без согласия банка или ограничение на привлечение нового долга без уведомления.

Почему нарушение ковенанты — это серьёзно, даже если компания платит по графику вовремя:

• Формально банк вправе потребовать досрочного погашения всей суммы долга, даже если ни один платёж не просрочен
• На практике чаще происходит пересмотр условий — повышение ставки, требование дополнительного обеспечения, но это тоже удар по денежному потоку
• Информация о нарушении ковенанты по одному кредиту может повлиять на условия по другим кредитам той же компании, если у банков есть перекрёстные оговорки
• Повторяющиеся нарушения портят кредитную историю компании и усложняют будущее рефинансирование

Почему ручной контроль кредитного портфеля не масштабируется

Прямой ответ: при 1-2 кредитах ручной контроль терпим, но при 4-5 действующих кредитных линиях с разными банками, разными формулами ковенантов и разной периодичностью проверки ручная сверка занимает 6-10 часов в квартал и легко упускает пограничные случаи.

Типичная ситуация: у компании кредитная линия в одном банке под оборотный капитал, инвестиционный кредит в другом под расширение производства и лизинг оборудования как третий источник финансирования. У каждого — свой договор, свои формулировки ковенантов, часто с небольшими отличиями в определении EBITDA (один банк учитывает лизинговые платежи как операционные расходы, другой — нет).

Проблема в трёх местах:

Разрозненность условий. Каждый договор — отдельный PDF на 40-80 страниц, ковенанты прописаны разным юридическим языком, найти нужный пункт вручную занимает 15-20 минут на договор.

Отсутствие единого расчёта. Финансист считает коэффициент долг/EBITDA один раз для управленческой отчётности и вручную адаптирует под формулу каждого банка — это трудоёмко и создаёт риск ошибки при копировании цифр между таблицами.

Реактивность вместо проактивности. Проверка условий происходит раз в квартал, когда банк присылает запрос на подтверждение соблюдения ковенантов. К этому моменту, если нарушение уже произошло, времени на манёвр почти не остаётся.

По моим наблюдениям на консультациях с ученицами школы, компании с 3+ действующими кредитными линиями обычно тратят на квартальную сверку от 6 до 10 часов работы финансиста или главного бухгалтера. AI-агент, о котором дальше пойдёт речь, сокращает эту работу до 30-40 минут проверки готовой сводки.

Что такое AI-агент для управления кредитным портфелем

Прямой ответ: это связка таблицы (Google Таблицы или Excel) и API нейросети, где таблица выполняет точный числовой расчёт графика платежей и ковенантов, а нейросеть читает тексты договоров, интерпретирует формулировки и формулирует сценарии рефинансирования понятным языком.

Важное разделение ответственности внутри агента. Расчёт коэффициента долг/EBITDA по формуле — это чистая арифметика, для неё нейросеть не нужна, достаточно формулы в ячейке. Роль нейросети — там, где нужен язык и интерпретация:

• Прочитать 60-страничный кредитный договор и вытащить точную формулировку ковенанта с указанием страницы и пункта
• Объяснить разницу между определением EBITDA по учебнику и корректированной EBITDA, прописанной именно в этом договоре
• Сравнить условия трёх предложений о рефинансировании и сформулировать плюсы и минусы каждого понятным для не-юриста языком
• Смоделировать текстовое описание сценария «что если EBITDA снизится на 15%» на основе готовых цифр из таблицы

Технически это не обязательно требует n8n или сложной автоматизации. Для компании с 3-10 кредитными линиями достаточно связки: таблица с формулами плюс регулярная загрузка договоров и цифр в ChatGPT, Claude или Gemini с заготовленным промптом. Для более частой автоматической проверки логично добавить сценарий на n8n с ежемесячным триггером — но это уже опция для более зрелого процесса, не обязательный первый шаг.

Как извлечь формулировки ковенантов из текста кредитного договора

Прямой ответ: загрузите текст договора (PDF или скан с распознанным текстом) в ChatGPT, Claude или Gemini и попросите вытащить только разделы про финансовые и нефинансовые ковенанты с указанием точной формулировки и номера пункта — не пересказ, а цитату формулы расчёта.

Кредитные договоры пишутся юридическим языком, где формула ковенанты может быть спрятана в определениях в начале документа, а сам норматив — в отдельном разделе через 30 страниц. Ручной поиск занимает время, нейросеть находит нужные фрагменты за секунды при условии, что промпт точно объясняет, что искать.

Промпт для извлечения ковенантов из договора:

Ты финансовый аналитик. Тебе передан текст кредитного договора
(вставлен целиком или прикреплён файлом).

Найди и структурируй все финансовые и нефинансовые ковенанты:

1. Для каждого финансового ковенанта укажи:
   - Название показателя (например "Долг/EBITDA")
   - Точную формулу расчёта, если она прописана в договоре
     (процитируй формулировку, не пересказывай своими словами)
   - Пороговое значение
   - Периодичность проверки (ежеквартально/ежегодно)
   - Номер раздела/пункта договора, где это указано

2. Для каждого нефинансового ковенанта укажи:
   - Суть ограничения
   - Условия, при которых требуется согласие банка
   - Номер пункта договора

3. Отдельно укажи, как договор определяет EBITDA
   (есть ли корректировки на лизинг, курсовые разницы,
   разовые доходы/расходы) — процитируй определение полностью.

Если какой-то из типовых ковенантов в договоре отсутствует,
явно напиши "не найден", не придумывай.

Важный момент здесь — просьба цитировать формулировку, а не пересказывать. Юридические формулы часто содержат нюансы («EBITDA за последние 12 месяцев, скользящим итогом» вместо «EBITDA за отчётный квартал»), которые меняют суть расчёта, и пересказ своими словами может эти нюансы потерять.

Как посчитать текущий запас прочности по ковенантам

Прямой ответ: запас прочности — это разница между фактическим значением показателя и пороговым значением из договора, выраженная в процентах, и она показывает, насколько компания близка к формальному нарушению условий.

Например, если ковенанта требует долг/EBITDA не выше 3,5x, а фактическое значение сейчас 2,8x, запас прочности составляет (3,5 − 2,8) / 3,5 ≈ 20%. Чем меньше это число, тем ближе компания к нарушению при любом ухудшении показателей.

Формула расчёта запаса прочности для показателей “не более”:

Запас = (Пороговое значение − Фактическое значение) / Пороговое значение × 100%

Формула для показателей “не менее” (например коэффициент покрытия процентов):

Запас = (Фактическое значение − Пороговое значение) / Пороговое значение × 100%

Логика цветовой индикации запаса прочности:

• Запас выше 25% — зелёная зона, комфортный уровень
• Запас 10-25% — жёлтая зона, требует внимания при планировании новых расходов или инвестиций
• Запас ниже 10% — красная зона, риск нарушения при любом временном спаде EBITDA, стоит заранее говорить с банком

Эта логика близка к логике скоринга дебиторки, которую я разбирала в статье про AI-агента скоринга дебиторской задолженности на n8n — принцип раннего предупреждения тот же, просто применяется к другому типу риска.

Промпт для расчёта и интерпретации запаса прочности:

У меня есть данные по трём кредитным линиям.

Кредит 1: ковенанта долг/EBITDA не более 3,5x,
фактическое значение сейчас 2,8x.
Кредит 2: ковенанта покрытие процентов не менее 2,0x,
фактическое значение 2,3x.
Кредит 3: ковенанта долг/EBITDA не более 4,0x,
фактическое значение 3,7x.

Для каждого кредита:
1. Рассчитай запас прочности в процентах.
2. Присвой категорию: зелёная (>25%), жёлтая (10-25%),
   красная (<10%).
3. Для жёлтой и красной зоны объясни в одном предложении,
   что может произойти с показателем при снижении EBITDA
   на 10% при прочих равных.

Не давай общих финансовых советов — только расчёт
и краткую интерпретацию по каждому кредиту.

Как построить единый график платежей по всем кредитам

Прямой ответ: единый график платежей — это таблица на 12-24 месяца вперёд, где каждая строка — это дата, а колонки — плановые платежи (тело + проценты) по каждому действующему кредиту, дающая суммарную нагрузку на денежный поток по месяцам.

При 1 кредите такая таблица не нужна — достаточно графика из банка. При 3+ кредитах с разными датами платежей, разной периодичностью (кто-то платит ежемесячно, кто-то ежеквартально) сведение в единый календарь становится обязательным для планирования кассовых разрывов.

Структура таблицы графика платежей:

Такая таблица сразу показывает месяцы с пиковой нагрузкой — например, когда платёж по телу кредита совпадает с квартальным платежом по другой линии. Это критично для планирования платёжного календаря, о котором я подробно писала в статье про AI-агента для платёжного календаря в Telegram.

Промпт для сведения графиков в единую таблицу:

У меня есть графики платежей по трём кредитам в отдельных
файлах/таблицах (данные ниже).

Кредит 1: [даты и суммы платежей]
Кредит 2: [даты и суммы платежей]
Кредит 3 (лизинг): [даты и суммы платежей]

Сведи все графики в единую таблицу по датам:
дата | платёж по кредиту 1 (тело) | платёж по кредиту 1 (%) |
платёж по кредиту 2 (тело) | платёж по кредиту 2 (%) |
платёж по кредиту 3 | суммарный платёж за период

Отдельно выдели 3 месяца с максимальной суммарной нагрузкой
и укажи, какие кредиты формируют пик в каждом из этих месяцев.

Как смоделировать сценарии при снижении EBITDA

Прямой ответ: сценарное моделирование — это расчёт, как изменится соблюдение каждого ковенанта при заданном изменении ключевого показателя (обычно EBITDA), и это позволяет увидеть проблему за месяцы до её фактического наступления.

Базовый набор сценариев для проверки:

1. Консервативный. EBITDA снижается на 10% от текущего уровня — например из-за сезонного спада или временного роста издержек.
2. Стрессовый. EBITDA снижается на 20-25% — модель кризисного падения спроса или потери крупного клиента.
3. Рост нового долга. Компания привлекает дополнительный кредит на определённую сумму — как это повлияет на долг/EBITDA по действующим договорам, если в них есть кросс-ковенанты.

Промпт для сценарного расчёта ковенантов:

Ты финансовый аналитик. У меня есть текущие показатели:
EBITDA за последние 12 месяцев: [сумма]
Текущий долг: [сумма]
Ковенанта: долг/EBITDA не более [X]

Рассчитай коэффициент долг/EBITDA для трёх сценариев:
1. EBITDA снижается на 10%, долг не меняется.
2. EBITDA снижается на 20%, долг не меняется.
3. Долг увеличивается на [сумма нового кредита],
   EBITDA остаётся текущей.

Для каждого сценария укажи:
- итоговое значение коэффициента
- нарушается ли порог ковенанты
- запас прочности в процентах, если порог не нарушен

Не давай рекомендаций по управлению — только расчёт по трём сценариям.

Такое моделирование не требует сложной финансовой модели с десятками переменных — это простая математика, которую нейросеть считает мгновенно и формулирует результат текстом, понятным для презентации руководству или совету директоров.

Как оценить условия рефинансирования через AI-агента

Прямой ответ: сравнение вариантов рефинансирования строится на полной стоимости кредита — не только на ставке, а на сумме ставки, комиссий за выдачу, условий досрочного погашения старого кредита и жёсткости новых ковенантов.

Частая ошибка при сравнении предложений банков — смотреть только на ставку. Банк с более высокой номинальной ставкой, но без комиссии за выдачу и с мягкими ковенантами может оказаться выгоднее банка с низкой ставкой, но жёсткими штрафами за досрочное погашение и требованием дополнительного залога.

Что нужно сравнить при рефинансировании:

• Номинальная процентная ставка и её тип (фиксированная или плавающая, привязка к ключевой ставке)
• Комиссия за выдачу кредита (разово, обычно 0,5-2% от суммы)
• Комиссия или штраф за досрочное погашение действующего кредита
• Новые ковенанты — сравнить пороги с текущими, иногда рефинансирование ужесточает условия
• Требования к залогу — может потребоваться переоформление или дополнительное обеспечение
• Сроки: совпадение или разрыв между погашением старого и получением нового кредита

Промпт для сравнения условий рефинансирования:

Ты финансовый консультант. Сравни два варианта:

Текущий кредит: ставка [X]%, остаток долга [сумма],
срок до погашения [N] месяцев, штраф за досрочное
погашение [сумма/условие], ковенанта долг/EBITDA не более [Y].

Новое предложение банка: ставка [X2]%, комиссия за выдачу
[сумма], срок [N2] месяцев, ковенанта долг/EBITDA не более [Y2],
требование дополнительного залога: [да/нет, что именно].

Рассчитай:
1. Полную стоимость нового кредита за весь срок
   (проценты + комиссии) и сравни с оставшейся стоимостью текущего.
2. Разницу в жёсткости ковенантов — что станет легче
   или сложнее соблюдать.
3. Точку безубыточности рефинансирования — через сколько
   месяцев экономия на ставке окупит комиссию за выдачу
   и штраф за досрочное погашение.

Дай итоговый вывод: выгодно ли рефинансирование при этих условиях,
с оговоркой, что окончательное решение требует юридической
проверки условий обоих договоров.

Финальное решение о рефинансировании — не задача для нейросети. Модель хорошо считает сравнение цифр по введённым данным, но не заменяет юридическую проверку договора и переговоры с банком об индивидуальных условиях.

Три кейса: как AI-агент изменил работу с кредитным портфелем

Три истории учениц курса «AI-навыки финансиста». Компании и суммы обезличены по договорённости.

Кейс 1. Финансовый директор производственной компании, Новосибирск

Ситуация. Три действующих кредита в разных банках: оборотная кредитная линия, инвестиционный кредит на новое оборудование, лизинг части станочного парка. Каждый квартал финансовый директор тратила около 8 часов на сверку условий и расчёт ковенантов для внутреннего отчёта совету директоров.

Что сделала. Загрузила все три договора в Claude Sonnet 4.6 (длинный контекст хорошо справился с 60-80-страничными PDF), получила структурированную таблицу ковенантов с точными формулировками и номерами пунктов. Собрала единую таблицу графика платежей и запаса прочности, обновляет её раз в квартал под новую отчётность.

Результат. Время на квартальную сверку сократилось с 8 часов до 40 минут проверки готовых цифр. В третьем квартале работы агент заранее показал, что при плановом снижении сезонной EBITDA запас прочности по инвестиционному кредиту упадёт до 8% — жёлтая зона на грани красной. Финансовый директор инициировала разговор с банком за 2 месяца до формальной проверки ковенанты и договорилась о временной корректировке графика платежей без штрафных санкций.

«Раньше я узнавала о проблеме, когда банк уже присылал запрос на подтверждение соблюдения условий. Сейчас вижу тренд за два месяца и успеваю договориться, а не оправдываться».

Кейс 2. Главный бухгалтер торговой компании, Ростов-на-Дону

Ситуация. Два кредита на пополнение оборотных средств, планировали привлечь третий для расширения складских площадей. Нужно было понять, не нарушит ли новый долг действующие ковенанты по уже полученным кредитам.

Что сделала. Прогнала через промпт сценарного моделирования (раздел выше) расчёт коэффициента долг/EBITDA с учётом нового кредита на сумму 15 млн рублей. Расчёт показал, что при плановой EBITDA коэффициент вырастет с текущих 2,1x до 2,9x — всё ещё в пределах порога 3,5x, но с запасом прочности всего 17%.

Результат. Компания скорректировала сумму нового кредита с 15 до 10 млн рублей и добрала недостающую сумму за счёт увеличения товарного кредита от поставщика на более мягких условиях. Итоговый запас прочности по ковенанте остался на уровне 24% — в жёлто-зелёной зоне вместо изначальных 17%. Экономия времени на расчёт нескольких сценариев вручную — около 3-4 часов, которые ушли бы на пересчёт коэффициентов в Excel при каждой новой сумме кредита.

Кейс 3. Финансовый директор строительной компании, Казань

Ситуация. Пять действующих кредитных линий от трёх банков, у двух из них — кросс-дефолтные оговорки (нарушение ковенанты по одному кредиту автоматически считается нарушением по другому). Ручное отслеживание такой связки условий было источником постоянной тревоги: не было единой картины, что происходит одновременно во всех пяти договорах.

Что сделала. Собрала полный реестр всех пяти договоров с извлечёнными ковенантами через GPT-5.5, построила единую таблицу с указанием, какие кредиты связаны кросс-дефолтными оговорками. Настроила ежемесячную проверку (не квартальную, как раньше) — с учётом кросс-оговорок частота контроля выросла, но время на один прогон сократилось.

Результат. За полгода работы агент дважды поймал ситуацию, когда снижение запаса прочности по одному из пяти кредитов создавало риск цепного эффекта на связанные договоры. В обоих случаях финансовый директор успела заранее уведомить банки и договориться о временной корректировке условий, не доводя до формального события дефолта. Время на ежемесячный контроль — около 45 минут вместо прежних 3-4 часов на квартальную сверку, при этом частота проверки выросла втрое.

«С пятью кредитами и кросс-оговорками страшно упустить момент, когда маленькая проблема по одному договору потянет за собой остальные. Агент даёт мне единую картину раз в месяц, а не разрозненные PDF, которые я должна была держать в голове одновременно».

Сравнение GPT-5.5, Claude Sonnet 4.6, Gemini 2.5 и DeepSeek V3.2 для этой задачи

Актуально на июль 2026 года. Для работы с кредитным портфелем ключевые критерии — качество чтения длинных юридических текстов, точность структурированного вывода и стоимость при регулярном использовании.

Точные тарифы, лимиты контекста и доступность моделей меняются быстрее, чем обновляется статья — перед выбором проверяйте актуальные условия на официальных страницах OpenAI, Anthropic и Google.

Как выбрать для своего сценария:

Если у вас 60-80-страничные кредитные договоры и важна точность извлечения формулировок с первого раза — Claude Sonnet 4.6 показывает стабильно лучший результат на объёмных документах.

Если задача — регулярный ежемесячный прогон сценарного моделирования по уже структурированным данным (без повторного чтения полных договоров) — GPT-5.5 даёт быстрый и стабильный результат.

DeepSeek V3.2 — рабочий вариант для тестирования логики промптов на этапе настройки, без затрат на дорогие токены, доступен без специальных средств доступа. Для работы с реальными кредитными договорами компании я рекомендую модель с более предсказуемым поведением на структурированных юридических текстах.

8 готовых промптов для управления кредитным портфелем

Все промпты — часть открытой практики, не из платного курса. Адаптируйте под структуру своих договоров.

Промпт 1. Полный аудит кредитного портфеля

Ты финансовый аналитик. У меня есть данные по всем действующим
кредитам компании (список ниже: банк, сумма, ставка, срок,
ковенанты, текущий статус).

Составь сводную таблицу:
банк | сумма долга | ставка | срок до погашения |
ключевая ковенанта | текущий запас прочности | категория риска

Отдельно укажи:
1. Суммарный долг компании по всем кредитам.
2. Средневзвешенную ставку по портфелю.
3. Кредиты, требующие внимания в ближайшие 3 месяца
   (по сроку платежа или по запасу прочности ниже 15%).

Промпт 2. Проверка кросс-дефолтных оговорок

Прочитай тексты кредитных договоров (прикреплены/вставлены)
и проверь, есть ли в них кросс-дефолтные оговорки —
условия, по которым нарушение обязательств по одному кредиту
автоматически считается нарушением по другому.

Для каждой найденной оговорки укажи:
1. Номер пункта договора.
2. С какими именно другими обязательствами компании
   она связывает данный кредит.
3. Что именно запускает кросс-дефолт
   (просрочка платежа, нарушение ковенанты, банкротство).

Если оговорок нет, явно напиши "не найдено".

Промпт 3. Расчёт средневзвешенной стоимости долга

У меня есть список кредитов с суммами и ставками:
[вставьте таблицу: кредит, сумма, ставка]

Рассчитай средневзвешенную процентную ставку по всему портфелю
(взвешенную по сумме долга).

Также покажи, как изменится средневзвешенная ставка, если:
1. Погасить кредит с наибольшей ставкой досрочно.
2. Рефинансировать самый дорогой кредит по ставке [X]%.

Дай расчёт с формулой, без общих рекомендаций.

Промпт 4. Подготовка вопросов для переговоров с банком

Мне предстоят переговоры с банком о [рефинансировании /
изменении условий / отсрочке платежа] по кредиту на сумму [X].

Контекст: текущая ставка [Y]%, запас прочности по ковенанте
долг/EBITDA составляет [Z]%, причина обращения: [опишите ситуацию].

Помоги подготовить:
1. Пять вопросов, которые важно задать банку о новых условиях.
2. Два-три аргумента, почему банку выгодно пойти навстречу
   (сохранение клиента, отсутствие просрочек в истории и т.п.).
3. Возможные встречные предложения банка и как на них реагировать.

Промпт 5. Проверка формулировки EBITDA в договоре

Вот определение EBITDA из моего кредитного договора: [вставьте
точную цитату из документа].

Сравни это определение со стандартным расчётом EBITDA
(прибыль до вычета процентов, налогов и амортизации).

Укажи:
1. Какие корректировки добавляет банк
   (лизинг, курсовые разницы, разовые статьи, что-то ещё).
2. Как эти корректировки повлияют на итоговое значение
   показателя по сравнению со стандартным расчётом
   (в большую или меньшую сторону).
3. Какие данные мне нужно подготовить дополнительно,
   чтобы правильно посчитать именно эту версию EBITDA.

Промпт 6. Моделирование графика при досрочном частичном погашении

У меня есть кредит: остаток долга [X], ставка [Y]%,
оставшийся срок [N] месяцев, ежемесячный платёж [Z].

Рассчитай, как изменится график платежей и общая переплата
по процентам, если внести досрочное частичное погашение
на сумму [сумма] в ближайшем месяце, с сохранением
срока кредита (уменьшение платежа) и с сокращением срока
(сохранение платежа).

Покажи оба варианта в таблице: месяц | платёж | остаток долга.

Промпт 7. Формирование отчёта для совета директоров

Ты финансовый аналитик, готовишь квартальный отчёт
о состоянии кредитного портфеля для совета директоров.

Данные:
— Суммарный долг: [X]
— Средневзвешенная ставка: [Y]%
— Статус ковенантов по каждому кредиту: [список]
— Изменения за квартал: [что изменилось]

Структура отчёта:
1. Одна фраза об общей картине долговой нагрузки.
2. Таблица статуса ковенантов с категорией риска.
3. Ключевые риски на ближайший квартал.
4. Рекомендации по действиям (если есть кредиты в жёлтой
   или красной зоне).

Длина: не более 200 слов, без канцелярских оборотов.

Промпт 8. Сравнение трёх предложений о рефинансировании

У меня три предложения банков для рефинансирования кредита
на сумму [X]:

Банк 1: ставка [Y1]%, комиссия [Z1], срок [N1]
Банк 2: ставка [Y2]%, комиссия [Z2], срок [N2]
Банк 3: ставка [Y3]%, комиссия [Z3], срок [N3]

Для каждого варианта рассчитай полную стоимость кредита
за весь срок (проценты + комиссии).

Составь сравнительную таблицу и укажи, какой вариант
дешевле в абсолютных цифрах, а какой — при пересчёте
на годовую эффективную ставку.

Не учитывай факторы, которых нет в данных
(репутация банка, скорость одобрения) — только расчёт по цифрам.

Какие ошибки допускают при внедрении AI-агента для кредитного портфеля

Собрала по опыту работы с ученицами школы за последний год.

Ошибка 1. Доверять расчёту EBITDA нейросетью без проверки формулы банка. Самая частая и самая опасная ошибка. Модель по умолчанию считает EBITDA по стандартной формуле, а банк может использовать корректированную версию. Решение: всегда явно указывайте в промпте точную формулировку из вашего договора, не полагайтесь на общие знания модели о термине.

Ошибка 2. Загружать реальные банковские реквизиты и точные суммы в облачный API без обезличивания. Кредитные договоры — конфиденциальная информация. Перед загрузкой в облачную нейросеть замените название банка на условное обозначение, а точные суммы — на округлённые величины, сохраняющие пропорции для расчёта, но не раскрывающие реальные цифры.

Ошибка 3. Считать сценарное моделирование финансовым прогнозом. Расчёт «что будет с ковенантой при снижении EBITDA на 10%» — это математика по заданному условию, не предсказание будущего. Сама вероятность снижения EBITDA на 10% — отдельный вопрос финансового планирования, который агент не решает.

Ошибка 4. Не проверять кросс-дефолтные оговорки при наличии нескольких кредитов. При 3+ кредитах от разных банков велика вероятность связывающих условий. Пропустить их при расчёте — значит недооценить реальный риск: нарушение одного ковенанта может формально задеть все связанные кредиты одновременно.

Ошибка 5. Игнорировать различие между технической и содержательной жёсткостью ковенанты. Порог долг/EBITDA не более 4,0x звучит мягче, чем 3,0x, но если у первого банка EBITDA считается по узкому определению без корректировок, а у второго — с широкими корректировками в пользу заёмщика, реальная жёсткость условий может быть обратной. Сравнивайте не только цифру порога, но и формулу расчёта показателя.

Ошибка 6. Полагаться на агента при принятии решения о рефинансировании без юридической проверки нового договора. Модель хорошо сравнивает цифры из введённых данных, но не читает новый договор целиком на предмет скрытых условий (штрафных санкций, дополнительных требований к отчётности). Финальную проверку договора перед подписанием всегда должен делать юрист или как минимум внимательное собственное прочтение.

Ошибка 7. Обновлять данные для расчёта нерегулярно. Запас прочности, рассчитанный на данных полугодовой давности, не отражает текущую ситуацию. Периодичность обновления должна соответствовать периодичности проверки ковенантов в договоре — обычно ежеквартально, но при высоком риске лучше делать это ежемесячно, как в кейсе 3 выше.

Получи бесплатный доступ к эфиру «AI-агенты для финансиста: от промпта до автоматизации»

Как посчитать экономику внедрения такого агента

Прямой ответ: экономика считается через сравнение времени, освобождённого от ручной сверки, с минимальными затратами на токены API нейросети — при регулярном использовании окупаемость наступает в первый месяц.

Затраты на содержание:

• Токены API нейросети при ежемесячном или ежеквартальном прогоне 5-10 кредитных договоров — обычно несколько долларов в месяц
• Если сценарий автоматизирован через n8n — дополнительно от 20 евро в месяц за облачный тариф или несколько долларов за self-hosted VPS
• Итого: 5-25 долларов в месяц в зависимости от степени автоматизации

Экономия времени:

Из кейса 1: сокращение с 8 часов до 40 минут на квартальную сверку, то есть экономия около 7 часов в квартал или примерно 2,3 часа в месяц. При ставке финансового директора условно 2 000 рублей в час это около 4 600 рублей экономии в месяц только на времени.

Эффект от раннего обнаружения риска:

Это более весомая часть эффекта, хотя её сложнее выразить точной цифрой заранее. В кейсе 1 заблаговременный разговор с банком позволил избежать штрафных санкций и пересмотра ставки в худшую сторону — потенциальная экономия от такого разговора может исчисляться сотнями тысяч рублей, если бы формальное нарушение всё же случилось и банк применил право на пересмотр условий.

Итоговый вывод:

Даже без учёта эффекта раннего предупреждения, экономия времени окупает затраты на токены в первый же месяц использования. Основная ценность агента — не в экономии часов, а в том, что финансист получает регулярную, а не эпизодическую, картину состояния долгового портфеля и успевает реагировать на риск на месяцы раньше формального события.

Как совместить контроль ковенантов с платёжным календарём компании

Прямой ответ: график платежей по кредитам — это лишь один из потоков расходов в общем платёжном календаре компании, и связывать их напрямую нужно для точного прогноза кассовых разрывов.

Если у компании уже настроен платёжный календарь (я подробно разбирала его автоматизацию в статье про AI-агента для платёжного календаря в Telegram), логично встроить график погашения кредитов туда же отдельной статьёй, а не вести две параллельные несвязанные таблицы. Тогда пиковые месяцы по кредитной нагрузке сразу видны в контексте остальных обязательных платежей — налогов, зарплаты, расчётов с поставщиками.

Дополнительная связь — с прогнозом факторного анализа отклонений план/факт, если такой уже ведётся в компании. Снижение EBITDA относительно плана, которое видно в факторном анализе, — это прямой сигнал заранее пересчитать сценарии по ковенантам, не дожидаясь конца квартала. Про построение такого анализа через нейросеть я писала в статье «ChatGPT для факторного анализа плана и факта».

Как обезличить данные кредитных договоров перед загрузкой в нейросеть

Прямой ответ: перед загрузкой договора в облачный API нужно заменить название банка, номера счетов и точные реквизиты компании на условные обозначения, сохранив структуру и формулировки условий для корректного расчёта.

Механика простая: в тексте договора перед копированием в ChatGPT, Claude или Gemini замените «Банк ВТБ» на «Банк-1», реальный ИНН и расчётный счёт — на условные символы, точную юридическую формулировку и цифры (ставки, суммы, пороги ковенантов) оставьте как есть — именно они нужны для расчёта, и они сами по себе не идентифицируют компанию так, как реквизиты.

Если в компании принята политика повышенной конфиденциальности финансовой информации, стоит рассмотреть корпоративный тариф API с гарантией неиспользования данных для обучения моделей — такие условия предлагают и OpenAI, и Anthropic, и Google для бизнес-аккаунтов, точные условия уточняйте на официальных страницах тарифов перед подключением.

Чек-лист запуска AI-агента для управления кредитным портфелем

1. Соберите полный реестр действующих кредитов, займов и лизинговых договоров компании.
2. Загрузите тексты договоров в нейросеть и извлеките точные формулировки финансовых и нефинансовых ковенантов с указанием пунктов.
3. Проверьте наличие кросс-дефолтных оговорок между разными кредитами.
4. Сведите графики платежей по всем кредитам в единую таблицу на 12-24 месяца вперёд.
5. Рассчитайте текущий запас прочности по каждому финансовому ковенанту.
6. Постройте 2-3 сценария изменения ключевых показателей и пересчитайте запас прочности для каждого.
7. Обезличьте реквизиты перед загрузкой договоров в облачный API.
8. Согласуйте с руководством протокол действий при снижении запаса прочности ниже 15%.
9. Настройте регулярное обновление расчёта — минимум раз в квартал, чаще при высоком риске.
10. Ведите архив расчётов по периодам для истории и для разговора с банком при необходимости.

FAQ

Что такое ковенанты в кредитном договоре простыми словами?

Ковенанты — это условия, которые заёмщик обязуется выполнять весь срок кредита, а не только на момент его выдачи. Финансовые ковенанты завязаны на показатели отчётности: соотношение долга к EBITDA, коэффициент покрытия процентов, минимальный уровень собственного капитала. Нарушение ковенанты даёт банку право потребовать досрочного погашения долга или пересмотра ставки.

Может ли ChatGPT сам рассчитать ковенанты по моим кредитным договорам?

ChatGPT и другие нейросети хорошо читают текст договора и вытаскивают формулировку ковенанты, но сам расчёт показателя (например EBITDA с корректировками банка) нужно проверять по первичным финансовым данным компании, а не доверять модели вслепую. Рабочая схема: агент помогает структурировать условия и интерпретировать формулу, человек проверяет расчёт по актуальной отчётности.

Какие данные нужны для AI-агента управления кредитным портфелем?

Минимальный набор: тексты действующих кредитных договоров или выписка условий из них, график платежей по каждому кредиту, актуальная управленческая отчётность с EBITDA и долгом, ставки по действующим и потенциальным новым предложениям банков для сценариев рефинансирования.

Насколько точно AI-агент предсказывает риск нарушения ковенанты?

Агент точно считает математику: если EBITDA снизится на X%, коэффициент долг/EBITDA станет таким-то. Это детерминированный расчёт, не предсказание. Неопределённость в другом месте — в прогнозе самой EBITDA на будущие периоды, а это уже отдельная задача финансового планирования, не строгий расчёт.

Сколько стоит содержать такого агента в месяц?

При ручной сборке в Google Таблицах и Google Apps Script расходы — только токены API нейросети, обычно несколько долларов в месяц при ежемесячном прогоне на 5-15 кредитных линиях. Если сценарий собран на n8n, добавляется стоимость платформы, от 20 евро в месяц за облачный тариф или несколько долларов за self-hosted VPS.

Заменяет ли AI-агент финансовую модель для оценки рефинансирования?

Нет, это разные уровни детализации. Финансовая модель строит прогноз денежных потоков на годы вперёд с множеством переменных. AI-агент для кредитного портфеля решает более узкую и практичную задачу: свести текущие условия, посчитать соблюдение ковенантов и быстро прикинуть 2-3 сценария рефинансирования по понятным входным данным. Для сложного структурирования сделки нужна полноценная модель или консультант.

Что делать, если банк использует нестандартную формулу расчёта EBITDA?

Это частый случай — банки корректируют EBITDA на разовые доходы/расходы, курсовые разницы, лизинговые платежи по-разному. Загрузите в модель именно ту формулировку корректировки, которая прописана в вашем кредитном договоре, и проверьте промптом, что агент использует её, а не стандартное определение EBITDA по учебнику.

Безопасно ли загружать кредитные договоры в облачный ChatGPT или Claude?

Кредитные договоры содержат коммерческую тайну и банковские реквизиты, поэтому перед загрузкой в облачный API стоит обезличить названия банков, номера счетов и конкретные суммы, либо использовать корпоративный тариф с гарантией неиспользования данных для обучения моделей — уточняйте условия у конкретного провайдера.

Если хотите пойти дальше базового контроля ковенантов и собрать систему из нескольких взаимодействующих AI-агентов для финансового отдела — от кредитного портфеля до платёжного календаря и факторного анализа, — 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.