AI для финансиста
ChatGPT ошибается в цифрах: 7 приёмов из 4000 исследований по промптам, которые делают финансовые расчёты точными
Месяц назад ученица прислала мне диалог с ChatGPT. Она попросила нейросеть посчитать долю каждого направления в выручке за квартал. Модель выдала красивую таблицу, итог сходился. Потом выяснилось, что сумма долей составила 118 процентов: ChatGPT округлил каждую строку вверх и посчитал проценты от разных баз. Одна строка ответа, и весь управленческий отчёт поехал. Меня зовут Натали Васильева, я эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO». С февраля 2023 года я помогаю финансистам и бухгалтерам внедрять нейросети в работу, через курс «AI-навыки финансиста» прошли 800+ выпускников, наши каналы читают 45 000 подписчиков в Telegram и 13 000 в канале «АИ с Софьей и Натали». Материал актуален на 28 августа 2026 года.
В этой статье разбираю, почему ChatGPT ошибается в цифрах, и даю семь приёмов промптов, которые опираются на обзор почти 4800 научных работ по промпт-инжинирингу. Внутри готовые промпты для каждого приёма, мастер-шаблон, сравнительная таблица моделей 2026 года, три кейса с часами, рублями и процентами, чек-лист проверки перед сдачей.
Почему ChatGPT ошибается в цифрах: три причины, которые не зависят от модели
Ошибки в цифрах это особенность любой большой языковой модели, и понимание её устройства помогает строить промпты, которые ошибки обходят. Разбираю три причины по порядку.
Первая причина: модель предсказывает текст, а исполняет расчёт как паттерн. ChatGPT обучен угадывать следующий токен по вероятности. Сложение для него это последовательность символов, которую он воспроизводит из обучающих данных. На малых числах паттерн срабатывает, на больших и длинных цепочках сбивается. Отсюда странные на вид ошибки вроде «247 893 + 159 447 = 407 340», где ответ выглядит правдоподобно, а каждая цифра слегка не на месте. Модель не «посчитала неверно» в смысле арифметики, она сгенерировала вероятную последовательность символов.
Вторая причина: модель выравнивает ответ под ожидание. Если в вопросе есть число, которое выглядит как готовый итог, модель охотно подтверждает его. Это называют эффектом поддакивания: на вопрос «проверь, что итог 1 250 000 рублей верный» модель с высокой вероятностью согласится, даже если итог неверный. Проверяющий промпт должен формулироваться нейтрально, без готового ответа. Вопрос с встроенным ответом это приглашение к поддакиванию.
Третья причина: модель дозаполняет пробелы воображением. Когда в задаче не хватает исходных данных или периода, ChatGPT часто придумывает недостающее. В финансах это самое опасное: пропущенная строка, неверная база или выдуманная ставка выглядят правдоподобно, отличить их от реальных данных на глаз сложно. Модель честно не знает, что данных нет, она просто продолжает текст.
С этими тремя причинами можно работать. Модель не станет «честнее», но правильный промпт заставит её рассуждать по шагам, считать внешним кодом и проверять себя. Разница в точности измеряется десятками процентных пунктов, и это подтверждают исследования, о которых дальше.
Что такое галлюцинация в расчётах
Галлюцинация в расчётах это уверенный ответ модели с цифрой, которой нет в исходных данных и которая не следует из логики задачи. Модель не врет намеренно: она заполняет пробел наиболее вероятным продолжением текста. Отличие галлюцинации от обычной ошибки в том, что арифметическую ошибку видно при пересчёте, а галлюцинация выглядит осмысленной и проходит проверку на глаз.
Пример из моей практики: модель спросили про ставку страховых взносов и она выдала 15,1% с точной ссылкой на «актуальную редакцию». Ставка существовала, но на другой период. Модель не сверяла, она воспроизвела вероятный текст. Такие галлюцинации опасны тем, что их трудно поймать пересчётом: цифра правдоподобна и внутренне согласована. Единственная защита это требование источника в промпте, о нём подробно в приёме 3.
Что ChatGPT считает уверенно, а с чем стабильно ошибается
Не все задачи одинаково опасны для нейросети. Есть зона уверенности и зона риска, и полезно знать границу до начала работы.
| Тип задачи | Как модель справляется | Что делать |
|---|---|---|
| Простые суммы и разности до 3-4 знаков | Хорошо, паттерн устойчив | Можно использовать без кода |
| Проценты, доли, средние по малым выборкам | Хорошо, но легко сбивается на округлениях | Требовать ход и сумму долей 100% |
| Большие числа, длинные цепочки вычислений | Ошибки растут с длиной цепочки | Переводить на код на Python |
| Налоговые ставки, лимиты, нормы извне | Высокий риск галлюцинаций | Требовать источник или «нет данных» |
| Расчёты с разными базами (наценка, маржа, НДС) | Высокий риск путаницы баз | Давать эталон и примеры |
| Прогнозы и экстраполяция | Риск ложной уверенности | Проверять на исторических данных |
Правило простое: чем больше в задаче внешних фактов и длинных цепочек, тем выше риск. Для таких задач приёмы из статьи обязательны. Для простых сумм достаточно одного требования показать ход. Если вы ещё не работали с нейросетями в финансах, начните с бесплатного эфира-экскурсии в конце статьи, там показываю весь процесс на живом примере.
Что показали 4000 исследований по промптам: главные цифры
Тема точности языковых моделей изучается не на догадках. В 2024 году вышел систематический обзор исследований по промпт-инжинирингу, который считается самым полным на текущий момент. Авторы обработали почти 4800 научных источников, отобрали 1565 релевантных статей и собрали из них структурированную картину того, что реально работает. Оригинал доступен в открытом доступе: The Prompt Report.
Что важно из этого обзора для финансиста:
- 58 текстовых техник промптов. Все способы формулировать запросы к модели разложены по полкам: работа с контекстом, генерация рассуждений, декомпозиция, ансамблирование, самокритика. Для финансовых расчётов рабочими оказываются около семи, их разбираю ниже.
- 33 унифицированных термина. Раньше одно и то же называли по-разному, теперь есть общий язык. Например, техника «дай примеры в промпте» и few-shot это одно и то же, и обзор показывает, в каких задачах она даёт прирост.
- Метаанализ по арифметике. Исследования по математическим задачам дают стабильную картину: правильная инструкция повышает точность на десятки процентных пунктов, при этом модель остаётся той же.
Отдельно стоят два эксперимента, которые я перепроверяла при подготовке статьи, потому что на них держится половина приёмов.
Эксперимент с пошаговым рассуждением. В работе 2022 года Large Language Models Are Zero-Shot Reasoners модели добавили простую фразу «реши по шагам». На наборе арифметических задач MultiArith точность выросла с 17,7% до 78,7%. На школьных задачах GSM8K с 10,4% до 40,7%. Модель та же, менялась только инструкция.
Эксперимент с самосогласованностью. В работе Self-Consistency Improves Chain of Thought Reasoning модель просили решить задачу несколько раз разными путями и выбрать ответ, который повторяется чаще всего. На GSM8K точность выросла до 75%, это примерно на 20 процентных пунктов выше обычного подхода. На других арифметических наборах прирост составил от 8 до 24 процентных пунктов.
Обе работы доступны в открытом доступе, ссылки выше. Цифры привожу как ориентир: они получены на моделях 2022 года, современные GPT-5.5 и Claude Sonnet 4.6 считают точнее на старте, но направление приёмов то же. Проценты показывают силу приёма, и она никуда не делась.
Почему исследования по промптам можно переносить на сегодняшние модели: принцип один и тот же. Модель любого поколения предсказывает следующий токен, и приём «покажи ход» меняет то, как она строит это предсказание. Современные модели умнее, поэтому стартовая точность выше, а приросты от приёмов меньше в процентных пунктах, но остаются значимыми. На своих задачах я вижу это так: GPT-5.5 без приёмов считает простые проценты уверенно, а на многошаговых расчётах начинает сбиваться. С мастер-промптом та же модель держит задачу до конца. Исследования 2022 года объясняют механику, а проверка на современных моделях подтверждает, что механика не изменилась.
Какие техники из обзора рабочие для финансовых расчётов
Из 58 техник обзора для финансовых задач я отбираю семь, которые дают измеримый результат на цифрах. Остальные полезны для текстов, кода или поиска, но на арифметику влияют слабо. Соответствие такое:
| Техника в обзоре | Что делает | Приём в этой статье |
|---|---|---|
| Thought Generation (цепочка рассуждений) | Заставляет показать ход до ответа | Приём 1 |
| Ensembling / Self-Consistency | Считает несколько раз, берёт совпавшее | Приём 2 |
| Role prompting + ограничения | Задаёт роль и запреты | Приём 3 |
| Tool use / код | Передаёт расчёт внешнему исполнителю | Приём 4 |
| Decomposition | Разбивает задачу на этапы | Приём 5 |
| In-context learning / few-shot | Даёт примеры правильного ответа | Приём 6 |
| Self-criticism | Проверяет собственный ответ | Приём 7 |
Дальше разбираю каждый приём по одной схеме: суть, почему работает, готовый промпт, когда применять и когда приём пасует.
Приём 1. Реши по шагам: цепочка рассуждений
Первый и самый сильный приём по соотношению эффекта и усилий. Вместо «посчитай» вы просите модель сначала расписать ход решения, потом дать ответ. Модель не может выдать финальную цифру без промежуточных шагов, а на каждом шаге у неё появляется точка проверки.
В эксперименте выше одна фраза про пошаговое решение подняла точность с 17,7% до 78,7% на арифметическом наборе. В финансовой рутине эффект мягче, потому что задачи сложнее и данных больше, но направление то же: модель, которая показывает ход, ошибается реже, чем модель, которая сразу выдаёт итог.
Посчитай распределение выручки по направлениям за второй квартал 2026 года.
Исходные данные:
- Направление А: 8 540 000 рублей
- Направление Б: 4 320 000 рублей
- Направление В: 2 190 000 рублей
Порядок работы:
1. Выпиши все исходные суммы отдельным списком.
2. Посчитай общую выручку за квартал.
3. Для каждого направления посчитай долю в процентах с двумя знаками
после запятой.
4. Проверь, что сумма долей равна 100 процентам.
5. Только после проверки выведи итоговую таблицу.
Запрещено:
- округлять промежуточные результаты
- менять базу расчёта между шагами
- выдавать ответ до того, как расписан ход
Формат: шаги 1-4 по порядку, потом таблица с колонками
направление, сумма, доля, доля в процентах.Как пользоваться: этот промпт закрывает задачи типа «посчитай долю», «распредели сумму», «сравни периоды». Подставьте свои цифры и правила, оставьте требование выводить ход до ответа. Если модель в ответе пропустила шаг, попросите повторить с полным ходом, версию без промежуточных расчётов не принимайте.
Главное правило приёма: финальная цифра появляется в ответе только после хода рассуждений. Пока модель выдаёт итог сразу, вы не можете проверить, откуда он взялся.
Когда приём пасует: на очень длинных цепочках из 10+ шагов модель может ошибиться в середине и уверенно донести ошибку до конца. Для длинных расчётов пошаговое рассуждение работает в связке с приёмом 4 (расчёт кодом) или с разбиением задачи (приём 5). По отдельности длинный «пошаговый» ответ создаёт иллюзию проверки, которая не проверяет.
Как проверить результат приёма: посмотрите на промежуточные шаги, а не на итог. Каждый шаг должен иметь формулу и числовой результат, который можно пересчитать. Если модель пишет «затем посчитаем долю» без числа, это пропуск шага, требуйте развёрнутый ход. Второй сигнал это округления: если в промежуточном шаге появилось «примерно» или число с одним знаком после запятой, уточните, где потерялась точность. Итог принимайте только после того, как все шаги сошлись с вашим контрольным пересчётом.
Приём 2. Посчитай три раза разными способами: самосогласованность
Второй приём берёт идею из эксперимента с самосогласованностью: вместо одного прохода модель считает несколько раз разными способами, а вы берёте ответ, который повторяется. Если три разных пути дают одну цифру, вероятность ошибки минимальна. Если пути расходятся, вы видите проблемное место.
Почему это работает: ошибки модели застревают в цепочке рассуждений. Один и тот же неверный шаг воспроизводится при повторении похожим способом, а разный способ расчёта ошибку не повторяет. Совпадающий ответ из двух независимых путей это сильный сигнал, что цифра верная.
Посчитай средний чек по месяцам и проверь результат тремя способами.
Данные по выручке и числу заказов:
- Январь: выручка 3 200 000, заказы 1 850
- Февраль: выручка 3 540 000, заказы 1 920
- Март: выручка 3 780 000, заказы 2 030
- Апрель: выручка 3 990 000, заказы 2 110
- Май: выручка 4 250 000, заказы 2 260
- Июнь: выручка 4 480 000, заказы 2 340
Способы расчёта:
Способ 1. Средний чек каждого месяца как выручка, делённая на заказы.
Способ 2. Общая выручка за полугодие, делённая на общее число заказов.
Способ 3. Среднее из помесячных средних чеков.
Для каждого способа выведи промежуточные расчёты.
Потом сравни три результата. Если они различаются, объясни почему
и какой способ корректнее для задачи «средний чек по полугодию».
Формат: расчёт по каждому способу отдельно, потом таблица сравнения.В финансовых задачах приём даёт двойную пользу: проверку арифметики и проверку логики. Три способа могут дать три разные цифры, и тогда расхождение показывает, что в задаче неоднозначность. Например, «средний чек за полугодие» можно считать тремя методами, и каждый даст свой ответ. Вы выбираете метод, который соответствует бизнес-смыслу, а модель показала все варианты.
Применяйте самосогласованность для цифр, которые уходят наружу: итоги для банка, налоговая база, суммы для собственника. Два совпавших пути уже хороший сигнал, три совпавших пути можно подписывать.
Когда приём пасует: если модель считает одним и тем же неверным способом все три раза, она даст три одинаковых неверных ответа. Совпадение не гарантирует правоту, поэтому для критичных цифр третий путь делайте кодом на Python, внешним исполнителем.
Что делать, если три способа дали три разные цифры: это не ошибка модели, а сигнал неоднозначности задачи. Выпишите все три результата и разберите, чем отличаются методики. Обычно расхождение упирается в базу расчёта: среднее от сумм или среднее от средних, процент от одной базы или от другой. Выберите метод, который соответствует бизнес-смыслу, и зафиксируйте его в промпте как эталон. В следующий раз модель будет считать по заданной методике, а не гадать.
Приём 3. Дай модели роль и жёсткие ограничения
Третий приём это управление поведением через роль и ограничения. Вы назначаете модели роль опытного специалиста, который работает по регламенту, и прописываете, что ей запрещено делать. Модель удерживает роль до конца диалога, а ограничения работают как рельсы: они не дают ей соскользнуть в «угадывание».
В профессиональной практике этот стиль называют риск-менеджерским: вы заранее перечисляете, что может пойти не так, и запрещаете это в промпте. Вместо одной просьбы «посчитай» вы даёте инструкцию с ограничениями и требованиями к источникам.
Ты старший финансовый аналитик с опытом работы в управленческой
отчётности 15 лет. Готовишь расчёт, который уйдёт на подпись
финансовому директору.
Правила работы:
- Каждую цифру, которая взята не из загруженных данных, помечай
источником. Если источника нет, пиши «нет данных».
- Если в задаче не хватает исходных данных, перечисли вопросы
и не приступай к расчёту до ответов.
- Не додумывай периоды, ставки и суммы, которых нет в условиях.
- Любой итог показывай с ходом расчёта.
- При сомнении между двумя трактовками выведи обе и отметь,
какая использована в итоговом ответе.
Задача: рассчитай маржинальную прибыль по продуктам за квартал.
Данные прикреплены файлом [загрузите файл с данными].
Формат: итоговая таблица по продуктам, потом список допущений
и источников по каждой цифре.Роль с ограничениями особенно полезна для задач, где модель вольно обращается с фактами. Требование «пиши „нет данных”, если источника нет» превращает фабрикацию в видимый процесс: модель либо честно признаёт пробел, либо указывает источник, и вы можете его проверить. Второе требование, про уточнение вопросов, закрывает дозаполнение пробелов, самую опасную привычку нейросетей в финансах.
Когда приём пасует: роль не заменяет арифметику. Модель может строго следовать роли и при этом считать неверно, потому что роль влияет на стиль и дисциплину, а точность вычислений дают другие приёмы. Роль работает в связке с пошаговым рассуждением и кодом.
Какие ограничения добавлять в финансовых промптах: перечисляйте то, что реально может сломаться в вашей задаче. Для расчёта с налогами это «не выдумывай ставки, бери из загруженного файла», для прогноза «не экстраполируй разовые контракты на будущие периоды», для сверки «не объединяй строки с одинаковыми суммами без подтверждения». Каждое ограничение должно закрывать конкретную ошибку из вашей практики. Список из пяти-шести точечных запретов работает лучше, чем общее «будь точен».
Подробнее про построение ролевых промптов и ограничений для финансовых задач в статье про продвинутый промпт-инжиниринг для финансиста.
Приём 4. Считай кодом на Python, а не в голове
Четвёртый приём самый надёжный из всех: вы просите модель написать код на Python, который считает задачу, и выполнить его. Модель не считает в голове, она передаёт расчёт внешней программе. Код исполняется по правилам математики, без «паттернов из обучающих данных», и ошибки арифметики исчезают почти полностью.
Почему это работает: модель может ошибиться, когда рассуждает сама, но код исполняется детерминированно. Плюс код можно прочитать и проверить построчно. Вы видите, что именно считается, в каком порядке, с какими округлениями. Это как два разных расчёта в Excel: если сходятся, почти наверняка верно.
Перед тобой данные по продажам за шесть месяцев [загрузите файл].
Рассчитай на Python:
1. Выручку по каждому месяцу и нарастающим итогом.
2. Средний чек по месяцам.
3. Долю топ-10 клиентов в общей выручке.
4. НДС 20% от выручки каждого месяца, с округлением до копеек
по правилам бухгалтерского учёта (округление копейки
в составе каждой операции, не от итога).
Требования к коду:
- выведи код полностью, прежде чем показывать результаты
- промежуточные таблицы выводи в консоль построчно
- не округляй внутри расчётов, только в итоговом выводе
- итоги сверь с суммами из исходного файла и покажи расхождения
Формат: код, потом таблица результатов, потом список расхождений
с исходником, если они есть.Этот приём закрывает арифметику целиком. Ошибки округления, разная база, пропущенная строка, всё это видно в коде и в результатах его выполнения. В моей практике расчёт кодом в диалоге это самый сильный одиночный приём: он убирает почти все чисто вычислительные ошибки модели. Расчёт кодом доступен в платных тарифах ChatGPT и в Claude. Детальнее про работу с кодом и таблицами в статье про пересчёт итогов через ChatGPT.
Добавьте к этому приёму требование сверять итоги с исходником. Модель, которая пишет код, часто честно показывает расхождение, а не прячет его. Это и есть внешний контроль, который не зависит от «желания» модели выдать красивый ответ.
Когда приём пасует: код считает то, что написано. Если модель неверно поняла методику, код будет идеально и точно считать по неверным правилам. Поэтому код всегда дополняется эталоном из приёма 6 и проверкой логики человеком.
Пример, где код не спас: модель просили посчитать НДС с округлением до копеек, и она написала корректный код, который округлял итог по каждой операции. Проблема была в том, что методика компании требовала округления в составе каждой операции с последующим накоплением, а модель округлила каждый документ отдельно. Код работал безупречно, но по неверным правилам. Урок простой: перед тем как запускать код, проверьте, что модель описала методику словами. Если в описании нет «округление копейки в каждой операции», код считать не должен.
Приём 5. Разбей расчёт на маленькие шаги: декомпозиция
Пятый приём это разбиение большой задачи на маленькие. Вместо одного промпта «посчитай весь отчёт» вы даёте последовательность шагов: сначала структура, потом данные, потом отдельные расчёты, потом сборка итогов. Обзор 4000+ исследований относит декомпозицию к базовым техникам, и она работает по простой причине: на каждом маленьком шаге у модели меньше простора для ошибки.
Длинная цепочка расчётов это как длинный документ с ручным переносом: чем больше шагов, тем выше шанс, что где-то ошибка. Разбиение превращает один рискованный длинный расчёт в серию коротких, каждый из которых проверяется отдельно.
Разбей расчёт себестоимости единицы продукции на этапы.
Задача: рассчитать полную себестоимость единицы продукта X.
Выполняй строго по этапам, не переходи к следующему, пока
не показан результат предыдущего.
Этап 1. Составь структуру затрат: материалы, оплата труда,
отчисления, амортизация, общепроизводственные расходы.
Выведи список статей.
Этап 2. Для каждой статьи дай формулу расчёта на единицу.
Обозначь, какие данные нужны и откуда.
Этап 3. Подставь числовые значения по каждой статье.
Каждое значение пометь источником: из файла или из допущения.
Этап 4. Посчитай полную себестоимость единицы как сумму статей.
Покажи построчно.
Этап 5. Проверь результат: пересчитай двумя способами
и сведи итог с общими затратами за период.
Не объединяй этапы в одном ответе. Жди команды «дальше»
перед переходом, если я не дал команды, остановись после этапа 1.В работе с нейросетью удобно делать декомпозицию прямо в одном диалоге: модель останавливается на этапе, вы проверяете цифры, потом говорите «дальше». Так вы контролируете каждый шаг и видите, где именно модель начала расходиться с ожиданием. Для сложных расчётов, моделей с 14 листами и консолидаций этот приём обязателен.
Когда приём пасует: декомпозиция не защищает от ошибки внутри одного этапа. Если на этапе 3 модель неверно подставила данные, этап 4 будет красиво считать по неверной базе. Поэтому каждый этап с цифрами проверяется до перехода к следующему. Пошаговая сборка отчётности через нейросеть разобрана в статье про консолидацию отчётности через ChatGPT.
Сколько этапов оптимально: для типового финансового расчёта достаточно четырёх-шести. Если этапов меньше трёх, декомпозиция не даёт выигрыша, вы просто получили короткий промпт. Если этапов больше десяти, диалог затягивается, и вы теряете контроль над контекстом. Хороший ориентир: каждый этап это один лист документа или один расчётный блок, который вы можете проверить за пару минут. Структуру затрат, подстановку данных и итоговую сборку можно выносить в отдельные этапы, а мелкие шаги внутри них объединять.
Приём 6. Покажи плохой и хороший пример: обучение на эталоне
Шестой приём даёт модели образец правильного ответа прямо в промпте. Вы показываете один-два примера: как выглядит корректный расчёт и как выглядит некорректный, и почему второй неверный. Модель подстраивается под эталон и воспроизводит его структуру.
Исследования по промптам называют это обучением в контексте, few-shot. Прирост точности он даёт на задачах, где есть чёткий формат ответа: расчёты, таблицы, проверки. Примеры заменяют длинное описание правил, потому что модель видит образец, а не абстракцию.
Перед тобой примеры расчёта наценки. Изучи их и выполни задачу.
Хороший пример:
Вопрос: посчитай наценку в процентах, если себестоимость 400 рублей,
цена продажи 560 рублей.
Ответ: наценка в рублях = 560 - 400 = 160 рублей.
Наценка в процентах = 160 / 400 * 100 = 40%.
База для процента: себестоимость 400 рублей.
Плохой пример:
Вопрос: тот же.
Ответ: наценка 160 рублей, в процентах 160 / 560 * 100 = 28,6%.
Ошибка: процент посчитан от цены продажи, а не от себестоимости.
База для наценки должна быть себестоимость, иначе показатель
смысла не имеет.
Задача: посчитай наценку для таблицы из 20 позиций [загрузите файл].
Для каждой позиции покажи базу расчёта. Формат ответа как в хорошем
примере: наценка в рублях, база, процент, проверка.Плохой пример с объяснением ошибки работает сильнее, чем только хороший. Модель учится не повторять типовую ошибку, а вы понимаете, что именно проверяете. В финансах эталоном обычно выступает ваша методика: «наценка считается от себестоимости», «НДС считается с копейкой в каждой операции», «курс берём на дату документа». Покажите методику в примерах, и модель воспроизведёт её на всех строках.
Этот приём особенно полезен, когда вы передаёте нейросети регулярную рутину: расчёт премий, распределение затрат, проверку авансовых отчётов. Один раз составили эталонные примеры, дальше промпт переиспользуется каждый месяц. Примеры расчётов по похожей схеме в статье про расчёт премий и KPI через ChatGPT.
Когда приём пасует: если примеры составлены не по вашей методике, модель воспроизведёт чужой эталон. Примеры должны быть взяты из вашего регламента, а модель должна явно подтверждать базу расчёта в каждой строке. Иначе красивый формат ответа маскирует неверную логику.
Как собрать банк эталонных примеров под свои процессы: заведите документ, куда по мере работы попадают проверенные примеры с правильной методикой. Для каждого типового расчёта один хороший и один плохой пример с пояснением ошибки. Через месяц у вас соберётся библиотека на пять-семь регулярных задач: премии, себестоимость, распределение накладных, сверка с поставщиками. Каждый пример перед сохранением прогоняйте на данных с известным ответом, чтобы эталон сам не содержал ошибку. Такая библиотека превращает разовые промпты в воспроизводимый процесс.
Приём 7. Заставь модель проверять себя: критика и фактчекинг
Седьмой приём переворачивает процесс: после первого ответа вы просите модель найти ошибки в собственном результате. Модель переключается в режим критика, ищет слабые места в своём расчёте, исправляет их и объясняет, что было не так.
В исследованиях это называют самокритикой, и она работает, если дать критику конкретные правила поиска. Просьба «проверь себя» без правил даёт формальный ответ «всё верно». Просьба «найди округления, разные базы, пропущенные строки, неверные периоды» заставляет модель реально пройтись по чек-листу.
Ты только что сделал расчёт. Теперь работаешь как независимый
проверяющий, который не знает, что ответ «правильный».
Проверь свой предыдущий ответ по чек-листу:
1. Арифметика: пересчитай каждую сумму отдельно.
2. База расчёта: одинаковая ли база у всех процентов и долей.
3. Округления: не изменилось ли итоговое значение из-за
промежуточных округлений.
4. Полнота: не пропущены ли строки, периоды или категории.
5. Источники: каждая ли цифра взята из исходных данных,
или часть додумана.
6. Период: совпадает ли период расчёта с заданным.
Для каждой найденной проблемы:
- что было не так
- как исправить
- исправленный расчёт
Если проблем нет, выведи «ошибок не найдено» и покажи,
по каким пунктам чек-листа ты проверял. Не подтверждай
правильность без проверки по пунктам.Второй проход с самокритикой ловит часть ошибок, которые проходят первый. Но у самокритики есть ограничение: если ошибка сидит глубоко в логике, модель может подтвердить собственную неверную цепочку. Поэтому седьмой приём дополняет внешний расчёт кодом, а не заменяет его. Связка «посчитал, потом раскритиковал, потом пересчитал кодом» даёт максимальную точность.
Отдельно к самокритике добавляю требование фактчекинга для любых цифр, которые модель могла взять «из головы»: ставки, лимиты, нормы. Промпт просит пометить каждую такую цифру источником или словом «нет данных». Детальнее про защиту от выдуманных данных в статье про галлюцинации нейросетей и проверку данных.
Когда приём пасует: модель не может найти ошибку, которую считает верной логикой. Самокритика ловит механические огрехи, округления и пропуски, а глубокие логические ошибки находит только внешний эталон. Держите в голове это ограничение, когда читаете «ошибок не найдено».
Чем чек-лист в самопроверке отличается от простой просьбы «проверь себя»: чек-лист задаёт конкретные точки контроля. Модель проходит по шести пунктам и по каждому выводит результат, поэтому формальный ответ «всё верно» становится невозможным. Если модель не может показать, по какому пункту и как она проверяла, значит проверки не было. Я советую сохранять чек-лист из приёма 7 как отдельный промпт и прогонять его после каждого ответственного расчёта, не полагаясь на то, что модель сама догадается себя проверить.
Мастер-промпт: все семь приёмов в одном шаблоне
Семь приёмов по отдельности работают, но в реальной рутине удобнее один шаблон, который включает их все. Ниже мастер-промпт, который я использую для ответственных расчётов. Сохраните его в заметки, подставляйте свои данные и правила.
Ты старший финансовый аналитик. Делаешь расчёт, который уйдёт
в отчёт. Работаешь строго по регламенту.
Порядок работы:
1. Перепиши задачу своими словами и перечисли все исходные данные.
Если данных не хватает, перечисли вопросы и не приступай к расчёту.
2. Разбей расчёт на шаги. Каждый шаг выведи отдельно с формулой
и объяснением.
3. Посчитай на Python прямо в диалоге. Покажи код и результат
его выполнения.
4. Посчитай итог вторым способом, независимым от первого. Сравни
результаты.
5. Переключись в режим критика и проверь собственный ответ:
арифметика, база расчёта, округления, полнота, период.
6. Исправь найденные ошибки и покажи финальную версию.
7. Каждую цифру, которая взята не из загруженных данных, пометь
источником. Если источника нет, пиши «нет данных».
Запрещено:
- выдумывать цифры, которых нет в загруженных файлах
- округлять промежуточные результаты
- менять базу расчёта между шагами
- выдавать предположение за факт
Формат ответа: ход расчёта по шагам, код, таблица сравнения
двух способов, список найденных и исправленных ошибок,
финальная таблица с итогами.
Задача: [опишите задачу и прикрепите данные]Мастер-промпт кажется длинным, но время на его написание окупается с первого использования. Один такой шаблон заменяет пять-шесть отдельных промптов и даёт на выходе проверяемый результат: ход, код, сравнение, список исправлений. В следующий раз вы копируете шаблон, меняете задачу и данные, и весь процесс повторяется.
Как адаптировать мастер-промпт под свою задачу
Шаблон работает на любой финансовой задаче, если правильно подставить задачу и данные. Четыре правила адаптации.
Правило 1. Опишите методику, а не только задачу. Вместо «посчитай себестоимость» напишите «себестоимость считается как сумма материалов, труда и накладных, распределение накладных пропорционально зарплате». Методика это эталон для модели.
Правило 2. Перечислите все исходные данные явно. Если данных много, приложите файл, но в тексте задачи перечислите ключевые параметры: период, ставку, базу. Модель сверяет текст с файлом и видит расхождения.
Правило 3. Для регулярных задач сохраняйте отдельные шаблоны. Зарплатный расчёт, расчёт себестоимости, сверка с поставщиком это разные промпты. Один раз настроенный шаблон под конкретную задачу работает точнее, чем универсальный.
Правило 4. Прогоните шаблон на задаче с известным ответом. Перед первым использованием подставьте расчёт, где вы знаете правильный итог, и посмотрите, как модель проходит все семь шагов. Это займёт десять минут, а вы увидите слабые места шаблона до того, как он пойдёт в бой.
Правило 5. Для разных типов задач держите разные мастер-промпты. Один универсальный шаблон удобен, но уступает специализированным. Расчёт себестоимости, сверка с поставщиком, прогноз выручки и проверка премий это разные процессы с разными эталонами. Для каждого заведите свой мастер-промпт с методикой и примерами из вашего регламента. Настройка каждого занимает полчаса один раз, дальше вы копируете готовый шаблон и подставляете данные. Библиотека из пяти-шести специализированных промптов покрывает регулярные задачи лучше, чем один универсальный.
Что хранить вместе с мастер-промптом: рядом с шаблоном держите короткую памятку, какие данные нужно подставить и в каком формате. Я храню в одном документе промпт, пример заполнения и список типовых ошибок, которые этот шаблон уже ловил. Так при передаче задачи коллеге или возвращении к ней через месяц контекст не теряется. Промпт без памятки через месяц читается как чужой код, с памяткой он воспроизводится за минуты.
Сравнительная таблица: какая модель точнее в цифрах в 2026 году
Приёмы промптов работают на любой модели, но стартовая точность разная. Я сравнивала модели на одинаковых задачах: расчёт с пошаговым ходом, пересчёт кодом, самопроверка с чек-листом. Итоги на август 2026 года.
| Модель | Точность арифметики | Работа с файлами | Расчёт кодом | Сильные стороны | Для каких задач |
|---|---|---|---|---|---|
| GPT-5.5 | Высокая, стабильная на массовых расчётах | Читает Excel, PDF, изображения | Python в диалоге, надёжный | Массовые расчёты, объяснения, код | Основная рабочая модель |
| Claude Sonnet 4.6 | Высокая на сложной многошаговой логике | Большой контекст, длинные документы | Есть, но реже удобен | Сложные формулы, длинные книги, анализ договоров | Сложные задачи, длинный контекст |
| Gemini 2.5 | Средняя, зависит от формулировки | Работает с Google Таблицами | Через интеграции | Прямая работа в Sheets | Таблицы в Google |
| DeepSeek V3.2 | Средняя, хватает для черновиков | Безопасен для обезличенных данных | Ограниченно | Бесплатный, работает из РФ без спецсредств | Черновики на обезличенных данных |
Актуально на август 2026 года. Цены подписок меняются, актуальные тарифы смотрите на официальных сайтах: chatgpt.com, claude.ai, gemini.google.com. Подробное сравнение нейросетей для финансиста по задачам в статье про выбор нейросети в 2026 году.
Какая ошибка каким приёмом закрывается
Полезно держать таблицу соответствия, когда ловите конкретную ошибку. Одна таблица, пять типовых проблем, пять приёмов.
| Ошибка в ответе модели | Причина | Какой приём закрывает |
|---|---|---|
| Неверная сумма при больших числах | Сбой паттерна на длинной цепочке | Приём 4, расчёт кодом |
| Проценты не сходятся в 100% | Разные базы или округления | Приём 1 и 2 |
| Выдуманная ставка или лимит | Дозаполнение пробелов | Приём 3, требование источника |
| Итог подтверждён, хотя неверный | Эффект поддакивания | Приём 7, нейтральная проверка |
| Неверная методика расчёта | Модель не знает ваш регламент | Приём 6, эталонные примеры |
Доступ к chatgpt.com и зарубежным сервисам из России требует специальных средств подключения. Какой способ выбрать, каждый решает с учётом требований своей компании и службы безопасности. Работайте напрямую через официальные сайты, а не через сторонние боты, которые часто под видом ChatGPT используют дешёвые модели и не дают гарантий по данным. Пользоваться нейросетями из России не запрещено.
Три кейса из практики: часы, рубли, проценты
Показываю на реальных задачах, которые разбирали с учениками. Цифры из замеров, без рекламных округлений.
Кейс 1. Сверка оборотов за час вместо двух дней.
Финансист производственной компании закрывал месяц и не сходилась сверка с поставщиком на 47 000 рублей. Расхождение упорно не находилось: по реестру сумма одна, по выписке другая, а постатейно всё сходится. Раньше на такой поиск уходило два дня ручной сверки, и результат не гарантирован.
Прогнали реестр через мастер-промпт: сначала модель разбила сверку по датам и документам, потом посчитала кодом на Python суммы по каждому дню, потом проверила себя. Нашлась ошибка за 40 минут: в одну из дат реестра документ на 47 000 рублей попал дважды, потому что в исходнике стояла двойная строка с одинаковым номером. Модель показала день, номер документа и двойную сумму. Итог: час с учётом подготовки, вместо двух дней. Ошибку исправили до сдачи отчёта.
Кейс 2. Прогноз с отклонением 3% вместо 12%.
Ученица готовила прогноз выручки на следующий квартал для собственника. Первый вариант она сделала одним запросом: «спрогнозируй выручку по данным за два года». ChatGPT выдал красивый тренд, но при сверке с фактическим закрытием предыдущего квартала отклонение составило 12%. Ошибка была в логике: модель экстраполировала сезонность не с того месяца и приплюсовала разовый контракт, который не должен был повториться.
Пересобрали прогноз по приёмам: декомпозиция на тренд, сезонность и разовые факторы, расчёт кодом, проверка на исторических данных. Прогноз на квартал с фактическими итогами двух прошлых кварталов сошёлся с отклонением 3%. Собственник принял цифру без пересчёта. Разница между первым и вторым вариантом это 9 процентных пунктов точности, которые дала не другая модель, а другой промпт.
Кейс 3. Зарплатный расчёт: ошибка найдена до выплаты.
Главный бухгалтер проверила через нейросеть месячный расчёт премий по трём подразделениям. Таблица на 180 строк, в каждой формула с условиями: размер премии зависит от выполнения плана и стажа. Ручная выборочная проверка покрыла бы 20-30 строк, остальные остались бы непроверенными.
Прогнали через приём самопроверки с чек-листом. Модель нашла три строки, где при копировании формулы потерялась проверка на предельный размер премии. У двух сотрудников премия была бы завышена на 8 500 и 6 300 рублей, у одного занижена на 2 100. Суммарная ошибка 16 900 рублей в месячном расчёте, найдена до выплаты и исправлена. Проверка заняла 25 минут.
Общий вывод по кейсам: приёмы делают модель проверяемой. В каждом случае главная ценность в том, что ошибка найдена до того, как цифра ушла наружу. Сэкономленные часы это приятный бонус, а вот пойманная до выплаты ошибка на 16 900 рублей это прямая выгода. Подробный процесс закрытия месяца с нейросетью в статье про закрытие месяца с ChatGPT.
Мифы про ошибки ChatGPT в цифрах и пять ошибок новичков
Вокруг ошибок нейросетей в цифрах сложились мифы, которые мешают финансистам использовать рабочие приёмы. Разбираю главные.
Миф: если модель ошиблась один раз, доверять ей нельзя. Ошибка модели в конкретной задаче чаще говорит о промпте, чем о модели. Без инструкции «реши по шагам» и «проверь себя» модель работает в самом слабом режиме. С правильными приёмами та же модель выдаёт другой результат. После одной ошибки пересоберите промпт, а не списывайте модель.
Миф: совпадающие ответы гарантируют правоту. Два одинаковых ответа это сильный сигнал, но не гарантия. Если оба раза модель рассуждала похожей цепочкой, ошибка могла закрепиться в общей точке. Поэтому приём самосогласованности требует разных способов, а не повторения одного. И всегда внешняя проверка кодом.
Миф: большая модель не ошибается в простых сложениях. Ошибается, и это нормально для архитектуры. Сложение через «паттерн текста» сбивается на больших числах и длинных цепочках. Приём «считай кодом» убирает этот класс ошибок целиком, поэтому он входит в мастер-промпт.
Миф: нейросеть сама всё посчитает, можно не проверять. Это самый дорогой миф. Модель даёт правдоподобный ответ без гарантии, а человек несёт ответственность за цифру. Схема «модель считает, человек подписывает» существует не из недоверия, а из устройства модели. Проверка занимает минуты, а цена пропущенной ошибки измеряется днями переделок.
Миф: проверка занимает столько же времени, сколько ручной расчёт. На подготовку промпта уходит 10-15 минут, дальше модель считает за минуты. Ручная сверка тех же объёмов занимает часы. В кейсах выше проверка занимала от 25 минут до часа, ручная работа от двух дней.
Миф: нейросеть ошибается только в редких сложных случаях, а простые задачи можно ей доверять без проверки. По моей практике основная масса найденных ошибок приходится как раз на «простые» задачи: распределение процентов, сверку сумм, расчёт средних. Модель уверенно ошибается там, где паттерн кажется устойчивым, но встречает нестандартное округление или неожиданную базу. Простые задачи проверяются быстрее всего, поэтому не экономьте на них минуты.
Миф: если модель один раз посчитала верно, дальше можно не проверять. Верный расчёт в прошлый раз ничего не гарантирует в следующий: каждая генерация заново проходит через вероятностный отбор токенов. Я видела, как одна и та же модель с одинаковым промптом считала один и тот же расчёт верно три раза подряд, а на четвёртый дала сбитую цифру. Стабильность даёт только процесс, а не конкретная генерация. Чек-лист проверки нужен на каждый расчёт, а не до первого успеха.
Теперь пять ошибок новичков, которые я вижу в чатах учеников.
1. Грузить файл без правил. Модель без методики гадает, что считать. Правила и эталон это половина качества результата.
2. Задавать вопрос с готовым ответом. «Проверь, что итог верный» провоцирует поддакивание. Формулируйте нейтрально: «посчитай и покажи ход».
3. Принимать первую версию без хода. Если модель выдала итог без расчёта, попросите показать шаги. Ответ без хода непроверяем.
4. Доверять самопроверке без внешнего расчёта. Самокритика ловит часть ошибок, код ловит остальные. Работает связка, а не поодиночке.
5. Загружать чувствительные данные без обезличивания. Названия контрагентов, ИНН, счета и ФИО в публичные тарифы не грузятся. Только маски, только после отключения обучения. Подробнее в разделе про настройку ниже.
Как настроить ChatGPT и проверить любой расчёт: настройка и чек-лист
Две вещи, которые превращают разовые приёмы в регулярный процесс: настройка персонализации ChatGPT под финансовые задачи и чек-лист проверки перед сдачей. Разбираю обе.
Как настроить ChatGPT под финансовые расчёты за 10 минут
Перед первой работой с расчётами стоит настроить персонализацию ChatGPT. Это влияет на все последующие диалоги, а пропускают этот шаг почти все, кто начинает с разовых промптов.
Идём в Settings, Personalization, Custom Instructions и вставляем такой текст:
Я финансовый специалист. Делаю расчёты для управленческой отчётности
и платежей.
Правила работы:
- всегда показывай ход расчёта до финальной цифры
- не округляй промежуточные результаты
- при нехватке данных перечисли вопросы, не додумывай
- для цифр, взятых не из загруженных данных, указывай источник
или пиши «нет данных»
- при пересчёте итогов используй Python и показывай код
- если задача допускает несколько трактовок, выведи все
и отметь, какую используешь
- язык ответа: деловой русский, без канцеляритаВторой обязательный шаг это отключение обучения на данных: Settings, Data Controls, выключаем переключатель «улучшать модель для всех». Делается до любой загрузки корпоративных файлов. Документы под NDA и банковскую тайну в публичные тарифы не грузим, для них корпоративные тарифы Business или локальные модели. Об обезличивании данных перед загрузкой подробно в статье про обезличивание данных для нейросетей.
Настройка персонализации не заменяет приёмы из статьи. Она задаёт базовое поведение, а приёмы включаются в конкретном промпте. Вместе они дают стабильный результат, по отдельности каждый работает слабее.
Что ещё проверить в настройках перед работой с файлами: убедитесь, что у вас включён доступ к загрузке файлов и работе с кодом. В некоторых тарифах расчёт на Python появляется отдельной опцией, и без неё приём 4 не сработает. Проверьте на простом тесте: загрузите маленький файл и попросите посчитать сумму на Python. Если код не выполняется, поднимите вопрос тарифа или используйте обходной путь с ручным пересчётом вторым способом. Настройка персонализации, отключение обучения и проверка доступа к коду занимают в сумме десять минут, дальше вы работаете в стабильной среде.
Чек-лист: как проверить любой расчёт нейросети перед сдачей
Шесть шагов, по одному на каждую проверку. Сохраните в заметки и гоняйте через него каждый ответственный расчёт.
- Сформулируйте задачу с данными. Период, методика, все исходные суммы. Недостающие данные модель должна запросить, а не придумать.
- Попросите пошаговый ход. Финальная цифра только после хода рассуждений. Ответ без шагов непроверяем, верните на доработку.
- Пересчитайте кодом. Python в диалоге исполняет расчёт внешне, без «паттернов текста». Код читается построчно.
- Проверьте вторым способом. Независимый путь: другой метод, ручной расчёт в Excel, сводная. Совпадение двух путей снижает риск ошибки.
- Потребуйте источники. Каждая цифра не из загруженных данных имеет источник или пометку «нет данных». Это отсекает фабрикацию.
- Подпишите после сверки. Сверьте итоги с исходниками, верните реальные названия, поставьте подпись. Ответственность несёт человек.
Этот чек-лист стоит держать под рукой не потому, что процесс сложный, а потому, что в разгар закрытия месяца проще свериться со списком из шести пунктов, чем вспоминать логику проверки с нуля. Для регулярных задач превратите чек-лист в мастер-промпт из статьи, тогда проверка становится частью самого запроса.
Как встроить чек-лист в ежемесячное закрытие: закрепите его в заметках рядом с регламентом закрытия, а для каждой типовой таблицы держите готовый мастер-промпт с методикой. Когда приходит расчёт от коллеги, вы прогоняете его через чек-лист и через промпт, а не проверяете глазами. Разница в подходе видна на результатах: выборочная проверка пропускает строки, а чек-лист с кодом покрывает таблицу целиком. За полгода такой практики у вас накопится статистика, какие типы ошибок встречаются чаще, и вы добавите их в ограничения мастер-промпта. Проверка перестаёт быть рутиной и становится системой.
FAQ: частые вопросы про ошибки ChatGPT в цифрах
Почему ChatGPT ошибается в простых расчётах? Модель предсказывает следующий токен текста, а не выполняет арифметику. Сложение она воспроизводит как паттерн из обучающих данных, поэтому на больших числах и длинных цепочках сбивается. Приёмы промптов заставляют её рассуждать по шагам, считать кодом и проверять себя.
Какие приёмы промптов сильнее всего повышают точность? По обзору 4000+ исследований и моей практике: пошаговое рассуждение, самосогласованность, расчёт кодом на Python, декомпозиция, роль с ограничениями, примеры с эталоном, самопроверка. Связка всех семи даёт самый стабильный результат.
Сколько раз просить модель пересчитать, чтобы доверять ответу? Достаточно двух независимых способов: расчёт по шагам и код на Python. Если два пути сходятся, вероятность ошибки низкая. Три прохода нужны для критичных цифр, которые уходят в отчётность для банка или собственника.
Работают ли приёмы на бесплатной версии ChatGPT? Большинство работают: пошаговое рассуждение, самосогласованность, роли и самопроверка это просто текст промпта. Расчёт кодом в диалоге доступен в платных тарифах, на бесплатной версии его заменяет ручной пересчёт в Excel вторым способом.
Можно ли доверять ChatGPT расчёты для отчётности? Только со схемой «модель считает, человек подписывает». Нейросеть сужает область проверки и даёт ход расчёта, финальную подпись ставит человек, каждую цифру сверяет с исходными данными.
Какая модель в 2026 году точнее в цифрах? Для массовых финансовых задач с кодом это GPT-5.5. Claude Sonnet 4.6 точнее на сложной многошаговой логике и длинных документах. Gemini 2.5 удобен для Google Таблиц. DeepSeek V3.2 бесплатный вариант для черновиков на обезличенных данных.
Что делать, если модель дважды дала одинаковый неверный ответ? Совпадение не гарантирует правоту: ошибка могла закрепиться в общей цепочке. Смените способ расчёта, попросите посчитать кодом, разбейте задачу на шаги. Чаще всего причина в промпте: не хватает данных, правил или эталона.
Как проверить, что нейросеть не выдумала цифру? Требуйте источник для каждой цифры, которая взята не из загруженных данных. В промпте добавьте правило: если источника нет, модель пишет «нет данных». Цифры из файлов сверяйте с исходником, итоги пересчитывайте вторым способом.
С чего начать уже сегодня: три шага
Статья объёмная, приёмы можно внедрять постепенно. Предлагаю минимальный старт, который занимает час и даёт первый результат в тот же день.
Шаг 1. Настройте персонализацию ChatGPT под финансовые задачи. Вставьте инструкцию из раздела про настройку, выключите обучение на данных. Пять минут, и база готова.
Шаг 2. Прогоните один свой расчёт через мастер-промпт. Возьмите таблицу, которую готовите в ближайшие дни, и пропустите её через мастер-промпт из статьи. Не нужно ждать идеального промпта, начните с того, что есть, и посмотрите, как модель пройдёт семь шагов. Первый прогон покажет слабые места и вашей таблицы, и промпта.
Шаг 3. Проверьте результат по чек-листу из шести пунктов. Даже если мастер-промпт отработал гладко, пройдитесь по чек-листу руками. Вы увидите, какие пункты закрываются автоматически, а какие требуют вашего участия. Через два-три цикла процесс станет привычным, и вы начнёте замечать, где модель сбивается, а где работает уверенно.
Дальше, когда разовые приёмы войдут в рутину, соберите свою библиотеку мастер-промптов под регулярные задачи. Это следующий уровень, и он подробно разобран в курсе, о котором ниже.
Что дальше
Приёмы из этой статьи закрывают конкретную боль: страх доверить нейросети цифры. Но это семь инструментов из целой системы работы с ИИ в финансах. Следующий шаг собрать вокруг нейросетей весь контур: точные расчёты, проверка данных, автоматизация рутины, подготовка к закрытию месяца. На курсе «AI-навыки финансиста» онлайн-школы «Финансовый директор | Мастер CFO» разбираю, как выстроить такую систему: от обезличивания данных до мастер-промптов под ваши процессы. 10 модулей, 800+ выпускников, диплом установленного образца с лицензией и налоговый вычет 13%. Начать можно с бесплатного эфира-экскурсии, где показываю процесс на практике.
Записаться на курс «AI-навыки финансиста»
Наши каналы для финансистов
@findir_pro. Основной Telegram-канал «Финансовый директор | Мастер CFO». 45 000 подписчиков. Ежедневно: практические разборы, кейсы выпускников, обновления инструментов, новые промпты для финансистов.
«АИ с Софьей и Натали». Канал об AI для финансистов. 13 000 подписчиков. Вместе с Софьей Бурцевой, основателем школы, разбираем новые модели, делаем живые тесты и публикуем обновлённые промпты сразу после выхода новых версий.
MAX. Закрытое сообщество для действующих финансовых директоров. 5 000+ участников. Кейсы коллег, шаблоны, закрытые эфиры по AI и стратегии CFO.
Об авторе
Натали Васильева. Эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO». С нейросетями в работе финансиста с февраля 2023 года. Через курс «AI-навыки финансиста» прошли 800+ финансистов, главбухов и финдиров. Веду Telegram-канал @findir_pro (45 000 подписчиков) и MAX-канал «Финансовый директор» (5 000+).