Какую нейросеть выбрать финансисту в 2026: сравниваем ChatGPT, Claude, DeepSeek и Gemini на задачах CFO

В 2026 году у финансового директора четыре основные нейросети: ChatGPT на модели GPT-5.5, Claude Sonnet 4.6, Gemini 2.5 и DeepSeek V3.2. Универсального победителя нет, правильный выбор зависит от задачи: для сверки выписок и расчётов сильнее ChatGPT, для разбора договоров на 200 страниц Claude, для работы со сканами и графиками Gemini, для бесплатного старта без VPN DeepSeek. В этой статье я сравниваю все четыре модели на задачах CFO, привожу сравнительную таблицу, четыре кейса с цифрами из практики учениц школы и двенадцать готовых промптов, чтобы вы проверили модели на своих данных и выбрали свою.

Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (основатель школы это 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). Каждую неделю на консультациях и в курсе я вижу один и тот же вопрос: какую нейросеть выбрать, чтобы не потерять время и деньги. Поэтому здесь собрала сравнение, которое сама использую в работе.

Актуально на август 2026 года. Про доступ сразу: сайт chatgpt.com и claude.ai в России открываются через специальные средства доступа, выбор сервиса остаётся за вами, пользоваться нейросетями из России не запрещено. DeepSeek работает без VPN. Дальше к этой теме не возвращаюсь.

Если вы ещё не работали с нейросетями в финансах, начните с базовой статьи ChatGPT для финансиста и бухгалтера, там установка и первые задачи. Здесь же разбор именно выбора модели под задачи CFO.

Что такое нейросеть и почему выбрать модель в 2026 стало сложнее?

Чтобы выбирать между моделями осознанно, полезно понимать базовые термины. Нейросеть это математическая модель, которая обучается на больших объёмах данных и находит в них закономерности. Когда вы пишете запрос, нейросеть не «ищет готовый ответ» в базе, а предсказывает следующий фрагмент текста на основе того, что видела при обучении.

LLM (large language model, большая языковая модель) это тип нейросети, обученный на текстах. Все четыре модели из этой статьи относятся к LLM: ChatGPT, Claude, Gemini и DeepSeek. Отсюда их общие ограничения. Они сильны в языке, но могут ошибаться в арифметике, если считают без инструментов, и могут уверенно выдать неверный факт. Поэтому в финансах модель используют как инструмент, а не как источник истины.

Контекстное окно это объём информации, который модель держит в памяти при ответе. Чем оно больше, тем более длинные документы можно загружать целиком. Токен это единица текста, примерно 1 токен равен 0,5-0,8 слова на русском языке. Когда говорят «контекст до 200 тысяч токенов», это примерно 300-400 страниц текста.

Код-интерпретатор это режим, в котором модель пишет и запускает программу, чтобы посчитать результат. Вместо ответа «на глаз» модель реально пересчитывает данные, и каждая цифра проверяется кодом. Для финансов это ключевая функция, о которой я ещё скажу ниже.

Галлюцинация это уверенный ответ модели, который не соответствует реальности. Модель не вручает ложь осознанно, она предсказывает правдоподобный текст. В финансах галлюцинации опасны вдвойне, поэтому любая цифра из ответа проверяется по источнику или пересчитывается кодом.

Промпт это текст запроса к модели. Качество промпта напрямую влияет на качество ответа: одна и та же модель на двух формулировках одной задачи даёт заметно разный результат. Ниже в статье есть блок с готовыми промптами и правилами их составления.

Почему выбор модели стал сложнее, чем год назад?

Год назад вопрос выбора решался просто: брали ChatGPT, он был самым известным и чаще всего упоминался. В 2026 году рынок изменился. ChatGPT первым среди приложений перешагнул отметку в миллиард активных пользователей и сделал это за три года, быстрее любого предшественника. Для сравнения: предыдущим рекордсменам — TikTok, Instagram, YouTube — на путь к миллиарду понадобилось от пяти до восьми лет. Claude и Gemini забирают свою часть рынка, потому что решают задачи, с которыми ChatGPT справляется хуже: длинные документы, мультимодальность, работа в экосистеме Google. DeepSeek добавил третий фактор: бесплатно и без VPN, что для российского рынка весомо.

Выбор стал сложнее ещё и потому, что модели превратились из чатов в инструменты. У ChatGPT появился код-интерпретатор, который реально считает, а не прикидывает. У Claude длинный контекст и аккуратная работа с текстом. Gemini читает сканы и графики. Каждая модель закрывает свой тип задач, и платить за все подписки сразу дорого.

Поэтому правильный вопрос звучит не «какая нейросеть лучшая», а «какая нейросеть лучшая под мои три главные задачи». Дальше разбираю каждую модель и её сильные стороны, а в конце дам чек-лист, как выбрать за один день.

Есть и вторая причина, почему выбор стал осознанным. Модели обновляются каждые несколько месяцев, и каждая новая версия двигает сильные стороны. То, что год назад считалось слабостью ChatGPT, в GPT-5.5 уже неактуально. Claude добавил длинный контекст и сделал разбор договоров массовым сценарием. Gemini ушёл в мультимодальность и встраивание в Google-сервисы. DeepSeek показал, что хорошая модель может быть бесплатной. Раскладка сил изменится ещё до конца года, поэтому в статье даю не только текущее сравнение, но и метод, как проверять модели на своих данных при каждом обновлении.

Что умеет ChatGPT (GPT-5.5) и в чём он сильнее всех?

ChatGPT на модели GPT-5.5 это самый сильный вариант для работы с данными и расчётами. Главная фишка для финансиста это код-интерпретатор: модель пишет код на Python и запускает его на своей стороне, поэтому суммы пересчитываются точно, а не на глаз. Когда я прошу нейросеть посчитать распределение платежей или сверить выписку, GPT-5.5 делает это через код, и каждая цифра проверяется.

Что на практике получается у ChatGPT лучше всего:

• Сверка банковских выписок с учётной системой по суммам, датам и назначениям.
• Работа с таблицами: сводки, группировки, поиск дублей и аномалий, построение графиков.
• Финансовый анализ по коэффициентам: ликвидность, рентабельность, оборачиваемость. Я разбирала это отдельно в статье финансовый анализ предприятия через ChatGPT.
• Подготовка данных для презентаций и отчётов: модель сама строит диаграммы по загруженному CSV.
• Поиск аномалий и признаков мошенничества по массиву операций, про это есть отдельный разбор AI против мошенничества в отчётности.

Слабое место ChatGPT это длинные тексты и большие документы. Ограничение контекста меньше, чем у Claude, и при разборе договора на 100 страниц модель может терять условия из середины документа. Текст она пишет рабочий, но менее аккуратный, чем Claude, с лишними оборотами, которые приходится править.

Бесплатной версии хватает на базовые задачи, для регулярной работы с файлами нужна платная подписка. GPT-5.5 умеет читать загруженные документы, анализировать изображения и искать информацию в интернете, но главная ставка сделана на расчёты и работу с данными.

Отдельно про код-интерпретатор, потому что это ключ к пониманию ChatGPT. Когда модель считает на глаз, она опирается на языковую интуицию и может ошибиться в арифметике, как человек. Когда она пишет код и запускает его, результат точный и воспроизводимый: тот же код можно прогнать ещё раз и получить те же цифры. Для сверки выписки, где важна каждая копейка, это принципиальная разница. Именно поэтому на задачах с числами ChatGPT держит первое место, даже если другие модели пишут более красивые тексты.

Что умеет Claude Sonnet 4.6 и почему он лучший для договоров?

Claude Sonnet 4.6 это модель, которую я ставлю выше всех для работы с текстом и длинными документами. Её главный козырь это контекстное окно: до 200 тысяч токенов в стандартной подписке. Это значит, что договор на 200-300 страниц, годовая выписка или стопка накладных загружаются целиком, и модель держит их в памяти от начала до конца. По длине контекста Claude входит в число лидеров среди четырёх моделей.

Для финансиста это значит конкретные сценарии:

• Разбор договора целиком: ключевые условия, штрафы, индексация, санкции за расторжение, противоречия между пунктами. Отдельный гайд я писала в статье анализ договора через Claude.
• Сверка условий нескольких договоров в одну таблицу: ставки, сроки, объёмы, пороги.
• Подготовка пояснительных записок, комментариев к отчётности и писем собственнику. Текст у Claude заметно чище, без канцелярита и лишней воды.
• Анализ учётной политики и регламентов: модель находит противоречия и пропущенные разделы.

Claude умеет работать с файлами, искать в интернете и собирать ответы в аккуратные таблицы. У неё есть режим Projects, где можно держать базу документов компании и задавать вопросы по всей базе сразу. Для финдиректора, который работает с договорами и регламентами, это самый удобный формат.

Слабое место Claude это расчёты на глаз. Если попросить её посчитать что-то без код-интерпретатора, она может ошибиться в арифметике, как и любая текстовая модель. Поэтому для чистых расчётов я всё равно советую ChatGPT с код-интерпретатором, а Claude использовать там, где главное это текст и анализ документов.

Мой личный рейтинг для финансовых задач ставит Claude на первое место, 10 из 10. ChatGPT и Gemini получают по 8. Но рейтинг это моё рабочее мнение, а не инструкция. У главного бухгалтера, который каждый день сверяет выписки, первой моделью будет ChatGPT, потому что частота задачи важнее рейтинга. У финансового директора, который раз в неделю разбирает договоры, на первом месте Claude. Рейтинг показывает среднюю силу модели, а выбор определяется вашей конкретной рутиной.

Что умеет Gemini 2.5 и почему он лучший для сканов и фото?

Gemini 2.5 это мультимодальная модель от Google, и её суперсила в том, что она понимает картинки, сканы, фото и графики. Для финансов это неожиданно практичная вещь. Платёжки сфотографированные на телефон, сканы актов, PDF с диаграммами из презентаций, рукописные пометки на документах: Gemini вытаскивает из них даты, суммы, назначения и собирает в таблицу.

Практические сценарии для финансиста:

• Распознавание платёжек и чеков с фото: прорабы присылают фото, бухгалтер перестаёт вбивать суммы руками.
• Анализ графиков и диаграмм: модель читает тренды с картинки и переводит в цифры и выводы.
• Работа с PDF-отчётами банков и контрагентов, включая сканы плохого качества.
• Интеграция с экосистемой Google: Gmail, Google Таблицы, Документы. Gemini умеет работать прямо внутри этих сервисов.

По опыту учениц школы, распознавание 40-50 платёжек занимает 10-15 минут вместо вечера ручного ввода. Точность высокая, но каждую сумму я рекомендую проверять, потому что на плохих фото модель иногда путает цифры.

Ещё у Gemini большой контекст, до миллиона токенов в старших версиях, и одна из самых щедрых бесплатных версий среди четвёрки. Для старта без вложений это хороший вариант. Есть и чисто техническая деталь, которая приятно удивляет на практике: Gemini отвечает быстро, и для финансовых рутин, где вы гоняете десятки однотипных запросов, это ощутимая разница в итоговом времени. Слабое место Gemini это длинные сложные тексты: договоры она разбирает хуже Claude, а оформление ответов иногда перегружено.

Важная деталь про интеграцию. Gemini встроена в Google Таблицы, Документы и Gmail, поэтому для компаний, которые живут в экосистеме Google, она снижает количество переключений между сервисами. Вы пишете промпт прямо в Таблице, и модель обрабатывает данные, не покидая рабочее окно. Для отдела, где уже настроены Google-инструменты, это весомый аргумент, даже если по тексту Gemini уступает Claude.

Что умеет DeepSeek V3.2 и стоит ли экономить на подписках?

DeepSeek V3.2 это китайская модель, которая в 2026 году стала популярной по одной причине: она бесплатна и работает без VPN. Для российского рынка это весомо, потому что остальные три сервиса требуют средств доступа.

Честно про ограничения. Данные уходят на серверы в Китае, поэтому загружать в DeepSeek можно только обезличенную информацию: без названий контрагентов, ИНН, номеров договоров и банковских реквизитов. С первичными документами компании эта модель не работает. Это ограничение, а не баг, и его надо учитывать до старта.

Что на DeepSeek можно делать:

• Черновики текстов: пояснительные записки, письма, описания процедур, шаблоны регламентов на обезличенных данных.
• Разбор методик и обучение: объяснить, как считаются коэффициенты, что такое EBITDA, как устроен отчёт о движении денежных средств.
• Подготовка структуры документов: скелет учётной политики, план внутреннего аудита, чек-лист закрытия месяца.
• Перевод и адаптация текстов.
• Тестовая работа: если вы только пробуете нейросети и не готовы платить, DeepSeek это бесплатная точка входа.

Качество ответов у DeepSeek хорошее, на простых задачах оно сопоставимо с остальными моделями. На сложных аналитических задачах и больших документах она уступает ChatGPT и Claude, но для старта и обезличенных текстовых задач этого достаточно.

Мой совет простой: DeepSeek это не основная рабочая лошадка финансиста, а бесплатный инструмент для черновиков и обучения. Как только появляются реальные данные компании, нужна одна из трёх других моделей с нормальной политикой конфиденциальности.

Ещё один честный момент про DeepSeek: качество ответов заметно выросло за последний год, и на простых текстовых задачах разница с дорогими моделями почти не видна. Поэтому для компании на старте, где нет бюджета на подписки, DeepSeek вполне может закрыть черновую часть работы: структура документа, первый вариант письма, объяснение методики. Проблема начинается там, где нужна точность цифр, длинный контекст или конфиденциальность. Эти три вещи DeepSeek в обычном доступе не даёт.

Чем модели отличаются и как выбрать нейросеть под свою задачу?

Сведу главное в одну таблицу. Актуально на август 2026 года, цены проверяйте на официальных страницах, они меняются.

Оценки это моё экспертное мнение на основе работы с ученицами школы, не объективная истина. Для ваших задач расклад может отличаться, и это нормально.

Какую нейросеть выбрать под конкретную задачу финансиста?

Самый частый вопрос на консультациях звучит так: вот моя задача, какая модель подойдёт? Собираю матрицу выбора по типичным задачам CFO.

Сверка выписки с учётом. ChatGPT с код-интерпретатором. Модель реально пересчитывает суммы, находит расхождения по датам и назначениям, выдаёт список с номерами строк. Экономия от трёх дней до одного.

Разбор договора. Claude Sonnet 4.6. Контекст до 200 тысяч токенов держит весь документ, таблица ключевых условий собирается за один проход.

Подготовка пояснительной записки и писем. Claude. Текст чище, меньше править. ChatGPT пишет тоже хорошо, но с лишними оборотами.

Распознавание платёжек и чеков с фото. Gemini 2.5. Сканы, фото, PDF плохого качества это её зона.

Финансовый анализ по коэффициентам. ChatGPT с код-интерпретатором для расчётов, Claude для текстового вывода. Связка двух моделей даёт лучший результат, чем одна.

Поиск аномалий и признаков мошенничества. ChatGPT для статистики по массиву, Claude для интерпретации схем. Подробный разбор в статье AI против мошенничества в отчётности.

Черновики регламентов и методичек на обезличенных данных. DeepSeek бесплатно, либо Claude для аккуратного текста.

Работа с большим объёмом таблиц, отчёты для собственника. ChatGPT собирает сводки и графики быстрее всех.

Анализ графиков и диаграмм из презентаций. Gemini, она читает тренды прямо с картинки.

Если ваша главная задача это договоры и документы, берите Claude. Если рутина с данными и расчётами, берите ChatGPT. Если много сканов и фото, берите Gemini. Если только стартуете и нет бюджета, начните с DeepSeek на обезличенных данных, потом перейдёте.

Безопасно ли загружать финансовые данные в нейросеть?

Вопрос безопасности важнее вопроса выбора модели, потому что ошибка здесь дороже. Отвечаю прямо: полные данные компании с контрагентами и реквизитами загружать в облачные нейросети не стоит. Это касается всех четырёх моделей, включая DeepSeek, где риск выше всего из-за серверов в Китае.

Рабочий порядок выглядит так:

1. Обезличьте выгрузку: замените названия контрагентов кодами (Контрагент 1, Контрагент 2), удалите ИНН, номера договоров, банковские реквизиты, личные данные сотрудников.
2. Оставьте то, что нужно для задачи: суммы, даты, категории, внутренние идентификаторы.
3. Отключите использование данных для обучения модели в настройках аккаунта.
4. Для чувствительных данных используйте корпоративные тарифы, где данные не идут в обучение.
5. Для сверхчувствительных данных рассмотрите локальную модель, которая работает на вашем компьютере. Подробный разбор в статье локальная нейросеть без утечки данных.

Отдельный гайд по обезличиванию я писала здесь: обезличивание данных перед загрузкой в ChatGPT. Коротко: модель не должна видеть то, что можно привязать к конкретной компании или человеку. Суммы и даты сами по себе не секрет, связка «кто платит кому и сколько» это уже чувствительная информация.

Помните про DeepSeek отдельно: даже обезличенные данные уходят на серверы в другой стране. Если политика компании это запрещает, DeepSeek для рабочих данных не подходит вообще.

Сколько стоят нейросети для финансиста и сколько времени они экономят?

Цены на подписки меняются, поэтому привожу порядок цифр и рекомендую проверять актуальные тарифы на официальных страницах. Точные цифры из статьи быстро устаревают.

У ChatGPT, Claude и Gemini есть бесплатные версии с лимитами на количество запросов и объём файлов. Для разовых задач бесплатных версий хватает, для регулярной работы с финансами обычно нужна платная подписка.

Порядок стоимости в 2026 году:

• ChatGPT Plus: порядка 20 долларов в месяц. Даёт доступ к GPT-5.5, код-интерпретатору, работе с файлами и поиску.
• Claude Pro: порядок 20 долларов в месяц. Даёт доступ к Claude Sonnet 4.6, длинному контексту и режиму Projects.
• Gemini: подписка входит в Google One AI, порядок аналогичного диапазона. Бесплатная версия Gemini одна из самых щедрых.
• DeepSeek: бесплатно в веб-чате. Платное API для разработчиков, обычному финансисту платить не нужно.

Мой совет: не покупайте все подписки сразу. Начните с бесплатных версий, прогоните свои три главные задачи, посмотрите, где бесплатных лимитов не хватает, и оформите подписку только на эту модель. На курсе мы считали экономику: подписка за 20 долларов окупается, если модель экономит хотя бы два-три часа в месяц. Реально экономия больше, обычно от 8 до 10 часов в неделю.

Приведу простой расчёт, чтобы было наглядно. Если средняя ставка финансового специалиста в компании 150 000 рублей в месяц за 160 часов, то один час стоит около 950 рублей. Экономия 8 часов в неделю это 7 600 рублей в неделю и больше 30 000 рублей в месяц. Подписка за 20 долларов, даже по текущему курсу, окупается в первый же день работы. Этот расчёт я всегда показываю собственникам, когда они спрашивают, зачем платить за нейросети.

Кейсы из практики школы: часы и рубли

Цифры из практики учениц школы, с их разрешения и без точных привязок к компаниям. В каждом случае указываю диапазон, потому что результат зависит от качества исходных данных.

Кейс 1. Разбор арендных договоров, Claude Sonnet 4.6.

Финансовый директор сети розничных магазинов, 14 арендованных помещений. Каждый договор аренды это 40-50 страниц с приложениями. Раньше на разбор одного договора уходило 3-4 часа: нужно было вытащить ставку, индексацию, штрафы, условия расторжения и свести всё в единую таблицу по сети.

Что сделали: загрузили договоры в Claude Sonnet 4.6 по одному, промпт просил собрать таблицу ключевых условий и найти риски. Результат: 25-30 минут на договор вместо 3-4 часов, экономия 10-12 часов в месяц на рутине. В первый же месяц в одном договоре нашли пункт об индексации ставки, привязанный к курсу валюты, который добавил бы около 400 000 рублей к годовым затратам. Пункт пересмотрели с арендодателем.

Кейс 2. Сверка банковской выписки, ChatGPT с код-интерпретатором.

Главный бухгалтер на УСН, в месяц проходит 3 000-3 500 операций по расчётному счёту. Сверка выписки с учётной системой раньше занимала 2-3 дня ручной работы: найти расхождения по суммам, датам, назначениям.

Что сделали: выгрузили выписку в CSV без контрагентов, загрузили в ChatGPT с код-интерпретатором, промпт просил сверить по суммам и датам и выдать список расхождений с номерами строк. Прогон занял 20-30 минут, модель выдала 24 расхождения, ручная проверка по первичке ещё 2-3 часа. Итого один день вместо трёх, экономия около 60% времени на закрытии месяца.

Кейс 3. Распознавание платёжек с фото, Gemini 2.5.

Финансовый аналитик в строительной компании получает от прорабов фото платёжек на телефон. Раньше вбивал 40-50 платежей вручную по вечерам, примерно 6-8 часов в неделю.

Что сделали: настроили загрузку фото в Gemini 2.5, модель вытаскивает даты, суммы и назначения в таблицу. Обработка 50 фото занимает 10-15 минут, точность 95-98%, но каждая сумма проверяется человеком. Экономия 6-8 часов в неделю, это почти целый рабочий день.

Кейс 4. Тест моделей на трёх задачах, который сэкономил 15 000 рублей.

Финансовый директор производственной компании решил выбрать модель системно, а не на глаз. Взял три задачи: сверку выписки за месяц, разбор договора поставки на 60 страниц и распознавание 30 чеков с фото. Прогнал каждую через бесплатные версии ChatGPT, Claude и Gemini, замерил время и точность. Результат: для сверки и распознавания лучше всех ChatGPT и Gemini, для договора Claude, а платить за все три подписки сразу смысла нет. Итог: оформили одну подписку на Claude под главную задачу (договоры), остальное делают бесплатными версиями. Экономия около 40 долларов в месяц, это примерно 3 500-4 000 рублей, а за год больше 40 000 рублей. При этом качество работы не пострадало, потому что выбор сделан под реальную частоту задач, а не под рейтинги.

Общий вывод из кейсов: нейросети не убирают человека из процесса, они убирают рутину. Проверка, решения и ответственность остаются за специалистом, а вот время на повторяющиеся операции сокращается в разы.

Чтобы кейсы не выглядели как подборка чужих успехов, добавлю один честный провал. Одна из учениц решила сэкономить и не обезличила выгрузку перед загрузкой в облачную модель. Результат не был катастрофой, данные быстро удалили, но внутри компании возник вопрос про политику безопасности, и внедрение нейросетей в отделе затормозили на два месяца. Потраченное время на согласования оказалось дороже, чем те 10 минут, которые экономит обезличивание. Этот случай я привожу на курсе как пример, что выбор модели и безопасность данных это один процесс, а не два отдельных решения.

Как проверить модели на своих данных: 12 готовых промптов

Чтобы выбрать модель на своих данных, не нужны сложные инструменты. Достаточно прогнать одну и ту же задачу через две-три модели с одинаковым промптом и сравнить. Собрала десять промптов под типичные задачи CFO. Каждый можно подставить в любую из четырёх моделей.

Промпт 1. Единый тест для сравнения моделей.

Этот промпт запускается в каждой модели с одними и теми же данными. Результат сравнения покажет, какая модель точнее для вашей задачи.

Ты финансовый аналитик с опытом работы в управленческом учёте.
Я загружаю выписку по расчётному счёту за месяц в формате CSV
со столбцами: дата, сумма, назначение, категория, идентификатор.

Задача:
1. Посчитай итоговый оборот по дебету и кредиту отдельно.
2. Найди операции, у которых сумма больше 1 000 000 рублей.
3. Сгруппируй расходы по категориям и покажи долю каждой.
4. Выдай результат в таблице и объясни каждую цифру.

Данные обезличены, контрагенты заменены кодами.

Промпт 2. Разбор договора целиком.

Работает лучше всего в Claude Sonnet 4.6 из-за длинного контекста, но подойдёт любой модели.

Ты юрист и финансовый аналитик. Я загружаю договор в PDF.
Задача:
1. Выдели ключевые условия: предмет, цена, порядок оплаты,
   срок действия, порядок расторжения.
2. Найди условия об индексации, штрафах и неустойках,
   укажи точные пункты и цифры.
3. Найди противоречия между пунктами договора.
4. Собери всё в таблицу: условие, пункт договора, текст,
   комментарий, уровень риска для нас.

Проверяй каждую цифру по тексту документа, не выдумывай.

Промпт 3. Сверка выписки с учётной системой.

Для ChatGPT с код-интерпретатором. Модель сама напишет код и пересчитает.

Я загружаю два файла: выписку банка и реестр операций
из учётной системы. В обоих столбцы: дата, сумма, назначение.

Задача:
1. Напиши код на Python и сверь два файла по суммам и датам.
2. Найди операции, которые есть в одном файле и отсутствуют
   в другом.
3. Найди расхождения в суммах по одинаковым датам.
4. Выдай таблицу расхождений с номером строки в каждом файле.

Данные обезличены. Каждую цифру пересчитывай кодом, не на глаз.

Промпт 4. Распознавание платёжек с фото.

Для Gemini 2.5, она лучше всех читает сканы и фото.

Я загружаю фото платёжных поручений и чеков.
Задача:
1. Распознай по каждому документу: дату, сумму, назначение,
   плательщика и получателя.
2. Собери всё в таблицу: номер документа, дата, сумма,
   назначение.
3. Если какую-то сумму распознать не удалось, поставь
   в таблице пометку "требует проверки", не выдумывай цифры.
4. Покажи итоговую сумму по всем документам.

Промпт 5. Анонимный анализ расходов в DeepSeek.

Для DeepSeek, данные уже обезличены.

Ты финансовый аналитик. Я загружаю таблицу расходов
за квартал. Столбцы: дата, категория, сумма, код подразделения.
Названия подразделений заменены кодами, это сделано специально.

Задача:
1. Посчитай расходы по категориям и по подразделениям.
2. Найди категории с ростом расходов к прошлому кварталу.
3. Покажи структуру расходов в процентах.
4. Выдай таблицу и короткие выводы по каждой категории.

Промпт 6. Проверка арифметики модели.

Этот промпт показывает, считает ли модель точно или прикидывает. Прогоните его в каждой модели перед тем, как доверить ей реальные расчёты.

Реши задачу и покажи каждый шаг решения.
Не используй код, посчитай в уме, потом пересчитай кодом
и сравни результаты.

Исходные данные: выручка за январь 12 450 000 рублей,
за февраль 13 780 000 рублей, за март 14 020 000 рублей.
Переменные расходы составляют 62% выручки,
постоянные расходы 3 150 000 рублей в месяц.

Вопросы:
1. Какая маржинальная прибыль за квартал?
2. Какой операционный результат за квартал?
3. Какой средний темп роста выручки в месяц?

Выдай ответ в таблице: показатель, расчёт, результат.

Промпт 7. Пояснительная записка к отчёту.

Черновик, который потом правится под стиль компании.

Ты финансовый директор. Я загружаю управленческий отчёт
за месяц в таблице: выручка, себестоимость, коммерческие
расходы, EBITDA, чистая прибыль, cash flow.

Задача:
1. Опиши динамику к прошлому месяцу и к плану.
2. Выдели две главные причины отклонений по данным из таблицы.
3. Напиши пояснительную записку для собственника на 1 страницу:
   суть, цифры, что делаем дальше.
4. Пиши простым языком, без канцелярита, конкретные цифры.

Промпт 8. Матрица выбора инструмента под задачу.

Полезен, когда не уверены, какую модель использовать для новой задачи.

Составь матрицу выбора нейросети для финансовых задач.
Четыре модели: ChatGPT, Claude, Gemini, DeepSeek.
Задачи: сверка выписки, разбор договора, распознавание
сканов, финансовый анализ, подготовка писем, поиск аномалий,
построение графиков, черновик регламента.

Для каждой задачи укажи: лучшую модель, почему, запасную
модель и ограничения. Выдай таблицу и короткий вывод
по каждой задаче. Данные для решения не нужны,
это справочная матрица.

Промпт 9. Требование ссылок на источник.

Этот промпт режет галлюцинации: модель обязана показывать, откуда взяла цифру.

Отвечай на вопросы по загруженным документам.
Правила:
1. Каждый факт и каждая цифра сопровождается ссылкой
   на конкретный документ и строку или раздел.
2. Если в документах нет ответа, так и напиши,
   не додумывай.
3. Если два документа противоречат друг другу,
   покажи оба варианта и укажи противоречие.
4. Не приводи цифры, которые не можешь подтвердить
   цитатой из документа.

Документы: договор, выписка, счёт.
Вопросы задаю дальше.

Промпт 10. Сценарный расчёт финансовой модели.

Модель строит три сценария на основе загруженных данных.

Ты финансовый аналитик. Я загружаю таблицу с выручкой
и расходами по месяцам за год.

Задача:
1. Построй три сценария на следующий год: консервативный
   (рост выручки 3%), базовый (рост 8%), оптимистичный
   (рост 15%).
2. Для каждого сценария посчитай выручку, маржинальную
   прибыль и операционный результат по месяцам.
3. Укажи, какие допущения заложены в каждый сценарий.
4. Выдай таблицу по месяцам и вывод: при каком сценарии
   компании нужен дополнительный кредит.

Расчёты делай кодом, не на глаз.

Промпт 11. Сверка двух таблиц на дубли и пропуски.

Полезен для регистров учёта, реестров платежей и любых списков, которые должны совпадать между системами.

Ты финансовый аналитик. Я загружаю два реестра: список счетов
на оплату и реестр фактических платежей. Столбцы обоих файлов:
номер документа, дата, контрагент-код, сумма.

Задача:
1. Найди счета, по которым нет платежа, и платежи без счёта.
2. Найди дубли по номеру документа и сумме.
3. По каждому расхождению укажи номер строки в обоих файлах.
4. Покажи итог: сколько счетов закрыто, сколько оплачено
   частично, сколько просрочено больше 30 дней.

Каждую цифру пересчитывай кодом, не на глаз.

Промпт 12. Упрощение сложного текста для собственника.

Когда управленческий отчёт нужно объяснить простым языком, без канцелярита.

Ты финансовый директор, который объясняет цифры собственнику,
не знакомому с учётом. Я загружаю управленческий отчёт за месяц.

Задача:
1. Перескажи главное за 5 предложений, простым языком,
   как будто объясняешь за чашкой кофе.
2. Каждый вывод сопровождай одной цифрой из отчёта.
3. Убери термины: EBITDA, оборачиваемость, cash flow заменяй
   на простые описания в скобках.
4. Покажи, на что собственнику обратить внимание в первую очередь.

Как пользоваться промптами: берите одну задачу, один промпт, одинаковые данные и прогоняйте через две-три модели. Сравнивайте полноту ответа, точность цифр и удобство оформления. Так выбор модели превращается из гадания в измерение.

Из чего состоит рабочий промпт

Хороший промпт для финансовой задачи держится на четырёх элементах. Если хотя бы одного не хватает, качество ответа падает.

Роль. Первая строка задаёт модель поведения: «Ты финансовый аналитик с опытом в управленческом учёте». Роль задаёт словарь и уровень детализации. Без роли модель отвечает общими словами, с ролью она включает профессиональный контекст.

Данные. Модель должна понимать, с чем работает: «Я загружаю выписку в формате CSV со столбцами дата, сумма, назначение». Чем точнее описаны данные, тем точнее модель их обработает. Если данные загружены файлом, опишите структуру, чтобы модель не гадала.

Шаги. Разбейте задачу на конкретные шаги: «Посчитай итоговый оборот, найди операции больше миллиона, сгруппируй по категориям». Модель выполняет шаги по порядку и реже пропускает часть задачи.

Формат ответа. Укажите, как оформить результат: «Выдай таблицу и объясни каждую цифру». Требование формата убирает простыни текста и даёт результат, который можно сразу использовать.

Частые ошибки в промптах

Первая ошибка это слишком общая формулировка. «Проанализируй выписку» даёт поверхностный ответ, а «сведи выписку с учётной системой по суммам и датам, покажи расхождения таблицей» даёт готовый результат. Вторая ошибка это отсутствие требований к формату: модель отвечает простынёй, которую всё равно придётся переделывать. Третья ошибка это разрешение выдумывать: если не запретить, модель дополнит недостающее правдоподобными цифрами. В финансовых промптах всегда добавляйте строку «если данных нет, так и напиши, не выдумывай». Четвёртая ошибка это перегрузка: десять задач в одном промпте модель выполняет в среднем хуже, чем три. Разбивайте на отдельные запуски.

Промпты из блока выше написаны по этой схеме, поэтому их можно брать как шаблон и подставлять свои данные.

Какие ошибки и мифы мешают выбрать нейросеть?

За годы работы с ученицами школы я вижу повторяющиеся ошибки. Их легко избежать, если знать заранее.

Ошибка 1. Выбирать модель по рейтингам и чужим обзорам

Рейтинги и бенчмарки показывают среднюю картину по набору тестов, а у вас конкретные задачи. Модель, которая выиграла тестовый прогон, может плохо справляться с вашей выпиской из банка. Один свежий пример: модель, которая в тестах стабильно занимает первые места, на задачах точных расчётов неожиданно «фантазирует», потому что считает себя слишком умной и додумывает то, чего нет. На тестовом бенчмарке этот недостаток почти не виден, в реальной сверке выписки он всплывает сразу. Поэтому проверяйте на своих данных, а рейтинги используйте только как отправную точку.

Ошибка 2. Покупать все подписки сразу. Три подписки это 60 долларов в месяц, а реально вы будете использовать одну-две. Начните с бесплатных версий, купите только победителя вашего теста.

Ошибка 3. Доверять расчётам на глаз. Любая текстовая модель может ошибиться в арифметике. Если считаете что-то важное, включайте код-интерпретатор или просите показать шаги расчёта. Модель должна пересчитывать кодом, а не прикидывать.

Ошибка 4. Загружать полные данные компании. Имена контрагентов, ИНН, реквизиты в облачной модели это риск. Обезличивание занимает 10 минут и снимает 90% вопросов безопасности.

Ошибка 5. Выбирать модель под задачу, которая не является главной. Если раз в месяц вы разбираете договор, а каждую неделю сверяете выписку, основная модель это ChatGPT, а не Claude. Смотрите на частоту и объём задач, а не на сложность одной из них.

Ошибка 6. Не пересматривать выбор. Модели обновляются каждые несколько месяцев. То, что год назад было слабым местом, могло стать сильным. Повторный тест раз в квартал держит выбор актуальным.

Ошибка 7. Ждать, что одна модель сделает всё. Связка двух моделей часто даёт лучший результат: ChatGPT считает, Claude оформляет. Не ограничивайте себя одной, если задача требует разного.

Ошибка 8. Не проверять версию модели. Названия вроде «ChatGPT», «Claude» скрывают конкретную версию модели, и результат сильно зависит от неё. Убедитесь, что работаете на актуальной версии: для ChatGPT это GPT-5.5, для Claude Sonnet 4.6, для Gemini 2.5, для DeepSeek V3.2. Если модель устарела, ответы будут хуже, чем могли бы, и вы сделаете неверный вывод о её возможностях.

Ошибка 9. Сдаваться после первого неудачного ответа. Нейросети чувствительны к формулировке промпта. Первый ответ может быть слабым просто потому, что задача описана неточно. Уточните запрос, добавьте требования к формату, приведите пример ожидаемого ответа. Часто второй-третий проход той же модели даёт результат, который кажется работой другой, более умной нейросети.

Три мифа, которые мешают начать

В работе с ученицами я вижу не только ошибки, но и устойчивые мифы, которые мешают начать. Разберу три самых частых.

Миф 1. Нужно выбрать одну модель и пользоваться только ей. Это пережиток старого подхода к софту, где одна программа закрывала одну задачу. У нейросетей другая логика: модели дополняют друг друга, и связка двух часто даёт лучший результат, чем одна. ChatGPT считает, Claude оформляет текст, Gemini распознаёт сканы. Никто не мешает держать открытыми два-три сервиса и брать от каждого то, что у него получается лучше. При этом платить за всё сразу не нужно, достаточно платной подписки на основную модель, а остальные использовать в бесплатных версиях.

Миф 2. Бесплатная версия это игрушка, без платной подписки делать нечего. Бесплатные версии дают реально полезные функции, просто с лимитами. На них можно протестировать модели, прогнать свои задачи и понять, какая модель подходит. Для мелких и средних объёмов работы бесплатных лимитов часто хватает на месяцы. Подписка нужна, когда начинается регулярная работа с большими файлами или высокая частота запросов. Это переход по мере роста потребности, а не обязательное условие старта.

Миф 3. Нейросеть сразу заменит финансового специалиста. Это самый дорогой миф, потому что он пугает и откладывает внедрение. На практике нейросеть убирает рутину, но не заменяет решения. Сверка, разбор договора, подготовка отчёта с нейросетью требуют, чтобы специалист понимал задачу, проверял результат и нёс ответственность. По опыту школы, нейросеть усиливает специалиста, который уже умеет работать с цифрами, а не заменяет его. Компания, где финдир владеет нейросетями, становится эффективнее, а не беднее на сотрудников.

Что дальше: агенты, автоматизация и встраивание моделей в Excel

Выбор модели в 2026 году это уже не только выбор чата. Модели превращаются в агентов: они не просто отвечают на вопросы, а выполняют цепочки действий. У ChatGPT есть режимы работы как агента, у Claude появился режим, где модель не останавливается, пока не достигнет цели. Такие агенты за один запуск собирают данные, сверяют их, пишут отчёт и раскладывают по папкам. Тренд виден по всему рынку: свежие версии моделей Google и DeepSeek заявляют агентность как главную фишку, и даже недорогие модели с открытым весом обходят по «агентным» тестам модели вдвое крупнее. Для нас это значит одно: агентность перестала быть экзотикой и стала стандартным режимом работы.

Для финансиста это меняет картину. Сверка месяца, которая сейчас занимает день с подсказками модели, через год может стать автоматическим сценарием: модель сама выгружает данные, сверяет, находит расхождения и присылает отчёт в мессенджер. В школе мы уже разбираем такие связки: например, AI-агенты для закрытия месяца и сверка регистров через нейросети.

Что это значит для выбора модели сейчас. Покупайте не просто самую умную модель, а ту, у которой есть нормальный режим агента и API для интеграции. ChatGPT и Claude в этом направлении ушли дальше всех, Gemini догоняет, у DeepSeek агентных режимов в обычном доступе нет.

Ещё один тренд: модели встраиваются прямо в рабочие инструменты. Claude работает внутри Excel через надстройку, про это я писала в статье нейросеть для Excel через Claude. Google встраивает Gemini в Таблицы и Документы. Чем глубже модель встроена в ваш инструмент, тем меньше переключений между системами.

Мой прогноз на 2026-2027: выбор нейросети перестанет быть разовым решением и превратится в регулярную практику. Раз в квартал прогоняете тест, обновляете набор моделей, добавляете новые агентные сценарии. Кто держит этот процесс в руках, тот экономит часы каждую неделю.

Как проверяем модели в школе. На курсе «AI-навыки финансиста» мы каждые несколько месяцев обновляем набор моделей, которые показываем ученицам. Для этого есть отдельная процедура: берём набор из пяти типовых задач, от сверки выписки до разбора договора, прогоняем через все актуальные модели и фиксируем результат по шкале от 1 до 5. Такой подход даёт объективную картину, которая не зависит от маркетинговых анонсов, и именно его я советую перенести в свою работу.

Для тех, кто хочет быть готовым к этому заранее, есть смысл уже сейчас вести простую таблицу: задача, текущая модель, оценка результата, дата теста. Когда выйдет новая версия модели, вы прогоняете её через те же задачи и сравниваете с прошлой оценкой. Это занимает час-полтора в квартал и даёт объективную картину, которая не зависит от маркетинговых анонсов. Такой подход я рекомендую на курсе, и ученицы подтверждают, что он экономит и деньги, и нервы: не приходится догонять каждую новинку, потому что у вас есть измеримая база.

Как посчитать экономику внедрения и распланировать его на квартал?

Прежде чем покупать подписки и менять процессы, полезно посчитать, сколько нейросеть реально экономит. Без цифр любое внедрение упирается в вопрос «а зачем нам это надо» и встаёт.

Простой способ расчёта в четыре шага. Первый: возьмите три самые частые рутинные задачи отдела, например сверку выписки, разбор договоров и подготовку отчёта для собственника. Второй: замерьте, сколько часов в месяц занимает каждая задача сейчас. Третий: после внедрения нейросети замерьте те же задачи снова. Четвёртый: разницу в часах умножьте на стоимость часа специалиста.

Стоимость часа считается просто: месячная зарплата делится на 160 рабочих часов. Для специалиста с окладом 150 000 рублей час стоит около 950 рублей, для финдиректора с окладом 250 000 рублей около 1 560 рублей. Дальше экономика считается на конкретных цифрах отдела.

Пример из практики школы. Отдел с двумя бухгалтерами тратил на сверку выписки 5 дней в месяц суммарно. После внедрения нейросети сверка занимает 2 дня. Экономия 3 дня это 24 часа, при ставке 950 рублей в час это около 22 800 рублей в месяц, больше 270 000 рублей в год. Подписки на модели стоят в разы меньше, окупаемость наступает в первый месяц.

Важно считать не только время, но и ошибки. Ручная сверка пропускает расхождения, которые потом всплывают в отчётности и стоят дороже. Нейросеть проходит весь массив построчно и снижает пропуски, хотя и не убирает их полностью. Эту часть экономики сложно посчитать в часах, но она часто перекрывает экономию времени.

Отдельно про то, кому показывать эти расчёты. Собственнику и генеральному директору важны цифры в рублях, а не «мы теперь используем нейросети». Подготовьте одну страницу: задача, часы до, часы после, экономия в рублях за месяц и за год, стоимость подписок. Такая страница снимает большинство вопросов о выделении бюджета на инструменты.

Есть и второй уровень экономики, который появился именно в 2026 году: агентные прогоны, когда модель выполняет за один запуск объём работы на несколько часов. Ориентир по рынку такой: средняя задача агента обходится примерно в один доллар на API, а объём выполненной работы сопоставим с несколькими часами работы человека. Для сравнения: подписка на модель стоит около 20 долларов в месяц и закрывает сотни таких задач. Когда собственник спрашивает «а что даст нейросеть отделу», эти два числа, 1 доллар за задачу против 950 рублей за час специалиста, объясняют экономику быстрее любых слов.

План внедрения нейросети в работу финотдела на квартал

Один день на тест это старт, но чтобы нейросеть действительно вошла в работу, нужен план на квартал. Собирала этот план вместе с ученицами курса, он повторяемо работает в разных отделах.

Месяц 1. Тест и первая задача. Выберите одну задачу с самой большой экономией времени и внедрите её полностью: промпт, порядок, проверка результата. Цель месяца не охватить всё, а довести одну задачу до рабочего состояния и зафиксировать цифры экономии.

Месяц 2. Расширение на две-три задачи. Добавьте задачи из вашего списка по одной в неделю. Каждую неделю фиксируйте часы до и после. К концу месяца у вас будет три-четыре рабочих сценария с цифрами.

Месяц 3. Автоматизация и порядок. Опишите каждый сценарий короткой инструкцией: что делает модель, какие данные загружаются, кто проверяет. Подключите обезличивание как обязательный шаг. Зафиксируйте, какие задачи остаются на модели, а какие на человеке.

После квартала пересмотрите набор моделей: что изменилось, какие задачи выросли, какие версии вышли. Дальше этот цикл повторяется, и выбор нейросети становится обычной практикой отдела, а не разовым событием.

Чек-лист: как выбрать нейросеть финансисту за один день

Если вы читаете статью и хотите применить прямо сейчас, вот пошаговый порядок. Он занимает один рабочий день и даёт ответ на вопрос «какую модель выбрать» на ваших данных.

1. Выберите три задачи, которые съедают больше всего часов. Сверка выписки, разбор договора, подготовка отчёта. Важны повторяющиеся задачи, а не редкие.
2. Зарегистрируйтесь в бесплатных версиях ChatGPT, Claude и Gemini. Для теста бесплатных лимитов достаточно.
3. Подготовьте обезличенный тестовый файл. Выписка без контрагентов, договор без реквизитов, таблица расходов без названий.
4. Прогоните одну и ту же задачу через каждую модель. Один и тот же промпт из блока выше, одни и те же данные.
5. Замерьте время на результат и оцените качество. Полнота ответа, ошибки в цифрах, удобство оформления. Оценка от 1 до 5.
6. Сравните результаты. Какая модель дала полный ответ без ошибок, какая справилась с большим файлом, какая оформила удобнее.
7. Выберите основную модель под главную задачу и оформите платную подписку, если бесплатных лимитов не хватает.
8. Повторите тест через месяц. Модели обновляются, раскладка сил меняется, держите выбор актуальным.

Отдельно зафиксируйте, какие данные вы готовы загружать в облачные модели, а какие нет. Этот список важнее выбора модели, потому что он защищает компанию независимо от того, какую нейросеть вы выберете.

Последнее замечание по чек-листу. Не стремитесь сделать всё за один вечер. Достаточно выбрать одну задачу, прогнать её через две модели и записать результат. Вечер на первую задачу, вечер на вторую, и через три-четыре дня у вас есть картина, которая покрывает вашу реальную работу. Покупка подписки после такого теста это осознанное решение, а не импульс.

Частые вопросы про выбор нейросети для финансиста

Какая нейросеть лучшая для финансиста в 2026 году?

Однозначного ответа нет, выбор зависит от задачи. Для работы с данными и расчётами это ChatGPT (GPT-5.5) с код-интерпретатором. Для длинных документов и аккуратного текста это Claude Sonnet 4.6. Для сканов и фото это Gemini 2.5. Для бесплатного старта на обезличенных данных это DeepSeek V3.2. Лучший способ выбрать: прогнать свои три главные задачи через две-три модели и сравнить.

Нужно ли финансисту покупать платную подписку?

Обычно да, если нейросеть используется регулярно. Бесплатные версии имеют лимиты на количество запросов и объём файлов, для работы с большими выписками их не хватает. Подписка порядка 20 долларов в месяц окупается, если модель экономит хотя бы два-три часа в месяц, а реальная экономия обычно больше.

Можно ли использовать DeepSeek для финансовых данных компании?

Только обезличенные данные. DeepSeek работает без VPN и бесплатен, но данные уходят на серверы в Китае. Названия контрагентов, ИНН, реквизиты и личные данные загружать нельзя. Для первичных документов компании DeepSeek не подходит, для черновиков и обучения на обезличенных данных пожалуйста.

Чем отличается контекст у моделей и почему это важно?

Контекст это объём информации, который модель держит в памяти при ответе. Claude Sonnet 4.6 держит до 200 тысяч токенов, это договор на 200-300 страниц целиком. Gemini 2.5 в старших версиях до миллиона токенов. Чем больше контекст, тем более длинные документы можно загружать без потери смысла. Для разбора договоров это ключевой параметр.

Что такое код-интерпретатор и зачем он финансисту?

Это режим, в котором модель пишет и запускает код на Python, чтобы посчитать то, что вы просите. Вместо оценки на глаз модель реально пересчитывает суммы, ищет расхождения и строит графики. Для сверок, расчётов и анализа данных это главный инструмент, поэтому для таких задач я советую ChatGPT, где код-интерпретатор работает лучше всего.

Какие задачи нейросети для финансиста решают плохо?

Точные юридические выводы без проверки, расчёты на глаз без кода, доступ к закрытым системам компании и задачи, где нужна официальная ответственность. Модель готовит черновики и гипотезы, а решение и проверка всегда за человеком. Это важно помнить, чтобы не получить ложную уверенность.

Ещё один частый вопрос, который я слышу на эфирах: надо ли изучать программирование, чтобы пользоваться код-интерпретатором. Нет. Код пишет модель, вам нужно только уметь сформулировать задачу словами и проверить результат. Это как с калькулятором: чтобы посчитать, не нужно уметь собирать калькулятор. Достаточно понимать, что вы хотите получить, и уметь прочитать ответ.

Дополнительный вопрос про связку моделей. Можно ли использовать две модели в одной задаче, например ChatGPT для расчёта, а Claude для текста? Да, это рабочий приём. Прогоняете расчёт через ChatGPT, получаете таблицу с цифрами, передаёте её в Claude и просите написать пояснительную записку. Так каждая модель делает то, что у неё получается лучше, и результат получается выше, чем у одной модели в одиночку. Единственное, что важно, это сверять цифры при передаче между моделями: Claude не должен сам пересчитывать, он работает с готовыми числами.

Итог: как выбрать нейросеть и не пожалеть

Правильный выбор нейросети для финансиста в 2026 году это не поиск лучшей модели вообще, а выбор под свои три главные задачи. ChatGPT закрывает рутину с данными и расчётами, Claude разбирает длинные документы, Gemini читает сканы и графики, DeepSeek даёт бесплатную точку входа на обезличенных данных. На простых задачах разница между моделями невелика, на сложных и длинных она становится решающей.

Потратьте один день на тест: подготовьте обезличенные данные, прогоните одинаковые промпты через две-три модели, замерьте время и точность. Результат этого теста надёжнее любых рейтингов, потому что он посчитан на ваших данных. Дальше обновляйте выбор раз в квартал, модели развиваются быстро.

Отдельно скажу про тех, кто откладывает старт в ожидании «идеальной» модели. Идеальной не будет, каждая новая версия это компромисс: лучше в одном, слабее в другом. Ждать совершенства значит терять часы, которые нейросети экономят уже сейчас. Даже если вы выберете не самую сильную модель под свою задачу, вы всё равно будете быстрее, чем без нейросети. А через месяц, после первого теста, вы сможете поправить выбор на свежих данных.

Если вы хотите не просто выбрать модель, а выстроить работу финотдела с нейросетями как систему, приходите на курс «AI-навыки финансиста». 800+ выпускников уже внедрили такие сценарии в свою работу. Записаться можно на сайте школы fin-academy.pro/ai, а начать с бесплатного эфира про AI-агентов можно здесь chatgpt.fin-academy.pro.

Подписывайтесь на наши каналы, там я и Софья делимся практикой и новостями:

• @findir_pro, 45 000 подписчиков, основной канал школы «Финансовый директор | Мастер CFO»
• «АИ с Софьей и Натали», 13 000 подписчиков, канал про нейросети для финансистов
• MAX, 5 000+ подписчиков, актуальные новости и практика применения AI в финансах