Консолидация отчётности через ChatGPT: собираем данные по филиалам и юрлицам из Excel без ручной склейки

Три месяца назад ко мне пришла финансист группы из шести юрлиц. Каждый месяц она тратила четыре дня на то, чтобы собрать управленческий P&L по компании: открывала шесть файлов, сводила в один, полдня ловила расхождения между «Выручкой» и «Реализацией», потом ещё день объясняла собственнику, почему в консолидированной цифре нет внутренних продаж. Я показала ей процесс, который разбираю в этой статье, и через две недели она написала: «Натали, теперь это два часа после закрытия месяца». 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, а наши каналы читают больше 45 000 подписчиков в основном Telegram-канале и 13 000 в канале «АИ с Софьей и Натали». Материал актуален на 26 августа 2026 года.

Внутри вас ждёт: пошаговый процесс консолидации через ChatGPT, десять готовых промптов под каждый шаг, три кейса с цифрами в часах и рублях, сравнительная таблица моделей и чек-лист на один вечер. Если у вас одно юрлицо, не спешите уходить: половина приёмов работает и для свода данных по подразделениям внутри компании, и для сверки нескольких выгрузок из 1С. Если у вас холдинг на десять и больше юрлиц, читайте внимательно, для вас это материал уровня «закрыть процесс навсегда». Тем, кто только начинает путь с нейросетями, сначала советую пройти большой бесплатный курс ChatGPT для финансиста. В конце каждого ключевого раздела я даю промпт, который можно скопировать и применить уже сегодня.

Зачем нужна консолидация отчётности и почему она съедает недели

Прямой ответ: консолидация нужна всегда, когда у компании больше одного юрлица или филиала, а решение собственник принимает по всей группе. Без неё у вас десять таблиц вместо одной, каждый директор видит только свой кусок, и никто не видит общую картину. Собственник смотрит на итог группы, а итога нет, есть стопка файлов и конфликтующие цифры. Подготовку управленческой отчётности для собственника через AI я разбирала в отдельной статье Управленческая отчётность собственнику через AI.

Почему это боль. Собственник не хочет разбираться, что ООО «Альфа» принесло 8 миллионов, а ООО «Бета» убыток в 2 миллиона. Ему нужна одна цифра: группа заработала 6 миллионов. А чтобы её получить, нужен человек, который сведёт отчётность всех юрлиц по единым правилам. На практике это выглядит так: выгрузки из 1С по каждому юрлицу, ручная склейка в Excel, проверка, что суммы сходятся, выяснение, почему один юрлицо в расходах написал «Аренда», а другой «Аренда офиса», и так по каждой строке.

Считаю, сколько это стоит в часах. Типовая ситуация: группа из шести юрлиц, закрытие месяца, управленческий P&L. Собрать файлы и привести к единому виду это 2-4 часа. Склейка и проверка арифметики это 3-6 часов. Разбор расхождений между юрлицами это 2-4 часа. Пояснительная записка для собственника это ещё 2-3 часа. Итого 9-17 часов каждый месяц, а это два-три рабочих дня финансиста, которые уходят на механику, а не на анализ.

Теперь пересчитаем в деньги. Час финансового директора в 2026 году это примерно 2 500-4 000 рублей. Если консолидация забирает два-три дня в месяц, это 20 000-48 000 рублей сэкономленного времени ежемесячно только на одном процессе. За год набегает четверть миллиона и больше. А если добавить к P&L консолидацию ДДС, остатков и отчёта для банка, цифра умножается. Само закрытие месяца с нейросетью я разобрала по шагам в статье Закрытие месяца с ChatGPT.

Самое обидное, что это не работа, а перенос данных. Аналитической ценности в ручной склейке ноль. Ценность появляется после того, как цифры собраны: в комментариях к отклонениям, в рекомендациях собственнику, в вопросах директорам филиалов. Нейросеть забирает именно перенос данных, а вам оставляет анализ. Поэтому консолидация это одна из самых быстрых по окупаемости задач для нейросетей: результат виден в первый же месяц, а навык остаётся навсегда.

Отдельно про рынок. Я вижу, как за последний год отчётность по группам компаний перестала быть задачей «для программиста с Excel-макросами». В платных нейросетях обработка файлов стала обычной функцией: вы загружаете таблицы, модель читает их, считает в коде на Python и возвращает сводную таблицу. То, что раньше требовало навыков Power Query и макросов, сейчас закрывается обычным диалогом. Но есть нюанс: нейросеть работает ровно настолько хорошо, насколько подготовлены ваши файлы. О том, как их подготовить, дальше.

Что такое консолидация отчётности через ChatGPT

Прямой ответ: это процесс, при котором нейросеть принимает файлы Excel по каждому юрлицу или филиалу, приводит их к единому виду по вашему справочнику, складывает по общим статьям и выдаёт сводную таблицу с комментариями. Вы не пишете код и не настраиваете сложные инструменты: вся работа идёт через обычный диалог на chatgpt.com.

Разберу по шагам, что именно делает нейросеть. Первое: она читает файлы. ChatGPT принимает XLSX, XLS, CSV и другие табличные форматы, вы просто прикрепляете файлы к сообщению. Второе: она понимает структуру. Если во всех файлах колонки называются одинаково, модель сама находит «статья», «период», «сумма». Третье: она считает. Когда в промпте есть фраза «считай в коде на Python», нейросеть запускает интерпретатор и выполняет арифметику точно, а не «на глаз». Четвёртое: она сводит. По вашему справочнику соответствий модель группирует разные названия в канонические статьи и складывает их по всем юрлицам. Пятое: она объясняет. В конце нейросеть пишет, где выросли или упали показатели и какие строки требуют внимания.

Здесь важно сразу поставить границы, чтобы не было ложных ожиданий. Консолидация через ChatGPT это не замена учётной системы и не автоматическая сборка по МСФО. Это инструмент управленческой консолидации и черновой работы: собрать, сложить, найти расхождения, подготовить пояснения. Финальные цифры, которые идут собственнику, в банк или в налоговую, вы проверяете и утверждаете сами. Нейросеть делает за вас то, что не требует суждения: перенос, суммирование, поиск несовпадений. Суждение остаётся за вами.

Теперь про разницу между «консолидацией» и простой склейкой. Склейка это сложить таблицы как есть, надеясь, что названия совпадут. Консолидация это сложить по правилам: единый справочник статей, элиминация внутренних оборотов между юрлицами группы, пересчёт в единую валюту, если нужно, и пояснения к отклонениям. ChatGPT справляется с обоими уровнями, но второй уровень требует от вас справочника и правил. Чем точнее правила, тем точнее результат. Нейросеть не знает, что продажи «Альфы» в «Бету» это внутренние продажи, пока вы ей это не объясните. Поэтому мастер-промпт консолидации из этой статьи построен как набор правил, а не просто «сложи файлы».

Если вы раньше пользовались нейросетью только для текстов, этот процесс покажется непривычным: тут вы работаете с файлами, колонками и суммами. Но механика та же самая. Вы даёте модели вход, инструкцию и формат ответа, она возвращает структурированный результат. Разница в том, что вход это не текст, а таблицы, и это ровно тот случай, где нейросеть экономит больше всего времени.

Что умеет и чего не умеет ChatGPT в консолидации: честные границы

Прямой ответ: ChatGPT уверенно делает нормализацию, склейку по справочнику, арифметику в Python, поиск расхождений и черновик пояснительной записки. Он не заменяет учётную политику, не понимает неявных правил и может уверенно ошибиться, если файлы кривые. Знание границ экономит вам часы, поэтому давайте я разложу их честно.

Начну с того, что нейросеть делает хорошо. Первое: массовая арифметика. Сложить выручку по двенадцати юрлицам, посчитать доли, проценты, накопительные итоги. В Python это выполняется точно, без «округлений на глаз». Второе: нормализация по справочнику. Если вы дали таблицу соответствий, модель применит её ко всем файлам одинаково, не устанет к сороковой строке и не пропустит «Реализацию» где-нибудь в середине. Третье: поиск расхождений. Нейросеть сведёт файлы и покажет, где сумма по юрлицу не сходится с контрольной цифрой или где в одном файле статья есть, а в другом отсутствует. Четвёртое: черновик пояснительной записки. На основе сводной таблицы модель напишет структурированный текст для собственника: что выросло, что упало, какие вопросы задать директорам. Пятое: элиминация по явному правилу. Вы пишете «исключи обороты между юрлицами по счёту N», и модель найдёт и вынесет их отдельно.

Теперь то, что нейросеть не делает или делает плохо. Первое: она не знает вашей учётной политики. Разные юрлица могут по-разному отражать одни и те же операции, и нейросеть не догадается об этом без вашей инструкции. Второе: она не понимает неявных правил. Если «внутренние продажи это продажи между юрлицами группы, кроме сервисной компании», это надо написать явно, иначе модель будет гадать. Третье: она может уверенно ошибиться на кривых данных. Объединённые ячейки, лишние строки, суммы с пробелами, числа, записанные текстом, всё это сбивает модель. Четвёртое: галлюцинации на нормативке. Если вы просите нейросеть подсказать, как правильно отразить операцию по стандарту, она может уверенно сослаться на устаревшее правило. Поэтому любую норму из ответа проверяете в первоисточнике.

Разберу типичную ошибку на примере, чтобы было понятно. Финансист загрузил в ChatGPT шесть файлов по юрлицам без справочника и попросил «свести P&L». Модель сложила, но в одном файле статья называлась «Выручка по коду 90», в другом «Реализация», в третьем «Продажи». Нейросеть не знала, что это одно и то же, и вывела три разные строки. Итог: сумма сходилась, а структура была неправильная, собственник увидел три вида выручки и задал вопрос, на который не должно было быть повода. Решение не в том, чтобы ругаться на нейросеть, а в справочнике соответствий, который мы готовим до загрузки. Об этом следующий раздел.

Ещё один важный момент: контекст. У GPT-5.5 достаточно окна, чтобы удержать десять-пятнадцать нормализованных файлов в одном диалоге, но если вы загрузите тридцать тяжёлых выгрузок с кучей листов, модель начнёт «забывать» первые файлы. Лечится это разбиением на прогоны и промежуточным сведением итогов. Подробно покажу в разделе про загрузку.

Что это значит на практике. Нейросеть в консолидации это очень быстрый и старательный ассистент с двумя слабостями: она не знает ваших правил и доверяет вашим данным такими, какие они есть. Обе слабости закрываются подготовкой: справочник, нормализация, явные правила в промпте. Когда подготовка есть, нейросеть работает стабильно месяц за месяцем. Когда подготовки нет, каждая консолидация превращается в лотерею.

Какие данные можно сводить через нейросеть

Прямой ответ: всё, что лежит в Excel и имеет общий справочник статей: управленческий P&L по юрлицам, ДДС по филиалам, остатки по счетам, выручка по направлениям, себестоимость по проектам. Если у данных есть колонка «сумма» и признак, по которому они группируются, нейросеть их сведёт.

Составлю список типовых задач, которые я закрываю сама и вижу у учеников.

Управленческий P&L по юрлицам. Самая частая задача. У каждого юрлица свой файл со статьями доходов и расходов. На выходе сводный P&L группы с колонками по каждому юрлицу и итогом. Сюда же входит элиминация внутренних продаж между юрлицами.

ДДС по филиалам. Компания с сетью филиалов, у каждого свой банк и своя касса. Сводим приходы и расходы по статьям движения денежных средств, получаем консолидированный ДДС и видим, какой филиал создаёт кассовые разрывы. Для платёжного календаря это отдельная история, я разбирала её в статье Платёжный календарь в Telegram: как AI закрывает кассовые разрывы.

Остатки по счетам группы. Для отчёта в банк или для собственника. Собираем остатки по расчётным счетам и кассе всех юрлиц, нейросеть складывает и показывает структуру: где деньги лежат, у кого профицит, у кого минус.

Выручка по направлениям и проектам. Несколько юрлиц продают разные направления. Сводим выручку по продуктам, чтобы собственник видел, что реально приносит деньги, а не сколько заработало каждое юрлицо.

Сверка межфилиальных и межюрлицевых оборотов. Кто кому должен внутри группы, сходятся ли взаимные остатки. Нейросеть принимает реестры по каждому юрлицу и показывает расхождения парами. Это отдельная задача, близкая к сверке регистров, о которой я писала в статье Сверка регистров через ChatGPT Code Interpreter.

Себестоимость и накладные расходы. Свод по статьям затрат, сравнение долей между юрлицами, поиск аномалий вроде скачка аренды у одного из филиалов.

Теперь про то, что сводить не стоит. Не загружайте в нейросеть сырые банковские выписки за три года в надежде, что она сама разберётся. Чем грязнее данные, тем больше времени уходит на проверку, и экономия превращается в проигрыш. Правило простое: нейросеть сводит нормализованные управленческие файлы, а не «переваривает хаос». Если выгрузка кривая, сначала приведите её к виду «статья, период, сумма» руками или автозаменой, и только потом грузите.

Ещё одно правило касается чувствительности. Названия юрлиц, ИНН, счета, ФИО и суммы, которые в сочетании с названием раскрывают сделку, обезличиваем до загрузки. Документы под NDA и банковскую тайну в публичные тарифы не грузим вообще. Подробно о том, как обезличить данные перед нейросетью, я написала в отдельной статье, ссылку дам в разделе про подготовку. Пока запомните принцип: в нейросеть уходит обезличенная версия, а справочник-мэппинг с настоящими названиями остаётся у вас на компьютере.

Шаг 1. Готовим файлы: единый формат, справочник, обезличивание

Прямой ответ: 80 процентов успеха консолидации решается до загрузки в нейросеть. Задача шага: привести все файлы к одному формату, собрать справочник соответствий и обезличить данные. На это уходит 40-60 минут в первый раз и 15-20 минут со второго месяца, когда шаблоны уже готовы.

Начну с формата. Я прошу учеников приводить каждый файл к простому виду: первая строка это шапка с названиями колонок, дальше данные, никаких объединённых ячеек, лишних листов и примечаний. Для управленческого P&L хватает четырёх колонок: «Статья», «Период», «Сумма», «Аналитика» (по желанию). Если в файле есть строки-итоги, лучше их убрать: нейросеть сама посчитает итог, а лишние строки только путают. Названия файлов тоже приведите к единому виду: «01_Юрлицо1_PL.xlsx», «02_Юрлицо2_PL.xlsx». Так и вам, и нейросети проще.

Теперь справочник соответствий. Это таблица из двух-трёх колонок: «Как написано в файле», «Как группируем», «Комментарий». Пример: «Выручка» / «Выручка»; «Реализация» / «Выручка»; «Продажи» / «Выручка»; «Аренда» / «Аренда»; «Аренда офиса» / «Аренда»; «Аренда склада» / «Аренда». Выглядит скучно, но именно этот справочник превращает шесть разных файлов в одну правильную сводную таблицу. Без него нейросеть выведет «Выручку», «Реализацию» и «Продажи» отдельными строками, и собственник задаст неудобный вопрос.

Собирается справочник один раз. Вы открываете файлы всех юрлиц, выписываете все встречающиеся названия статей и напротив каждого пишете каноническое. Чаще всего оказывается, что разных названий двадцать-сорок, и на их сопоставление уходит 20-30 минут. Дальше справочник живёт отдельным файлом и переиспользуется каждый месяц. Это и есть инвестиция, которая окупается уже в первый месяц.

Дальше обезличивание. Готовим справочник-мэппинг: «ООО Альфа» становится «Юрлицо 1», «ООО Бета» становится «Юрлицо 2», названия банков и счета заменяем на маски, ФИО убираем. Суммы оставляем, если они не раскрывают сделку в сочетании с названием. Прогоняем автозамену по всем файлам. Занимает 10-15 минут, зато после этого файлы можно грузить в публичную нейросеть. Полный процесс с примерами я разобрала в статье Как обезличить финансовые данные перед ChatGPT, рекомендую прочитать перед первой загрузкой.

Ещё одна деталь, которую часто упускают: единицы измерения и валюта. Проверьте, что во всех файлах суммы в тысячах или в рублях, а не вперемешку. Если одно юрлицо присылает отчёт в тысячах, а другое в рублях, консолидация будет неверной, и нейросеть этого не поймёт без вашей подсказки. В промпте явно укажите единицу измерения и валюту, например «все суммы в тысячах рублей, без копеек».

И сразу про контроль качества. После нормализации и обезличивания прогоните каждый файл глазами: проверили колонки, убедились, что в «Сумме» числа, а не текст, посмотрели, что итоговая строка удалена. Пять минут контроля на старте экономят час проверки на финише.

Промпт 1. Ревизия файлов и план консолидации

Ты финансовый аналитик с опытом консолидации отчётности групп компаний.

Ниже список файлов, которые я собрал для консолидации:
[названия файлов и что в каждом: юрлицо, период, тип отчёта]

Задача:
1. Проверь, хватает ли данных для сводного отчёта
2. Составь список колонок, которые должны быть в каждом файле
3. Составь предварительный справочник соответствий статей,
   если какие-то названия могут различаться между файлами
4. Напиши, какие данные отсутствуют и что запросить у юрлиц

Ограничения: не выдумывай названия статей, используй только
те, что есть в моём списке файлов. Если данных не хватает,
так и напиши.

Формат: таблица из четырёх колонок: шаг / что сделать /
сколько времени займёт / на что обратить внимание.

Шаг 2. Загружаем данные в ChatGPT и получаем первую склейку

Прямой ответ: вы открываете chatgpt.com, прикрепляете обезличенные файлы по всем юрлицам, отправляете мастер-промпт с правилами консолидации и получаете сводную таблицу за один прогон. Первая загрузка занимает 30-40 минут вместе с правками, со второго месяца 15-20 минут.

Сразу про практику загрузки. Когда файлов больше трёх-четырёх, я не отправляю их одним сообщением с огромным текстом промпта. Сначала короткое сообщение: «Прикрепил файлы по юрлицам 1-12, это обезличенные управленческие P&L за июль 2026. Дождись моей инструкции». Модель увидит файлы и ответит, что готова. Потом второе сообщение с мастер-промптом. Так проще: промпт не смешивается с метаданными файлов, и модель не путается в инструкциях.

Мастер-промпт консолидации собирается из четырёх блоков: роль, данные, правила, формат. Роль: «ты финансовый аналитик с опытом консолидации». Данные: какие файлы приложены, что в них, какая валюта и единицы. Правила: справочник соответствий, какие обороты исключать (элиминация), как считать доли. Формат: сводная таблица с колонками по юрлицам, итогом и комментариями. Все четыре блока я собрал в мастер-промпт ниже.

Теперь про то, что важно в правилах. Элиминация внутренних оборотов задаётся явно. Если «Альфа» продаёт «Бете» на 3 миллиона, в консолидированной выручке этих 3 миллионов быть не должно, иначе группа продаёт сама себе. Вы пишете правило: «исключи из консолидированной выручки и себестоимости суммы продаж между юрлицами группы по счёту расчётов с дочерними». Нейросеть найдёт такие суммы в файлах и вынесет их отдельной строкой «Внутренние обороты, исключено». Каждую цифру из элиминации вы потом проверяете руками, но поиск модель делает за вас.

Дальше про количество файлов. GPT-5.5 стабильно держит 10-15 нормализованных файлов в одном диалоге. Если файлов больше, например тридцать филиалов, разбиваю на три прогона: свожу филиалы 1-10, потом 11-20, потом 21-30, и в конце прошу модель свести три промежуточных итога в один. Это дольше, но результат предсказуемый. Если у вас очень длинные выгрузки, есть смысл переключиться на Claude Sonnet 4.6 с XML-промптом, у него контекст больше и правила в XML читаются точнее. Про сравнение моделей расскажу в отдельной таблице.

И сразу про арифметику. В каждом финансовом промпте, где есть суммы, я пишу «считай в коде на Python и покажи ход расчёта». Это ключевая фраза. Языковая модель по своей природе предсказывает правдоподобный текст, а не выполняет арифметику. Когда вы просите считать в коде, нейросеть запускает настоящий интерпретатор, и цифры перестают угадываться. На консолидации, где ошибка в одной сумме разъезжается по всему отчёту, это критично.

Промпт 2. Мастер-промпт консолидации

Ты финансовый аналитик с 10+ годами практики консолидации отчётности
групп компаний и сетей филиалов.

Данные: прикрепил обезличенные файлы по юрлицам группы за [период].
Все суммы в [тысячах рублей / рублях]. В каждом файле колонки:
Статья, Период, Сумма, Аналитика.

Правила консолидации:
1. Справочник соответствий (прикладываю отдельным файлом):
   названия статей из файлов группируй по этому справочнику.
2. Элиминация: исключи из консолидированной выручки и
   себестоимости суммы продаж между юрлицами группы
   (счёт расчётов с дочерними). Вынеси их отдельной строкой.
3. Считай в коде на Python, показывай ход расчёта.
4. Если сумма не сходится с контрольной, напиши об этом,
   не пытайся подогнать.

Формат ответа:
1. Сводная таблица P&L: строки статьи, колонки по каждому юрлицу,
   итого по группе, отклонение к предыдущему периоду в процентах.
2. Таблица внутренних оборотов, исключённых из консолидации.
3. Список расхождений и вопросов к юрлицам.
4. Три абзаца комментария для собственника: главное изменение,
   главный риск, один вопрос к директорам юрлиц.

Первый прогон редко бывает идеальным, и это нормально. Нейросеть может неверно сгруппировать одну статью или пропустить внутренний оборот. Вы смотрите на результат, пишете уточнение: «статью „Логистика“ объедини с „Транспорт“», «внутренние продажи ООО 2 в ООО 5 не исключены, добавь». Через два-три уточнения результат стабилизируется. И вот тут появляется важный приём: вы сохраняете итоговый мастер-промпт с уточнениями и используете его каждый месяц. Со второго месяца консолидация превращается в один прогон без правок.

Шаг 3. Проверяем результат и ловим ошибки нейросети

Прямой ответ: проверка занимает 15-20 минут, но превращает результат нейросети из черновика в документ, который можно показать собственнику или банку. Проверяем по четырём точкам: арифметика, соответствие исходникам, полнота статей, корректность элиминации.

Первая точка, арифметика. Сумма сводной таблицы должна сходиться с суммой исходных файлов. Простой способ: попросите нейросеть пересчитать в коде и показать контрольные суммы по каждому юрлицу до и после консолидации. Если итог по группе не сходится с суммой итогов по юрлицам, значит, где-то статья потерялась или задвоилась. Расхождение ищем до того, как отчёт уйдёт собственнику.

Вторая точка, соответствие исходникам. Беру два-три юрлица из сводной таблицы и сверяю с их исходными файлами: выручка, себестоимость, прибыль. Достаточно выборочной проверки по крупным статьям, они дают 80 процентов уверенности. Если крупные статьи сошлись, мелкие с высокой вероятностью тоже сошлись, потому что нейросеть работает по одному алгоритму.

Третья точка, полнота статей. В сводной таблице должны быть все статьи из справочника. Частая ошибка: нейросеть «склеивает» похожие статьи или пропускает редкую строку, которая есть только у одного юрлица. Сравниваю список статей в своде со справочником и смотрю, ничего ли не потерялось.

Четвёртая точка, элиминация. Самая дорогая по последствиям. Смотрю таблицу внутренних оборотов: все ли пары юрлиц учтены, не исключена ли внешняя продажа, не задвоена ли сумма. Одна пропущенная внутренняя продажа искажает консолидированную выручку на миллионы. Поэтому каждую строку элиминации проверяю по исходникам, это пять-семь минут, но они того стоят.

Отдельно про галлюцинации на числах. Модель может «уверенно» назвать сумму, которой нет в данных, особенно если файл кривой или сумма записана текстом. Защита двойная: фраза «считай в коде на Python» в промпте и критический промпт после ответа. Критический промпт ниже просит модель перепроверить себя, и это снижает количество уверенных ошибок. Не потому, что модель «исправляется», а потому что второй прогон с другим фокусом часто находит несостыковки.

Ещё одно правило, которое я повторяю ученикам: финальная проверка глазами всегда за человеком. Нейросеть готовит черновик, вы проверяете и подписываете своим суждением. Это не недоверие к инструменту, а профессиональная ответственность, которую не отменяет никакая технология. Особенно когда речь про отчётность группы компаний, где ошибка уходит не в черновик, а к собственнику или в банк. Про то, как нейросети ошибаются в отчётности и как ловить аномалии до того, как их увидят другие, я писала в статье AI против мошенничества: аномалии в отчётности.

Промпт 3. Критическая проверка консолидации

Ты критический аудитор. Проверь консолидированную таблицу ниже.

Сделай четыре проверки:
1. Арифметика: пересчитай в коде на Python суммы по каждому
   юрлицу и итог по группе, сравни с исходными контрольными суммами.
2. Полнота: все ли статьи из справочника присутствуют в своде,
   ничего ли не потерялось или не склеилось.
3. Элиминация: каждая ли внутренняя продажа исключена,
   не исключена ли внешняя, нет ли задвоений.
4. Логика: не выглядят ли какие-то значения аномальными,
   например резкий скачок статьи при ровном периоде.

Контрольные суммы по юрлицам: [вставь суммы из исходных файлов]
Справочник статей: [вставь или приложи]
Сводная таблица: [приложи результат консолидации]

Формат: нумерованный список проблем с указанием юрлица и суммы.
Если всё корректно, напиши «замечаний нет» без лишних похвал.

Промпты для консолидации: ещё шесть рабочих шаблонов

Прямой ответ: мастер-промпт закрывает базовую склейку, а для сложных случаев нужны отдельные промпты: нормализация, обезличивание, элиминация, сверка межфилиальных оборотов, комментарии для собственника и ежемесячный шаблон. Собрала их в этом разделе, всего вместе с двумя предыдущими получится восемь рабочих промптов.

Напомню, как пользоваться этими промптами. В квадратные скобки подставляете свои данные, без подстановки промпт работает хуже. Каждый промпт лучше запускать отдельным диалогом или после явной команды «примени следующий промпт к тем же файлам». Если промпты конфликтуют, например мастер-промпт уже задал формат, уточняющий промпт должен явно на это ссылаться: «в том же формате, что и раньше».

Промпт 4. Нормализация файлов по справочнику

Ты аналитик по работе с табличными данными.

Приложил файлы по юрлицам с разными названиями статей.
Ниже справочник соответствий: «как написано» → «как группируем».

Задача: обработай каждый файл и приведи его к единому виду:
1. Оставь колонки: Статья, Период, Сумма, Аналитика.
2. Переименуй статьи по справочнику соответствий.
3. Убери итоговые строки, пустые строки и объединённые ячейки.
4. Суммы приведи к числам, убери пробелы и знак валюты.

Справочник соответствий:
[вставь таблицу: как написано | как группируем]

Формат ответа: для каждого файла покажи таблицу до и после
обработки (первые 10 строк), и список переименованных статей.

Промпт 5. Элиминация внутренних оборотов группы

Ты специалист по консолидации отчётности групп компаний.

Приложил сводную таблицу по юрлицам и файл с реестром
внутренних продаж между юрлицами группы.

Правила элиминации:
1. Продажи между юрлицами группы исключи из консолидированной
   выручки и себестоимости.
2. Внутренние обороты покажи отдельной таблицей: кто продал,
   кому продал, сумма, какое юрлицо отразило в доходах,
   какое в расходах.
3. Если суммы в реестре внутренних продаж не сходятся
   между юрлицами (один отразил больше, другой меньше),
   выдели это расхождение отдельно.
4. Считай в коде на Python.

Формат: таблица элиминации + таблица расхождений +
итоговая консолидированная выручка и себестоимость без внутренних
оборотов.

Промпт 6. Сверка межфилиальных и межюрлицевых остатков

Ты бухгалтер-аналитик по сверке взаиморасчётов.

Приложил реестры остатков по расчётам между юрлицами группы.
У каждого юрлица свой реестр: контрагент, сумма, дата.

Задача:
1. Сведи остатки по парам юрлиц: кто кому должен.
2. Найди расхождения: юрлицо А считает, что должно 100,
   юрлицо Б считает, что ему должны 120.
3. Сгруппируй расхождения по размеру: до 10 тысяч,
   10-100 тысяч, больше 100 тысяч.
4. Для крупных расхождений предложи, что проверить в первую очередь.

Считай в коде на Python.

Формат: таблица сверки по каждой паре + сводная таблица
расхождений по размерам + список крупнейших проблем.

Промпт 7. Комментарии к отклонениям для собственника

Ты финансовый директор, готовишь отчёт собственнику без
финансового образования.

Приложил консолидированную таблицу P&L за текущий и прошлый
период по группе компаний.

Задача: напиши комментарий к отклонениям для собственника.

Правила:
1. Три главных изменения за период: что выросло, что упало, почему.
2. Один главный риск, на который смотреть в следующем месяце.
3. Один вопрос, который стоит задать директорам юрлиц.
4. Никакого жаргона, только понятные формулировки.
5. Если причина отклонения не видна из данных, напиши
   «причина требует уточнения», не додумывай.

Формат: три абзаца по 3-5 предложений + маркированный список
цифр, на которые ссылаешься.

Промпт 8. Ежемесячный шаблон консолидации (закрепи в настройках)

Ты мой постоянный ассистент по консолидации отчётности.
Каждый месяц я буду прикреплять обезличенные файлы по юрлицам
и писать «консолидируй».

Твои правила по умолчанию:
1. Справочник соответствий статей я прикрепил ниже, используй его всегда.
2. Считай в коде на Python и показывай контрольные суммы.
3. Внутренние обороты между юрлицами исключай отдельной строкой.
4. Формат ответа: сводная таблица P&L по юрлицам с итогом,
   таблица внутренних оборотов, список расхождений, комментарий
   для собственника из трёх абзацев.
5. Если данные не сходятся, сразу пиши об этом и не подгоняй.

Справочник соответствий:
[вставь таблицу]

Этот текст можно вставить в поле персонализации ChatGPT
или в системный промпт, чтобы он применялся ко всем диалогам.

Про то, как закрепить шаблон. В ChatGPT есть поле персонализации, куда можно вставить правила по умолчанию, и тогда каждый новый диалог будет их помнить. В Claude аналогичная функция с проектами, в Gemini можно сохранить инструкцию. Я советую вставить промпт 8 туда, если консолидация у вас ежемесячная. Тогда каждый месяц вы просто прикрепляете файлы, пишете «консолидируй» и получаете результат в одном формате. Это и есть переход от «попробовал нейросеть» к «внедрил процесс».

Ещё два промпта я вынесла в шаги выше: промпт 1 на ревизию файлов и промпт 3 на критическую проверку. Вместе с промптами 4-8 получается восемь готовых шаблонов. Плюс два промпта на обезличивание и XML-консолидацию для Claude дам в разделе про безопасность и про сравнение моделей, итого десять. Этого набора достаточно, чтобы закрыть консолидацию любой группы компаний.

Сравнительная таблица: ChatGPT, Claude, Gemini и DeepSeek для консолидации

Прямой ответ: для консолидации отчётности я работаю в связке GPT-5.5, Claude Sonnet 4.6 и Gemini 2.5, а DeepSeek V3.2 держу для черновых задач без чувствительных данных. Выбор модели зависит от объёма файлов и того, где живут ваши данные. Актуально на август 2026 года.

Как выбирать на практике. Если у вас 6-12 юрлиц и стандартные управленческие файлы, берите GPT-5.5, он самый универсальный и быстрее всего разбирается с массовой склейкой. Если у вас холдинг с 20+ юрлицами, длинными выгрузками и сложными правилами элиминации, переходите на Claude Sonnet 4.6 с XML-промптом: длинный контекст и точное чтение инструкций здесь решают. Если вся ваша учётка уже в Google Таблицах, попробуйте Gemini 2.5, интеграция с таблицами заметно ускоряет загрузку и выгрузку. Свод данных по разным форматам я подробнее сравнивала в статье Сравнение нейросетей для Excel.

Отдельно про XML-промпты для Claude. Модель от Anthropic точнее читает правила, когда они оформлены в XML-тегах: <rules>, <mapping>, <format>. Для консолидации это удобно: справочник соответствий заворачиваете в <mapping>, правила элиминации в <rules>, требования к ответу в <format>. Модель держит структуру до конца длинного прогона и реже теряет контекст. Подробный разбор XML-промптов на длинных документах есть в статье Анализ договора в Claude с контекстом 200 тысяч.

Промпт 9. XML-консолидация для Claude

<role>
Ты финансовый аналитик по консолидации групп компаний.
</role>

<data>
Прикрепляю обезличенные файлы по юрлицам за период.
Суммы в тысячах рублей. Колонки: Статья, Период, Сумма, Аналитика.
</data>

<mapping>
Выручка -> Выручка
Реализация -> Выручка
Продажи -> Выручка
Аренда -> Аренда
Аренда офиса -> Аренда
Аренда склада -> Аренда
</mapping>

<rules>
1. Группируй статьи по mapping.
2. Исключай внутренние обороты между юрлицами отдельной строкой.
3. Считай в коде на Python, показывай контрольные суммы.
4. При расхождении пиши об этом, не подгоняй.
</rules>

<format>
1. Сводный P&L по юрлицам с итогом.
2. Таблица исключённых внутренних оборотов.
3. Список расхождений.
4. Комментарий для собственника, три абзаца.
</format>

Цена вопроса. Все три платных тарифа стоят сопоставимо, около 20 долларов в месяц за базовую подписку, и это окупается первой же сэкономленной неделей. Для работы из России понадобятся средства доступа, об этом честно скажу сразу, без этого никуда. Данные в любую модель грузим только обезличенными, как в разделе про безопасность. DeepSeek V3.2 бесплатный и работает без VPN, но в РФ его использую только с обезличенными данными и для черновых задач.

Как нейросеть помогает с консолидацией по МСФО и управленческой сборкой

Прямой ответ: для сборки по МСФО нейросеть полезна как ассистент на трёх участках: трансформационные корректировки, раскрытия и сверка контрольных сумм. Она не заменяет профессиональное суждение по стандартам, но снимает механику, которой в МСФО много.

Сразу скажу, где граница. Полноценная консолидация по МСФО это отдельная методология: единая учётная политика группы, трансформация данных из РСБУ, корректировки, элиминация, перевод в валюту отчётности, раскрытия. Нейросеть не «делает МСФО», и я не буду это обещать. Но она сильно ускоряет три вещи.

Первое, трансформационные корректировки. Типовые корректировки повторяются из месяца в месяц: переоценка валютных остатков, начисление резервов, перенос расходов будущих периодов. Вы один раз описываете правила корректировок в промпте, дальше нейросеть применяет их к выгрузкам и показывает таблицу «до и после». Второе, раскрытия. Собственнику или внешнему пользователю нужны примечания: состав группы, принципы консолидации, расшифровки основных статей. Нейросеть готовит черновик раскрытий по вашей структуре, вы проверяете формулировки и цифры. Третье, сверка контрольных сумм. Нейросеть пересчитывает итоги по каждому юрлицу и по группе, ловит расхождения между РСБУ-выгрузкой и трансформированными данными.

Как это устроено в промпте. Вы загружаете выгрузки и в правилах пишете корректировки, которые надо применить: «начисли резерв по сомнительным долгам 5 процентов от дебиторки старше 90 дней», «пересчитай валютные остатки по курсу на дату отчётности». Нейросеть выполняет корректировки в коде на Python и возвращает трансформированную таблицу с колонкой «комментарий», где видно, что и как изменилось. Каждую корректировку вы проверяете по учётной политике.

Важный нюанс: курс и даты. Если в группе есть валютные юрлица, вы даёте нейросети курс на дату отчётности и правило пересчёта. Модель пересчитает остатки, но проверьте, что она не пересчитала то, что пересчитывать нельзя, например вложенные в уставный капитал суммы, которые по правилам остаются по историческому курсу. Здесь снова работает правило: правила пишете вы, нейросеть их исполняет.

Теперь про управленческую сборку, которая обычно проще МСФО. Если у вас нет требования к международным стандартам, а нужна единая управленка группы, процесс из этой статьи закрывает её целиком: справочник статей, элиминация, комментарии для собственника. Разница только в глубине правил. В управленке достаточно собрать по единым статьям и убрать внутренние обороты, в МСФО добавляются корректировки и раскрытия. Оба уровня нейросеть тянет, но в МСФО роль человека в проверке растёт.

Если вам нужна именно внешняя отчётность по стандартам, я советую относиться к результату нейросети как к черновику для аудитора, а не как к готовому отчёту. Аудитору вы показываете расчётные файлы, а не «ответ ChatGPT». Нейросеть экономит вам часы на механике, а суждение по стандартам, как и в управленке, остаётся за вами.

Безопасность данных при консолидации: что грузить можно, а что нельзя

Прямой ответ: в публичную нейросеть грузим только обезличенные данные, документы под NDA и банковскую тайну не грузим вообще, а для особо чувствительного есть корпоративные тарифы с отключённым обучением. Отчётность группы компаний это один из самых чувствительных типов данных, поэтому безопасность здесь не опция, а часть процесса.

Начну с главного правила. В платных тарифах ChatGPT и Claude можно отключить обучение на ваших данных в настройках, но это снимает вопрос использования, а не вопрос конфиденциальности. Отключённое обучение не делает публичную нейросеть хранилищем банковской тайны. Поэтому базовое правило простое: обезличиваем всегда, а что нельзя обезличить, то не грузим.

Что именно обезличиваем при консолидации. Названия юрлиц и филиалов, ИНН, ОГРН, КПП, номера расчётных счетов, названия банков, ФИО сотрудников и контрагентов, суммы, которые в сочетании с названием раскрывают конкретную сделку. Схема прежняя: справочник-мэппинг, где «ООО Альфа» становится «Юрлицо 1», «Банк Открытие» становится «Банк 1». После ответа нейросети возвращаете настоящие названия по справочнику. Подробный процесс с примерами я разбирала в статье Как обезличить финансовые данные перед ChatGPT.

Что не грузим вообще. Договоры под NDA, кредитные договоры, банковские выписки в привязке к реальным реквизитам, персональные данные, сведения, которые составляют коммерческую тайну. Для этих документов есть два пути: корпоративные тарифы Business у OpenAI и Anthropic, где данные не используются для обучения и контур защищён договором, либо локальные модели, которые разворачиваются на вашем сервере. Локальные модели я разбирала в статье Ollama для финансиста: локальная нейросеть без утечки данных.

Ещё один слой защиты, который я советую внедрить сразу: отдельный аккаунт или отдельный проект для рабочих данных. Не смешивайте личные запросы и консолидацию группы в одном диалоге. В Claude для этого есть проекты с отдельным контуром, в ChatGPT можно вести отдельный чат и удалять историю после сдачи отчётности. Чем меньше данных пересекается, тем меньше поверхность риска.

И финальное правило, которое я повторяю на каждом эфире: ответственность за данные всегда на человеке. Нейросеть не подпишет договор о неразглашении и не отвечает за утечку, отвечает тот, кто загрузил данные. Поэтому перед первой загрузкой проверьте учётную политику вашей компании и внутренний регламент работы с данными. Если в компании есть запрет на внешние сервисы, он важнее любых плюсов нейросети. В этом случае смотрите в сторону локальных моделей или корпоративных тарифов.

Кейсы: три истории консолидации с цифрами

Прямой ответ: три истории ниже показывают, как консолидация через нейросеть сократила время в 3-10 раз в зависимости от объёма. Структура везде одинаковая: было, что сделали, стало. Обезличено по просьбе героев.

Кейс 1. Управленка по 12 юрлицам за вечер вместо трёх дней

Финансовый директор производственного холдинга, 12 юрлиц, штат группы 900 человек. Каждый месяц он тратил на консолидированный управленческий P&L три рабочих дня: сбор выгрузок из 1С по юрлицам, ручная склейка, разбор расхождений между «Выручкой», «Реализацией» и «Продажами», потом пояснительная записка для собственника.

Что он изменил. Первый вечер ушёл на подготовку: собрал выгрузки, привёл к единому формату «Статья, Период, Сумма», составил справочник соответствий на 34 статьи и обезличил названия юрлиц. Это было 1,5 часа разовой работы. Дальше он загрузил файлы в GPT-5.5 с мастер-промптом, за два уточняющих сообщения добился правильной группировки и получил сводную таблицу с комментариями.

Результат. Через две недели, когда пришло следующее закрытие, консолидация заняла 2 часа вместо трёх дней. Экономия 85 процентов времени на процессе. Сверхурочные в отчётную неделю упали примерно на 25 часов. Собственник получил тот же отчёт в том же формате, но на следующий день после закрытия, а не через неделю.

Что здесь сработало. Главное, что он не стал автоматизировать сразу весь процесс, а сначала один раз потратил вечер на справочник и шаблон. Эта разовая инвестиция окупилась в первую же отчётную неделю. Второе: он сохранил мастер-промпт и справочник, поэтому второй месяц процесс пошёл без правок. Третье: он проверял каждую цифру элиминации по исходникам, и это не дало ни одной ошибке уйти собственнику.

Кейс 2. ДДС по 9 филиалам за 2 часа вместо 20

Финансовый менеджер торговой сети, 9 филиалов, каждый со своим банком и кассой. Ежемесячно она собирала консолидированный ДДС: скачивала выписки по всем филиалам, вручную распределяла операции по статьям движения денежных средств и сводила в одну таблицу. На это уходило два с половиной рабочих дня, примерно 20 часов, и половину времени съедала разноска операций по статьям.

Что она изменила. Она выгрузила из банк-клиентов операции по всем филиалам в CSV, привела к единому виду и обезличила названия контрагентов. Дальше загрузила файлы в ChatGPT и в промпте дала правила разноски: какие операции относить к «Поступлениям от покупателей», какие к «Оплате поставщикам», какие к «Налогам». Нейросеть разнесла операции по статьям и свела ДДС по филиалам.

Результат. Консолидированный ДДС теперь собирается за 2 часа вместо 20. Экономия 90 процентов времени. Плюс она получила то, чего раньше не было: автоматическую таблицу расхождений по филиалам, которая показывает, где кассовый разрыв копится быстрее всего. Собственник теперь видит ДДС по сети с аналитикой по каждому филиалу.

Что здесь важное. Задача «разнести операции по статьям» это ровно та рутина, которую нейросеть делает стабильно: у неё есть правила, и она применяет их к тысячам строк одинаково. Человек к двухсотой строке устаёт и начинает ошибаться, нейросеть нет. Но правила разноски она задала один раз и проверила на одном филиале, прежде чем запускать по всем. Это сняло почти все ошибки на старте.

Кейс 3. Отчёт для банка по группе за 4 часа вместо двух дней

Главный бухгалтер группы из пяти юрлиц, компания привлекала кредит. Банк запросил расшифровку остатков по расчётным счетам и взаиморасчётам между юрлицами группы. Раньше такой пакет собирался два дня: реестры по счетам, ручная сверка, кто кому должен, объяснения по каждой цифре.

Что она изменила. Собрала выписки и реестры по пяти юрлицам, обезличила (банку данные отдавались уже в реальном виде, а в нейросеть ушла маска, и после ответа она вернула настоящие названия). Загрузила в ChatGPT, промптом сверки взаиморасчётов получила таблицу по парам юрлиц: кто кому должен и где расхождения. Потом отдельным промптом сформировала расшифровку остатков по счетам.

Результат. Пакет для банка был готов за 4 часа вместо двух дней. Экономия 75 процентов времени. Она успела к дедлайну без сверхурочных и сдала расшифровку, где расхождения были разложены по парам юрлиц с пояснениями. Банк не задал ни одного уточняющего вопроса, а это лучший показатель качества.

Что здесь сработало. Ключевым был промпт сверки, который раскладывает расхождения по парам и размерам. Банк любит, когда вместо «вот реестр» приходит «вот кто кому должен и где расхождения». Нейросеть подготовила именно такую структуру, а она проверила крупные суммы и подписала. Обратите внимание: она не отдавала банку «сырой ответ нейросети», она отдала документ, который подготовила вместе с нейросетью и проверила сама.

Типичные ошибки при консолидации через ChatGPT

Прямой ответ: семь ошибок, которые я вижу у учеников, и все они про подготовку, а не про нейросеть. Если убрать эти семь причин, консолидация через нейросеть работает стабильно с первого месяца.

Ошибка 1. Грузить сырые файлы без справочника. Самая частая и самая дорогая. Нейросеть сложит суммы, но не поймёт, что «Банк Открытие» и «Банк „Открытие“» это один счёт, а «Выручка» и «Реализация» одна статья. Результат: структура отчёта кривая, собственник задаёт неудобные вопросы. Лечится справочником соответствий, который собирается один раз.

Ошибка 2. Забывать про элиминацию. Если группа продаёт сама себе, без исключения внутренних оборотов консолидированная выручка задвоена. Нейросеть не знает, что «Альфа» и «Бета» связаны, пока вы не напишете правило. Проверяйте каждую строку элиминации по исходникам, здесь ошибка стоит дороже всего.

Ошибка 3. Не указывать единицы и валюту. Один юрлицо присылает отчёт в тысячах, другой в рублях. Консолидация не сходится, и вы полдня ищете, почему. В промпте всегда указывайте «все суммы в тысячах рублей», это снимает целый класс ошибок.

Ошибка 4. Доверять арифметике «на глаз». Без фразы «считай в коде на Python» модель может «округлить» сумму так, что итог разойдётся. С кодом нейросеть запускает настоящий интерпретатор, и цифры перестают угадываться. Это одна фраза, которая меняет качество результата.

Ошибка 5. Не проверять результат. Нейросеть вернула красивую таблицу, вы отправили её собственнику, а там потерялась статья редкого юрлица. Критический промпт из шага 3 занимает 15 минут и находит то, что глаза пропускают на третьей проверке.

Ошибка 6. Грузить чувствительные данные. Названия юрлиц, ИНН, счета, ФИО без обезличивания. Даже в платном тарифе с отключённым обучением это вопрос конфиденциальности, а не только использования. Обезличиваем всегда, документы под NDA в публичные тарифы не грузим вообще.

Ошибка 7. Не сохранять шаблон. Вы один раз настроили мастер-промпт, получили хороший результат и в следующем месяце начинаете с нуля, потому что диалог уехал в историю. Сохраните промпт и справочник в отдельный файл или в поле персонализации модели. Тогда консолидация со второго месяца занимает час, а не вечер.

Если сложить все семь ошибок, картина простая: нейросеть не «решает консолидацию», она выполняет её по вашим правилам. Чем точнее правила, тем точнее результат. Вся подготовка, справочник, элиминация, единицы измерения и обезличивание, это и есть ваши правила. Один вечер на настройку, и дальше процесс идёт сам.

Отдельно отмечу миф, который всплывает на каждом эфире: «нейросеть заменит главного бухгалтера, который считает консолидацию». Нет. Нейросеть заменила ту часть работы, которая не требует суждения: перенос, суммирование, разноску, поиск расхождений. А суждение, что означает падение прибыли филиала и что с этим делать, осталось за человеком. Финансист, который раньше тратил два дня на склейку, теперь тратит эти два дня на анализ и разговоры с директорами. Это не потеря работы, это смена нагрузки с механики на интеллект.

Чек-лист: консолидация отчётности через ChatGPT за один вечер

Используйте как пошаговый план на первый запуск. В первый раз заложите вечер, со второго месяца процесс займёт час.

• Собрал файлы по всем юрлицам и филиалам в одну папку, назвал по схеме «01_Юрлицо1_PL»
• Привёл файлы к единому формату: колонки «Статья, Период, Сумма», без объединённых ячеек и итоговых строк
• Составил справочник соответствий: все разные названия статей сведены к каноническим
• Обезличил данные: названия юрлиц, ИНН, счета и ФИО заменены масками через справочник-мэппинг
• Указал в промпте единицы измерения и валюту
• Загрузил файлы в chatgpt.com, отправил мастер-промпт консолидации с фразой «считай в коде на Python»
• Проверил результат критическим промптом: арифметика, полнота статей, элиминация, контрольные суммы
• Сохранил мастер-промпт и справочник для следующего месяца

Если закрыто меньше четырёх пунктов, начните с формата и справочника, это 80 процентов успеха. Если закрыто больше шести, вы почти готовы: осталось сохранить шаблон и перейти на регулярный процесс.

Что я хочу, чтобы вы вынесли из этой статьи. Консолидация отчётности это одна из самых быстрых по окупаемости задач для нейросетей, потому что в ней много переноса данных и мало суждения. Пять шагов процесса, собрать, нормализовать, обезличить, загрузить, проверить, закрывают её навсегда. Разовый вечер на настройку окупается в первый же месяц, а дальше консолидация занимает час, а не два-три дня. Нейросеть не решает за вас, она выполняет ваши правила, поэтому правила и есть главный навык. Именно его я и учу на курсе «AI-навыки финансиста», где консолидация разобрана вместе с закрытием месяца, сверками и управленческой отчётностью.

Три шага на ближайшие 24 часа

Если дочитали до этого места, у вас есть всё, чтобы начать. Три конкретных шага прямо сейчас.

Шаг 1. Откройте chatgpt.com, подключите платный тариф и отключите обучение на ваших данных в настройках. Заберите промпт 1 из статьи и прогоните через него список своих файлов по юрлицам или подразделениям.

Шаг 2. Соберите один комплект файлов: выгрузки по двум-трём юрлицам за один период. Приведите к единому формату, обезличьте, отправьте мастер-промпт консолидации и посмотрите на результат.

Шаг 3. Прогоните результат через критический промпт и сравните с вашей ручной склейкой. Посчитайте, сколько часов ушло у нейросети и сколько у вас обычно. Эта цифра и есть ваш персональный ROI от консолидации.

Первые результаты появляются в первый же вечер, не через месяцы. Проверено на 800+ финансистах и бухгалтерах, которые прошли через курс.

Два уточнения перед стартом. Первое: для работы с ChatGPT и Claude из России понадобятся средства доступа, об этом честно скажу сразу, без этого никуда. Подписка стоит около 20 долларов в месяц и окупается первой же сэкономленной неделей. Второе: данные в нейросеть грузим только после обезличивания, как в шаге 1, и никогда не отправляем документы под NDA в публичные тарифы. С этими двумя оговорками можно начинать спокойно.

Частые вопросы о консолидации отчётности через ChatGPT

Собрала сюда вопросы, которые чаще всего задают на эфирах и в каналах школы. Короткие ответы, с цифрами.

Можно ли консолидировать отчётность через ChatGPT без программирования?

Да. Весь процесс работает через обычный интерфейс: вы загружаете файлы Excel по юрлицам, отправляете мастер-промпт, получаете сводную таблицу. Python внутри нейросети запускается сам по фразе «считай в коде», программировать не нужно. Достаточно уровня Excel: выгрузить, нормализовать, обезличить, загрузить, проверить.

Сколько файлов Excel может обработать ChatGPT за один раз?

На практике GPT-5.5 тянет 10-15 нормализованных файлов в одном диалоге. Если файлов больше, разбиваю на два-три прогона и свожу промежуточные итоги. На больших объёмах удобнее Claude Sonnet 4.6 с длинным контекстом и XML-промптом.

Чем консолидация в ChatGPT отличается от сводных таблиц в Excel?

Сводные таблицы считают то, что уже лежит в одной книге. ChatGPT принимает много файлов с разной структурой, приводит их к единому виду по справочнику, складывает по общим статьям и пишет комментарии к отклонениям. Excel не объясняет, почему выручка филиала упала, а нейросеть по вашей инструкции объясняет.

Как нейросеть делает элиминацию внутренних оборотов?

Вы даёте правило: продажи между юрлицами группы исключаются из консолидированной выручки. Нейросеть находит такие суммы и выносит отдельной строкой. Каждая цифра из элиминации проверяется вручную: одна пропущенная внутренняя продажа искажает итог группы.

Безопасно ли загружать отчётность группы компаний в ChatGPT?

Только после обезличивания и только в платный тариф с отключённым обучением. Названия юрлиц, ИНН, счета и ФИО заменяем масками. Документы под NDA и банковскую тайну в публичные тарифы не грузим, для них корпоративные тарифы или локальные модели. Ответственность всегда за человеком.

Что делать, если ChatGPT путает названия счетов или суммы?

Это значит, что файлы не нормализованы. Составьте справочник соответствий и укажите в промпте, какие названия как группировать. Добавьте «считай в коде на Python и покажи ход расчёта», это убирает почти все арифметические ошибки. Потом прогоните критический промпт из шага 3.

Какую нейросеть выбрать для консолидации?

Для 6-12 юрлиц берите GPT-5.5, он универсален. Для холдингов с 20+ юрлицами и сложными правилами Claude Sonnet 4.6 с XML-промптом. Если данные в Google Таблицах, попробуйте Gemini 2.5. DeepSeek V3.2 бесплатный вариант для черновых задач с обезличенными данными. Подробное сравнение в таблице выше.

Сколько времени экономит консолидация через ChatGPT?

В кейсах из статьи экономия от 75 до 90 процентов: управленка по 12 юрлицам за 2 часа вместо трёх дней, ДДС по 9 филиалам за 2 часа вместо 20, отчёт для банка за 4 часа вместо двух дней. В часах это от 14 до 25 часов в месяц на одном процессе.

Где следить за AI для финансистов: три канала школы

Нейросети обновляются быстро, новые модели выходят каждые несколько месяцев, и то, что работало вчера, сегодня уже можно ускорить. Чтобы оставаться в курсе без лишнего шума, подпишитесь на каналы школы:

@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.