NotebookLM vs Custom GPT vs Claude Projects: где хранить базу знаний финансиста в 2026

В 2026 году у финансиста есть минимум три места, где можно хранить базу знаний для AI: NotebookLM от Google, Custom GPT в ChatGPT и Claude Projects в Claude. Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (@findir_pro, 45 000 подписчиков). За последние месяцы через мой стол прошли десятки вопросов от учеников курса «AI-навыки финансиста»: «а какой из трёх выбрать?» Короткий ответ — не выбрать один, а понять, какой инструмент под какую задачу. В этой статье разбираю все три по одной методике: что внутри, где сильные и слабые стороны, и как собрать рабочую комбинацию под конкретные задачи вашей компании. Обновлено на июль 2026 года.

Каждый из трёх инструментов родился из разной задачи вендора, и это объясняет разницу в поведении лучше, чем список функций. Google строил NotebookLM как инструмент для честного чтения источников — задача исследователя, которому нужна точная ссылка, а не красивый текст. OpenAI строила Custom GPT как способ дать пользователям собирать собственных агентов без кода — задача продукта для миллионов непрограммистов. Anthropic строила Projects как расширение обычного чата, где долгий контекст компании остаётся под рукой, — задача человека, который работает с Claude каждый день и не хочет пересказывать одно и то же. Понимание этой разницы в происхождении сразу объясняет, почему бессмысленно спрашивать «какой инструмент лучше» без уточнения «лучше для чего».

Что такое база знаний финансиста в контексте AI и зачем она вообще нужна?

База знаний в этом контексте — это набор ваших документов (нормативка, учётная политика, договоры, регламенты, шаблоны), который нейросеть держит под рукой и использует при ответе вместо общих знаний из интернета. Разница принципиальная: обычный чат с ChatGPT отвечает из общей памяти модели, а чат с подключённой базой знаний отвечает с опорой на конкретный документ, который вы загрузили.

Для финансиста это решает три конкретные боли. Первая — модель перестаёт путать общую норму права с вашей конкретной учётной политикой. Вторая — не нужно каждый раз копировать в чат один и тот же регламент или список клиентов. Третья — ответ можно проверить: хороший инструмент с базой знаний показывает, из какого именно документа и абзаца взят факт.

Три инструмента, о которых пойдёт речь, решают эту задачу по-разному:

NotebookLM — специализированный инструмент от Google для чтения источников. Загружаете документы, задаёте вопрос, получаете ответ с точной ссылкой на источник.

Custom GPT — конструктор персонального агента внутри ChatGPT. Инструкция плюс база знаний плюс опциональные действия во внешних сервисах.

Claude Projects — рабочее пространство внутри Claude, где системный промпт и файлы «прилипают» к каждому новому чату в рамках проекта.

Разница не в том, «кто лучше», а в том, для какой рабочей ситуации какая архитектура подходит естественнее.

Что такое NotebookLM и почему он лучше всего подходит для точного чтения документов?

NotebookLM — AI-инструмент от Google, который отвечает только на основе загруженных вами источников и почти никогда не выдумывает факты, которых там нет. Работает на моделях семейства Gemini.

Ключевая особенность архитектуры: NotebookLM не пытается быть универсальным собеседником. Его единственная задача — читать то, что вы загрузили, и честно отвечать, ссылаясь на конкретный источник. Если факта в документах нет, модель прямо об этом скажет вместо того, чтобы додумать правдоподобный, но неверный ответ.

Что реально хорошо работает:

Обработка до 50 источников одновременно: PDF, Google Docs, таблицы, ссылки на сайты, YouTube-видео, аудиофайлы. Все источники читаются как единый корпус — задаёте вопрос, и ответ может опираться сразу на несколько документов.

Каждый ответ приходит с нумерованными ссылками на конкретное место в источнике. Кликнули на ссылку — открылся тот самый абзац. Для финансиста, который должен обосновать вывод перед аудитором или собственником, это критично.

Аудиосводка (Audio Overview) превращает документ в подкаст на 10-15 минут с двумя AI-ведущими. Годовой отчёт контрагента на 80 страниц можно прослушать по дороге на встречу вместо того, чтобы читать вечером.

Где заканчиваются возможности:

NotebookLM не считает и не строит финансовые модели. Это инструмент для чтения, а не для расчётов или сценарного анализа.

Не подключается к интернету и не ищет свежую информацию за пределами загруженных источников — принципиальное ограничение архитектуры, а не недоработка.

Не держит долгую переписку в стиле рабочего чата — каждый ноутбук привязан к своему набору источников, и это скорее библиотека, чем ассистент с памятью о прошлых разговорах.

Я подробно разбирала настройку и десять готовых промптов для NotebookLM в отдельной статье про NotebookLM для финансиста — если нужен точный процесс запуска первого ноутбука, там пошаговый гайд.

Что такое Custom GPT и когда он выигрывает у остальных двух вариантов?

Custom GPT — персональный агент внутри ChatGPT, который собирается через конструктор GPT Builder без единой строки кода. Работает на моделях семейства GPT, актуальная версия на июль 2026 года — GPT-5.5.

Архитектура Custom GPT принципиально другая, чем у NotebookLM. Здесь есть три слоя: системная инструкция (текст, который описывает роль и правила поведения агента), база знаний (Knowledge, до 20 файлов по 512 МБ каждый) и опционально действия (Actions — подключение к внешним API вроде Google Sheets или Notion).

Где Custom GPT сильнее двух других инструментов:

Готовый агент можно опубликовать и передать команде одной ссылкой. Не нужно объяснять каждому коллеге, как настраивать системный промпт — агент уже настроен и ведёт себя стабильно.

Actions превращают агента из «читающего помощника» в «исполнителя»: можно настроить, чтобы GPT сам забирал данные из подключённого сервиса, а не ждал ручной загрузки файла каждый раз.

Инструкция в 400-800 слов задаёт устойчивый стиль ответа: тон, структуру, запреты (например, «никогда не придумывай номера статей НК»). Это удобно для повторяемых сценариев вроде подготовки пояснительных записок.

Где Custom GPT слабее:

База знаний ограничена 20 файлами — для большого корпуса нормативки этого может не хватить, придётся выбирать самое важное.

Цитирование источника менее точное, чем в NotebookLM: GPT-5.5 обычно указывает, из какого файла взят факт, но не всегда даёт точную ссылку на абзац или страницу.

Работает только на платной подписке ChatGPT Plus — создавать своего агента на бесплатном тарифе нельзя, хотя пользоваться чужими опубликованными GPT можно. Актуальную цену подписки уточняйте на официальном сайте OpenAI.

Подробный процесс сборки Custom GPT с примерами инструкций я разбирала в статье про Custom GPT для финдиректора.

Что такое Claude Projects и почему он лучше всего держит рабочий контекст компании?

Claude Projects — именованные рабочие пространства внутри Claude, где системный промпт и загруженные файлы автоматически доступны в каждом новом чате этого проекта. Работает на модели Claude Sonnet 5.

Ключевое отличие от Custom GPT: Projects не собирается как отдельный «продукт», который потом публикуется и раздаётся. Это личное или командное рабочее пространство, которое живёт рядом с обычным чатом. Открыли новый диалог внутри проекта — Claude уже знает вашу учётную политику, стиль отчётности и список клиентов без пересказа.

Где Claude Projects выигрывает:

Контекст сохраняется между сессиями автоматически. Не нужно каждый раз повторять «мы работаем по ФСБУ, у нас три юрлица, вот наш формат отчёта» — Claude помнит это из файлов проекта.

Claude Sonnet 5 особенно силён в длинном рассуждении поверх большого объёма контекста. Для финансовой аналитики, где нужно держать в голове много переменных одновременно (план-факт, несколько периодов, комментарии по отклонениям), это ощутимое преимущество.

Разные проекты можно вести параллельно: отдельный проект под договоры, отдельный под ежемесячную отчётность, отдельный под конкретного крупного клиента — контексты не смешиваются между собой.

Где Claude Projects слабее:

Нет прямого аналога Actions — подключить проект к внешнему сервису для автоматического забора данных сложнее, чем в Custom GPT, требует внешней автоматизации вроде n8n.

Раздать проект команде менее удобно, чем опубликованный Custom GPT — каждому участнику нужен доступ к рабочему пространству Claude через тариф Team, а не просто ссылка.

Доступен только на платной подписке Claude Pro и выше, в бесплатной версии Claude функции Projects нет. Актуальную цену подписки уточняйте на официальном сайте Anthropic.

Я подробно писала про настройку рабочего контекста в статье про Claude Projects для финансиста и отдельно про долгий контекст в статье про анализ договора на 200 тысяч токенов.

Сравнительная таблица: NotebookLM vs Custom GPT vs Claude Projects по десяти параметрам

Таблица собрана по практическому опыту работы с реальными финансовыми документами. Актуально на июль 2026 года.

Тарифы и лимиты уточняйте на официальных сайтах вендоров — все три продукта обновляются несколько раз в год.

Главный вывод из таблицы: ни один инструмент не покрывает все десять параметров одинаково хорошо. NotebookLM выигрывает по точности, Custom GPT — по готовности к раздаче команде, Claude Projects — по глубине рассуждения над контекстом. Выбор зависит от того, какой параметр критичен для вашей конкретной задачи.

Бесплатная экскурсия по AI-инструментам для финансиста: как собрать рабочую базу знаний за один вечер

Какой инструмент выбрать под конкретную задачу: разбираю пять типовых ситуаций

Абстрактное сравнение работает хуже, чем разбор на конкретных сценариях. Вот пять ситуаций, с которыми чаще всего сталкивается финансист, и мой ответ по каждой.

Ситуация 1. Нужно быстро найти точный ответ в ПБУ, ФСБУ или НК РФ.

Выбор: NotebookLM. Загружаете актуальный текст стандарта, задаёте вопрос — получаете ответ с точной ссылкой на пункт. Риск галлюцинации минимален именно потому, что архитектура заточена под честное чтение источника, а не под генерацию правдоподобного текста.

Ситуация 2. Нужно проверить пачку из 15-20 однотипных договоров перед подписанием.

Выбор: NotebookLM или Claude Projects в зависимости от объёма. Если договоры короткие и однотипные — NotebookLM с одним ноутбуком на всю пачку. Если договоры длинные (30+ страниц каждый) и нужна аналитика с рассуждением по рискам — Claude Projects с его длинным контекстом справится лучше.

Ситуация 3. Нужен инструмент, который вся команда бухгалтерии будет использовать одинаково.

Выбор: Custom GPT. Один раз настроили инструкцию и базу знаний, опубликовали, раздали ссылку пяти сотрудникам — все получают одинаково стабильный формат ответа без риска, что кто-то забудет объяснить контекст.

Ситуация 4. Нужна ежемесячная аналитика для собственника на основе выгрузок из учётной системы.

Выбор: Claude Projects. Загружаете шаблон отчёта и предыдущие примеры один раз, дальше каждый месяц просто вставляете новые данные — Claude уже знает формат, стиль и структуру, которые понравились собственнику.

Ситуация 5. Нужно объяснить методологию нового ФСБУ команде из десяти человек за один день.

Выбор: NotebookLM с функцией Audio Overview. Загрузили стандарт и разъяснения Минфина, сгенерировали 15-минутный подкаст с фокусом на практическое применение, разослали команде вместо длинной презентации.

Ни в одной из этих пяти ситуаций нет универсально «правильного» выбора без учёта контекста — именно поэтому большинство финансистов, с которыми я работаю через курс «AI-навыки финансиста», используют минимум два инструмента параллельно.

Как три кейса из практики показывают разницу между инструментами на реальных цифрах

Три собирательные истории на основе практики учеников курса «AI-навыки финансиста». Детали изменены, цифры — честные диапазоны по опыту похожих задач.

Кейс 1. Главный бухгалтер холдинга: нормативная база в NotebookLM

Компания с тремя юрлицами каждый месяц сталкивалась с вопросами по применению ФСБУ 25 и ФСБУ 26 — стандарты новые, практика неоднородная. Раньше на поиск ответа в тексте стандарта и разъяснениях Минфина уходило 30-40 минут на вопрос, а таких вопросов было по 8-10 в месяц.

Загрузили в NotebookLM оба стандарта, письма Минфина за последние два года и внутреннюю учётную политику. Теперь на вопрос вроде «как учитывать право пользования активом при досрочном расторжении» уходит 5-7 минут вместо 35. За месяц экономия — около 4-5 часов только на нормативных вопросах, и это без учёта роста уверенности в правильности ответа, потому что каждый вывод подкреплён точной ссылкой на источник.

Кейс 2. Финансовый директор производственной компании: Claude Projects для ежемесячной аналитики

Задача — ежемесячная аналитика для собственника: план-факт по выручке и расходам с объяснением отклонений. Раньше на подготовку уходило 4-5 часов: сбор данных, форматирование таблиц, написание пояснений с нуля.

Настроили Claude Project с системным промптом, где описан формат отчёта, стиль общения с собственником и три предыдущих примера удачных дайджестов. Теперь финдир просто вставляет свежую выгрузку из учётной системы — Claude уже знает контекст и структуру, готовит черновик за 10-15 минут. Полный цикл с проверкой и правками занимает 40 минут вместо 4-5 часов. За год это около 45-50 освобождённых часов.

Кейс 3. Финансовый отдел из шести человек: Custom GPT для пояснительных записок

Отдел регулярно готовил пояснительные записки к отчётности разного формата в зависимости от того, кто из сотрудников её писал — единообразия не было, руководитель тратил время на переделку.

Собрали Custom GPT с чёткой инструкцией по структуре записки, базой знаний из пяти лучших образцов прошлых периодов и запретом на выдуманные ссылки на нормы права. Опубликовали ссылку на агента всей команде. Разброс качества исчез: все шесть сотрудников получают одинаково структурированный черновик, руководитель тратит на финальную проверку 10 минут вместо 30-40 на каждую записку. При шести записках в квартал экономия — около 2,5-3 часов на руководителя каждый квартал, плюс исчезла необходимость учить новых сотрудников формату «с нуля».

Во всех трёх кейсах решающим фактором была не «мощность» модели, а правильное соответствие архитектуры инструмента типу задачи.

Можно ли использовать все три инструмента вместе — и как это выглядит на практике?

Да, и на практике это самая частая рабочая конфигурация среди финансистов, которые системно занимаются AI дольше трёх-четырёх месяцев. Дублирования почти нет, потому что архитектуры закрывают разные типы запросов.

Типовая трёхуровневая связка:

Уровень 1 — NotebookLM как справочная библиотека. Здесь живёт нормативная база, шаблоны договоров, годовые отчёты контрагентов. Обращаетесь сюда, когда нужен точный факт с проверяемой ссылкой.

Уровень 2 — Claude Projects как личный рабочий контекст. Здесь настроены проекты под регулярные аналитические задачи: ежемесячная отчётность, разбор конкретного крупного клиента, работа с бюджетом.

Уровень 3 — Custom GPT как инструмент для команды. Здесь публикуются готовые агенты под повторяемые сценарии, которые должны выполнять несколько человек одинаково: пояснительные записки, типовые ответы клиентам, стандартные проверки документов.

Как выглядит рабочий день с такой связкой: утром проверяете входящий договор через NotebookLM (точный ответ по рискам с ссылкой на пункт), днём готовите аналитику для собственника через настроенный Claude Project (контекст компании уже загружен), вечером коллега из отдела использует общий Custom GPT для подготовки пояснительной записки (стабильный формат без вашего участия).

Когда одного инструмента достаточно: если объём задач небольшой (несколько запросов в неделю) или компания только начинает работу с AI, разумнее освоить один инструмент глубоко, чем распыляться на три. Начните с того, что закрывает вашу самую частую боль — обычно это Claude Projects или NotebookLM для аналитики и нормативки соответственно.

Как выглядит переход от одного инструмента к трём на практике. Ни один из учеников курса не начинал сразу с трёхуровневой связки — это результат постепенного накопления привычки. Типичный путь: первый месяц — один инструмент под самую частую боль, второй-третий месяц — замечаете задачу, которая плохо ложится в этот инструмент, и пробуете второй. К шестому месяцу связка складывается сама, потому что вы уже интуитивно чувствуете, какой тип вопроса куда нести. Форсировать этот процесс с первого дня не нужно — это создаёт больше путаницы, чем пользы, потому что вы ещё не набрали достаточно практики, чтобы быстро определять тип задачи.

Частая ошибка при построении связки. Многие пытаются перенести один и тот же набор документов во все три инструмента одновременно «на всякий случай». Это не работает — файлы устаревают в трёх местах вместо одного, и при обновлении регламента приходится помнить, где ещё лежит старая версия. Правильный подход: определить для каждого документа его основной дом (обычно исходя из типа задачи, для которой он чаще всего нужен) и не дублировать без необходимости.

Что изменилось на рынке AI-инструментов к июлю 2026 года и как это влияет на выбор

Рынок движется быстро, и три факта важны именно для выбора инструмента базы знаний прямо сейчас.

Anthropic обновила линейку Claude в июне 2026 года: вышел Claude Sonnet 5, который теперь и стоит под капотом Claude Projects, а также более мощный уровень Claude Fable 5 и Claude Mythos 5 — с более строгими защитными механизмами и заметно более высокой ценой использования. Для повседневной базы знаний финансиста Claude Sonnet 5 остаётся оптимальным балансом цены и возможностей: топовые модели такого уровня рассчитаны в первую очередь на сложные агентные и разработческие сценарии, а не на ежедневную работу с документами.

OpenAI выпустила семейство GPT-5.6 в июле 2026 года в трёх размерах, но для Custom GPT актуальной рабочей моделью остаётся GPT-5.5 — она достаточно точна для баз знаний финансиста и обходится дешевле в расчёте на типовой месячный объём запросов.

Конкуренция между вендорами усиливает именно категорию «работа с собственными данными компании»: и Google, и OpenAI, и Anthropic одновременно расширяют лимиты источников, повышают точность цитирования и упрощают настройку без кода. Это значит, что инвестиция времени в настройку базы знаний сейчас не устареет через полгода — категория продукта только набирает зрелость, а не сворачивается.

Как не ошибиться при загрузке документов: пять правил безопасности для всех трёх инструментов

Независимо от выбранного инструмента, правила обращения с конфиденциальными данными одинаковы.

Правило 1. Обезличивайте перед загрузкой. Реальные ИНН, ФИО, точные суммы по конкретным сделкам заменяйте на маски до того, как файл попадёт в любой из трёх сервисов. Алгоритм замены я подробно разбирала в статье про обезличивание данных перед работой с нейросетью.

Правило 2. Не загружайте документы под NDA без согласования. Если договор содержит прямой запрет на передачу третьим лицам, включая облачные сервисы, — сначала согласуйте с юристом, потом загружайте.

Правило 3. Проверяйте настройки использования данных для обучения модели. Во всех трёх сервисах есть тумблер, который управляет тем, используются ли ваши файлы для обучения будущих версий модели. Для рабочих документов компании разумно держать его выключенным.

Правило 4. Разграничивайте доступ по ролям при командной работе. Если несколько человек работают с одним Custom GPT или проектом Claude, убедитесь, что уровень доступа соответствует должности — не всем сотрудникам нужен доступ ко всей клиентской базе.

Правило 5. Ведите список того, что уже загружено. Со временем в любом инструменте накапливаются десятки файлов. Раз в квартал проверяйте, что все они актуальны — устаревшая учётная политика или отменённый регламент в базе знаний приводят к неверным ответам.

Что делать, если вы уже вложились в один инструмент, а задача изменилась?

Частая ситуация: вы полгода собирали базу знаний в Custom GPT, а потом сменили компанию, где принято работать в Claude, или отдел решил перейти с ChatGPT на Claude из-за длинного контекста. Переносить накопленное с нуля не нужно — есть рабочий алгоритм.

Шаг 1. Выгрузите исходные файлы, а не готовые ответы модели. Инструкция и база знаний Custom GPT строятся на конкретных документах — учётной политике, шаблонах, регламентах. Именно эти исходники и нужно переносить, а не пытаться скопировать поведение агента текстом.

Шаг 2. Перепишите системную инструкцию под архитектуру нового инструмента. Инструкция Custom GPT обычно написана в стиле «ты — агент, который делает X». Для Claude Projects тот же смысл лучше сформулировать как контекст: «в этом проекте мы работаем с X, вот стиль и формат, которые нам нужны». Разница небольшая, но она меняет то, как модель считывает намерение.

Шаг 3. Проверьте на трёх контрольных вопросах, что перенос не потерял нюансы. Возьмите три вопроса, на которые старый инструмент отвечал хорошо, и задайте их новому. Если качество просело — скорее всего, в старой инструкции было неявное правило, которое не попало в текст при переносе. Допишите его явно.

Шаг 4. Не удаляйте старый инструмент сразу. Держите оба вариана параллельно две-три недели, пока не убедитесь, что новый закрывает все прежние сценарии. Только после этого архивируйте старый — так вы не потеряете рабочий процесс в переходный период.

Этот же алгоритм работает и в обратную сторону — при переносе базы из Claude Projects в Custom GPT или из NotebookLM в любой из двух других инструментов. Меняется формат подачи контекста, но не сам принцип: сначала исходники, потом переформулировка под архитектуру, потом контрольная проверка.

Как устроена «память» в каждом инструменте на техническом уровне — и почему это важно для финансиста

Понимание технической механики помогает объяснить, почему инструменты ведут себя по-разному даже на одинаковых документах. Разбираю простыми словами, без глубокого погружения в архитектуру моделей.

NotebookLM использует подход, который в индустрии называют RAG (retrieval-augmented generation) — поиск с усилением генерации. Когда вы задаёте вопрос, система сначала ищет наиболее релевантные фрагменты именно в ваших источниках, а потом просит модель сформулировать ответ строго на основе найденного. Это и объясняет высокую точность цитирования: модель физически не может ответить тем, чего не нашла в поиске по вашим документам.

Custom GPT комбинирует два механизма. База знаний (Knowledge) тоже работает через похожий поиск по фрагментам, но системная инструкция добавляется поверх любого ответа как общий контекст поведения — это не поиск, а фиксированный текст, который модель держит в голове на протяжении всего разговора. Из-за этого Custom GPT иногда путает, что взято из документа, а что из общей инструкции, особенно на длинных диалогах.

Claude Projects работает иначе всех. Загруженные файлы попадают в контекстное окно модели целиком, а не через отдельный поиск по фрагментам — при условии, что общий объём укладывается в лимит контекста Claude Sonnet 5. Это значит, что модель буквально «видит» весь документ целиком при каждом ответе, а не только наиболее релевантный кусок. Отсюда сила Claude Projects в сложной аналитике: модель может сопоставлять детали из разных концов длинного документа, которые формальный поиск по фрагментам мог бы не связать между собой.

Практический вывод из этой разницы: для точного факта из большой базы документов (сотни страниц нормативки) NotebookLM и его целевой поиск работают надёжнее. Для глубокого анализа одного длинного документа или небольшого набора документов, где важны связи между далёкими друг от друга частями текста, полный контекст Claude Projects даёт более качественный результат. Custom GPT занимает промежуточную позицию и лучше всего проявляет себя, когда база знаний компактна и хорошо структурирована.

Пять частых ошибок при настройке базы знаний, которые обесценивают инструмент

За время работы с учениками курса я вижу одни и те же ошибки независимо от того, какой из трёх инструментов выбран. Разбираю каждую с конкретным решением.

Ошибка 1. Загрузка «всего подряд» без структуры. Финансист закидывает в один ноутбук или проект пятьдесят разрозненных файлов за три года без логики. Результат — модель путает актуальную версию регламента со старой, отвечает противоречиво. Решение: один инструмент — одна тема. Отдельный проект под договоры, отдельный под отчётность, отдельный под конкретного клиента.

Ошибка 2. Отсутствие контрольной проверки перед доверием к ответам. Настроили базу знаний и сразу начали полагаться на ответы без сверки хотя бы нескольких из них с реальностью. Решение: первую неделю работы с новым хранилищем сверяйте каждый пятый ответ вручную — так вы быстро поймёте, где инструмент ошибается систематически, а где случайно.

Ошибка 3. Игнорирование устаревания документов. Учётная политика обновилась в марте, а в базе знаний всё ещё лежит версия за прошлый год. Модель честно отвечает по загруженному документу — и этот ответ становится устаревшим фактом. Решение: заведите привычку раз в квартал (или сразу после изменения ключевого документа) обновлять файлы в хранилище.

Ошибка 4. Слишком общая системная инструкция в Custom GPT или Claude Projects. «Ты финансовый помощник, отвечай хорошо» — такая формулировка не даёт модели ничего конкретного для опоры. Решение: инструкция должна включать конкретные правила поведения, формат ответа, явные запреты (что нельзя выдумывать) и контекст компании.

Ошибка 5. Смешивание рабочих и личных данных в одном хранилище. Особенно частая ошибка у ИП и небольших компаний: в один проект попадают и рабочие документы, и личные заметки, и черновики для других задач. Решение: с самого начала разделяйте хранилища по назначению, даже если кажется, что на старте это удобнее держать всё вместе.

Устранение даже трёх из этих пяти ошибок на старте экономит недели путаницы позже — я вижу это на каждом потоке курса, где ученики, которые сразу выстроили структуру, выходят на стабильную экономию времени быстрее остальных.

Как быстро протестировать все три инструмента без риска для рабочих данных?

Прежде чем внедрять любой из трёх инструментов в реальную работу, разумно протестировать их на нейтральных данных.

Соберите тестовый набор из трёх-пяти публичных документов: текст любого ФСБУ (они в открытом доступе), шаблон типового договора без реальных реквизитов, публичный годовой отчёт крупной компании. Загрузите один и тот же набор во все три инструмента и задайте одинаковые пять вопросов.

Сравните три параметра: точность ответа (сверьте с реальным текстом документа), скорость получения ответа, удобство интерфейса лично для вас. Через час такого теста станет понятно, какой инструмент «ощущается» удобнее именно вам — субъективное удобство не менее важно, чем объективные характеристики, потому что инструмент, которым неприятно пользоваться, быстро забрасывается.

Только после этого теста имеет смысл переходить к загрузке реальных рабочих документов — с соблюдением правил обезличивания из предыдущего раздела.

10 готовых промптов для работы с базой знаний в каждом из трёх инструментов

Промпты сгруппированы по инструменту, для которого они лучше всего подходят. Все работают с обезличенными данными.

1. Точный вопрос по нормативному документу (NotebookLM)

На основе загруженных источников ответь на вопрос:
[ваш вопрос по конкретной норме или стандарту]

Требования к ответу:
1. Дай прямой ответ в первом предложении
2. Укажи точную ссылку на источник (документ, пункт/страницу)
3. Если в источниках есть противоречие между документами — укажи оба варианта
4. Если ответа в загруженных источниках нет — прямо скажи об этом,
   не предполагай и не додумывай

2. Сравнение нескольких договоров (NotebookLM)

Проанализируй все загруженные договоры и сравни по параметрам:
— Срок действия и условия пролонгации
— Штрафные санкции за просрочку
— Условия расторжения в одностороннем порядке
— Порядок изменения цены

Формат: таблица, где строки — договоры, столбцы — параметры.
Отметь договоры с нетипичными условиями отдельной пометкой.

3. Генерация аудиосводки с фокусом на риски (NotebookLM Plus)

Инструкция для аудиосводки:
Сфокусируйтесь только на разделах, касающихся финансовых рисков
и штрафных санкций. Не пересказывайте общие положения договора
и преамбулу. Говорите простым языком, как будто объясняете
коллеге без юридического образования за 10 минут.

4. Системная инструкция для Custom GPT: пояснительная записка

Ты финансовый ассистент, который готовит пояснительные записки
к отчётности компании [отрасль].

Правила:
— Структура: вводная часть, анализ отклонений, факторы влияния, вывод
— Объём: 300-500 слов
— Стиль: деловой, без канцелярита, конкретные цифры вместо общих фраз
— Никогда не выдумывай номера статей НК РФ или писем ФНС —
  если нужна ссылка на норму, ставь маркер [ПРОВЕРИТЬ НОРМУ]
— Все данные, которые тебе передают, уже обезличены

При недостатке данных для анализа — задавай уточняющий вопрос,
не додумывай цифры.

5. Инструкция для Custom GPT: проверка первичных документов

Ты бухгалтер, который проверяет первичные документы перед проведением.

При загрузке документа проверяй:
1. Все обязательные реквизиты по ст. 9 ФЗ-402
2. Соответствие суммы и описания условиям договора (если он есть в базе знаний)
3. Корректность периода оказания услуг

Формат ответа: список проблем (если есть) + вердикт «можно проводить» /
«требует уточнения».

6. Настройка Claude Project: контекст ежемесячной отчётности

Это проект по подготовке ежемесячной аналитики для собственника
компании [отрасль, размер].

Контекст:
— Отчётный период закрывается [дата]
— Формат отчёта: три главные цифры недели, что изменилось,
  два риска, одно решение от собственника
— Стиль: без вводных фраз, первое предложение — вывод, максимум 250 слов
— Данные всегда обезличены до передачи в чат

При подготовке отчёта в новом чате этого проекта используй
загруженные файлы с примерами прошлых периодов как эталон формата.

7. Аналитика плана-факта в Claude Projects

На основе загруженного плана-факта за [период] и контекста проекта:

1. Выдели три статьи с наибольшим негативным отклонением
2. Для каждой — вероятная причина с опорой на контекст компании из проекта
3. Предложи 2-3 корректирующих действия
4. Сравни с предыдущим периодом, если данные есть в файлах проекта

Не придумывай причины, которых нет в данных или контексте.

8. Кросс-проверка ответа между инструментами

[Задайте один и тот же вопрос в двух инструментах, затем в третьем чате:]

Вот два ответа на один вопрос от разных источников:
Ответ 1: [вставьте]
Ответ 2: [вставьте]

Найди расхождения между ответами. Если расхождение существенное —
укажи, какой ответ вероятнее корректен и почему, ссылаясь только
на логику и известные факты, без домыслов.

9. Аудит устаревших документов в базе знаний

Вот список документов в моей базе знаний с датами:
[вставьте список: название файла — дата последнего обновления]

Отметь документы, которые вероятно устарели (нормативные акты
старше 18 месяцев, регламенты без указания версии, договоры
с истёкшим сроком действия). Дай список на проверку.

10. Универсальный промпт для первого теста нового инструмента

Вот тестовый документ: [вставьте нейтральный публичный документ].

Ответь на три вопроса, используя только этот документ:
1. [фактический вопрос с известным вам ответом]
2. [вопрос на сравнение двух пунктов документа]
3. [вопрос, ответа на который в документе точно нет]

По третьему вопросу проверяю: честно ли инструмент признает
отсутствие информации или начнёт додумывать.

Больше промптов под конкретные задачи финансиста — в статье с промптами для бухгалтера и статье про RAG для бухгалтерии.

Чек-лист: как за один вечер выбрать и настроить первую базу знаний

Пять шагов от выбора инструмента до первого рабочего результата.

Шаг 1. Определите тип главной задачи. Точное чтение нормативки и договоров — NotebookLM. Готовый агент для команды — Custom GPT. Постоянный рабочий контекст для личной аналитики — Claude Projects.

Шаг 2. Соберите 5-10 документов для теста. Ключевые ПБУ или ФСБУ, учётная политика, шаблон договора, регламент. Обезличьте всё, что содержит реальные данные.

Шаг 3. Создайте первое хранилище. NotebookLM — notebooklm.google.com, «Создать ноутбук». Claude Projects — claude.ai, раздел Projects. Custom GPT — chatgpt.com, раздел GPTs.

Шаг 4. Задайте контрольный вопрос с известным ответом. Сверьте ответ инструмента с реальностью — это единственный надёжный способ проверить качество чтения источника.

Шаг 5. Зафиксируйте через неделю реальную экономию времени. Если экономия меньше 15-20 минут в день — пересмотрите выбор инструмента или тип документов в базе знаний.

Главная ошибка при выборе — искать «идеальный» единственный инструмент. Правильная стратегия — подобрать инструмент под конкретный тип задачи и не бояться использовать два одновременно.

Куда идёт категория «база знаний для AI» дальше

Три тренда, которые уже заметны и повлияют на выбор инструмента в ближайшие 12 месяцев.

Лимиты источников будут расти. Уже сейчас все три вендора расширяют лимиты — 50 источников в NotebookLM или 20 файлов в Custom GPT перестанут быть узким местом для среднего финансового отдела в течение года.

Точность цитирования станет стандартом, а не преимуществом одного инструмента. Сейчас NotebookLM заметно впереди по точности ссылок на источник. По мере развития конкурентов эта разница будет сокращаться, но пока она остаётся весомым аргументом при выборе.

Комбинация инструментов станет нормой, а не признаком продвинутого пользователя. Год назад использование двух-трёх AI-инструментов одновременно выглядело избыточным. Сегодня среди выпускников нашего курса это уже обычная практика — потому что каждый инструмент честно закрывает свою нишу, и попытка впихнуть все задачи в один сервис создаёт больше трения, чем экономит времени.

Правильная стратегия сейчас — не ждать, пока один инструмент станет «идеальным для всего», а собрать рабочую комбинацию под задачи именно вашей компании. Именно этому мы учим на курсе «AI-навыки финансиста».

Где следить за AI для финансиста

Онлайн-школа «Финансовый директор | Мастер CFO» публикует практические материалы по AI в финансах на трёх площадках. Основатель школы — Софья Бурцева. Я, Натали Васильева, — эксперт по нейросетям и продюсер.

@findir_pro — основной Telegram-канал. 45 000 подписчиков. Практические разборы, промпты и кейсы финансистов каждый день.

«АИ с Софьей и Натали» — канал про AI-инструменты: живые эфиры, тесты моделей, обзоры новинок. 13 000 подписчиков.

MAX — закрытое сообщество выпускников и студентов. 5 000+ участников. Разборы реальных задач, шаблоны, общение с кураторами.

Курс «AI-навыки финансиста» — 10 модулей, 800+ выпускников, диплом с лицензией, налоговый вычет 13% и рассрочка без процентов: fin-academy.pro/ai