Проверка контрагентов через ChatGPT: анализируем риски, долги и связанных лиц за 10 минут без СПАРК

В 2026 году вопрос «а надёжный ли это контрагент» звучит на моей практике каждую неделю — у финдиректоров, главбухов и предпринимателей, которые заключают новый договор и не хотят потом объяснять налоговой, почему выбрали фирму-однодневку. Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (@findir_pro, 45 000 подписчиков). В этой статье разбираю рабочую схему проверки контрагентов через ChatGPT и Claude без подписки на СПАРК: что нейросеть реально умеет, а что нет, где взять бесплатные данные и как за 10 минут получить структурированное заключение по рискам, долгам и связанным лицам. Обновлено на июль 2026 года — с учётом актуальных моделей GPT-5.5, Claude Sonnet 4.6 и DeepSeek V3.2.

Что такое проверка контрагента через ChatGPT и почему это не то же самое, что СПАРК?

Проверка контрагента через ChatGPT — это использование нейросети для анализа и структурирования данных о компании, которые вы собрали из открытых источников, а не прямой запрос к базе данных юрлиц.

Это принципиальное отличие путает многих. СПАРК-Интерфакс, Контур.Фокус, Casebook — это сервисы, у которых есть прямой доступ к реестрам ФНС, картотеке арбитражных судов, реестру банкротств. Они автоматически подтягивают данные по ИНН и считают скоринг риска по своей формуле.

ChatGPT, Claude и другие большие языковые модели устроены иначе. У них нет живого подключения к базе ЕГРЮЛ. Модель обучена на массиве текстов с определённой датой отсечения — и даже если в этом массиве когда-то была информация о конкретном ООО, она безнадёжно устарела к моменту вашего вопроса. Директор мог смениться, компания могла обанкротиться, реквизиты могли измениться десять раз.

Значит ли это, что нейросеть бесполезна для проверки контрагентов? Нет. Она решает другую, но не менее важную часть задачи: экономит время на анализе того, что вы уже нашли, и не даёт упустить красные флаги, которые человеческий глаз замыливает на пятой проверке за день.

Рабочая модель 2026 года выглядит так: вы — источник актуальных данных из открытых реестров, нейросеть — аналитик, который эти данные читает быстрее и внимательнее, чем уставший бухгалтер в конце месяца.

Зачем вообще проверять контрагентов — какие риски вы берёте на себя без due diligence?

Каждая непроверенная сделка с сомнительным контрагентом несёт три слоя риска: финансовый, налоговый и репутационный — и налоговый обычно бьёт больнее всего.

Финансовый риск самый очевидный. Контрагент не поставит товар после предоплаты, не оплатит поставку, окажется банкротом на этапе исполнения контракта. Деньги теряются напрямую.

Налоговый риск менее очевиден, но опаснее по последствиям. Статья 54.1 Налогового кодекса РФ и практика её применения ФНС требуют от компании проявлять должную осмотрительность при выборе контрагента. Если налоговая доказывает, что контрагент — техническая компания без реальной деятельности (типичная «однодневка»), вычеты по НДС и расходы по налогу на прибыль по сделке с этим контрагентом снимаются. Компания платит налог так, будто сделки не было — плюс пени и штраф.

Репутационный риск проявляется медленнее, но затрагивает бизнес шире одной сделки. Работа с сомнительными компаниями попадает в поле зрения банка при проверке по 115-ФЗ, влияет на решение других партнёров о сотрудничестве, может привести к блокировке счёта при подозрении в обналичивании через цепочку контрагентов.

Что конкретно проверяют при должной осмотрительности:

• Факт реальной деятельности компании (не просто регистрация на бумаге)
• Полномочия лица, подписывающего договор
• Наличие ресурсов для исполнения обязательств (штат, склад, транспорт — по ситуации)
• Финансовое состояние и наличие долгов
• Судебные споры и исполнительные производства
• Связанные лица и бенефициаров

Раньше сбор этих данных из пяти-семи разных источников занимал час-полтора. Задача этой статьи — показать, как сжать этот процесс до 10-15 минут без потери качества анализа.

Отдельно стоит сказать о рисках, которые часто недооценивают на старте работы с новым контрагентом. Связанные лица — учредители и директора, фигурирующие одновременно в нескольких компаниях, — иногда указывают на группу компаний, искусственно раздробленную для оптимизации налогов или для обхода лимитов по спецрежимам. Это отдельный пласт проверки, который не сводится к простому чтению одной выписки: нужно смотреть, не пересекаются ли учредители или директора проверяемой компании с уже известными вам сомнительными контрагентами из прошлого опыта. Именно здесь регулярная практика проверок и накопленная база по отрасли дают преимущество: чем больше контрагентов вы уже проверили и задокументировали, тем быстрее распознаётся повторяющийся паттерн у новой компании.

Что реально умеет ChatGPT в проверке контрагентов, а что — миф?

Прямой ответ: ChatGPT умеет анализировать документы, которые вы загрузили, находить противоречия в данных и формулировать заключение — но не умеет доставать актуальные факты о компании из воздуха.

Разберу по пунктам, потому что путаница здесь стоит компаниям реальных денег.

Что ChatGPT умеет хорошо:

Читать и анализировать выписку ЕГРЮЛ в PDF или текстовом формате, которую вы загрузили. Модель вытащит дату регистрации, юридический адрес, ОКВЭД, сведения о директоре и учредителях, размер уставного капитала — и сразу отметит нетипичные значения.

Сопоставлять данные из разных источников на предмет противоречий. Если в выписке ЕГРЮЛ один директор, а в присланном договоре подпись стоит от имени другого человека — модель это заметит быстрее, чем человек, бегло сверяющий документы.

Формулировать признаки типовых схем риска по описанию: массовый адрес регистрации (одна и та же квартира или бизнес-центр, где зарегистрированы сотни компаний), минимальный уставный капитал в 10 000 рублей, дата регистрации за месяц до сделки, частая смена директоров или юридического адреса.

Писать итоговое заключение и служебную записку в деловом стиле — быстро и без «воды».

Помогать составить перечень вопросов контрагенту перед сделкой (запросить устав, решение о назначении директора, бухгалтерскую отчётность за последний год).

Что ChatGPT НЕ умеет и не должен пытаться делать:

Доставать актуальные данные о конкретной компании по ИНН без вашей загрузки. Любой ответ модели с конкретными цифрами о названной вами компании без загруженного документа — это галлюцинация, и полагаться на неё нельзя.

Проверять, банкрот ли компания прямо сейчас. Статусы меняются ежедневно, у модели нет доступа к реальному времени.

Видеть судебные дела, которые появились после даты обучения модели или которые вы не загрузили сами.

Заменять официальный источник для налоговой. Заключение ChatGPT — это ваш внутренний рабочий документ, а не официальная выписка.

Модели с функцией поиска в интернете (если она включена в конкретном интерфейсе) частично закрывают разрыв — могут найти актуальную новость о компании через поисковик. Но и здесь: поисковый плагин находит то, что проиндексировано, а не прямую выгрузку из реестра ФНС. Официальная проверка всё равно идёт через первоисточник.

Какие открытые источники нужны для проверки контрагента перед обращением к нейросети?

Пять бесплатных официальных реестров закрывают 90% задачи должной осмотрительности без единой копейки затрат на подписку.

1. Сервис ФНС «Прозрачный бизнес» и выписка из ЕГРЮЛ/ЕГРИП

Главный источник. На официальном сайте налоговой службы можно бесплатно получить актуальную выписку из ЕГРЮЛ по ИНН или названию компании. Данные включают дату регистрации, юридический адрес, коды ОКВЭД, сведения об учредителях и руководителе, размер уставного капитала, статус компании (действующая, в процессе ликвидации, исключена из реестра).

Сервис также показывает признаки риска, которые ФНС отмечает сама: массовый учредитель, массовый директор, недостоверность сведений об адресе, дисквалификация руководителя.

2. Единый федеральный реестр сведений о банкротстве (ЕФРСБ)

Проверка, не находится ли компания в процедуре наблюдения, конкурсного производства или уже признана банкротом. Критично проверять перед крупной предоплатой.

3. Картотека арбитражных судов (kad.arbitr.ru)

Показывает все судебные дела компании как истца и ответчика. Большое число исков от контрагентов как ответчику — тревожный сигнал. Иски самой компании как истца о взыскании задолженности — наоборот, может говорить о том, что компания активно защищает свои интересы.

4. Официальный сайт Федеральной службы судебных приставов (ФССП)

Проверка исполнительных производств по ИНН организации или ФИО и дате рождения физлица-директора. Показывает, есть ли долги, которые уже дошли до принудительного взыскания.

5. Реестр дисквалифицированных лиц ФНС

Проверка, не входит ли директор контрагента в реестр лиц, которым запрещено занимать руководящие должности по решению суда.

Дополнительно, по ситуации: сайт компании и её присутствие в открытых источниках (само по себе не доказательство, но косвенный сигнал), отзывы сотрудников на профильных площадках, проверка адреса регистрации на «массовость» через тот же сервис ФНС.

Собрать данные из этих пяти источников вручную и свести их в единую картину — то самое действие, которое отнимает час-полтора. Именно этот этап и ускоряет нейросеть.

Как за 10 минут провести проверку контрагента: пошаговая схема

Опишу конкретный процесс, который я показываю на курсе «AI-навыки финансиста» — от реквизитов в договоре до готового заключения.

Шаг 1 (2 минуты). Собрать реквизиты. Возьмите ИНН, ОГРН и точное название организации из проекта договора или счёта.

Шаг 2 (3 минуты). Получить выписку ЕГРЮЛ. Зайдите на сайт ФНС, введите ИНН, скачайте PDF-выписку. Обратите внимание на дату — вам нужна актуальная выписка на сегодняшний день, а не старая копия, присланная контрагентом.

Шаг 3 (2 минуты). Быстро проверить три реестра. Откройте картотеку арбитражных судов, ЕФРСБ и сайт ФССП по тому же ИНН. Сделайте скриншот результатов поиска (даже если результат «дел не найдено» — это тоже нужно зафиксировать с датой).

Шаг 4 (2 минуты). Загрузить всё в ChatGPT или Claude. Прикрепите PDF выписки и опишите текстом результаты проверки остальных реестров. Используйте промпт для анализа рисков (примеры ниже).

Шаг 5 (1 минута). Получить структурированный ответ. Модель выдаст таблицу с ключевыми параметрами, список красных флагов, если они есть, и итоговую рекомендацию.

Итого — около 10 минут вместо часа-полутора при полностью ручном процессе. Разница особенно ощутима, когда нужно проверить не одного, а сразу пять-шесть новых контрагентов перед закупочной кампанией.

Как определить признаки фирмы-однодневки с помощью нейросети?

Прямой ответ: однодневку выдаёт не один признак, а сочетание нескольких — и именно в поиске сочетаний нейросеть особенно полезна, потому что человеческий глаз держит в фокусе один-два параметра одновременно, а модель сравнивает все сразу.

Классические признаки, которые стоит проверять в связке:

Минимальный уставный капитал — 10 000 рублей, минимально допустимый по закону. Само по себе не криминал, большинство честных новых ООО тоже начинают с минимума. Но в сочетании с другими признаками — тревожный сигнал.

Массовый адрес регистрации — по одному адресу зарегистрированы десятки или сотни компаний. Часто это признак фиктивной регистрации, хотя бывают и легальные бизнес-центры для сдачи юридических адресов.

Массовый директор или учредитель — человек числится руководителем в большом числе компаний одновременно. ФНС сама помечает такие случаи в выписке.

Короткий срок существования при крупной сделке — компания зарегистрирована месяц-два назад и сразу заключает контракт на значительную сумму.

Частая смена юридического адреса или директора за короткий период — признак попытки уйти от проверок или сменить «оболочку».

Отсутствие сотрудников по данным отчётности (если доступна), отсутствие сайта, отсутствие следов реальной деятельности в открытых источниках.

Основной вид деятельности по ОКВЭД не соответствует предмету сделки — например, компания зарегистрирована как «розничная торговля цветами», а заключает контракт на поставку металлопроката.

Как здесь помогает нейросеть: вы описываете все найденные параметры компании, а модель находит сочетания, которые в отдельности не выглядят подозрительно, но вместе создают картину риска. Один признак редко о чём-то говорит: минимальный капитал есть у половины честных стартапов. Три-четыре признака одновременно — совсем другая история.

Важная оговорка: ни один признак и даже их сочетание не является стопроцентным доказательством фиктивности. Итоговое решение — за человеком, который понимает контекст сделки, историю отношений с контрагентом и специфику отрасли.

Промпты для проверки контрагента: 10 готовых шаблонов

Все промпты рассчитаны на работу с уже собранными вами данными — выпиской ЕГРЮЛ, результатами проверки реестров, текстом договора. Перед загрузкой чувствительных коммерческих данных заменяйте реальное название компании на нейтральное обозначение, если это принципиально для вашей политики конфиденциальности. Работают в ChatGPT (GPT-5.5), Claude Sonnet 4.6 и DeepSeek V3.2.

1. Базовый анализ выписки ЕГРЮЛ

Ты финансовый аналитик, специализирующийся на должной осмотрительности
при выборе контрагентов.

Перед тобой выписка из ЕГРЮЛ. Проанализируй:
1. Дату регистрации компании и оцени, соответствует ли возраст компании
   масштабу предполагаемой сделки
2. Размер уставного капитала — минимальный или выше среднего
3. Основной и дополнительные коды ОКВЭД — соответствуют ли предмету сделки
   [опишите предмет сделки]
4. Есть ли отметки ФНС о недостоверности сведений, массовом адресе
   или массовом директоре
5. Кто подписант и совпадает ли с лицом, указанным в договоре

Не делай выводов о благонадёжности компании в целом — только структурируй
факты из документа и отметь несоответствия.

[вставьте текст выписки или прикрепите PDF]

2. Сведение данных из нескольких реестров в одну таблицу

Ты помощник финансового директора по due diligence.

У меня есть данные проверки контрагента [название или условное обозначение]
из нескольких источников:

— ЕГРЮЛ: [вставьте ключевые данные]
— Картотека арбитражных судов: [количество дел, кратко о чём]
— ЕФРСБ (реестр банкротств): [результат проверки]
— ФССП (исполнительные производства): [результат проверки]

Сведи всё в единую таблицу: Источник | Что проверено | Результат | Флаг риска
(зелёный/жёлтый/красный).

В конце — один абзац с итоговой оценкой и рекомендацией: работать без
ограничений / работать с предоплатой не выше [X]% / требовать
дополнительные документы / отказаться от сделки.

3. Поиск признаков фирмы-однодневки

Ты эксперт по проверке контрагентов на предмет технической (фиктивной)
деятельности.

Вот параметры компании: [вставьте: дата регистрации, уставный капитал,
адрес, ОКВЭД, данные о директоре]

Проверь на совпадение с типовыми признаками риска:
— минимальный уставный капитал
— массовый адрес регистрации
— массовый директор/учредитель
— короткий срок существования при крупной сделке
— несоответствие ОКВЭД предмету сделки
— частая смена адреса или директора

Для каждого признака дай статус: обнаружен / не обнаружен / недостаточно
данных. В конце — количество обнаруженных признаков и общий уровень
настороженности: низкий / средний / высокий.

Не делай окончательный вывод о фиктивности — только фиксируй признаки.

4. Анализ судебных дел из картотеки арбитражных судов

Ты юрист-аналитик, специализирующийся на анализе судебной истории
контрагентов.

Вот список судебных дел компании из картотеки арбитражных судов
за последние 3 года: [вставьте список с указанием роли — истец/ответчик,
предмет спора, статус дела]

Проанализируй:
1. Соотношение дел, где компания истец, и дел, где она ответчик
2. Повторяющиеся типы споров (взыскание задолженности, неисполнение
   обязательств, споры с налоговой)
3. Есть ли дела с крупными суммами относительно масштаба компании
4. Динамика: споров становится больше или меньше со временем

Формат: краткое резюме на 5-7 предложений плюс таблица дел с ключевыми
параметрами.

5. Проверка полномочий подписанта

Ты юрист по договорному праву.

Сравни данные о директоре компании из выписки ЕГРЮЛ и данные подписанта
в проекте договора:

Выписка ЕГРЮЛ: [ФИО директора, дата назначения]
Договор: [ФИО и должность подписанта, реквизиты доверенности если есть]

Проверь:
1. Совпадает ли подписант с руководителем по ЕГРЮЛ
2. Если подписант действует по доверенности — есть ли ссылка на неё
   в преамбуле договора
3. Какие документы нужно запросить дополнительно для подтверждения
   полномочий

Не выдумывай нормы права, которых нет в вопросе — если нужна ссылка
на статью ГК РФ, отметь маркером [ПРОВЕРИТЬ НОРМУ].

6. Формирование служебной записки по итогам проверки

Ты финансовый директор, готовишь служебную записку для руководства
по итогам проверки контрагента.

Данные проверки: [вставьте итоги: ЕГРЮЛ, суды, банкротство, приставы,
признаки риска]

Составь служебную записку по структуре:
1. Предмет проверки (название контрагента, дата, кто проверял)
2. Источники, которые использовались
3. Основные findings (2-4 пункта)
4. Уровень риска: низкий / средний / высокий
5. Рекомендация: заключать без ограничений / с оговорками / отказаться

Стиль: деловой, без вводных фраз, конкретно. Объём — не более 250 слов.

7. Сравнение двух потенциальных поставщиков

Ты финансовый аналитик. Помоги сравнить двух потенциальных поставщиков
для одной и той же закупки.

Поставщик А: [вставьте данные проверки]
Поставщик Б: [вставьте данные проверки]

Сравни по параметрам: возраст компании, финансовая устойчивость по
косвенным признакам, судебная история, репутационные риски, соответствие
ОКВЭД предмету закупки.

Формат: сравнительная таблица + итоговая рекомендация с обоснованием
в 3-4 предложениях.

8. Составление перечня документов для запроса у контрагента

Ты финансовый директор, готовишься заключить договор с новым
контрагентом на сумму [укажите сумму] по предмету [опишите сделку].

Составь перечень документов, которые стоит запросить у контрагента
до подписания, с учётом требований должной осмотрительности по
ст. 54.1 НК РФ:

— учредительные документы
— документы, подтверждающие полномочия подписанта
— финансовая отчётность (если применимо)
— документы, подтверждающие ресурсы для исполнения сделки

Для каждого пункта — одна строка, зачем именно этот документ нужен.

9. Анализ отчётности контрагента (если получена)

Ты финансовый аналитик.

Перед тобой сокращённая бухгалтерская отчётность контрагента за
последний отчётный период (данные обезличены):

[вставьте данные: выручка, активы, обязательства, чистая прибыль/убыток]

Проанализируй:
1. Динамику ключевых показателей за доступные периоды
2. Соотношение обязательств и активов — есть ли признаки финансовой
   неустойчивости
3. Достаточность масштаба компании для исполнения сделки на сумму
   [укажите сумму]

Считай в коде. Не делай вывод о банкротстве — это юридический статус,
подтверждаемый только реестром ЕФРСБ, а не показателями отчётности.

10. Системная инструкция для регулярной проверки контрагентов

Ты ассистент финансового отдела компании [отрасль], который помогает
с проверкой новых контрагентов перед заключением договора.

Контекст:
— Проверяешь только данные, которые я загружаю (выписки, скрины
  реестров) — никогда не придумываешь факты о конкретных компаниях
— Порог крупной сделки для повышенного внимания: [укажите сумму]
— Обязательные источники: ЕГРЮЛ, картотека арбитражных судов, ЕФРСБ,
  ФССП
— Формат ответа: таблица рисков + итоговая рекомендация одним абзацем
— Если данных недостаточно для вывода — прямо говоришь, каких данных
  не хватает, вместо того чтобы додумывать
— Стиль: деловой, без вводных конструкций

Готов анализировать первую проверку.

Больше рабочих промптов для финансового отдела — в статье «20 промптов для бухгалтера».

ChatGPT vs Claude vs DeepSeek vs СПАРК: что выбрать для проверки контрагентов?

Таблица сравнения по ключевым параметрам — актуально на июль 2026 года.

Точные тарифы уточняйте на официальных сайтах — цены и линейки продуктов регулярно обновляются.

Вывод из таблицы: нейросети и платные сервисы решают разные части задачи. СПАРК и Контур.Фокус — источник данных с автоматическим скорингом, незаменимы при потоковой проверке. Связка открытых реестров с ChatGPT или Claude выигрывает на разовых и точечных проверках, где важна гибкость формулировок и не хочется платить за подписку ради пяти проверок в месяц.

Кейс 1: как финансовый отдел торговой компании сократил проверку нового поставщика с 90 до 12 минут

Компания — оптовый поставщик стройматериалов, ежемесячно заключает 8-12 новых договоров с подрядчиками на разовые поставки. Раньше проверка одного контрагента занимала у финансового менеджера от 60 до 90 минут: отдельно заходили на сайт ФНС, отдельно в картотеку арбитражных судов, отдельно на ФССП, потом вручную сводили всё в Word-документ для согласования с руководителем.

При объёме в 10 проверок в месяц это было 10-15 часов рабочего времени — почти два полных рабочих дня.

Что изменили. Ввели чёткий процесс: менеджер собирает данные из четырёх источников за 6-7 минут (навык отработался после первых десяти проверок), затем загружает всё в Claude Sonnet 4.6 с промптом на сведение данных в таблицу и служебную записку (промпт №2 и №6 из списка выше). Получение готового заключения занимает 3-4 минуты.

Результат. Проверка одного контрагента стала занимать 10-12 минут вместо 60-90. За месяц освободилось около 10 часов рабочего времени. Дополнительный эффект: формат служебных записок стал единым, руководителю стало проще сравнивать проверки между собой, а не читать разнородные заметки от разных сотрудников.

Важная деталь: финансовый директор компании настоял на том, чтобы все исходные скриншоты реестров сохранялись в облачную папку с датой проверки — именно они, а не текст от ChatGPT, стали официальным подтверждением должной осмотрительности при возможной проверке налоговой.

Кейс 2: как ИП на маркетплейсе избежал рискованной предоплаты новому поставщику

ИП, занимающийся оптовой закупкой товаров для перепродажи на маркетплейсах, получил предложение от нового поставщика с очень выгодной ценой — заметно ниже рынка при условии стопроцентной предоплаты.

Цена показалась подозрительно хорошей, и предприниматель решил проверить компанию перед переводом крупной суммы предоплаты.

Что нашли. Выписка ЕГРЮЛ показала: компания зарегистрирована совсем недавно, уставный капитал минимальный — 10 000 рублей, юридический адрес совпадал с адресом большого числа других организаций (проверено через сервис ФНС). ОКВЭД был указан как «консультирование по вопросам коммерческой деятельности», что не соответствовало заявленной оптовой торговле.

Загрузив эти данные в ChatGPT с промптом на поиск признаков однодневки (промпт №3), предприниматель получил структурированный список: несколько типовых признаков риска совпали одновременно — минимальный капитал, массовый адрес, несоответствие ОКВЭД предмету сделки.

Решение. Предприниматель отказался от стопроцентной предоплаты и предложил поставщику работу по частичной предоплате с постоплатой после получения товара. Поставщик отказался от таких условий и перестал выходить на связь в течение недели.

Результат. В моей практике такие случаи обычно означают предотвращённый убыток на сумму планировавшейся предоплаты — здесь речь шла о значимой для ИП сумме. Время на проверку — около 15 минут, включая сбор данных из реестров и анализ через нейросеть. Это тот случай, когда несколько минут работы напрямую защитили деньги предпринимателя.

Кейс 3: как финдиректор производственной компании выстроил ежеквартальный мониторинг постоянных поставщиков

Производственная компания среднего размера работает с несколькими десятками постоянных поставщиков сырья и комплектующих. Разовая проверка при начале сотрудничества — стандартная практика, но со временем финансовый статус давно проверенных партнёров тоже меняется, а перепроверять руками весь список руки не доходили.

Что сделали. Финансовый директор выстроил процесс: раз в квартал ассистент выгружает список ИНН всех постоянных поставщиков, проверяет каждый по сервису ФНС на предмет статуса компании (действующая/в процессе ликвидации/исключена) и по реестру банкротств — это можно делать пакетно, экономя время на однотипных запросах. Результаты сводятся в единую таблицу.

Дальше таблица целиком загружается в ChatGPT с модифицированным промптом №2, адаптированным под массовую проверку: вместо одной компании — список из десятков строк с задачей выделить только те, где появились изменения статуса или новые судебные дела с прошлой проверки.

Результат. Ручная проверка всего списка поставщиков заняла бы у одного сотрудника несколько полных рабочих дней каждый квартал. С текущим процессом сбор данных занимает заметно меньше времени (в основном из-за скорости работы с реестром при пакетных запросах), а анализ через нейросеть — в моей практике обычно от получаса до часа вместо ручного сравнения таблиц.

За два квартала процесс поймал два реальных сигнала: у одного поставщика началась процедура наблюдения в деле о банкротстве, у другого резко выросло число судебных исков от контрагентов. В обоих случаях компания успела скорректировать условия работы (перейти на предоплату меньшего размера, сократить объём заказов) до того, как ситуация ударила по производственному циклу.

Финдиректор отмечает: без систематизации проверки через нейросеть этот процесс либо не делался бы вообще из-за нехватки времени, либо делался бы поверхностно раз в год.

Как обезопасить проверку от галлюцинаций модели — три правила

Прямой ответ: главная опасность в работе с нейросетью для due diligence — не техническая ошибка, а слепое доверие к цифрам, которые модель написала без вашей загрузки документа.

Правило 1. Никогда не спрашивайте у модели факты о конкретной компании без загруженного документа. Если вы написали в чат «расскажи о компании ООО Ромашка, ИНН 1234567890» без прикреплённого файла — любой ответ модели, содержащий конкретные цифры, скорее всего вымысел, даже если звучит убедительно. Модель не откажется отвечать сама — она сгенерирует правдоподобный, но не соответствующий действительности текст. Это фундаментальное свойство языковых моделей, а не баг конкретного продукта.

Правило 2. Просите модель явно указывать, откуда взят каждый факт. В промптах выше есть формулировка «не выдумывай, если данных недостаточно — скажи прямо». Это не формальность — такая инструкция реально снижает частоту уверенных, но необоснованных утверждений.

Правило 3. Сверяйте критичные цифры вручную перед принятием решения. Если речь о сделке на значительную сумму, финальную проверку ключевых фактов (статус компании, наличие банкротства, крупные суды) стоит открыть повторно в первоисточнике перед подписанием — не полагаясь на то, что вы правильно скопировали данные в чат час назад.

Дополнительная страховка: свести результат из двух разных моделей (например, Claude и GPT-5.5) на одних и тех же исходных данных. Если оба анализа сходятся в оценке риска — уверенность выше. Если расходятся — повод перечитать исходные документы самостоятельно.

Как задокументировать проверку для защиты от претензий налоговой?

ФНС оценивает должную осмотрительность не по факту «я проверил в ChatGPT», а по совокупности сохранённых документов с датами, которые доказывают: на момент сделки у вас были разумные основания считать контрагента добросовестным.

Минимальный пакет документов due diligence, который стоит формировать по каждому значимому контрагенту:

1. Актуальная выписка из ЕГРЮЛ на дату, близкую к дате сделки (не позднее месяца до подписания договора)
2. Скриншот проверки в реестре банкротств с датой на скриншоте
3. Скриншот или выгрузка из картотеки арбитражных судов
4. Скриншот проверки по реестру дисквалифицированных лиц
5. Документы, подтверждающие полномочия подписанта (устав, решение о назначении директора или доверенность)
6. Внутренняя служебная записка с итоговой оценкой риска и решением

Заключение, сформулированное нейросетью, может входить в пункт 6 как черновик или основа служебной записки — но не как замена пунктам 1-5. Именно официальные скриншоты и выписки с зафиксированной датой являются доказательством для налоговой, а не текст диалога с ChatGPT.

Практический совет: заведите единый шаблон папки для каждого нового контрагента (например, в облачном хранилище) с подпапками под каждый источник проверки. Это не только защита перед налоговой, но и экономия времени при повторной проверке того же контрагента через квартал — видно, что уже проверялось и когда.

Когда бесплатной связки с нейросетью недостаточно и нужен платный сервис?

Прямой ответ: если вы проверяете больше 20-30 контрагентов в месяц или вам нужен непрерывный автоматический мониторинг, платный агрегатор экономит больше времени, чем стоит.

Ситуации, где связка открытые реестры плюс ChatGPT работает отлично:

• Разовые проверки перед подписанием договора (1-15 в месяц)
• Точечная глубокая проверка одного крупного контрагента перед значимой сделкой
• Компании с ограниченным бюджетом на подписки, которым важнее гибкость формулировок, чем автоматизация сбора
• Проверка «второго мнения» поверх данных, уже полученных из платного сервиса

Ситуации, где нужен платный сервис вроде СПАРК или Контур.Фокус:

• Массовый скрининг закупок — 50+ новых контрагентов в месяц
• Требование непрерывного мониторинга уже проверенных партнёров с автоматическим оповещением об изменениях
• Необходимость готового скоринга риска по формализованной методике для внутреннего регламента компании (некоторые корпоративные политики требуют именно оценку от аккредитованного сервиса)
• Интеграция проверки контрагентов в API учётной системы или систему электронного документооборота

Многие компании на практике комбинируют оба подхода: платный сервис для базового автоматического скрининга всех новых контрагентов, а нейросеть — для более глубокого анализа тех случаев, где базовый скоринг показал повышенный риск и нужно разобраться в деталях. Это разумная экономия: не каждая проверка требует одинаковой глубины.

Есть и промежуточный вариант, о котором часто забывают: пробный период платного сервиса. СПАРК, Контур.Фокус и аналогичные системы обычно предлагают демо-доступ или пробный период на несколько дней. Если у вас разовая крупная сделка и нужен полноценный скоринг именно сейчас — можно временно оформить пробный доступ, получить отчёт, а на следующий месяц вернуться к бесплатной связке для текущих задач. Это не системное решение, но рабочий вариант для нестандартной ситуации, когда сумма сделки оправдывает более глубокую проверку, а регулярной подписки в компании пока нет.

Частые ошибки при проверке контрагентов через нейросеть

Пять ошибок, которые я вижу регулярно на разборах курса «AI-навыки финансиста».

Ошибка 1. Спрашивать у модели «прогугли эту компанию» вместо загрузки документов. Даже с включённым поиском в интернете модель не заменяет прямую проверку в официальном реестре — поисковая выдача может быть неполной или устаревшей.

Ошибка 2. Доверять единственному источнику. Проверка только через ЕГРЮЛ без картотеки судов и реестра банкротств даёт неполную картину. Признаки риска часто проявляются именно в сочетании данных из разных мест.

Ошибка 3. Не сохранять доказательства проверки. Провели анализ, получили ответ от нейросети, приняли решение — и не сохранили ни скриншотов, ни выписок. Через полгода, когда налоговая задаёт вопросы, восстановить картину проверки на дату сделки уже невозможно.

Ошибка 4. Считать один признак риска приговором. Минимальный уставный капитал есть у большинства новых честных компаний. Паниковать из-за одного изолированного параметра и терять выгодного нового партнёра — тоже ошибка, зеркальная излишней доверчивости.

Ошибка 5. Полагаться на дату регистрации модели вместо актуальной проверки. Если в диалоге с ChatGPT полгода назад уже проверяли компанию, а сейчас заключаете новую сделку с ней же — статус мог измениться. Проверка не разовая процедура, а процесс, привязанный к каждой конкретной сделке или регулярному циклу.

Что дальше: как встроить проверку контрагентов в регулярный процесс финансового отдела?

Разовая проверка перед одной сделкой — это хорошо, но настоящая ценность появляется, когда процесс становится системным, а не зависит от того, вспомнил ли конкретный сотрудник проверить нового поставщика.

Три шага для встраивания в регулярный процесс:

Зафиксируйте порог обязательной проверки. Например: любой новый контрагент с суммой сделки от 100 000 рублей проходит обязательную проверку по описанной схеме до подписания договора. Это снимает вопрос «а надо ли проверять этого конкретного» — правило действует для всех одинаково.

Назначьте ответственного и шаблон. Один человек в финансовом отделе отвечает за проверку, использует единый набор промптов и единый шаблон папки для сохранения документов. Это ускоряет процесс и делает результаты сопоставимыми между проверками.

Настройте периодичность повторной проверки для действующих партнёров. Раз в квартал для крупных постоянных поставщиков, раз в полгода для менее значимых — привязывается к календарю финансового отдела, а не к случайному напоминанию.

Если объём проверок вырастает настолько, что ручной сбор данных из реестров становится узким местом, следующий логичный шаг — автоматизация выгрузки через n8n или аналогичный no-code инструмент, который подтягивает данные из открытых источников по расписанию. Про подход к такой автоматизации я подробно писала в статье про n8n для финансиста.

Чек-лист: проверка контрагента за 10 минут без СПАРК

Восемь шагов, которые закрывают базовую должную осмотрительность.

Шаг 1. Соберите ИНН, ОГРН и название компании из договора или счёта — точно, без опечаток.

Шаг 2. Получите актуальную выписку ЕГРЮЛ на сайте ФНС, скачайте в PDF с датой проверки.

Шаг 3. Проверьте статус в реестре банкротств (ЕФРСБ) — не начата ли процедура.

Шаг 4. Проверьте картотеку арбитражных судов — количество и характер судебных дел за 2-3 года.

Шаг 5. Проверьте исполнительные производства на сайте ФССП по ИНН компании и данным директора.

Шаг 6. Сверьте подписанта договора с данными ЕГРЮЛ — совпадает директор или указана доверенность.

Шаг 7. Загрузите все данные в ChatGPT или Claude с промптом на структурирование и поиск признаков риска.

Шаг 8. Сохраните все скриншоты, выписки и заключение в папку due diligence с датой проверки.

Главное правило, которое стоит держать в голове: нейросеть ускоряет анализ, но не заменяет источник данных. Скорость 10 минут достигается не потому, что ChatGPT «знает» о компании, а потому что вы быстро собираете актуальные данные и быстро получаете структурированный вывод по ним.

Куда идти дальше: связка с общей системой финансового AI-помощника

Проверка контрагентов — только один из десятков процессов, где нейросети сегодня экономят часы финансовому отделу. Если у вас уже настроена связка с российскими учётными системами, стоит посмотреть на проверку контрагентов как на часть общего процесса, а не отдельную задачу: данные о новом поставщике из этой проверки логично сразу попадают в ту же систему, где ведётся учёт расчётов и платёжный календарь. Подробнее о том, как выстроить такую двухуровневую архитектуру между учётной системой и внешними нейросетями, я разбирала в статье про AI-бухгалтерию в России.

Отдельный вопрос, который встаёт почти у всех, кто начинает регулярно загружать в чат с ChatGPT реальные коммерческие данные, — как правильно обезличивать информацию перед отправкой во внешний сервис. Разбор конкретного алгоритма и шаблона замен — в статье про обезличивание данных.

Вопрос доступа к ChatGPT и Claude из России я подробно не разбираю в этой статье — здесь важна сама методика проверки контрагентов, а не техническая сторона подключения к сервисам.

Разобраться, как выстроить систему проверки контрагентов и финансовой аналитики через нейросети: бесплатный эфир-экскурсия для финансистов

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