Как искусственный интеллект сокращает дебиторскую задолженность и повышает эффективность ПЭО

Дебиторская задолженность для большинства российских компаний остается хронической болезнью. Планово-экономические отделы ежемесячно формируют отчеты, рассчитывают DSO, готовят реестры старения, но ситуация меняется медленно. Причина в том, что классический инструментарий экономиста (претензии, звонки, начисление пеней) работает на следствие, а не на причину. Должники адаптируются быстрее, чем методики взыскания.

Новый подход, который начал активно формироваться в 2025–2026 годах, заключается в интеграции технологий искусственного интеллекта непосредственно в процессы управления дебиторской задолженностью. Я как бизнес-консультант на основе нескольких внедренных проектов могу утверждать, что просроченная «дебиторка» сокращается на 25–40 % без расширения штата финансовых служб. В статье я разбираю, как нейросети и машинное обучение трансформируют работу ПЭО, какие конкретные шаги дают максимальную отдачу и как экономисту начать применять эти инструменты уже сегодня.

ПОЧЕМУ ТРАДИЦИОННЫЕ МЕТОДЫ ДАЮТ СБОЙ

Чтобы понять, где искусственный интеллект (ИИ) дает наибольший эффект, нужно честно оценить слабые места текущих процессов. За годы консалтинга я провела аудит финансовых функций более чем в тридцати компаниях и выделила три системные ловушки, которые воспроизводятся из года в год.

1. Субъективный скоринг. Решение о предоставлении отсрочки чаще всего базируется на интуиции менеджера по продажам или на исторической привычке «работаем десять лет». Никто не анализирует динамику арбитражных дел, частоту смены юридического адреса, сигналы о сокращении персонала. А именно эти косвенные признаки дают фору в две-три недели до наступления реального дефолта.

Приведу пример из своей практики. В одной производственной компании 70 % просрочки формировали клиенты, у которых за полгода до дефолта сменился собственник, но этот факт никто не отслеживал. Когда мы подключили автоматический мониторинг ЕГРЮЛ через ИИ-агента, проблема стала видна сразу.

2. Шаблонная коммуникация. Стандартное письмо с просьбой оплатить задолженность в кратчайшие сроки воспринимается должником как белый шум. Оно не содержит персонализации, не бьет в конкретные бизнес-боли контрагента и легко отправляется в корзину.

В результате первая действительно серьезная претензия уходит уже тогда, когда просрочка превысила месяц и отношения испорчены. Исследования поведенческой экономики, которые я учитываю в работе, показывают: персонализированное сообщение, апеллирующее к конкретному риску должника, в 3–4 раза повышает вероятность добровольной оплаты.

3. Реактивная позиция экономиста. Традиционно экономист подключается к проблеме постфактум, когда деньги уже зависли. Между тем цифровой след контрагента начинает подавать тревожные сигналы намного раньше: задержка ответа на рутинное письмо, перенос запланированной встречи, игнорирование счета за три дня до даты платежа. Уловить эти слабые сигналы без автоматизации практически невозможно.

В одном проекте мы настроили систему, которая отслеживает время открытия счета: если клиент не открыл файл в течение 24 часов, риск просрочки автоматически повышается на 40 %. Этот простой триггер спас десятки миллионов рублей задолженности от просрочки.

Именно эти болевые точки стали отправной точкой для внедрения ИИ-инструментов в моей практике.

ЧЕТЫРЕ КОНТУРА ИИ В УПРАВЛЕНИИ ДЕБИТОРСКОЙ ЗАДОЛЖЕННОСТЬЮ

На проектах, реализованных в 2025–2026 годах, я разбиваю управление дебиторской задолженностью на четыре функциональных контура и в каждый встраиваю соответствующие ИИ-решения. Рассмотрим их последовательно, с практическими деталями.

Контур 1. Предиктивный скоринг на основе машинного обучения

В отличие от статичных балльных методик, я использую динамический скоринг, который строится на исторических данных конкретной компании с помощью обычного Excel с надстройкой Power Query.

На вход подается история отгрузок и оплат за два года: даты, суммы, плановые и фактические сроки, менеджеры, сегменты клиентов. Power Query автоматически очищает данные и рассчитывает ключевые признаки: среднюю задержку платежа за разные периоды, долю просрочек, тренд среднего чека, количество отгрузок, платежную дисциплину менеджера. Эти признаки нормируются и сводятся в единую таблицу — цифровой портрет каждого дебитора (таблица 1).

С помощью нейросети идет сбор внешних сигналов. Каждую неделю экономист выгружает список ИНН активных контрагентов и загружает его, к примеру, в ChatGPT, используя промпт:

«Проверь каждый ИНН из списка по открытым источникам. Дай ответ в таблице CSV со столбцами: ИНН; Смена директора за последние 6 месяцев (да/нет); Количество новых арбитражных дел как ответчика за квартал (если > 2, пиши "Рост"); Число активных вакансий на hh.ru (если сократилось более чем на 50 % за квартал, пиши "Сжатие"). Список: [перечень ИНН]».

Нейросеть просматривает сервис от ФНС «Прозрачный бизнес», Картотеку арбитражных дел, hh.ru и возвращает готовую таблицу. Экономисту остается скопировать ее на лист «Внешние признаки».

На обработку данных о 50 контрагентах уходит 10–15 минут вместо двух часов ручного поиска. Это и есть применение ИИ как ассистента по сбору данных.

Вместо того чтобы вручную гадать, какие признаки важнее, мы используем нейросеть для первоначальной настройки модели. Один раз загружаем обезличенную историческую таблицу «Признаки» с целевым столбцом «Была ли просрочка > 30 дней» и даем промпт:

«Проанализируй данные и предложи весовые коэффициенты для логистической регрессии, которая предсказывает просрочку. Признаки: средняя задержка, доля просрочек, тренд чека, задержка менеджера. Ответ — строка с коэффициентами и константой».

Нейросеть анализирует корреляции и выдает строку с коэффициентами и константой в указанной в промпте последовательности. Например: 0,4 / 0,3 / –0,2 / 0,1 / –0,5. Мы вставляем их в формулу Excel, а затем уточняем через «Поиск решения» на реальных данных. Это сокращает время калибровки модели с нескольких часов до 20 минут.

Когда рейтинг уже рассчитан, нейросеть помогает объяснить, почему клиент попал в красную зону. Экономист копирует строку с признаками проблемного контрагента и запрашивает:

«Клиент получил высокий риск дефолта (0,87). Признаки: средняя задержка — 17 дней, доля просрочек — 72 %, тренд чека — падение на 30 %, менеджер Петрова (средняя задержка по ее клиентам — 11 дней), плюс смена директора и рост исков. Объясни коротко, в чем главная угроза, и предложи формулировку для обоснования блокировки отгрузки перед коммерческим директором».

Нейросеть выдает текст:

Этот комментарий экономист вставляет в служебную записку, экономя время на аналитику.

Контур 2. Генеративный ИИ для персонализированных коммуникаций

Здесь я использую большие языковые модели: GPT-4o, Claude, YandexGPT. Их задача — создавать тексты, которые реально читают и на которые реагируют. Спектр применения:

• мягкие напоминания за 24–48 часов до наступления срока платежа;

• жесткие досудебные претензии с указанием конкретных рисков для должника;

• скрипты телефонных разговоров, построенные на анализе психотипа собеседника и истории его предыдущих возражений;

• мгновенные ответы на отговорки должников в почте и мессенджерах.

Ключевое отличие от шаблонов — персонализация. Нейросеть анализирует всю доступную историю взаимодействия и генерирует текст, который резонирует с текущей ситуацией контрагента. Например, если должник активно участвует в госзакупках, письмо будет содержать отсылку к рискам попадания в реестр недобросовестных поставщиков. Если контрагент — публичная компания, акцент делается на репутационные потери.

Важный организационный момент: я всегда настраиваю «контроль качества» — каждое письмо перед отправкой просматривает экономист. Это занимает 1–2 минуты, но исключает риск галлюцинаций. Постепенно, когда доверие к модели растет, можно автоматизировать и этот этап для низкорисковых напоминаний.

Контур 3. Интеллектуальный мониторинг и триггерная система

Этот контур не требует сложных IT-решений. На уровне CRM или даже связки Excel + Power Automate я настраиваю правила: если клиент не открыл счет в течение двух дней, если проигнорировал первое напоминание, если перенес запланированный звонок, система автоматически повышает уровень риска и направляет экономисту уведомление с готовым сценарием действий. Такой подход позволяет реагировать на проблему не на 30 день просрочки, а на 3–5, когда вернуть деньги намного проще.

Приведу пример триггеров, которые мы внедрили в одной торговой компании:

• счет не открыт в течение 24 часов → автоматическая отправка дублирующего счета с другим заголовком;

• клиент не ответил на первое напоминание в течение 48 часов → звонок оператора с мягким скриптом;

• клиент перенес встречу дважды → блокировка новых отгрузок до выяснения причин.

Эти простые правила, реализованные буквально в Excel с макросами, сократили средний срок просрочки на 12 дней.

Контур 4. Аналитическая пост-обработка

Раз в месяц нейросеть формирует для финансового директора или коммерческого директора сводный отчет. В нем не просто суммы долгов, а корреляции: какие менеджеры генерируют максимальную просрочку, какие виды продукции чаще всего оплачиваются с задержкой, какие сегменты клиентов систематически нарушают платежную дисциплину. Это дает руководству фактуру для пересмотра KPI продавцов, корректировки продуктовой линейки или отказа от работы с токсичными сегментами.

Один из моих любимых форматов — «тепловая карта дебиторской нагрузки», где цветом выделены клиенты по уровню риска и сумме долга. Такой отчет занимает одну страницу, но дает мгновенное понимание ситуации. Генерация занимает 10 минут (раньше экономист тратил на это два дня).