Чи зможе АІ замінити бухгалтерів?

Штучний інтелект все частіше інтегрують у фінансові процеси: від автоматизації рутинних задач до підготовки звітів і пояснення складних податкових правил. Проте швидкість і зручність генерації даних не гарантує точності: ChatGPT, Claude чи Grok часто не перевіряють факти та не звіряють показники.

У статті розповідаємо, у яких фінансових задачах ШІ дійсно корисний, а де краще покладатися на власні сили.

Де ChatGPT може бути корисним?

ChatGPT може бути корисним у простих задачах, на кшталт генерації таблиць, формул, допомагає з конвертацією валют, створює чернетки звітів, актів, інвойсів та інших документів. Також він зручний для пояснення складних податкових норм простими словами, економлячи час і знижуючи навантаження на бухгалтера або аналітика.

Водночас, усі його моделі мають суттєві обмеження. Вони не завжди правильно роблять обчислення і звірку між звітами, можуть помилятися у складних кейсах із кількома юрисдикціями або нестандартними схемами. Для аудиту, технічного обліку та будь-яких завдань, де потрібна абсолютна точність, покладатися лише на ChatGPT небезпечно.

Чому LLM робить помилки?

Однією з головних причин помилок LLM є те, що вони не перевіряють дані. Модель найчастіше генерує найбільш ймовірний результат на основі наявної інформації та статистики, не посилаючись на правила бухгалтерського обліку.

LLM не мислить як бухгалтер і не проводить звірку показників між звітами. Наприклад, суми в балансі можуть не збігатися з готівкою у звіті про рух коштів, а модель при цьому не повідомляє про помилку. Вона може навіть впевнено підтвердити неправильні числа або логіку, створюючи ілюзію коректності.

Хоча LLM ефективні для швидкого підрахунку або підготовки документів, вони не здатні самостійно забезпечити точність фінансових даних і вимагають людського контролю.

Реальний кейс використання LLM

Щоб показати реальні можливості LLM, дослідники створили AccountingBench — бенчмарк, який імітує річну бухгалтерію малого та середнього бізнесу з використанням реальних даних з платформ Ramp, Stripe та Mercury. LLM надаються ті самі вихідні дані, що й справжнім бухгалтерам, а також історичний контекст для ведення обліку за принципом нарахування (відстрочений дохід, амортизація активів, нараховані витрати).

LLM виконують місячне «закриття книг»: переносять транзакції у головну книгу, звіряють ключові рахунки з банківськими та іншими зовнішніми джерелами, а також формують звіти про примирення, що автоматично перевіряються на узгодженість. Для автоматизації масових операцій агент може використовувати SQL та Python-інструменти.

На перших місяцях система справлялась добре: швидкий розрахунок показників, формування таблиць та створення звітів. З часом точність зменшувалася, накопичувалися складні помилки та з’являлися непослідовні результати. У деяких випадках, щоб кінцева сума сходилась, система вигадувала транзакції або повторювала записи. Баланси могли розходитися більш ніж на 15% (приблизно на півмільйона доларів) через кілька місяців роботи.

Серед протестованих моделей, Claude 3 Opus та Grok 4 показали гарні результати на старті, але з часом точність їхніх розрахунків теж зменшувалась. Такий тест наочно показує сильні та слабкі сторони ШІ у фінансах: вони швидкі та зручні для рутинних задач, але не здатні гарантувати абсолютну точність при складних або тривалих обчисленнях.

АІ демонструє великий потенціал, проте не замінює людину, особливо у складних обчисленнях, де критично важлива точність. Бухгалтери можуть спати спокійно — їх робота залишається за ними.