95 % корпоративних АІ-пілотів провалюються і не приносять вимірюваного впливу на P&L, за даними MIT NANDA Initiative “GenAI Divide: State of AI in Business 2025“. У листопаді 2025 року Gartner опублікував свіже опитування 183 CFO, і відповідно до нього 59 % finance-команд уже використовують AI, але 91 % з них повідомляють про low або moderate impact, а 25 % не можуть перейти зі стадії планування у пілот.
Чи варто впроваджувати АІ, маючи таку статистику? І як змусити штучний інтелект працювати ефективно на користь бізнесу?
За 3.5 місяці наша команда побудувала 10 production AI-workflows у фінансовій функції. Period closing process скоротився з 13–15 робочих днів до 6–7, команда залишилась такою ж, але ми запустили два нових юніти й оцінили 8 потенційних проєктів. При цьому загальна вартість АІ-стека лишається в межах $1000-1200 на місяць — це менше, ніж місячна зарплата junior-бухгалтера в Україні.
Тому я хочу поділитися досвідом і розказати про те, як ми вибудували ефективну систему, чому свідомо відмовились від vertical FP&A SaaS, де AI дає збій і що з цього корисно для CFO інших компаній.
Чому нам не підійшли фінансові enterprise-SaaS
В нашому венчур-білдері 15+ юридичних особіб в 7 юрисдикціях. Портфельні компанії працюють за різними бізнес-моделями: підписка, транзакційний дохід, сервісні комісії. Структура змінюється щокварталу — нові підрозділи, закриття проєктів, перебудова холдингу.
Стандартний вибір CFO в такій ситуації — спеціалізована платформа для планування й окрема для консолідованої звітності. Ми розглянули основних гравців ринку: Abacum, Pigment, Cube, Datarails для FP&A (Financial Planning and Analysis – фінансове планування та аналіз) і Lucanet, OneStream — для консолідації. Проте відмовилися від них через 3 причини:
- Невідповідність архітектури. Більшість сучасних FP&A-платформ не закривають консолідацію за GAAP/IFRS (Generally Accepted Accounting Principles/International Financial Reporting Standards), міжкомпанійні елімінації та регламентовану звітність. Тобто FP&A-платформа закрила б лише планування й вимагала б іншої платформи для консолідації: подвійна вартість, подвійна інтеграція, 2 джерела даних із ризиком розбіжностей між ними.
- Швидкість впровадження. Enterprise-платформи для консолідації розраховані на бізнес зі стабільною структурою. За даними Gartner Peer Insights, типове впровадження займає 6–9 місяців (2–3 квартали). За цей час ми запускаємо 3–4 нові підрозділи і переструктуровуємо платформу. Окрема частина платформ не має відкритого API, що блокує інтеграцію з нашим наявним стеком (n8n, ClickUp, Looker).
- Економіка. FP&A для середнього ринку: $30 тис. – $100 тис. + на підписку на рік, $20 тис. –$50 тис. — на впровадження й 4–9 місяців часу команди. Це в 30–100 разів дорожче за наш AI-стек, але покриває або тільки планування, або тільки консолідацію.
Як висновок, спеціалізовані FP&A-платформи оптимізовані під однорідні компанії з однією бізнес-моделлю і стабільною структурою. Венчур-білдер із різнорідним портфелем — інший тип організації. Горизонтальна мовна модель плюс автоматизація процесів дає краще покриття, меншу ціну і нижчу залежність від вендора.
Який AI-cтек ми використовуємо
Для автоматизації ми обрали такі інструменти:
- Claude Team (Skills, Cowork)
- ChatGPT Enterprise
- n8n
- Google Sheets з Gemini
- ClickUp AI
Вони включають:
- Прямі витрати — $1000–1200 на місяць на всю фінансову функцію: шість напрямів (CFO, казначейство, FinOps, бухгалтерія та податки, фінансовий контролінг, FP&A) і 11 користувачів від молодшого спеціаліста до мене. Усі також працюють із фінансовими командами портфельних компаній.
- Непрямі витрати — 5–7 % часу команди на розвиток і вдосконалення процесів. Цю цифру зазвичай пропускають. Підписка дешевша за одного співробітника у штаті, але побудова процесів коштує часу.
Операційна модель має два шари. Перший — 10 спільних процесів для команди. Другий — 8 процесів у моєму особистому шарі для щоденної роботи. Обидва працюють на одному стеку й за єдиними правилами. З першого дня ми використовуємо принцип знизу вгору: ідеї для нових процесів надходять з усіх рівнів, від бухгалтера до мене.
Водночас культура ідей знизу вгору працює лише з контрольованим управлінням, адже хаос у фінансах коштує дорого. Тому ми встановили базові правила: усі AI-інструменти — на корпоративних акаунтах (Claude Team, ChatGPT Enterprise), дотримуємося AI-політики, кожен новий процес узгоджується з юристами та CEO відповідного підрозділу. Проводимо внутрішню класифікацію даних: що можна передавати зовнішнім моделям, що — ні.
Як тільки бухгалтер починає сумніватися — чи можна показати AI цю транзакцію, чи дозволено вивантажити цей контракт — швидкість падає до нуля. Тож головний бар’єр для AI-автоматизації у фінансах — не технічний, а організаційний. Його ми усуваємо через політику та навчання, а не через додаткові інструменти.
10 AI-воркфлоу фінансової команди CLUST
Завдяки автоматизації ми отримали такі результати:
| Workflow | Інструмент | До AI | Після | Прискорення |
|---|---|---|---|---|
| Фінансове моделювання (P&L, CF, sensitivity, UE) | Claude Skills | 2–3 робочі дні / проєкт | 2–3 години / проєкт | 8–12× |
| Звірка з платіжними партнерами (банки, EMI, PSP) | Claude | 3 дні × 2 бухгалтери | 1 день × 2 бухгалтери | 3× |
| Кастомні GPT для бухгалтерів | GPT Enterprise | ~5 годин/тиждень контролера | повернуто 4–5 годин/тиждень | — |
| Воркфлоу для погодження платежів | n8n + ClickUp | ручне погодження | повна автоматизація | +150% |
| Щомісячне виставлення рахунків | Claude | 12–16 годин/місяць | 2–3 години | 5–6× |
| Чекліст закриття періоду + звірки | Claude + ClickUp | 13–15 робочих днів | 6–7 робочих днів | ≈2× |
| Оновлення фактичних даних у робочих файлах | Claude | 1 робочий день | 2 години | 4× |
| Дашборди у Looker Studio | Gemini + Looker | ручне оновлення | автооновлення після close | — |
| Презентації для бізнес-рев’ю | Claude | повністю вручну | чернетка + редагування | ≈3× |
| Оновлення юніт-економіки | Claude | 2 дні / 2 проєкти | 1 день / 4 проєкти | 4× / проєкт |
Серед цих результатів я виділяю 3 найважливіші позиції:
- Закриття періоду: з 13–15 днів до 6–7 робочих днів. За галузевими даними, медіанний показник — 6.4 календарні дні, а world-class рівень — до 3 днів — досягають лише 18 % фінансових команд. Ми скоротили період з 13–15 до 6–7 робочих днів за 3 цикли — перехід із нижнього квартиля в середній і верхній. AI автоматично звіряє дані, робить чеклісти у ClickUp із автоматичним призначенням завдань, перевіряє узгодженість між регламентованим і управлінським обліком.
- Фінансове моделювання: 8 моделей за 3 місяці, 2 запущені підрозділи, 0 нових людей у команді. Раніше повна модель (P&L, грошові потоки, сценарії) займала 2–3 робочі дні. Зараз — 2–3 години з перевіркою. Claude Skills із готовими інструкціями під різні бізнес-моделі генерує робочу модель із стандартного набору вхідних даних. Перші 3 тижні були складними: Claude будував надмірно громіздкі конструкції з продубльованими кроками. Але після кількох ітерацій із чіткими інструкціями про рівень спрощення — результат одразу придатний до роботи.
- Контроль бюджету: та сама команда обробляє у 2,5 раза більше платежів. Заявка створюється як завдання у ClickUp із класифікацією за функцією, підрозділом і бюджетною статтею. Далі автоматична перевірка відповідності бюджету, показ залишку ліміту, маршрутизація за матрицею погоджень, передача в казначейство й далі в бухгалтерію. Так ми не втрачаємо жодного втраченого платежу й не проводимо жодного платежу поза бюджетом.
У результаті — за 3 місяці оцінили 8 нових проєктів і запустили 2 нових без розширення команди. Для венчур-білдера це і є головний показник: не скільки годин зекономили, а скільки можливостей опрацювали тим самим складом.
8 автоматизованих воркфлоу, які я використовую в роботі як CFO
Окрім командних процесів, я щодня використовую AI-воркфлоу для прискорення й покращення власних задач. Щодня — фінансові моделі для нових юнітів, аналіз ринку й конкурентів перед запуском, підсумки зустрічей із рішеннями, діями й відповідальними. Щотижня — оцінка кандидатів і тестові завдання під найм, первинний скринінг інвестиційних можливостей, чернетки політик та інструкцій для нових юнітів. За потребою — чернетки юридичних документів (SHA, LOI, NDA) до передачі юристам. Кілька разів на місяць — звіти для ради директорів та інвесторів.
AI бере на себе роботу за шаблоном: моделі, звіти, чернетки, аналіз ринку, фоллоуапи, перехресні перевірки. Час, що звільняється, йде на стратегію на рівні портфеля, оцінку нових підрозділів та інвестиційних можливостей, роботу із засновниками та CEO портфельних компаній над їхнім фінансовим розвитком, структурою капіталу та казначейством.
Я переконалася, що AI добре справляється з повторюваною роботою, яка має чітку структуру, але не замінює людину на трьох категоріях задач: судження, юрисдикційна специфіка, фідуціарна відповідальність. Усі процеси в моїй автоматизації побудовані з урахуванням цих обмежень.
Кейси, де AI не спрацював і де ми не плануємо його впроваджувати
Проте я не хочу переповідати чергову AI success story, бо в нас були процеси, які ми або відкотили назад або залишили як гібрид:
- Прогнозування cash flow на 12 тижнів. Спробували, але повернулися на Google Sheets із ручним аналізом. AI добре агрегує історичні дані, але провалюється на прогнозі: він не знає стану комерційного пайплайну, планів найму, очікуваних затримок із надходженнями, темпів розвитку нових підрозділів. Без цього контексту виходить прогноз «за середнім», що не відповідає реальності. І друге: я, як CFO, можу підписатися під прогнозом лише тоді, коли бачу кожне припущення — AI-результат цього не дає.
- Перевірка договорів (контракти з вендорами, NDA, term sheets). Ця автоматизація не зекономила нам ресурси. AI підставляє американську логіку там, де діє корпоративне право Кіпру чи ОАЕ. Для нашої мультиюрисдикційної структури це дискваліфікація. Водночас юридична команда все одно робить повну перевірку, не покладаючись на AI. У результаті AI тільки додав більше роботи, а не прибрав її.
- Коментарі до звітів для ради директорів та інвесторів. Найскладніший провал, бо технічно AI з цим справляється. Проблема в іншому: CEO, члени ради і інвестори одразу впізнають AI-текст — шаблонні формулювання, пояснення відхилень без розуміння реального контексту. Гібридна модель «чернетка + редагування» економить менше часу, ніж очікувалось. Тому все, що читає рада, я пишу вручну.
Так ми побачили 3 типи провалу AI: відсутність судження, вузькоспеціалізованих знань і довіри. Жоден не вирішується кращими підказками чи більшим обсягом даних, бо це структурні обмеження поточного покоління мовних моделей.
Окремо від процесів, які ми відкотили, є 3 зони, де ми не використовували AI і не плануємо без принципової зміни технології:
- Платіжна інфраструктура. Відкриття рахунків, підключення платіжних провайдерів, KYC/AML (Know Your Customer/Anti-Money Laundering) у кількох юрисдикціях — це ручна робота з конкретними системами та регуляторами. AI допомагає на етапі вибору та порівняння провайдерів, але далі потрібна людська експертиза.
- Щоденна бухгалтерія. AI допомагає з логікою, формулами, mapping chart of accounts між юрисдикціями та відповідями на запитання бухгалтерів. Але він не замінює облікове програмне забезпечення (QuickBooks, Zoho, Xero у нашому стеку) й фахівців на щоденному обліку.
- Фінальна юридична перевірка. AI робить якісний перший прохід і виявляє стандартні проблеми. Проте акціонерні угоди, регуляторні документи та юрисдикційний комплаєнс завжди проходять через юриста. Там, де ціна помилки — фідуціарна або кримінальна відповідальність, AI не може бути останньою інстанцією.
5 ключових висновків про AI в фінансах бізнесу
1. AI-стек для фінансової функції коштує менше за одного junior-бухгалтера. $1000-1200 на місяць проти $920-1000 gross-зарплати entry-level бухгалтера в Україні.. Якщо ваш CFO отримує refusal на AI-бюджет — це питання пріоритетів і рішучості.
2. Vertical FP&A SaaS — це ставка на стабільні процеси. Для venture builder, scaleup із постійно змінюваною структурою чи мульти-юрисдикційного бізнесу horizontal LLM плюс workflow automation дає кращий результат за меншу ціну й нижчу switching cost. Якщо ваша структура зміниться у наступні 12 місяців, vertical SaaS не ваш варіант, але якщо ваш бізнес стабільний — vertical FP&A платформа може бути ефективним рішенням.
3. Bottom-up бере швидкість. За даними Gartner, 25 % finance-функцій застряють між плануванням і пілотом, 91 % повідомляють про low або moderate impact. Це наслідок top-down моделі, де AI-програма йде через CFO/CTO/CIO як корпоративний проєкт. 10 production workflows за 3,5 місяця у нас — це не CFO authority, а ініціатива команди: джуни пропонують ідеї, мідли впроваджують, CFO дає governance і ресурс.
4. AI не пройде fiduciary test на judgment-heavy задачах. Cash flow forecasting, board commentary, jurisdiction-specific contracts — у ці зони AI поки не пускати без жорсткого human override. Економічно цей факт означає — те, що виглядає як зекономлений час, легко може стати ризик-подією, що коштує більше, ніж усе заощаджене.
5. Initial investment правда існує — 5—7% часу команди. У публічних success-story-матеріалах про AI цей рядок зазвичай пропускають. Subscription коштує менше, ніж junior-FTE, але побудова робочих флоу коштує час команди. Без 3-6 місяців active R&D — переписування промптів, ітерації, fail-and-retry — ROI не виходить. Bottom-up culture бере цей час із пропорційним розподілом між усіма рівнями. Top-down модель концентрує його на CFO/CIO і часто там і ламається.
AI у фінансах дає результат не тоді, коли компанія впроваджує більше інструментів, а тоді, коли змінює операційну модель фінансової функції. Рутинні процеси мають бути стандартизовані й автоматизовані, аналітичні задачі — прискорені через AI з обов’язковою перевіркою, а рішення, що потребують контексту, прогнозування, юридичного судження чи фідуціарної відповідальності, мають залишатися за людьми. Саме ця межа між автоматизацією, перевіркою і ownership визначає, чи стане AI реальним важелем масштабування. У нашому випадку правильно вибудована модель дає економію в десятки тисяч доларів на рік на рутинних процесах і коштує менше за одного молодшого фахівця, але вимагає 5–7% часу команди на побудову.
Читайте також
