ПРОБЛЕМЫ ВНЕДРЕНИЯ И РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБРАБОТКЕ УЧЕТНО–АНАЛИТИЧЕСКИХ ДАННЫХ

Актуальность темы обусловлена тем, что интеграция искусственного интеллекта (далее – ИИ) в учётные процессы несёт как весомые преимущества, так и серьёзные риски. Автоматизация меняет традиционную модель учёта, которая долгое время строилась на повторяющихся регламентированных операциях. Несмотря на наличие исследований по отдельным аспектам этой трансформации, системный анализ проблем внедрения ИИ в обработку учётно‑аналитических данных пока не получил должного освещения. Цель работы – определить и классифицировать основные барьеры на пути внедрения ИИ в учёт, а также наметить возможные способы их преодоления, опираясь на актуальные научные данные.

         Чтобы лучше понять место ИИ в учёте, начнём с его роли как инструмента автоматизации. На практике искусственный интеллект помогает бухгалтерам:

• автоматизировать рутинные операции, освобождая время для более сложных задач;
• глубже анализировать финансовые данные;
• принимать более точные и обоснованные решения.

Ключевой технологией здесь выступают нейронные сети. Эти вычислительные модели умеют распознавать документы, прогнозировать финансовые показатели, выявлять аномалии и заметно ускорять обработку данных. Впечатляют и масштабы внедрения: согласно опросу KPMG (апрель 2024 года, 1800 организаций из 10 стран), около 75 % компаний уже используют ИИ при подготовке финансовой отчётности, а 99% планируют внедрить такие решения в ближайшие три года.

Учёные выделяют разные направления применения ИИ в учёте. Например, Никифорова Н. А., опираясь на данные Университета Делойт, отмечает, что многие типовые задачи – обработка форм, планирование и составление графиков – можно успешно автоматизировать с помощью систем рассуждений [10].

В российской практике особенно активно развиваются два направления:

1. Оптическое распознавание символов (OCR) – оно преобразует бумажные документы в машиночитаемый формат.
2. Машинное обучение (ML) – с его помощью автоматизируют классификацию первичных документов и их интеграцию в учётные системы, например, в «1С» [11].

Экономический потенциал ИИ действительно впечатляет. По оценкам OpenAI [12], глобальное внедрение этих технологий может увеличить мировой ВВП на 7 % – это около 7 трлн долларов США за следующие десять лет. График из этого исследования показывает, что наибольший вклад в рост ВВП ожидается в развитых странах: там выше уровень цифровизации и лучше доступность данных.

Рисунок 1. Производительность на задачах GDPval от GPT‑4o до GPT‑5 увеличилась более чем в три раза за год. [12]

Как показано на рисунке 1, за год производительность флагманских моделей OpenAI выросла более чем в три раза. Для бухгалтерского учёта это означает, что задачи, которые ранее требовали существенного участия человека, становятся всё более автоматизируемыми. Однако, как будет показано далее, стремительное развитие ИИ обостряет и проблемы, связанные с доверием к его результатам, прозрачностью алгоритмов и риском деградации моделей.

Для России перспективы тоже многообещающие. Согласно Национальной стратегии развития ИИ до 2030 года [1], применение этих технологий способно добавить к ВВП 11,2 трлн рублей. При этом финансовый сектор, включая бухгалтерский учёт, лидирует по уровню внедрения: по данным Банка России, более 55 % участников финансового рынка уже активно используют ИИ‑решения. [3]

Разберём подробнее технологические проблемы, которые сегодня выступают фундаментальным барьером для развития ИИ в учётной сфере. Исследования показывают: главная сложность кроется в так называемом «чёрном ящике» алгоритмов – их непрозрачности и уязвимости к внешним воздействиям. Эти факторы серьёзно угрожают достоверности учётных данных.

Начнём с непрозрачности работы ИИ‑систем. Даже разработчики не всегда могут объяснить, почему модель приняла то или иное решение – такой риск так и называют: риск «чёрного ящика». Это особенно критично для бухгалтерского учёта, где каждое действие должно быть обосновано и задокументировано. Как отмечено в карте рисков Mindsmith, из‑за этой неопределённости бизнесу сложно полностью доверять результатам работы ИИ [7]. Схожую мысль развивают Нижегородцева Д. О. и Шатохин А.В.: они называют отсутствие прозрачности алгоритмов ключевым этическим вызовом в применении ИИ.

Ещё одна серьёзная проблема – уязвимость моделей к целенаправленному обману, или состязательным атакам. Внедряя ИИ, компания, по сути, нанимает «взламываемого сотрудника» – систему, которую можно легко ввести в заблуждение. В контексте учёта это чревато манипуляциями с финансовыми отчётами: достаточно подать на вход модели специально искажённые данные, чтобы получить нужный, но часто неверный, результат.

Кроме того, ИИ‑системы сталкиваются с проблемой деградации моделей. Чунихина и соавторы отмечают, что ML‑модели часто не справляются с обработкой данных, выходящих за рамки примеров, использованных при обучении. Это ограничивает их гибкость и адаптивность в реальных условиях. [11]

Особенно тревожная тенденция описана в исследовании Шумайлова и соавторов, опубликованном в журнале Nature. Учёные обнаружили, что при обучении новых версий ИИ на данных, сгенерированных предыдущими моделями, происходит постепенный коллапс:

• модели теряют способность генерировать разнообразный и достоверный контент;
• начинают воспроизводить ошибки и искажения;
• со временем качество их работы резко падает. [13]

В учёте это может привести к настоящей цепочке ошибок. Например, если система будет повторно обрабатывать отчёты, созданные предыдущим ИИ‑алгоритмом и не проверенные человеком, искажения будут накапливаться и усиливаться. В итоге качество учётной информации катастрофически снизится.

Поэтому исследователи единодушны: данные, обработанные любым методом машинного обучения, требуют тщательной проверки со стороны специалиста. Это критически важно для минимизации риска искажения информации в учётных системах.

         Несмотря на преимущества технологического прогресса, предложенные подходы к внедрению ИИ сталкиваются с серьёзными организационными и кадровыми трудностями, уходящими корнями в корпоративную культуру и существующие бизнес-процессы.

Особое внимание требует сопротивление сотрудников изменениям. Так, по данным исследований, 37% работников в возрасте 18–24 лет опасаются потери рабочих мест из-за новых технологий (Douglas, 2019, цит. по [10]). Это опасение имеет основания: уже в 2013 году Фрей и Осборн присвоили профессиям бухгалтеров индекс 0,94, относя их к группе высокорисковых (Никифорова, 2024, с. 25). Однако последующие исследования корректируют этот прогноз. В отчёте McKinsey Global Institute (2017) отмечается, что менее 5% текущих видов деятельности могут быть полностью автоматизированы [10]. Такие функции, как взаимодействие с заинтересованными сторонами, управление персоналом, принятие решений и планирование, в значительной степени требуют человеческого интеллекта и слабо поддаются автоматизации (там же). Кроме того, Левагина И.Д., Гезалов С.Э. и Тимовская Д.К. указывают на дефицит специалистов, способных интегрировать ИИ в учёт, и на низкий уровень цифровой грамотности среди бухгалтеров в российских компаниях. [8]

Поскольку автоматизации подвергаются преимущественно рутинные операции, ключевой проблемой становится недостаток специалистов с компетенциями в ИИ и бухгалтерском деле. По мнению Н.А. Никифоровой, будущие бухгалтеры должны обладать технической грамотностью, понимать структуру ИИ-программ и совместно с программистами проверять код на наличие предубеждений. Отсутствие междисциплинарных исследований между бухгалтерским учётом и информатикой затрудняет создание надёжных ИИ-решений для бизнеса. [10]

Нижегородцева Д.О. и Шатохин А.В. выделяют ключевые этические вызовы:

• предвзятость алгоритмов (bias) – модели могут воспроизводить скрытые искажения;
• непрозрачность решений («чёрный ящик») – сложно понять логику ИИ;
• риски безопасности данных – угроза утечек или манипуляций;
• возможность фальсификации отчётов – злоумышленники могут влиять на результаты работы системы. [8]

Как отмечает Никифорова: “у ИИ нет этического компаса – поэтому критически важна роль специалистов с чёткими моральными ориентирами”.

Россия же постепенно выстраивает нормативную базу:

• Банк России в документе «Основные направления развития финансовых технологий на период 2025–2027 годов» закладывает риск‑ориентированный подход: планируется выделить наиболее уязвимые зоны применения ИИ. [3]
• 9 июля 2025 года выпущено Информационное письмо № ИН‑016‑13/91 о Кодексе этики в сфере ИИ на финансовом рынке. Кодекс закрепляет принципы: законность, справедливость, прозрачность, ответственность и безопасность. Финансовым организациям рекомендуют опираться на них при внедрении ИИ в учёт. [4]
• Федеральный закон № 233‑ФЗ создал правовую основу для обезличивания персональных данных – это важно для обучения моделей на конфиденциальной учётной информации. [6]

Тем не менее во многих странах законодательство пока не успевает за развитием технологий. Это порождает тревожность у профессионалов: люди опасаются, что ИИ может заменить их или повысить требования к контролю за решениями системы. [11]

Наконец, внедрение ИИ сопряжено с экономическими и стратегическими рисками, которые необходимо учитывать при принятии управленческих решений. Остановимся на ключевых из них.

Во-первых, это риск зависимости от поставщика технологий (vendor lock-in). Как указано в карте рисков Mindsmith, жёсткая привязка к одному вендору ограничивает гибкость бизнеса и может привести к неоправданным затратам в будущем [7]. В условиях санкционного давления и политики импортозамещения в России этот риск приобретает особое значение. Банк России в своём документе подчёркивает необходимость обеспечения технологического суверенитета и создания отраслевого центра компетенций для тестирования отечественных ИТ-решений [3].

Во-вторых, существуют риски, связанные с безопасностью и конфиденциальностью данных. Если в данные, используемые для обучения ИИ, попали внутренние документы или персональная информация, риск утечки становится реальным. Основной риск заключается в том, что информация обрабатывается на внешних серверах, которые не контролируются пользователем. В 2023 году объём операций без согласия клиентов в России увеличился до 15,8 млрд рублей [3], что подчёркивает масштаб угроз. Левагина И.Д., Гезалов С.Э. и Тимовская Д.К. также обращают внимание на то, что передача учётных данных в облачные ИИ-сервисы повышает риски их перехвата или несанкционированного доступа [6].

Таким образом, можно сделать вывод, что для преодоления комплекса проблем необходимо применение системного подхода, сочетающего технологические, организационные и регуляторные меры. Рассмотрим основные направления.

На технологическом уровне ключевым является внедрение принципов «доверенного ИИ», соответствующих требованиям безопасности, ответственности и объяснимости. Для предотвращения деградации моделей необходимо создание контуров обучения, изолированных от сгенерированных данных; регулярное тестирование моделей на контрольных наборах, сформированных человеком; обязательное сохранение «человека в цикле» для критически важных учётных операций [13]. Также требуется внедрение систем для защиты от состязательных атак и обеспечения киберустойчивости.

Организационные и кадровые решения должны быть направлены на преодоление сопротивления персонала и ликвидацию дефицита компетенций. Как отмечает Н.А. Никифорова, будущее бухгалтерского учёта в эпоху доминирования ИИ предполагает не только автоматизацию, но и полную трансформацию роли бухгалтера, который должен будет фокусироваться на консультировании, аналитике и принятии стратегических решений [9]. Компаниям необходимо инвестировать в программы повышения квалификации и переподготовки кадров. Банк России уже реализует такие программы через свой Финтех Хаб. Левагина И.Д. и соавторы рекомендуют включать в учебные программы бухгалтерских вузов модули по работе с ИИ и анализу данных [7].

В правовой и этической сфере приоритетом является дальнейшее развитие нормативной базы. Принятие Кодекса этики Банка России – важный шаг, однако требуется его внедрение в корпоративные политики компаний. Банк России планирует определять риск-факторы, наличие которых в определённых случаях применения ИИ может свидетельствовать о появлении существенных рисков для потребителей или финансового рынка. Необходимо также принятие стандартов, регламентирующих ответственность за ошибки, допущенные при использовании ИИ в учёте. Важным шагом станет также создание Платформы коммерческих согласий, которая позволит гражданам управлять согласиями на обработку их данных [3]. Также подчеркивается необходимость обязательного аудита алгоритмов на предмет предвзятости и дискриминации [9].

Проведённое исследование позволяет сделать следующие выводы:

• Технологические проблемы включают непрозрачность алгоритмов («чёрный ящик»), уязвимость к состязательным атакам и, что особенно критично для учётных систем, риск деградации моделей при их обучении на синтетических данных, что может привести к накоплению системных ошибок. Это требует обязательного сохранения человеческого контроля и регулярной валидации моделей на независимых данных.
• Организационные и кадровые проблемы связаны со страхом потери рабочих мест, дефицитом специалистов с междисциплинарными компетенциями и высокими затратами на внедрение. Ключевым выводом является то, что автоматизации подвергаются в первую очередь рутинные задачи, в то время как роль бухгалтера трансформируется в сторону аналитики и стратегического консультирования. Необходима системная переподготовка кадров.
• Правовые и этические проблемы обусловлены отсутствием у ИИ «этического компаса», что создаёт риски предвзятости алгоритмов и манипуляции данными. Решением является развитие риск-ориентированного регулирования и имплементация отраслевых кодексов этики, таких как Кодекс Банка России.
• Первоначальная гипотеза о наличии комплекса проблем, сдерживающих развитие ИИ в учётно-аналитической сфере, полностью подтверждается. Практическая ценность результатов заключается в том, что компании могут использовать систематизированный перечень рисков для разработки собственных стратегий внедрения ИИ, фокусируясь не только на технологических аспектах, но и на организационных и этических.

Перспективы дальнейших исследований связаны с необходимостью изучения конкретных ИИ-инструментов для учёта, оценки долгосрочных экономических эффектов их внедрения, а также с разработкой детализированных методик аудита алгоритмов на предмет предвзятости и соответствия этическим нормам.

СПИСОК ЛИТЕРАТУРЫ:

Нормативно-правовые акты и официальные документы

1. О развитии искусственного интеллекта в Российской Федерации: Указ Президента РФ от 10.10.2019 № 490 (ред. от 15.02.2024) (вместе с «Национальной стратегией развития искусственного интеллекта на период до 2030 года»). – URL: https://www.consultant.ru/document/cons_doc_LAW_335184/(дата обращения: 28.03.2026).
2. Национальный проект «Экономика данных и цифровая трансформация государства». – URL: http://government.ru/rugovclassifier/923/about/(дата обращения: 28.03.2026).
3. Основные направления развития финансовых технологий на период 2025–2027 годов. – Москва: Банк России, 2024. – 65 с. – URL: https://cbr.ru/fintech/(дата обращения: 29.03.2026).
4. О Кодексе этики в сфере разработки и применения искусственного интеллекта на финансовом рынке : информационное письмо Банка России от 09.07.2025 № ИН-016-13/91. – URL: https://cbr.ru(дата обращения: 28.03.2026). [Примечание: ссылка уточняется по официальному источнику]
5. Применение искусственного интеллекта на финансовом рынке: доклад для общественных консультаций / Банк России. – Москва, 2023. – URL: https://cbr.ru/fintech/primenenie-iskusstvennogo-intellekta-na-finansovom-rynke/(дата обращения: 01.04.2026).
6. О внесении изменений в Федеральный закон «О персональных данных» и Федеральный закон «О проведении эксперимента по установлению специального регулирования в целях создания необходимых условий для разработки и внедрения технологий искусственного интеллекта в субъекте Российской Федерации – городе федерального значения Москве и внесении изменений в статьи 6 и 10 Федерального закона «О персональных данных»: Федеральный закон от 08.08.2024 № 233-ФЗ. – URL: https://www.consultant.ru/document/cons_doc_LAW_482468/ (дата обращения: 03.04.2026).

Научная литература

6. Риски искусственного интеллекта: полная карта угроз для бизнеса — от технологии до культуры. – Текст: электронный // Mindsmith : [сайт]. – 2025. – 30 июня. – URL: https://mindsmith.ru/insights/ai-risks-map/#1.3 (дата обращения: 28.03.2026).
7. Левагина, И. Д. Влияние автоматизации и искусственного интеллекта на бухгалтерский учёт в России / И. Д. Левагина, С. Э. Гезалов, Д. К. Тимовская. – Текст: непосредственный // Молодой учёный. – 2026. – № 6 (609). – С. 98–102. – URL: https://moluch.ru/archive/609/133437(дата обращения: 28.03.2026).
8. Нижегородцева, Д. О. Проблемы этического использования ИИ в сфере бизнеса и экономики, исследование вопросов прозрачности и ответственности разработчиков и корпораций, применяющих ИИ / Д. О. Нижегородцева, А. В. Шатохин // Международный студенческий научный вестник. – 2025. – № 6. – URL: https://eduherald.ru/ru/article/view?id=21934(дата обращения: 28.03.2026).
9. Никифорова, Н. А. Будущее искусственного интеллекта в бухгалтерском учете / Н. А. Никифорова // Учет. Анализ. Аудит. – 2024. – Т. 11, № 6. – С. 24–33. – DOI: 10.26794/2408-9303-2024-11-6-24-33. – URL: https://cyberleninka.ru/article/n/buduschee-iskusstvennogo-intellekta-v-buhgalterskom-uchete(дата обращения: 29.03.2026).
10. Чунихина, Т. Н. Исследование потенциала искусственного интеллекта в аудите и бухгалтерском учете / Т. Н. Чунихина, А. Л. Золкин, Т. Б. Матвиевская, А. Д. Маринов // Журнал прикладных исследований. – 2024. – № 4. – С. 75–83. – DOI: 10.47576/2949-1878.2024.4.4.011. – URL: https://cyberleninka.ru/article/n/issledovanie-potentsiala-iskusstvennogo-intellekta-v-audite-i-buhgalterskom-uchete(дата обращения: 01.04.2026).
11. GDPval [Electronic resource] // OpenAI. – 2024. – URL: https://openai.com/ru-RU/index/gdpval/(дата обращения: 01.04.2026).
12. Shumailov, I. AI models collapse when trained on recursively generated data / I. Shumailov, Z. Shumaylov, Y. Zhao, et al. // Nature. – 2024. – Vol. 631. – P. 755–759. – DOI: 10.1038/s41586-024-07566-y. – URL: https://doi.org/10.1038/s41586-024-07566-y(дата обращения: 01.04.2026).