25 AI-подсказок, которые должен сохранить каждый финансовый аналитик

Обновлено 16 Окт 2026 · Проверено редакцией Zekai

Генеративный ИИ — мощный инструмент, но качество его результатов зависит от качества ваших входных данных. Для финансовых специалистов, где точность и контекст имеют первостепенное значение, общие однострочные подсказки бесполезны. Хорошо составленная подсказка может превратить большую языковую модель (LLM), такую как Claude или ChatGPT, в способного младшего аналитика; ленивая же генерирует правдоподобно звучащую ерунду, которая может привести к серьезным ошибкам.

Это библиотека подсказок профессионального уровня. Мы вышли за рамки «резюмируй этот 10-K» к подсказкам, которые справляются с конкретными, повседневными задачами для финансового планирования и анализа (FP&A), финансового моделирования, закрытия месяца, казначейства и подготовки к аудиту. Каждая подсказка разработана для копирования, вставки и заполнения вашими данными. Мы также покажем вам, как выглядит хороший результат, и порекомендуем лучший инструмент ИИ для этой работы, основываясь на наших тестах. Для полного обзора того, как эти инструменты вписываются в современный финансовый стек, см. наше руководство по ИИ в финансах.

Что делает хорошую финансовую подсказку?

Разница между полезным ответом ИИ и опасно неверным сводится к качеству подсказки. Протестировав сотни вариаций, мы обнаружили, что лучшие финансовые подсказки обладают четырьмя характеристиками:

1. Роль и цель: Начните с того, чтобы сообщить ИИ, кто он и какова его цель. Например: «Вы — старший FP&A аналитик, готовящий комментарий по отклонениям для финансового директора.»
2. Структурированный контекст и данные: Предоставьте всю необходимую информацию четко. Используйте таблицы Markdown для числовых данных, вставляйте полные стенограммы или используйте заполнители в скобках, например [вставьте данные сюда].
3. Явный формат: Определите формат вывода. Вам нужна таблица Markdown, объект JSON, маркированный список инсайтов или черновик электронного письма? Укажите это.
4. Ограничения и предохранители: Скажите ИИ, что *не* следует делать. «Не придумывайте данные. Если информация отсутствует, укажите ‘НЕ ПРЕДОСТАВЛЕНО’. Сосредоточьтесь только на предоставленных данных.»

Отличные подсказки не о том, чтобы обмануть ИИ; они о том, чтобы обеспечить ясность и ограничения, которые потребовались бы реальному младшему аналитику для успешной работы.

Подсказки для FP&A и прогнозирования (5)

Эти подсказки помогают в основных задачах финансового планирования и анализа, от создания первоначальных проектов прогнозов до анализа ключевых факторов бизнеса.

1. Составление проекта нарратива прогноза выручки

Best Tool: Claude 3.5 Sonnet. Его сильные стороны в обработке нюансов и генерации естественной, высококачественной прозы делают его идеальным для составления нарративов. Sample Output: > В 4 квартале мы прогнозируем общую выручку в размере $13.8M, что представляет собой последовательное увеличение на $1.3M по сравнению с фактическими показателями 3 квартала. Этот рост в основном обусловлен прогнозируемым ARR нового бизнеса в размере $1.5M, что поддерживается запуском новой маркетинговой кампании в августе. Этот положительный импульс частично компенсируется прогнозируемым небольшим снижением ARR расширения до $0.7M, отражающим насыщение в нашем корпоративном сегменте, в то время как ARR оттока, как ожидается, улучшится до -$0.4M благодаря недавним инициативам по успеху клиентов. > > Основным драйвером прогноза является эффективность новой маркетинговой кампании; ранние позитивные сигналы предполагают потенциальное превышение целевого показателя нового бизнеса в $1.5M, что представляет собой ключевую возможность в этом прогнозе. > > И наоборот, основным риском для показателя 4 квартала является потенциальный запуск продукта конкурентом в декабре, который может негативно повлиять на объем нового бизнеса к концу квартала. Мы будем внимательно отслеживать объем лидов и показатели выигрышей/проигрышей.

2. Определение ключевых драйверов на основе финансовых данных

Best Tool: ChatGPT с GPT-4o. Он отлично справляется со структурированным анализом данных и генерацией таблиц. Sample Output: | Ранг | Статья | Отклонение (от бюджета) | Гипотеза | | :— | :— | :— | :— | | 1 | Продажи и маркетинг | ($50,000) | Незапланированные расходы на новую кампанию или более высокие, чем ожидалось, затраты на привлечение лидов привели к неблагоприятному отклонению. | | 2 | Выручка | $50,000 | Более высокий, чем ожидалось, объем продаж или благоприятное ценообразование, вероятно, привели к превышению выручки. | | 3 | Себестоимость продаж | $10,000 | Благоприятные затраты на сырье или эффективность производства, вероятно, привели к снижению себестоимости продаж. | | 4 | R&D | $10,000 | Задержка расходов по проекту или меньшее, чем заложено в бюджете, количество персонала могут объяснить благоприятное отклонение. | | 5 | G&A | $10,000 | Меньшие, чем ожидалось, юридические или административные расходы способствовали благоприятному отклонению. |

3. Генерация формулы DAX для Power BI

Best Tool: Power BI с Copilot. Он интегрирован напрямую и понимает модель данных, но ChatGPT с GPT-4o также является сильным вариантом для генерации автономных DAX. Как и любую сгенерированную формулу, протестируйте ее на своей модели данных, прежде чем полагаться на нее. Sample Output: «`dax Revenue YoY % = VAR CurrentYearRevenue = SUM ( Sales[Revenue] ) — Вычисляет общую выручку за текущий период в контексте фильтра.

VAR PreviousYearRevenue = CALCULATE ( SUM ( Sales[Revenue] ), SAMEPERIODLASTYEAR ( ‘Date'[Date] ) ) — Вычисляет общую выручку за тот же период предыдущего года.

RETURN DIVIDE ( CurrentYearRevenue — PreviousYearRevenue, PreviousYearRevenue ) — Вычисляет процентную разницу, используя DIVIDE() для корректной обработки ошибок деления на ноль. «`

4. Создание скользящего прогноза

Best Tool: Любая LLM общего назначения, такая как Gemini или ChatGPT, хорошо справляется с этой простой задачей манипуляции данными. Sample Output: | Месяц | Фактические данные | Бюджет | Скользящий прогноз | | :— | :— | :— | :— | | Янв | $100K | | $100K | | Фев | $105K | | $105K | | Мар | $110K | | $110K | | Апр | | $112K | $112K | | Май | | $115K | $115K | | Июн | | $118K | $118K | | Июл | | $120K | $120K | | Авг | | $122K | $122K | | Сен | | $125K | $125K | | Окт | | $128K | $128K | | Ноя | | $130K | $130K | | Дек | | $135K | $135K |

5. Настройка анализа чувствительности

Best Tool: ChatGPT. Он отлично подходит для создания структурированных таблиц для непосредственного использования в электронных таблицах. Sample Output: | WACC / Рост | 2.00% | 2.25% | 2.50% (База) | 2.75% | 3.00% | | :— | :—: | :—: | :—: | :—: | :—: | | 7.00% | | | | | | | 7.50% | | | | | | | 8.00% (База) | | | | | | | 8.50% | | | | | | | 9.00% | | | | | |

Подсказки для финансового моделирования и сценарного анализа (5)

От построения допущений до стресс-тестирования вашей модели — эти подсказки помогают ускорить процесс моделирования.

6. Мозговой штурм допущений модели

Best Tool: Claude 3.5 Sonnet. Его обширная база знаний отлично подходит для мозгового штурма и предоставления контекстного обоснования. Sample Output: > Драйверы выручки > * Рост сопоставимых продаж (%): Ключевой драйвер для зрелой розничной торговли. *Обоснование:* Измеряет рост существующих локаций, указывая на здоровье бренда. *Источник:* Отчеты компании 10-K/10-Q, презентации для инвесторов. > * Открытие новых магазинов (количество): Основной драйвер выручки от расширения. *Обоснование:* Непосредственно добавляет новые потоки выручки. *Источник:* Отчеты компании о квартальной прибыли, руководство менеджмента. > * Средний чек ($): Измеряет, сколько клиенты тратят за транзакцию. *Обоснование:* Может зависеть от повышения цен или изменения ассортимента продукции. *Источник:* Часто обсуждается в стенограммах отчетов о прибыли. > * Рост выручки от лицензированных магазинов (%): Рост от партнеров, управляющих магазинами. *Обоснование:* Высокомаржинальный поток выручки. *Источник:* Сегментные данные в 10-K. > > Драйверы затрат > * Цены на зеленые кофейные зерна ($/фунт): Основной компонент себестоимости продаж. *Обоснование:* Волатильная цена сырья напрямую влияет на валовую прибыль. *Источник:* Данные фьючерсного рынка кофе (например, ICE), раскрытие информации компанией о хеджировании. > * Затраты на рабочую силу в магазинах (% от выручки): Крупнейшие операционные расходы. *Обоснование:* Определяются инфляцией заработной платы и уровнем укомплектованности магазинов. *Источник:* Разбивка операционных расходов компании, законодательство о минимальной заработной плате. > * Рост арендных расходов (%): Значительные фиксированные затраты. *Обоснование:* Отражает продление аренды и новые места расположения магазинов. *Источник:* Выводится из обязательств по операционной аренде в финансовой отчетности.

7. Создание плана сценарного анализа

Best Tool: Любая LLM общего назначения. Sample Output: | Драйвер | Пессимистичный сценарий | Базовый сценарий | Оптимистичный сценарий | | :— | :— | :— | :— | | Рост трафика веб-сайта | +5% год к году | +15% год к году | +25% год к году | | Коэффициент конверсии | 2.0% | 2.5% | 3.0% | | Средний чек (AOV) | $75 | $80 | $90 | | Валовая маржа % | 48% | 50% | 52% |

8. Перевод бизнес-логики в формулу Excel

Best Tool: ChatGPT обычно хорошо генерирует четкие, эффективные формулы Excel, но всегда проверяйте граничные условия формулы на своих данных, прежде чем полагаться на нее. Sample Output: «excel =A2 * IFS(A2 > 10000, 0.10, A2 >= 5000, 0.075, A2 < 5000, 0.05)` Альтернатива с использованием вложенных IF (для старых версий Excel):`excel =A2 * IF(A2 > 10000, 0.10, IF(A2 >= 5000, 0.075, 0.05))«

9. Составление обоснования входного мультипликатора модели LBO

Best Tool: Claude 3.5 Sonnet. Отлично подходит для создания формальной, профессиональной прозы для меморандумов и отчетов. Sample Output: > Мы предлагаем входной мультипликатор 8.0x LTM EBITDA. Эта оценка представляет собой значительный дисконт примерно в 16% и 11% по отношению к медианным мультипликаторам LTM EBITDA сопоставимых публичных компаний (9.5x) и предшествующих сделок M&A (9.0x) соответственно. Мы считаем, что этот дисконт уместен и обоснован, в первую очередь отражая более низкий, чем в среднем, профиль роста целевой компании и значительный риск концентрации клиентов по сравнению с группой аналогов. Эта дисциплинированная точка входа обеспечивает существенный запас прочности и увеличивает потенциал для расширения мультипликатора при выходе.

10. Перечень данных для 3-компонентной модели

Best Tool: Любая LLM общего назначения. Это запрос, основанный на знаниях. Sample Output: > Отчет о прибылях и убытках > * Выручка > * Себестоимость продаж > * Операционные расходы (SG&A, R&D) > * Амортизация основных средств и нематериальных активов > * Процентные расходы и доходы > * Налог на прибыль > * Чистая прибыль > * Количество акций в обращении (базовое и разводненное) > > Баланс > * Денежные средства и их эквиваленты > * Дебиторская задолженность > * Запасы > * Основные средства (PP&E), валовые и чистые > * Гудвилл и нематериальные активы > * Кредиторская задолженность > * Начисленные расходы > * Краткосрочный и долгосрочный долг > * Собственный капитал > > Отчет о движении денежных средств > * Денежные потоки от операционной деятельности (CFO) > * Денежные потоки от инвестиционной деятельности (CFI), включая капитальные затраты (CapEx) > * Денежные потоки от финансовой деятельности (CFF), включая погашение/выпуск долга и выкуп акций > > Примечания и графики > * График долга: Подробная информация о процентных ставках, сроках погашения и ковенантах для всех траншей долга. > * График основных средств: Разбивка капитальных затрат, амортизации и продаж активов. > * Компенсация на основе акций: Подробная информация о расходах по опционам на акции, которые являются неденежными расходами. > * Информация по сегментам: Выручка и операционная прибыль по бизнес-сегментам.

Подсказки для анализа отклонений и закрытия месяца (5)

Эти подсказки призваны ускорить повторяющиеся, но критически важные задачи, связанные с ежемесячным процессом закрытия.

11. Составление объяснения отклонения

Best Tool: Любая LLM. Sample Output: > Неблагоприятное отклонение в размере $100K по статье «Консультационные услуги» было вызвано незапланированным стратегическим проектом и более высокими, чем заложено в бюджете, юридическими расходами. В частности, $80K было потрачено на одобренный генеральным директором «Проект Титан», а оставшиеся $20K — на превышение юридических расходов по проверке контракта.

12. Создание контрольного списка сверки GL

Best Tool: ChatGPT или Claude. Sample Output: > 1. Получение остатков: Загрузите пробный баланс на конец периода из GL и подробный список транзакций из соответствующего субледжера (например, системы AP, графика начислений расходов). > 2. Согласование начального остатка: Убедитесь, что начальный остаток счета в GL соответствует начальному остатку в сверке за предыдущий месяц. > 3. Сверка субледжера с GL: Суммируйте подробный список транзакций из субледжера. Общая сумма должна соответствовать конечному остатку по счету в GL. > 4. Исследование расхождений: Если остатки не совпадают, определите сверяемые элементы. Общие элементы включают временные различия, проводки, сделанные непосредственно в GL, или ошибки ввода данных. > 5. Документирование сверяемых элементов: Для каждого сверяемого элемента предоставьте четкое описание, сумму и причину расхождения. > 6. Подготовка корректирующих проводок: Если обнаружены какие-либо ошибки (например, неправильно разнесенный счет), подготовьте необходимые корректирующие проводки. > 7. Подписание: Подготовитель и проверяющий должны подписать и датировать завершенную сверку.

13. Анализ старения дебиторской задолженности

Best Tool: Claude 3.5 Sonnet, за его способность синтезировать данные в нарративные инсайты. Sample Output: > 1. Наблюдение: Доля текущей дебиторской задолженности снизилась с 75% до 65% от общей суммы, в то время как все просроченные категории увеличились в процентном отношении к общей сумме. > Следствие: Это указывает на общее ухудшение своевременности сбора платежей, что может негативно сказаться на денежном потоке и увеличить риск безнадежных долгов. > > 2. Наблюдение: Категория «31-60 дней просрочки» показала наибольший относительный рост, увеличившись с $0.5M до $0.8M. > Следствие: Возможно, существует системная проблема с определенной группой клиентов, которые теперь платят значительно позже, или недавнее изменение в процессах выставления счетов может вызывать задержки. Эта когорта требует немедленного внимания, прежде чем она перейдет в категорию 61-90 дней. > > 3. Наблюдение: Хотя общая дебиторская задолженность выросла на $1.2M, текущая часть выросла только на $0.2M, что означает, что $1.0M роста приходится на просроченные счета. > Следствие: Компания предоставляет кредиты и учитывает выручку, но неэффективно собирает денежные средства, что сигнализирует о потенциальном разрыве между функциями продаж и сбора платежей.

14. Составление бухгалтерской проводки с объяснением

Best Tool: Любая LLM. Sample Output: > Описание бухгалтерской проводки: Учет расходов на амортизацию за [Месяц, Год]. > > | Номер счета | Название счета | Дебет | Кредит | > | :— | :— | :— | :— | > | 65100 | Расходы на амортизацию | $25,000 | | > | 18110 | Накопленная амортизация — Оборудование | | $25,000 |

15. Формулирование вопросов для владельцев бюджета

Best Tool: Claude 3.5 Sonnet, за его способность понимать социальные нюансы и профессиональное общение. Sample Output: > 1. «Фактические расходы на цифровую рекламу превысили бюджет примерно на $80,000. Не могли бы вы рассказать, какие кампании привели к этому увеличению?» > 2. «Мне интересны бизнес-результаты от увеличения расходов. Наблюдался ли соответствующий рост ключевых показателей, таких как объем лидов или привлечение клиентов, который мы можем связать с этими инвестициями?» > 3. «Глядя вперед, следует ли нам рассматривать этот новый уровень в $280K как новый базовый уровень для цифровой рекламы, или это была разовая стратегическая инвестиция?» > 4. «Были ли какие-либо конкретные каналы или кампании, которые показали лучшие результаты, чем ожидалось, и в которые вы решили вложить больше?»

Подсказки для казначейства и оборотного капитала (4)

Подсказки, ориентированные на управление денежными средствами, ликвидность и эффективность баланса.

16. Расчет цикла конвертации денежных средств

Best Tool: ChatGPT или любая другая LLM с сильными вычислительными способностями. Sample Output: > 1. Количество дней дебиторской задолженности (DSO): > * Формула: (Средняя дебиторская задолженность / Выручка) * 365 > * Расчет: ($2,500,000 / $20,000,000) * 365 = 45.6 Дней > > 2. Количество дней запасов (DIO): > * Формула: (Средние запасы / Себестоимость продаж) * 365 > * Расчет: ($2,000,000 / $12,000,000) * 365 = 60.8 Дней > > 3. Количество дней кредиторской задолженности (DPO): > * Формула: (Средняя кредиторская задолженность / Себестоимость продаж) * 365 > * Расчет: ($1,500,000 / $12,000,000) * 365 = 45.6 Дней > > 4. Цикл конвертации денежных средств (CCC): > * Формула: DSO + DIO — DPO > * Расчет: 45.6 + 60.8 — 45.6 = 60.8 Дней

17. Составление предложения по улучшению денежного потока

Best Tool: Claude 3.5 Sonnet. Sample Output: > Я предлагаю пилотировать программу скидок за досрочную оплату «2/10, нетто 30», чтобы решить проблему нашего текущего показателя количества дней дебиторской задолженности (DSO) в 60 дней, что на 15 дней выше среднего показателя по отрасли. Предлагая клиентам скидку 2% за оплату в течение 10 дней, мы можем стимулировать более быстрый сбор платежей и значительно ускорить наши денежные поступления, улучшая нашу общую ликвидность. Хотя основной стоимостью этой инициативы является снижение маржи на 2% по счетам, оплаченным досрочно, мы считаем, что выгода от более быстрого превращения дебиторской задолженности в денежные средства оправдывает затраты, особенно в текущих условиях процентных ставок.

18. Анализ тенденций оборотного капитала

Best Tool: Любая LLM. Sample Output: > Данные указывают на негативную тенденцию в ликвидности и операционной эффективности компании за последние три года. Снижение коэффициентов текущей и быстрой ликвидности, при этом коэффициент быстрой ликвидности теперь ниже 1.0x, предполагает ужесточение ликвидности и снижение способности выполнять краткосрочные обязательства без опоры на продажи запасов. Это дополнительно подтверждается удлинением цикла конвертации денежных средств, который увеличился на 20 дней, что указывает на то, что денежные средства дольше остаются связанными в операциях.

19. Структура 13-недельной модели денежного потока

Best Tool: ChatGPT. Sample Output: > Шаблон 13-недельного прогноза денежного потока > > A. Денежные поступления (Притоки) > * Сбор дебиторской задолженности — Внутренний > * Сбор дебиторской задолженности — Международный > * Продажи за наличные > * Поступления от продажи активов > * Новое долговое финансирование > * Вливание капитала > * Итого денежных поступлений > > B. Денежные выплаты (Оттоки) > * Операционные расходы: > * Заработная плата и льготы > * Аренда и коммунальные услуги > * Закупки запасов / Платежи поставщикам > * Маркетинг и реклама > * Профессиональные услуги (юридические, бухгалтерские) > * Финансовые и капитальные расходы: > * Капитальные затраты (CapEx) > * Обслуживание долга (основной долг и проценты) > * Итого денежных выплат > > C. Сводка чистого денежного потока > * Начальный остаток денежных средств > * (+) Итого денежных поступлений > * (-) Итого денежных выплат > * Чистый еженедельный денежный поток > * Конечный остаток денежных средств

Подсказки для подготовки к аудиту и соблюдения требований (3)

Эти подсказки помогут вам подготовиться к аудитам и продумать вопросы соответствия. Для многих фирм этот процесс начинается с получения надежных данных из различных бухгалтерских систем, процесс, который специализированные инструменты призваны автоматизировать.

20. Генерация списка запросов для аудита (PBC)

Best Tool: Любая LLM общего назначения. Sample Output: > Список запросов PBC — Запасы > > 1. Подробный перечень постоянного учета запасов на дату баланса, включая номер позиции, описание, количество, местоположение и стоимость. > 2. Пересчет запасов от даты последней инвентаризации до конца года. > 3. Копия инструкций и результатов инвентаризации запасов компании. > 4. Список всех мест хранения запасов (принадлежащие компании, сторонние склады, консигнация). > 5. Отчет о старении запасов для выявления медленно оборачиваемых или устаревших позиций. > 6. Анализ «наименьшей из себестоимости или рыночной стоимости» (LCM) или «чистой реализуемой стоимости» (NRV) и любые связанные расчеты списания. > 7. Сводка методологии учета затрат на запасы компании (например, FIFO, LIFO, средневзвешенная).

Note: Первым шагом в выполнении этих запросов является извлечение данных. Такой инструмент, как Validis, может автоматизировать безопасное извлечение данных главной книги и субледжеров непосредственно из бухгалтерской системы клиента, которые затем могут быть использованы для подготовки многих из этих графиков.

21. Объяснение сложного стандарта бухгалтерского учета

Best Tool: Claude 3.5 Sonnet, за его способность упрощать сложные темы. Sample Output: > Представьте ASC 606 как 5-шаговый рецепт для учета выручки. Мы не можем просто признавать деньги, когда они поступают на наш банковский счет; мы должны следовать этим шагам для каждой сделки, которую вы подписываете. > > 1. Определите договор: Есть ли подписанная сделка? > 2. Определите наши обещания: Что мы обещали предоставить? (например, одну лицензию на программное обеспечение и 10 часов обучения). > 3. Определите цену: Какова общая стоимость сделки? > 4. Распределите цену: Если мы обещали две вещи, мы должны разделить общую цену между ними на основе их самостоятельной стоимости. Мы не можем просто отнести все на лицензию. > 5. Признайте выручку, когда мы ее доставим: Мы признаем выручку за лицензию, когда предоставляем доступ, и признаем выручку за обучение по мере предоставления часов. > > Ключевой вывод заключается в том, что мы должны соотносить выручку, которую мы учитываем, с выполненными нами обещаниями, что может не совпадать с графиком оплаты клиентом.

22. Мозговой штурм рисков для нового продукта

Best Tool: Claude 3.5 Sonnet. Sample Output: > Кредитный риск > * Риск дефолта: Клиенты не производят платежи, что приводит к прямым финансовым потерям. > * Неадекватный андеррайтинг: Наш процесс одобрения клиентов слишком слаб, что приводит к более высокому, чем ожидалось, уровню дефолтов. > * Риск мошенничества: Пользователи регистрируются с использованием украденных данных или без намерения платить. > > Регуляторный и комплаенс-риск > * Законы о защите прав потребителей: Продукт может быть классифицирован как кредит, что подпадает под действие государственных и федеральных законов о кредитовании (например, Закон о правде в кредитовании), к которым мы не готовы. > * Конфиденциальность данных: Мы собираем конфиденциальные финансовые данные, которые могут подпадать под действие таких правил, как GDPR или CCPA. > * Недобросовестные и обманные практики: Маркетинговые материалы могут быть расценены как вводящие в заблуждение, если сборы и штрафы не раскрыты четко. > > Операционный риск > * Сбои в обслуживании: Наши системы недостаточно надежны для обработки платежей, сбора задолженности и запросов клиентов в масштабе. > * Системная интеграция: Функция BNPL не интегрируется должным образом с нашими существующими системами оформления заказа и бухгалтерского учета, что приводит к ошибкам данных. > * Репутационный риск: Громкая проблема с дефолтами или агрессивным сбором задолженности наносит ущерб нашему бренду.

Подсказки для коммуникаций со стейкхолдерами (3)

Подсказки, которые помогут вам преобразовать сложные финансовые данные в четкие, краткие сообщения для различных аудиторий.

23. Упрощение финансового жаргона для презентации совету директоров

Best Tool: Любая LLM. Sample Output: > Мы улучшим наш денежный поток, собирая платежи с клиентов быстрее и оплачивая наши собственные счета немного медленнее. Это увеличит наши денежные резервы и сделает бизнес финансово сильнее.

24. Составление вопросов и ответов для отдела по работе с инвесторами

Best Tool: Claude 3.5 Sonnet. Sample Output: > «Спасибо за вопрос. Мы разочарованы тем, что не достигли прогноза по выручке в этом квартале. Недостижение на 5% было в основном вызвано неожиданными задержками в портах, которые перенесли поставки продукции на сумму около $10 миллионов с конца 3 квартала на начало 4 квартала. Это была проблема сроков, а не спроса, поскольку сами заказы остаются стабильными. Чтобы снизить этот риск в будущем, мы активно диверсифицируем наших партнеров по доставке и увеличиваем буферные запасы на региональных складах. Мы уверены, что эти действия снизят волатильность логистики, и наши долгосрочные драйверы спроса остаются такими же сильными, как и прежде.»

25. Резюмирование результатов для общекорпоративного электронного письма

Best Tool: Claude 3.5 Sonnet. Sample Output: > * Выручка по плану: Мы достигли нашей цели по выручке в $12.5M за квартал, что является свидетельством усердной работы и сосредоточенности каждого. > * Инвестиции в рост: Мы приняли стратегическое решение ускорить инвестиции в «Проект Титан», что означало, что мы оказались ниже нашей цели по прибыльности. Это был осознанный выбор для построения долгосрочного будущего, и мы в восторге от того, что он принесет. > * Рекордный рост клиентов: Команды продаж и маркетинга провели фантастический квартал, привлекая 100 новых клиентов и превысив нашу цель на 33%! Добро пожаловать всем нашим новым партнерам.

Проверка не является необязательной

Инструменты ИИ могут галлюцинировать, выдавать устаревшую информацию или совершать тонкие вычислительные ошибки. Никогда не копируйте и не вставляйте сгенерированный ИИ результат непосредственно в финансовый отчет или презентацию для совета директоров без проверки.

Ваш контрольный список ИИ для финансов:

• Проверьте математику: Всегда пересчитывайте любые цифры, предоставленные ИИ.
• Отследите источник: Если ИИ ссылается на факт или метрику, найдите исходный документ и подтвердите его.
• Примените свое суждение: Имеет ли нарратив смысл? Кажется ли вывод правильным, исходя из вашего собственного опыта? ИИ — это инструмент, а не замена вашему профессиональному суждению.
• Защитите свои данные: Не вставляйте конфиденциальную, непубличную существенную информацию в общедоступные инструменты ИИ. Используйте корпоративные версии с контролем конфиденциальности данных, такие как ChatGPT Enterprise или частный экземпляр Azure OpenAI.

Подсказки в этой библиотеке — это отправная точка. Наилучшие результаты достигаются путем их доработки с учетом конкретного контекста вашей компании, ваших данных и ваших целей. Для получения дополнительной информации об интеграции ИИ в вашу повседневную работу изучите ресурсы в центре ZEKAI ИИ для финансов и бизнес-аналитики.