Финансовый аналитик и автор Telegram-канала Spydell Finance Павел Рябов называет июль 2026 года переломным моментом — границей между эпохами «до ИИ» и «после ИИ».
Причина — зрелость больших языковых моделей. Ещё недавно затраты на внедрение и проверку результатов могли превышать эффект от автоматизации. Сейчас LLM уже достаточно надёжны для сложных коммерческих и исследовательских задач.
Показательный пример — анализ почти 16 000 пресс-брифингов 610 крупнейших публичных нефинансовых компаний США начиная с 2020 года.
ИИ-система должна не просто искать слова, а определять:
— настроение руководства;
— ключевые проблемы и изменение риторики;
— давление аналитиков;
— возможные причины управленческих решений;
— смысловые нюансы и подтекст;
— общие тенденции в корпоративных коммуникациях.
Один полный запуск такого анализа требует порядка 3 млрд токенов.
Ещё несколько лет назад подобные исследования были доступны преимущественно крупным инвестиционным банкам и исследовательским центрам. Сегодня такую систему потенциально способен построить один квалифицированный специалист.
Но ценность создаёт уже не только сама модель.
Для масштабной работы с ИИ нужна целая архитектура:
— разделение задач между моделями;
— маршрутизация запросов;
— контроль стоимости;
— алгоритмы обработки данных;
— проверка результатов.
Мы переходим от модели «спросить что-то у ИИ» к модели «построить процесс, в котором ИИ выполняет значительную часть работы».
Для бухгалтерского бизнеса этот сдвиг особенно важен.
Ответственность, профессиональное суждение, коммуникация с клиентом и контроль результата ещё долго будут оставаться за человеком. Но ценность специалиста всё меньше определяется количеством операций, выполненных вручную.
Всё важнее умение построить, настроить и проконтролировать систему, которая делает это быстрее и эффективнее.
Поэтому главный вопрос для руководителя сегодня:
Какие процессы уже можно передать ИИ — и кто станет архитектором новой системы работы?
Причина — зрелость больших языковых моделей. Ещё недавно затраты на внедрение и проверку результатов могли превышать эффект от автоматизации. Сейчас LLM уже достаточно надёжны для сложных коммерческих и исследовательских задач.
Показательный пример — анализ почти 16 000 пресс-брифингов 610 крупнейших публичных нефинансовых компаний США начиная с 2020 года.
ИИ-система должна не просто искать слова, а определять:
— настроение руководства;
— ключевые проблемы и изменение риторики;
— давление аналитиков;
— возможные причины управленческих решений;
— смысловые нюансы и подтекст;
— общие тенденции в корпоративных коммуникациях.
Один полный запуск такого анализа требует порядка 3 млрд токенов.
Ещё несколько лет назад подобные исследования были доступны преимущественно крупным инвестиционным банкам и исследовательским центрам. Сегодня такую систему потенциально способен построить один квалифицированный специалист.
Но ценность создаёт уже не только сама модель.
Для масштабной работы с ИИ нужна целая архитектура:
— разделение задач между моделями;
— маршрутизация запросов;
— контроль стоимости;
— алгоритмы обработки данных;
— проверка результатов.
Мы переходим от модели «спросить что-то у ИИ» к модели «построить процесс, в котором ИИ выполняет значительную часть работы».
Для бухгалтерского бизнеса этот сдвиг особенно важен.
Ответственность, профессиональное суждение, коммуникация с клиентом и контроль результата ещё долго будут оставаться за человеком. Но ценность специалиста всё меньше определяется количеством операций, выполненных вручную.
Всё важнее умение построить, настроить и проконтролировать систему, которая делает это быстрее и эффективнее.
Поэтому главный вопрос для руководителя сегодня:
Какие процессы уже можно передать ИИ — и кто станет архитектором новой системы работы?