Искусственный интеллект в работе аудитора. Как ChatGPT и Claude стали моими интеллектуальными помощниками

Почему появилась эта книга

У каждого свой ChatGPT.

На первый взгляд эта фраза звучит странно. Как это «свой»? Разве ChatGPT не один для всех?

Когда я начала использовать искусственный интеллект в профессиональной работе, мне тоже казалось, что всё устроено довольно просто. Есть программа, которой можно задать вопрос и получить ответ. Иногда полезный. Иногда спорный. Иногда настолько уверенный, что особенно хочется проверить, не придумала ли она всё от первого до последнего слова.

Выяснилось, что настоящий результат рождается не в программе.

Он рождается в диалоге.

Одна из таких историй произошла, когда я готовила материал для своего профессионального блога. Мы с ChatGPT разбирали новые подходы к признанию выручки в ФСБУ 9/2025 «Доходы»1 и сопоставляли их с моделью МСФО (IFRS) 15 «Выручка по договорам с покупателями».

Мы исследовали стандарт, сравнивали подходы, спорили о формулировках и постепенно выстраивали основную идею публикации. Текст показался практически готовым.

Перед публикацией я решила провести ещё одну проверку и передала материал другой модели искусственного интеллекта, Claude. Не для того, чтобы она написала текст заново. Ей досталась менее благодарная роль.

Стать критиком.

Claude разобрал аргументацию и обратил внимание на место, которое мы изложили слишком осторожно. В тексте недостаточно ясно была показана методологическая связь новых российских правил признания выручки с подходами IFRS 15. Одновременно стало понятно, что такую формулировку нельзя оставлять просто потому, что она кажется логичной. Её нужно подтвердить документами.

Пришлось снова вернуться к нормативным материалам, проверить основания и уточнить вывод.

Так и выяснилось: одна модель может помогать исследовать вопрос и строить аргументацию, другая — искать в ней слабые места. Но решить, какая позиция выдерживает проверку, всё равно должен человек.

Искусственный интеллект не избавил меня от необходимости думать.

Он заставил думать ещё больше.

Разные роли

Такой подход стал частью моей ежедневной работы. Искусственный интеллект помогал анализировать договоры, исследовать вопросы бухгалтерского учёта и налогообложения, готовить консультации, искать противоречия, проверять расчёты, формулировать письма и превращать сложные профессиональные рассуждения в понятный текст.

Иногда он находил то, что человек не заметил.

Иногда сообщал то, чего никогда не существовало.

В обоих случаях работа продолжалась. Просто во втором к профессиональному исследованию добавлялась ещё одна процедура: выяснить, откуда искусственный интеллект взял эту блистательную ерунду.

Постепенно у разных моделей появились разные роли. ChatGPT стал моим основным рабочим собеседником. Он помогал исследовать идеи, находить структуру, формулировать и редактировать тексты.

Claude чаще становился независимым критиком. Он спорил с выводами, искал логические пробелы, предлагал альтернативные позиции и возвращал на доработку тексты, которые уже очень хотелось считать законченными.

Иногда это раздражало.

Почти всегда это было полезно.

Значительная часть этой книги надиктована голосом между делами: я отправляла ChatGPT очередную историю, спорила с формулировками, пересылала результат Claude на критику и получала обратно перечень того, что ещё не готово. Иногда чья-нибудь реплика попадала настолько точно, что рабочее обсуждение превращалось в комедию, и я смеялась вслух — при свидетелях, которым это было решительно не объяснить.

Однажды я спросила, почему при одинаковых запросах они такие разные по характеру. Ответ пришёл красивый: будто выпускники двух разных институтов, где в одном учили защищать позицию, а в другом искать в ней дыры. Я успела восхититься примерно на секунду, прежде чем сообразила, что восхищаюсь метафорой, под которой нет ничего, кроме удачной формулировки. Никаких институтов не существует. Формулировка была отличная.

Роли, кстати, держались недолго. Почти в каждом проекте мы начинали с одного распределения, а к середине оно менялось: то один упирался и отказывался видеть очевидное, то другой. Саботировали они по-разному, и решать, кому что поручить, приходилось по ходу дела.

При этом роли назначает человек, а не разработчик модели. Сегодня одна система лучше подходит для исследования, другая — для критического анализа, третья — для работы с документами. Завтра всё может поменяться. Важно не название инструмента, а то, какую задачу профессионал ему поставил и как проверил результат.

О промптах

За время работы с искусственным интеллектом я пришла к выводу, что хорошие промпты оказались не самой главной частью этой истории.

Сначала мне тоже казалось, что где-то существует тот самый идеальный промпт. Я сохраняла удачные примеры из блогов, делала скриншоты, собирала собственную библиотеку, переписывала понравившиеся формулировки и была уверена, что рано или поздно найду тот самый волшебный запрос.

Со временем оказалось, что искала я совсем не там.

Лучший промпт для меня сегодня чаще всего выглядит как обычное голосовое сообщение, записанное на ходу, но отправленное в нужном проекте, где искусственный интеллект уже знает контекст, помнит предыдущие обсуждения и понимает, над какой задачей мы работаем.

Иногда это звучит примерно так:

«Слушай, сравни это с тем договором, который мы вчера разбирали. И ещё посмотри, не поменяется ли вывод по НДС, если это лицензия, а не услуга. Хотя подожди… сначала перечитай наше вчерашнее обсуждение, а потом уже отвечай».

Со стороны это может показаться довольно бессвязной речью. Иногда её не сразу понял бы даже собственный муж. А искусственный интеллект, если для него уже выстроена система работы и накоплен нужный контекст, понимает её удивительно хорошо.

Вслух, если рядом есть кто-то ещё, звучит только «тот договор» и «вчерашнее обсуждение». Названия, суммы и реквизиты вслух не произносятся и в чат не загружаются: аудиторская тайна тем и отличается от прочих тайн, что отвечает за неё аудитор. Быстрое голосовое сообщение не должно превращаться в быстрый способ раскрыть чужие данные. Об этом ещё будет отдельный разговор.

Ошибка, как выяснилось, была в другом. Мне казалось, что вся структура должна находиться внутри промпта. А потом выяснилось, что она давно переехала в сам проект: в накопленный контекст, инструкции, библиотеку знаний, загруженные материалы и предыдущие обсуждения.

Промпты неожиданно стали короче, а ответы — значительно лучше.

Это не означает, что формулировка запроса не важна. Плохо поставленная задача по-прежнему способна привести к плохо применимому результату. Просто хороший промпт оказался не волшебной формулой, которую можно однажды найти и потом использовать в любой ситуации.

Он стал частью более широкой системы работы.

Так постепенно и появилась идея этой книги.

Сначала таких планов не было.

Сперва я искала обучение: курсы по искусственному интеллекту для аудитора, бухгалтера, методолога, налогового консультанта. Курсов про искусственный интеллект нашлось множество — на Stepik и не только. Среди них обнаружился курс для работников детского сада. Подруга у меня как раз заведует детским садом, и я честно отправила ей ссылку: смотри, кажется, это правда полезно. Там действительно есть что поручить — методические материалы, меню, бесконечная отчётность.

Для аудиторов не нашлось ничего.

Потом я искала книгу. Книга про искусственный интеллект для всех отыскалась быстро. Я открыла бесплатный фрагмент, дочитала оглавление и не нашла в нём ни одной строки, ради которой стоило бы двигаться дальше. Дальше, впрочем, начинался платный доступ.

Так я и осталась без курса и без книги.

Не книги о ChatGPT.

Не книги о Claude.

И не сборника ста универсальных промптов, которые рискуют устареть примерно в тот момент, когда книга вернётся из типографии.

Эта книга появилась не потому, что искусственный интеллект научился писать. Она появилась потому, что аудитор научился работать с ним.

Названия моделей, их возможности и интерфейсы будут меняться. Поэтому эта книга не о конкретной технологии. Она о том, как профессионал может использовать искусственный интеллект, не отдавая ему то, что должно оставаться за человеком: профессиональное суждение и ответственность.

Ответственность — вещь консервативная. Передать её искусственному интеллекту пока невозможно, даже если очень хочется и даже если он весьма убедительно сделает вид, что уже её принял.

Книга из реальной практики

Все главы этой книги выросли из реальных профессиональных задач: аудиторских проверок, консультаций, споров с налоговыми органами, сложных договоров, расчётов, анализа новых стандартов бухгалтерского учёта и поиска ошибок.

В основе каждой главы лежит не придуманная для наглядности история, а ситуация, с которой действительно пришлось разбираться.

Сначала возникал вопрос. Затем начиналось исследование: анализировались нормы законодательства, официальные разъяснения, судебная практика, документы и возможные варианты решения. Искусственный интеллект помогал ускорить эту работу, предложить гипотезы, найти слабые места и посмотреть на проблему с другой стороны.

Некоторые идеи рождались за несколько минут. Другие приходилось переписывать неделями.

А иногда самый полезный результат заключался вовсе не в правильном ответе, а в вопросе, который раньше никто не задавал.

Выводы искусственного интеллекта никогда не принимались только потому, что они хорошо сформулированы. Если история попала в эту книгу, значит, она действительно произошла. Если вывод оказался на этих страницах, значит, ему предшествовали исследование, спор и повторная проверка.

Иначе ему здесь не место.

Эта книга создавалась в совместной работе человека и искусственного интеллекта. Профессиональный опыт, выбор тем, оценка фактов и окончательные выводы оставались моей ответственностью. ChatGPT помогал исследовать, структурировать и писать. Claude выступал критиком и оппонентом. Другие инструменты использовались там, где они лучше подходили для конкретной задачи.

Это не означает, что книгу написал искусственный интеллект.

Она возникла из моего профессионального опыта, моих задач, решений, сомнений и ошибок. Искусственный интеллект помог всё это исследовать, упорядочить и превратить в текст.

У каждого свой ChatGPT

На первый взгляд ChatGPT у всех один: один сервис, похожий интерфейс, общая технология. Кажется, что два человека могут задать один и тот же вопрос и получить примерно одинаковый результат.

Но универсальная модель постепенно превращается в индивидуального рабочего помощника.

Меняется не сама программа.

Разным становится контекст.

Он складывается из профессиональных задач, предыдущих разговоров, загруженных материалов, сохранённых инструкций, исправленных ошибок, требований к доказательствам, привычных способов проверки и уже принятых решений.

Аудитор учит искусственный интеллект искать противоречия и не доверять красивым выводам.

Бухгалтер требует точности в суммах, проводках и датах признания операций.

Налоговый консультант заставляет проверять действующую редакцию нормы и отличать официальный источник от неподтверждённого комментария.

Юрист анализирует каждое слово договора.

Писатель ищет ритм, голос и точную формулировку.

Инструмент может быть одним и тем же. Но контекст, который создаёт вокруг него человек, всегда разный.

Так появляется собственная система работы: свои правила, роли моделей, способы ставить задачи и проверять ответы. Искусственный интеллект начинает учитывать не только то, что вы спрашиваете, но и то, как именно вы привыкли думать.

Поэтому другой автор, используя те же модели, написал бы другую книгу. Не хуже и не лучше. Просто другую. Он принёс бы в работу собственный опыт, свои вопросы, сомнения, ошибки и критерии качества.

Эта книга родилась из моей профессиональной системы.

Но написана она для того, чтобы читатель смог построить свою.

У каждого свой ChatGPT. Потому что у каждого свой профессиональный путь.

Что необходимо знать до первого вопроса искусственному интеллекту

Однажды искусственный интеллект разобрал для меня договор настолько хорошо, что первой реакцией было не восхищение, а лёгкая профессиональная тревога.2 Риски найдены, аргументы разложены по полочкам, варианты учёта предложены, и всё это написано языком, который не хотелось править. На такую работу у меня самой ушёл бы день, а может быть, и не один.

Потом я открыла договор.

Один из ключевых выводов опирался на условие, которого в договоре не было.

С тех пор я знаю про искусственный интеллект самое важное. Его самая опасная ошибка выглядит не глупо. Она выглядит профессионально.

Именно поэтому книга начинается не с промптов, не с обзора нейросетей и не с рассказа о том, сколько часов можно сэкономить. Она начинается с предупреждения — и не потому, что искусственный интеллект опасен, а потому, что он очень полезен. Настолько полезен, что доверять ему начинаешь заметно раньше, чем успеваешь понять его ограничения.

Мне всегда нравилось выражение «последнее китайское предупреждение». В советские годы оно стало почти шуткой: предупреждений было столько, что их перестали считать всерьёз. Моё будет только одно, и мне бы очень хотелось, чтобы оно действительно оказалось последним. Дальше в этой книге мы будем работать, а не осторожничать.

Но сначала придётся договориться о правилах.

Конфиденциальность

Прежде чем обсуждать, насколько хорошо искусственный интеллект анализирует договоры и ищет ошибки, стоит ответить на вопрос попроще: а можно ли вообще показывать ему рабочие документы?

Для аудитора этот вопрос совсем не теоретический. Мы каждый день работаем с информацией, которую клиент доверил нам не для того, чтобы она путешествовала по внешним сервисам. Поэтому первое правило работы с искусственным интеллектом начинается не с выбора модели и даже не с качества промпта. Оно начинается с понимания того, какие данные вообще могут покинуть рабочий контур.

Летом 2026 года эта тема перестала быть предметом кабинетных дискуссий. Широкую известность получило дело, в котором руководитель отдела продаж московской инженерной компании оспаривала своё увольнение. Среди эпизодов, которые работодатель расценил как разглашение коммерческой тайны, была и загрузка служебных документов из внутренней защищённой системы в стороннюю нейросеть. В иске об изменении формулировки увольнения и о выплате компенсации суд отказал.3

Самый важный вывод из этой истории вообще не связан с конкретным сервисом. На его месте мог оказаться любой другой.

Важно другое: суду не понадобился специальный закон об искусственном интеллекте. Хватило действующих норм о коммерческой тайне и норм трудового законодательства. Вопрос решался не о том, можно ли пользоваться нейросетями, а о том, имел ли сотрудник право вывести конфиденциальные документы за пределы защищённой корпоративной среды.

И ещё одна деталь, которую стоит прочитать дважды. Суду оказалось достаточно самой угрозы перехвата сведений. Доказывать, что информация действительно куда-то утекла, не потребовалось.

Для аудитора это означает довольно неприятную вещь: чтобы нарушить режим тайны, не нужно, чтобы данные где-то всплыли. Достаточно того, что вы их отправили.

Дальше ситуация становится ещё строже. Работодатель может разрешить или запретить конкретный сервис внутренними правилами компании — это его право. Но обязанность хранить аудиторскую тайну возникает не только перед работодателем. Она возникает перед клиентом и установлена законом.4 Внутренним регламентом её не отменить и корпоративной подпиской не закрыть. Клиент передал документы для проверки, а не для загрузки в сторонние сервисы, и согласия на такую загрузку он не давал никогда.

Поэтому вопрос должен звучать не так:

«Можно ли использовать ChatGPT, Claude или другую модель?»

Гораздо правильнее спросить:

«Можно ли передать именно эти сведения именно в этот сервис?»

Довольно часто ответом будет «нет», и это совершенно нормально. Во многих случаях искусственный интеллект прекрасно помогает вообще без загрузки документов: достаточно описать ситуацию своими словами, сформулировать вопрос или привести небольшой обезличенный фрагмент.

Практика показывает, что именно желание сэкономить ещё пять минут чаще всего и становится источником лишнего риска.

Практический вывод. Прежде чем прикрепить документ к запросу, представьте, что вместо окна чата перед вами сидит незнакомый человек. Если вы не готовы спокойно передать ему этот файл, значит, сначала стоит подумать, действительно ли документ нужно загружать целиком.

Обезличивание документов

После разговора о конфиденциальности обычно возникает закономерный вопрос: хорошо, а как тогда вообще пользоваться искусственным интеллектом?

Универсального безопасного рецепта не существует. Но за время работы у меня сложились несколько правил, которые действительно снижают риск.

Первое. Если сервис позволяет отключить использование ваших диалогов для обучения модели, эту возможность стоит использовать. Внешний сервис от этого не превращается в закрытый корпоративный контур, но один из рисков уменьшается.

Второе. Если у организации есть корпоративная версия сервиса, работать нужно через неё. Это уже вопрос не к аудиторам, а к руководителям аудиторских компаний. Думаю, через несколько лет корпоративные версии станут таким же обычным рабочим инструментом, как правовые системы или программы аудита. Пока это скорее исключение.

Третье, и самое недооценённое. Не нужно автоматически загружать документ целиком. Очень часто искусственному интеллекту достаточно одного пункта договора, одного абзаца учётной политики или одного фрагмента переписки. Чем меньше информации передано, тем проще контролировать риск, и тем, кстати, точнее ответ: модель не отвлекается на сорок страниц, к делу не относящихся.

Если идентифицирующие сведения всё же пришлось изменить, я предупреждаю об этом модель одной фразой: «Все идентифицирующие сведения изменены. Экономическое содержание ситуации сохранено». Сама по себе эта фраза, разумеется, ничего не защищает. Но она избавляет модель от попыток найти смысл в искусственно изменённых названиях, датах и реквизитах.

И ещё одно наблюдение. Некоторые специалисты увлекаются обезличиванием настолько, что в итоге отправляют примерно такой запрос:

«Организация А заключила договор с организацией Б на выполнение работ в соответствии с законодательством Российской Федерации…»

После чего искренне удивляются, что ответ получился слишком общим. А искусственный интеллект честно старается помочь. Просто анализировать ему уже нечего.

Обезличивание не должно превращаться в уничтожение задачи.

Практический вывод. Цель обезличивания не в том, чтобы удалить из документа всё подряд. Цель в том, чтобы убрать сведения, по которым можно определить конкретного клиента, сохранив экономическую суть вопроса.

Ограничения искусственного интеллекта

Предположим, вопрос удалось сформулировать без нарушения конфиденциальности. Документы не покинули безопасный контур или были корректно обезличены. Кажется, самое сложное позади.

На самом деле всё только начинается.

Одной из первых задач, которые я поручила искусственному интеллекту, было оформление аудиторского замечания. Само нарушение я уже определила: описала его своими словами, приложила образец и попросила написать текст в стиле, принятом в нашей аудиторской организации.

Результат мне понравился. Настолько, что замечание почти без изменений попало в отчёт клиенту.

Через некоторое время, перечитывая документ, я заметила в нём ссылку на ФСБУ 18. На момент подготовки этой книги такого стандарта не существовало. Существовало ПБУ 18/02 «Учёт расчётов по налогу на прибыль организаций», которое как раз к вопросу и относилось.

Возможно, когда вы читаете эти строки, ФСБУ 18 уже утверждён. И это, пожалуй, самое интересное во всей истории.

Искусственный интеллект не придумал ничего невероятного. Он увидел реальную тенденцию: старые ПБУ последовательно заменяются новыми ФСБУ, причём нередко с сохранением привычного номера, — и просто продолжил её на один шаг вперёд. Он ошибся не в логике. Он ошибся в календаре.

Минфин ещё не знал, что выпустил ФСБУ 18, а клиент уже получил замечание со ссылкой на него.

Именно такие ошибки опаснее всего. Они выглядят не нелепо, а почти правильно. Номер знакомый, тема подходит, аббревиатура современная, весь остальной текст написан грамотно и профессионально. Глаз видит ожидаемый смысл и проскальзывает мимо одной-единственной буквы.

Причина не в том, что искусственный интеллект пытается кого-то обмануть. Он строит наиболее вероятное продолжение на основании запроса и известных ему закономерностей. Если в тысячах похожих документов обычно встречается определённая формулировка, модель вполне способна достроить её и там, где её нет. Для литературного текста такая способность иногда полезна. Для аудита она выглядит менее романтично.

Отсюда, кстати, и тот договор, с которого началась эта глава. Условие, которого в нём не было, встречается в большинстве похожих договоров. Модель не выдумала его из воздуха — она сочла его само собой разумеющимся. Ровно так же, как это иногда делает уставший человек.

Поэтому при анализе документа мало попросить перечислить существенные условия. Гораздо полезнее потребовать, чтобы каждый вывод сопровождался точной цитатой с указанием пункта или раздела. Придуманное условие трудно спрятать, когда рядом должна стоять его буквальная формулировка из текста.

Тот же приём работает с нормативными источниками. Вместо расплывчатого «обоснуй вывод законодательством» лучше попросить отдельно назвать норму, привести короткую цитату и объяснить, как именно она связана с фактами задачи. Цитата всё равно проверяется по первоисточнику, но сама структура ответа делает подмену заметной.

Практический вывод. Проверять нужно не только вывод, но и источник: существует ли документ, действует ли он в нужной редакции и подтверждает ли он на самом деле то, ради чего процитирован. Убедительность рассуждения проверить трудно. Отсутствующую цитату заметить гораздо проще.

Проверка выводов

Когда я получаю консультацию от коллеги, я почти всегда спрашиваю: почему ты так считаешь? Искусственному интеллекту стоит задавать ровно тот же вопрос — и по той же причине.

Со временем у меня сложился короткий порядок проверки. Сначала модель готовит черновой вывод. Затем я прошу показать нормативные основания и объяснить, как они связаны с конкретной ситуацией. После этого проверяю нормы сама, в правовой системе или на официальном ресурсе. Если вопрос сложный, отдаю решение другой модели с просьбой найти слабые места в рассуждении.

Формулировка здесь имеет значение. Если попросить вторую модель подтвердить ответ первой, она чаще всего охотно согласится. Если прямо предложить ей найти ошибки, качество проверки заметно выше. Две нейросети, разумеется, способны ошибиться и дружно, поэтому окончательная проверка всё равно делается по первоисточнику. Но взгляд со стороны нередко цепляется за то, мимо чего человеческий глаз уже проскользнул.