ИИ для финансового анализа: как разобрать отчётность компании и проверить выводы нейросети

Нейросеть способна прочитать финансовый отчёт на сотни страниц за минуты, найти выручку, EBITDA, денежный поток и составить выводы. Проблема начинается в тот момент, когда из правильно найденных цифр модель делает неправильный расчёт — или уверенно объясняет причину падения прибыли, которой в отчёте вообще нет.

В финансовом анализе цена такой ошибки выше, чем у неудачного пересказа текста. Если модель перепутает 19% роста выручки с ростом маржи, инвестор получит другую картину бизнеса. Если она примет скорректированную EBITDA за операционную прибыль, сравнение компаний развалится. Если придумает причину изменения cash flow, ошибка уже может попасть в инвестиционное решение.

ИИ лучше использовать как слой извлечения данных, расчёта и поиска гипотез, а итоговые цифры проверять по первичной отчётности. Самая надёжная схема — сначала заставить модель выписать исходные показатели с указанием периода и источника, затем отдельно посчитать коэффициенты и только после этого попросить объяснить изменения.

Что ИИ реально умеет делать с финансовой отчётностью

Финансовый отчёт хорошо подходит для LLM, потому что большая часть работы аналитика состоит из повторяемых операций:

• найти показатель;
• сопоставить два периода;
• рассчитать изменение;
• выделить аномалию;
• найти комментарий менеджмента;
• собрать таблицу;
• сформулировать вопросы к компании.

Современные сервисы уже умеют работать непосредственно с документами.

ChatGPT поддерживает PDF, XLS, XLSX, CSV и другие форматы данных. OpenAI отдельно указывает, что сервис может анализировать загруженные таблицы, выполнять расчёты и строить графики.

У Алисы Про можно загружать PDF, DOC/DOCX, XLS/XLSX, презентации и другие документы. Яндекс отдельно показывает сценарий, где Алиса AI открывает большой PDF и вытаскивает финансовые показатели по кварталам.

GigaChat поддерживает работу с PDF, DOCX и TXT, а его API позволяет прикладывать файлы к запросам.

Claude умеет читать PDF вместе с таблицами, графиками и другими визуальными элементами документа. В документации Anthropic финансовые отчёты прямо приведены как один из сценариев использования.

По теме: Как компании внедряют ИИ в корпоративное обучение: что показало исследование CaseStudy.Techart

Для пользователей из России проще начинать с сервисов, которые официально работают на российском рынке. Какие ещё нейросети доступны и какие задачи они закрывают, мы разбирали в материале «Какие нейросети работают в России в 2026 году».

Но возможность открыть PDF ещё не превращает модель в финансового аналитика.

Почему запрос «проанализируй эту компанию» слишком слабый

Допустим, пользователь загружает годовой отчёт и пишет:

Проанализируй компанию и скажи, стоит ли покупать акции.

В одном запросе смешиваются минимум пять разных задач:

1. Извлечь правильные цифры.
2. Понять, к какому периоду они относятся.
3. Посчитать коэффициенты.
4. Объяснить изменение бизнеса.
5. Сделать инвестиционный вывод.

Если ошибка появилась на первом этапе, всё дальше строится уже на неправильных данных.

Например, в отчётности одновременно могут находиться:

• чистая прибыль;
• скорректированная чистая прибыль;
• EBITDA;
• скорректированная EBITDA;
• операционная прибыль;
• свободный денежный поток;
• денежный поток от операционной деятельности.

Это разные показатели.

Если модель взяла скорректированную прибыль за текущий год и обычную прибыль за предыдущий, арифметика может быть правильной, а сравнение — бессмысленным.

Поэтому финансовый анализ через ИИ лучше разбивать на отдельные проходы.

Схема, которая работает лучше: извлечение → расчёт → интерпретация

Я бы делил работу на три этапа.

Этап	Что делает ИИ	Что проверяет человек
Извлечение	Находит цифры в отчёте	Период, единицы, название показателя
Расчёт	Считает рост, маржу, коэффициенты	Формулу и исходные числа
Интерпретация	Ищет причины и риски	Есть ли подтверждение в отчёте

Так ошибка локализуется.

Если выручка выписана неверно, нет смысла обсуждать маржинальность.

Если цифры верны, а коэффициент посчитан неправильно, пересчитывается только второй этап.

Если и цифры, и формулы верны, можно переходить к объяснению причин.

Для финансов эта последовательность намного надёжнее, чем один длинный промпт «будь аналитиком с 20-летним опытом».

Роль в промпте не исправляет неправильные исходные данные.

Какие данные лучше давать нейросети

Для публичной компании оптимальный набор выглядит так:

1. Последний финансовый релиз.
2. Отчётность за сопоставимый прошлый период.
3. Презентация для инвесторов.
4. Транскрипт звонка менеджмента, если он опубликован.
5. Рыночные данные отдельно, если нужна оценка акции.

Самое полезное — официальный файл компании.

Для российских публичных компаний документы обычно нужно брать с сайта эмитента, из раздела для инвесторов или из официального раскрытия.

Например, Яндекс публикует релиз, презентацию, дополнительные слайды и транскрипт отдельно для каждого квартала.

Это лучше, чем загружать в нейросеть чужую статью об отчёте. Во вторичном материале уже могли округлить показатели, перепутать GAAP и adjusted-метрики или добавить авторскую интерпретацию.

В каком формате загружать данные

Если вам нужны точные расчёты, таблица лучше скана.

OpenAI прямо предупреждает, что сложные или отсканированные таблицы в PDF могут извлекаться менее надёжно; для точных чисел предпочтительнее структурированный файл.

Порядок по удобству я бы поставил так:

CSV/XLSX → текстовая таблица → нормальный PDF → скан PDF → фотография отчёта.

У CSV одна строка соответствует одной записи, названия столбцов можно проверить, формулы воспроизводятся.

У скана появляется дополнительный этап распознавания. Цифра 8,9 легко превращается в 89, минус теряется, а единицы измерения остаются на соседней странице.

Если есть XLSX и PDF одной отчётности, для расчётов лучше использовать таблицу, а PDF оставить для комментариев менеджмента и примечаний.

Готовый промпт для финансового анализа

Не просите модель сразу давать рекомендацию.

Сначала заставьте её собрать контрольную таблицу.

Можно использовать такой запрос:

Проанализируй приложенную финансовую отчётность.

Этап 1. Извлеки исходные данные.

Для каждого показателя укажи:
— название;
— текущий период;
— предыдущий сопоставимый период;
— единицу измерения;
— страницу или раздел источника.

Нужны:
— выручка;
— операционная прибыль;
— EBITDA и скорректированная EBITDA, если обе раскрываются;
— чистая прибыль;
— скорректированная чистая прибыль;
— операционный денежный поток;
— капитальные затраты;
— денежные средства;
— долг.

Не рассчитывай показатели, которых нет в документе, пока не закончишь таблицу исходных данных.

Если показатель отсутствует — напиши «не найден», а не оценивай его самостоятельно.

Этап 2. После таблицы рассчитай:
— рост выручки;
— операционную маржу;
— EBITDA margin;
— чистую маржу;
— изменение каждого показателя год к году.

Для каждой формулы покажи подстановку исходных чисел.

Этап 3. Найди в документе объяснения менеджмента для трёх самых заметных изменений.

Отдели:
1. факт из отчётности;
2. расчёт;
3. интерпретацию.

Не придумывай причину, если её нет в источнике.

Последняя строка нужна не для красоты.

LLM заточена на генерацию правдоподобного продолжения. Если отчёт сообщает, что расходы выросли, но не объясняет почему, модель может достроить знакомую историю про зарплаты, маркетинг или инвестиции.

В финансовом анализе слово «не найдено» полезнее красивой выдумки.

Какие показатели можно поручить ИИ

Базовые коэффициенты хорошо подходят для автоматизации, потому что результат легко перепроверить.

Рост выручки

Формула:

Рост выручки = (Выручка текущего периода / Выручка прошлого периода − 1) × 100%

Если выручка выросла с 100 до 120 млрд рублей:

(120 / 100 − 1) × 100% = 20%

EBITDA margin

EBITDA margin = EBITDA / Выручка × 100%

Выручка — 120 млрд.

EBITDA — 24 млрд.

Маржа:

24 / 120 × 100% = 20%

Чистая маржа

Net margin = Чистая прибыль / Выручка × 100%

Операционная маржа

Operating margin = Операционная прибыль / Выручка × 100%

Темп роста показателя

Growth = (Текущий показатель / Прошлый показатель − 1) × 100%

С этими формулами модель работает нормально, если правильно вытащила исходные данные.

Сложнее становится с FCF, ROIC, net debt, EV/EBITDA и DCF.

Там сначала нужно договориться об определении показателя.

Например, свободный денежный поток можно считать несколькими способами. Если человек и модель используют разные формулы, оба расчёта могут быть арифметически правильными и давать разные цифры.

По теме: Как 20 слов в промпте могут сломать шаблон ИИ: почему креативность важнее безопасности

Проверяем ИИ на реальном отчёте Яндекса

Возьмём финансовые результаты Яндекса за II квартал 2026 года, опубликованные 29 июля.

Компания сообщила:

• выручка — 386,3 млрд рублей;
• выручка II квартала 2025 года — 332,5 млрд;
• скорректированная EBITDA — 88,9 млрд;
• скорректированная EBITDA годом ранее — 66,0 млрд;
• скорректированная чистая прибыль — 47,6 млрд;
• чистая прибыль — 64,5 млрд;
• EBITDA margin — 23%;
• выручка первого полугодия — 759 млрд;
• скорректированная EBITDA первого полугодия — 162,2 млрд.

Теперь посмотрим, что нейросеть должна сделать с этими данными.

Проверяем рост выручки

Формула:

(386,3 / 332,5 − 1) × 100%

Получаем примерно:

16,18%

В релизе Яндекс округляет результат до 16%.

Значит, модель должна сказать:

Расчётный рост составляет около 16,2%, что соответствует заявленным компанией 16% после округления.

Если она пишет 18%, ошибка арифметическая.

Если пишет, что рост составил 16,18% «по данным компании», формулировка тоже неточная. Компания раскрыла округлённые 16%, а 16,18% — наш производный расчёт.

Вот это разделение факта и расчёта особенно полезно для AI-ответов.

Проверяем EBITDA margin

Формула:

88,9 / 386,3 × 100% = 23,01%

Компания сообщает 23,0%.

Расчёт сходится с релизом.

Теперь можно идти дальше.

Годом ранее EBITDA margin составляла 19,9%.

Изменение:

23,0 − 19,9 = +3,1 процентного пункта

Именно процентного пункта, а не процента.

Модели периодически смешивают эти две единицы.

Рост с 19,9% до 23% составляет примерно 15,6% относительно предыдущего значения, но изменение маржи в отчётности корректнее описывать как +3,1 п. п.

Считаем скорректированную чистую маржу

В релизе есть скорректированная чистая прибыль 47,6 млрд рублей и выручка 386,3 млрд.

Рассчитываем:

47,6 / 386,3 × 100% ≈ 12,3%

Это уже наша производная метрика.

Компания в верхнем блоке релиза её отдельно не заявляет.

Поэтому нормальный ответ ИИ должен пометить:

Скорректированная чистая маржа — около 12,3%, рассчитано по опубликованным данным.

Фраза «Яндекс сообщил о марже 12,3%» была бы ошибочной атрибуцией.

Можно ли с помощью ИИ понять, выполняет ли Яндекс прогноз на год

Вот здесь начинается более интересная работа.

Яндекс прогнозирует на 2026 год рост выручки порядка 20% и скорректированную EBITDA порядка 350 млрд рублей. Капитальные затраты компания оценивает в 10–12% выручки.

В 2025 году выручка составила 1 441,1 млрд рублей.

Если для сценарного расчёта принять рост ровно 20%, получаем:

1 441,1 × 1,20 = 1 729,3 млрд рублей

Это не новый официальный прогноз.

Компания сказала «порядка 20%». Мы просто переводим формулировку в сценарную цифру.

После первого полугодия выручка уже составляет 759 млрд рублей.

Чтобы закончить год на условных 1 729,3 млрд, во втором полугодии потребуется:

1 729,3 − 759 = 970,3 млрд рублей

Во втором полугодии 2025 года выручка составила:

1 441,1 − 639 = 802,1 млрд рублей

Значит, для нашего условного сценария H2 2026 должен вырасти примерно на:

970,3 / 802,1 − 1 ≈ 21,0%

Это уже хороший аналитический вывод:

При сценарии ровно +20% за весь 2026 год Яндексу требуется около 21% роста выручки во втором полугодии к соответствующему периоду 2025 года.

Числа исходят из официальной отчётности, но итоговый 21% — наш расчёт.

Что получается с EBITDA

Годовой ориентир компании — около 350 млрд рублей скорректированной EBITDA.

За первое полугодие получено 162,2 млрд.

Остаётся:

350 − 162,2 = 187,8 млрд рублей

За второе полугодие 2025 года скорректированная EBITDA составляла:

280,8 − 114,9 = 165,9 млрд рублей.

Тогда требуемый рост:

187,8 / 165,9 − 1 ≈ 13,2%

Получается интересная развилка.

Для условного достижения +20% выручки второму полугодию нужен рост около 21%.

Для EBITDA около 350 млрд достаточно примерно 13% роста к H2 2025.

Из этого нельзя автоматически заключить, что маржа обязательно снизится или вырастет: структура сегментов и сезонность тоже меняются.

Зато теперь у аналитика появляется конкретный вопрос к следующему отчёту.

Это уже полезнее фразы «результаты Яндекса выглядят сильными».

Как ИИ может ошибиться даже на таком простом примере

Ошибка №1 — превратить «порядка 20%» в точный guidance 20,00%.

Компания оставляет диапазон неопределённости.

Расчёт 1 729,3 млрд — сценарий, а не обещание менеджмента.

Ошибка №2 — перепутать полугодие и квартал.

В одном релизе рядом находятся Q2 и H1.

LLM может взять Q2 EBITDA и поделить на H1 revenue.

Арифметика выполнится, смысл исчезнет.

Ошибка №3 — смешать adjusted и обычные показатели.

У Яндекса за II квартал:

• чистая прибыль — 64,5 млрд;
• скорректированная чистая прибыль — 47,6 млрд.

Если сравнить одну с прошлогодней adjusted-прибылью, получится ложная динамика.

Ошибка №4 — придумать причину роста.

Отчёт содержит комментарии менеджмента по сегментам. Если причины конкретного изменения там нет, модель должна так и написать.

Не нужно давать ей разрешение «предположить наиболее вероятную причину», если вы потом собираетесь использовать вывод как факт.

Что ИИ умеет лучше всего в финансовом анализе

Есть задачи, где экономия времени реальная.

Задача	Полезность ИИ	Риск ошибки
Найти показатель в длинном отчёте	Высокая	Средний
Сравнить два периода	Высокая	Низкий после проверки цифр
Посчитать простую маржу	Высокая	Низкий
Собрать таблицу показателей	Высокая	Средний
Найти комментарий менеджмента	Высокая	Средний
Выдвинуть гипотезы	Средняя	Высокий
Построить прогноз	Средняя	Высокий
Оценить справедливую стоимость акции	Средняя	Очень высокий
Дать рекомендацию купить/продать	Низкая без модели оценки	Очень высокий

Главный выигрыш ИИ — скорость первого прохода.

Он снимает рутину: поиск строки, перенос цифр, расчёт коэффициентов, сравнение формулировок.

Решение о том, что эти цифры означают для будущего бизнеса, требует намного больше контекста.

Как проверить расчёт нейросети

У каждого рассчитанного показателя просите четыре вещи:

1. Формулу.
2. Исходные числа.
3. Периоды этих чисел.
4. Источник.

Например:

EBITDA margin = 88,9 / 386,3 × 100% = 23,01%

EBITDA: 88,9 млрд руб., Q2 2026.
Выручка: 386,3 млрд руб., Q2 2026.
Источник: финансовый релиз компании.

Такой результат проверяется за несколько секунд.

Ответ:

Рентабельность бизнеса заметно улучшилась благодаря эффективному управлению затратами.

проверять намного сложнее.

В нём нет ни формулы, ни цифры, ни конкретной причины.

Просите ИИ считать кодом, когда данных много

Для таблицы из сотен строк лучше не заставлять языковую модель считать всё «в голове».

Сервисы с поддержкой анализа данных могут выполнять вычисления программно.

OpenAI прямо описывает сценарий, где ChatGPT анализирует структурированные таблицы и использует код для расчётов и визуализации.

Поэтому вместо:

Посчитай изменения по всем строкам.

лучше написать:

Выполни расчёт программно.

Для каждой строки:
growth = current / previous - 1.

Покажи:
— исходные данные;
— формулу;
— результат;
— строки, где previous = 0 или отсутствует.

Не заменяй отсутствующие значения нулём.

Последняя строка спасает от отдельной проблемы.

0 и нет данных в финансах — разные вещи.

Где модели особенно часто начинают додумывать

Первая зона риска — причинность.

Выручка выросла на 20%.

Из этого не следует, что причина — повышение цен.

Рост мог прийти через объём, новый сегмент, консолидацию бизнеса, курс валюты или изменение методологии.

Вторая зона — прогноз.

Три квартала роста не доказывают, что четвёртый будет таким же.

Третья — сопоставимость.

После продажи актива компания может изменить периметр консолидации. У Яндекса, например, показатели Авто.ру исключаются из результатов после закрытия сделки 2 июня 2026 года без пересчёта прошлых периодов.

Если модель не заметила эту оговорку, сравнение кварталов может выглядеть чище, чем оно есть.

Четвёртая — non-GAAP показатели.

Adjusted EBITDA двух компаний не обязана рассчитываться одинаково.

Название одинаковое, корректировки разные.

Можно ли поручить ИИ анализ акции

Можно поручить подготовительную работу.

Например:

• собрать финансовые показатели;
• сравнить динамику;
• посчитать мультипликаторы;
• найти guidance;
• выделить риски;
• построить сценарии.

Но запрос:

Стоит ли покупать акции?

слишком рано появляется в цепочке.

Для ответа нужны как минимум:

• текущая цена;
• количество акций;
• капитализация;
• долг;
• денежные средства;
• прогноз финансовых показателей;
• ставка дисконтирования или сравнительные мультипликаторы;
• сценарий прибыли;
• предполагаемый горизонт.

Если этих данных нет, модель начинает заменять модель оценки красивым текстом.

FinanceAnalitics уже разбирал другую сторону этой проблемы на примере торговых AI-агентов: автоматизация анализа сама по себе не гарантирует прибыльную торговую стратегию. Почему AI-агенты теряют деньги на трейдинге

Как использовать ИИ для сравнения компаний

Здесь нейросеть особенно полезна, если заставить её сначала нормализовать данные.

Допустим, сравниваются две компании.

Нужно привести к одному формату:

Показатель	Компания A	Компания B
Выручка
Рост выручки
EBITDA
EBITDA margin
Чистая прибыль
Net margin
Чистый долг
Capex

После этого можно задавать вопрос:

Почему у компании A выше EBITDA margin?

Но ответ должен ссылаться на источники.

Если модель пишет:

Компания A технологичнее.

это почти ничего не даёт.

Если пишет:

Расходы на продажи составляют 12% выручки против 19% у компании B.

появляется проверяемая причина.

Нужно ли загружать конфиденциальную отчётность в нейросеть

С публичной отчётностью проблема минимальна: данные и так опубликованы.

С управленческой отчётностью компании порядок другой.

До загрузки нужно проверить:

• корпоративную политику;
• условия выбранного сервиса;
• настройки хранения данных;
• наличие персональных данных;
• коммерческую тайну;
• банковские реквизиты;
• клиентскую информацию.

Если задача решается на обезличенной таблице, лишние данные лучше удалить до загрузки.

Для анализа маржинальности по продуктам модели обычно не нужны ФИО клиентов, номера счетов или телефоны.

Чем меньше чувствительных данных получает внешний сервис, тем меньше потенциальный ущерб при ошибочной загрузке.

Какие нейросети использовать в России

Если задача — быстро открыть публичный российский PDF, я бы сначала смотрел на инструмент, который официально доступен пользователю и умеет работать с нужным форматом.

На 8 сентября 2026 года:

• Алиса Про поддерживает PDF и Excel;
• GigaChat работает с документами;
• ChatGPT поддерживает PDF и таблицы, но доступность функций зависит от аккаунта, тарифа и региона;
• Claude умеет анализировать PDF, включая графики и таблицы.

Выбирать «самую умную нейросеть» без задачи бессмысленно.

Если нужно достать пять цифр из PDF, важнее качество извлечения.

Если нужно пересчитать 100 тысяч строк, важнее работа с таблицами и кодом.

Если анализируется отчёт на 400 страниц, критичны работа с длинным документом и возможность указать источник каждого вывода.

Контрольный промпт против галлюцинаций

После анализа можно сделать отдельный проход:

Теперь проверь собственный предыдущий ответ.

Для каждого финансового утверждения поставь одну метку:

ФАКТ — прямо указан в исходном документе.
РАСЧЁТ — получен из цифр документа.
ИНТЕРПРЕТАЦИЯ — вывод на основании данных.
ГИПОТЕЗА — возможное объяснение без прямого подтверждения.

Для ФАКТОВ укажи раздел или страницу.
Для РАСЧЁТОВ покажи формулу.
Для ИНТЕРПРЕТАЦИЙ покажи данные, на которых они основаны.
Для ГИПОТЕЗ прямо напиши, что подтверждения в документе нет.

Если обнаружишь ошибку в цифрах или расчёте — исправь её.

Этот второй проход часто полезнее попытки составить идеальный первый промпт.

Модель вынуждена разложить собственный текст по степени доказанности.

Алгоритм финансового анализа с ИИ

Если нужно разобрать новую компанию, схема занимает восемь шагов.

Шаг 1. Найдите первоисточник.

Берите отчётность с сайта компании или официального раскрытия.

Шаг 2. Загрузите текущий и сопоставимый предыдущий период.

Без базы сравнения цифра прибыли мало что говорит.

Шаг 3. Попросите только извлечение.

Никаких прогнозов.

Сначала таблица исходных данных.

Шаг 4. Проверьте единицы.

Тысячи, миллионы и миллиарды — одна из самых дорогих ошибок.

Шаг 5. Запустите расчёты.

Рост, маржа, долговая нагрузка, cash flow.

Шаг 6. Попросите объяснить изменения только по источнику.

Если менеджмент ничего не объяснил, пусть модель не придумывает.

Шаг 7. Отдельно запросите гипотезы.

Теперь уже можно спрашивать:

Какие три причины могли привести к снижению маржи и какие данные нужны, чтобы проверить каждую?

Так гипотеза не маскируется под факт.

Шаг 8. Сформулируйте инвестиционный вопрос.

После проверки данных можно переходить к оценке сценариев.

ИИ здесь работает как младший аналитик с очень высокой скоростью чтения и плохим правом на последний голос.

Дайте ему сотню страниц — он быстро найдёт нужное.

Дайте ему право незаметно додумывать цифры — и скорость перестанет быть преимуществом.