Внутренний контроль долгое время основывался на регламентах, выборочных проверках и реактивном подходе. Но рост объема данных и увеличение сложности бизнес-процессов сделали традиционные методы контроля недостаточными. Сегодня искусственный интеллект больше не является технологической экзотикой, а становится стратегическим инструментом, который кардинально меняет парадигму контроля и эффективно выстраивается в структуру бизнеса.
Как определить сущность ИИ для внутреннего контроля и аудита? Искусственный интеллект в контексте контроля — это совокупность технологий машинного обучения (ML), обработки естественного языка (NLP), компьютерного зрения и предиктивной аналитики, которые позволяют обрабатывать 100% транзакций. Все это сводит к минимуму вероятность пропустить инцидент и позволяет своевременно выявить риск. Как и любом деле, использование ИИ в контроле имеет свои преимущества и недостатки.
Давайте рассмотрим преимущества ИИ. Первое и самое главное преимущество состоит в том, что благодаря анализу большого объема данных ИИ способен выявить сложные и неочевидные аномалии и паттерн мошенничества, которые не описываются простыми правилами (например, сговор контрагентов, последовательность действий, имитирующая легитимную деятельность). Во-вторых, ИИ может построить предикативные модели лучше человека; таким образом, системы на основе ИИ могут оценивать вероятность наступления риск-события и сигнализировать о нем до его реализации. В-третьих, ИИ позволяет автоматизировать рутинные контрольные процедуры, такие как проверка первичных документов, сверка данных, мониторинг соблюдения лимитов, тем самым высвобождая ресурсы сотрудников для анализа результатов, верификации данных и расследования сложных кейсов. Ну и, наконец, ИИ может обеспечить непрерывный мониторинг транзакций компании в режиме 24/7, независимо от рабочего графика сотрудников, предлагая аналитику по запросу в любой момент времени.
Рассматривая информацию из открытых источников, можно выделить несколько наиболее востребованных областей применения ИИ в российских компаниях и корпорациях. 1. Мониторинг финансовых операций и выявление мошенничества Уже достаточно распространено, что нейросетевые алгоритмы анализируют миллионы платежей, закупочных процедур, транзакций и т. д., обучаясь на исторических данных, в том числе на подтвержденных случаях мошенничества. Алгоритм оценивает сотни параметров транзакции, например время, место, данные устройства, получателя, сумму, историю взаимодействий. Отклонение от «цифрового профиля» сотрудника или контрагента мгновенно блокируется или отправляется на верификацию контролеру.
Так, крупнейшие банки с госучастием, такие как Сбербанк и ВТБ, давно используют AI/ML-системы для противодействия мошенничеству в реальном времени. Они используют свои заработки и в дочерних структурах, а опыт перенимается промышленными гигантами. Компания РЖД внедряет системы анализа закупочной деятельности для выявления признаков картельного сговора и недобросовестных поставщиков, анализируя не только цены, но и поведенческие паттерны участников закупок. Все это сильно продвигает результативность внутреннего контроля. 2. Анализ документов и контрактов с помощью NLP Огромный пласт работы служб внутреннего контроля и аудита связан с проверкой договоров, актов, отчетов на соответствие требованиям законодательства и внутренних регламентов. При использовании ИИ скорость и глубина проверки возрастают на порядки. Контролер получает не стопку договоров для изучения, а готовый отчет с ранжированными по риску документами и выделенными проблемными местами. Важно отметить, что результаты нужно правильно верифицировать, применяя критическое мышление и аналитику.
Как пример отмечу, что компании «Роснефть» и «Газпром нефть» в рамках цифровой трансформации внедряют платформы для интеллектуального анализа контрактов. Системы на основе NLP автоматически извлекают ключевые условия (цены, сроки, штрафы, гарантии), сверяют их с эталонными шаблонами и законодательными нормами, определяют рисковые события (например, условия об отсрочке платежа, выходящие за лимиты). Все это позволяет в разы увеличивать результативность контроля и управления рисками. 3. Контроль в режиме реального времени за эксплуатацией активов и ТМЦ Еще одним примером использования ИИ является контроль за эксплуатацией активов и ТМЦ. Для производственных и логистических компаний критически важен контроль за использованием материальных ценностей (запчасти, ГСМ, сырье) и состоянием активов. Внутренний контроль перемещается из кабинетов в производство, ИИ проводит постоянный мониторинг и становится частью операционной деятельности, предотвращая не только финансовые, но и репутационные, экологические и производственные риски.
Так, в «Росатоме» и «Транснефти» используются комплексные системы, включающие IoT-датчики и компьютерное зрение. Камеры на складах или в цехах в сочетании с ИИ-алгоритмами могут отслеживать перемещение материальных ценностей, фиксировать случаи несанкционированного доступа или выноса. Анализ данных с датчиков оборудования позволяет контролировать режимы его эксплуатации на предмет отклонений, которые могут свидетельствовать о нарушениях, мошенничестве или даже привести к авариям. 4. Предиктивная аналитика и оценка рисков контрагентов Еще одним преимуществом ИИ является то, что он способен агрегировать данные из тысяч внешних и внутренних источников (реестры банкротств, судебные базы, данные госорганов, финансовые показатели, история сделок) для формирования комплексного прогнозного профиля риска по контрагенту или проекту. Конечно, если обеспечить доступ к информации. Это позволяет службе внутреннего контроля участвовать в проектах на ранней стадии, не как «полицейский», а как партнер, предоставляющий управленцам объективную, основанную на данных оценку рисков.
Примером может стать государственная корпорация «ВЭБ.РФ». Она заявляет о внедрении систем предиктивной аналитики для оценки инвестиционных проектов и заемщиков. По словам представителей корпорации, алгоритмы оценивают не только формальные показатели, но и слабосвязанные факторы, прогнозируя вероятность срыва сроков, роста стоимости или дефолта.
Теперь давайте разберем трудности и вызовы при внедрении ИИ в рутину. Путь внедрения ИИ сопряжен с определенными трудностями и вызовами. Важнейшим элементом внедрения ИИ является качество данных. Важно понимать, что алгоритмы ИИ учатся на исторических данных, и если в компании годами велся некорректный учет или данные фрагментированы и недостоверны, результат работы ИИ будет также некорректен.
Важно помнить о высоком риске утечки конфиденциальных данных. Все, что вы загружаете в ИИ, становится доступно владельцам серверов, где этот ИИ расположен. Сейчас мы наблюдаем неконтролируемый слив информации в ИИ сотрудниками, которые хотят автоматизировать свою рутину, и это может привести к серьезным последствиям.
Еще одним аспектом, вызывающим сложности при внедрении ИИ в контрольные функции, является слом привычной логики ответственности и управления. Любая модель, какой бы точной она ни казалась на старте, требует постоянной калибровки под реальные условия. Например, если меняется освещение, оборудование или приходят новые данные, а система работает на старых исторических данных и не учитывает изменения, то через пару месяцев мы можем увидеть, что система вдруг начала отсеивать половину заведомо годных изделий или пропускать очевидные нарушения. При этом люди на линии быстро становятся заложниками собственных когнитивных нарушений и перестают перепроверять: если алгоритм ошибся сто раз подряд, на сто первый они просто нажимают «подтвердить», не вникая в суть проблемы.
Еще один системный риск — это юридическая и этическая неопределенность. Когда решение принимает нейросеть, обосновать его пострадавшей стороне или вышестоящему руководителю достаточно сложно, а назначить ответственного за ошибку не получается, разработчик ссылается на данные, служба контроля — на заданные параметры, и фактически возникает зона безответственности.
На практике мы видим, что контроль с помощью ИИ может оказаться дороже и капризнее классического, хотя изначально призван стать инструментом экономии. Вместо снижения рутины мы получаем бесконечную доводку модели, верификацию данных, лавину ложных срабатываний. В итоге ИИ в контроле часто создает иллюзию порядка и объективности, но под этой оболочкой накапливаются те же человеческие ошибки, только теперь их сложнее вовремя заметить и исправить, потому что формально мы соблюли все правила и провели сплошную проверку. Поэтому важно помнить, что ИИ на текущем этапе развития не сможет заменить контролера и аудитора, ИИ — это инструмент, который нужно использовать с умом, не заменяя человека. Искусственный интеллект не заменяет специалиста по внутреннему контролю, но радикально меняет его роль. Из проверяющего, который ищет ошибки в бумагах, он превращается в стратегического аналитика, расследователя и архитектора контрольной среды. Его задача — ставить правильные вопросы данным, интерпретировать выводы алгоритмов, расследовать сложные кейсы и постоянно совершенствовать цифровые модели контроля. Будущее внутреннего контроля — это симбиоз человеческого опыта, экспертизы и непредвзятой, всевидящей мощи искусственного интеллекта. Именно эти компетенции будут востребованы в ближайшее время.
Национальное объединение внутренних аудиторов и контролеров НОВАК приступило к актуализации профессионального стандарта «Специалист по внутреннему контролю (Внутренний контролер)». В рамках актуализации профстандарта планируется уточнить обобщенные трудовые функции, актуализировать перечень необходимых знаний и навыков к профессии внутреннего контролера, включая возможности и риски использования искусственного интеллекта. Вместе с актуализацией профессионального стандарта будут актуализированы квалификации и оценочные средства. Планируется сократить количество квалификаций для реального сектора экономики и разработать новые квалификации для специалистов кредитной сферы. В профессиональном сообществе обсуждается возможность разработки квалификации «Архитектор цифрового контроля».
Актуализированный профстандарт планируется впустить до конца 2026 года.