В данном исследовании рассматривается роль технологий искусственного интеллекта как ключевого фактора трансформации системы финансового анализа на современных предприятиях. На конкретных примерах обосновывается необходимость перехода от простой фиксации прошлых показателей к модели непрерывного предиктивного мониторинга в условиях нестабильной рыночной конъюнктуры. В работе реализован процесс систематизации основных направлений автоматизации финансовых функций, включая внедрение алгоритмов машинного обучения (XGBoost, LSTM) для более точного прогнозирования прибыли и использование методов NLP для анализа неструктурированных данных. Особое внимание в материале уделено сравнительному анализу цифровых платформ, доступных на российском рынке в современных условиях. В ходе исследования выявлена прямая связь между уровнем внедрения генеративного ИИ и скоростью принятия качественных управленческих решений. Результатом исследования стало то, что был подтвержден значимый экономический эффект от использования интеллектуальных систем, выраженный в оптимизации трудозатрат аналитического блока и сокращении сроков окупаемости инвестиций в ИТ-инфраструктуру. Вместе с тем, в статье обозначены барьеры, препятствующие широкомасштабному внедрению ИИ-инструментария: проблема непрозрачности выводов сложных моделей («черный ящик») и риск снижения точности прогнозов в периоды кризисов. Сформулированные выводы закладывают основу для оценки зрелости аналитических систем и определяют векторы дальнейшей адаптации отечественных BI-решений к требованиям РСБУ в условиях цифровой трансформации экономики.

This study examines the role of artificial intelligence technologies as a key factor in transforming financial analysis systems in modern enterprises. Specific examples justify the need to move from simple fixation of past performance to a model of continuous predictive monitoring in the context of unstable market conditions. The process of systematization of main areas of automation of financial functions, including introduction of machine learning algorithms (XGBoost, LSTM) for more accurate profit forecasting and use of NLP methods to analyze unstructured data. Special attention is paid in the material to comparative analysis of digital platforms available on the Russian market under modern conditions. The study identified a direct link between the level of adoption of generative AI and the speed of quality management decisions. The result of the study was that it was confirmed a significant economic impact from the use of intelligent systems, expressed in optimization of labor costs of analysis unit and reduction of payback time of IT-infrastructure investments. However, the article identifies barriers that prevent large-scale implementation of AI tools: the problem of opaqueness of the conclusions of complex models («black box») and the risk of reducing the accuracy of forecasts in times of crisis. The formulated conclusions provide a basis for assessing the maturity of analytical systems and determine the vectors for further adaptation of domestic BI solutions to the requirements of RAS in the context of the digital transformation of the economy.