Svodno заинтересовал меня не как повод для критики, а как возможность проверить старый вопрос: научились ли мы превращать данные компании не просто в отчёт, а в понятое и реализованное управленческое решение?
Может ли AI превратить цифры бизнеса в управленческие решения? Проверяю Svodno на своей старой проблеме
Сегодня супруга прислала мне ссылку на сервис Svodno.
Сказала примерно так:
Смотри, похоже на то, что ты сейчас делаешь.
На самом деле с моим нынешним продуктом “Дожми продажи” сходство довольно условное. А вот другой проект, который я делал несколько лет назад, действительно был очень близок по исходной идее.
Он назывался “Статистика компаний”.
Поэтому, когда я открыл Svodno и увидел финансовые данные из разных систем, десятки отчётов и сверху AI, который может разговаривать с собственником о его цифрах, моей первой реакцией была не критика.
Я подумал: Неужели кто-то всё-таки решил проблему, которую я сам когда-то не смог решить?
И начал изучать.
Мне неинтересно доказывать, что Svodno работает или не работает. Гораздо интереснее взять собственный опыт, накопленные за последние годы вопросы и проверить:
изменил ли современный AI тот класс проблем, на котором когда-то остановилась моя попытка собрать аналитику бизнеса в одном месте?
Я уже пытался собрать цифры компании в одном окне
На сегодня у “Статистики компаний” ~4000 установок.
Примерно с двумя сотнями компаний мы работали достаточно плотно и индивидуально.
Подключали системы.
Собирали показатели.
Настраивали отчёты.
Пытались понять, что руководитель хочет видеть и какое решение собирается принимать.
Точные исторические цифры проекта я сейчас отдельно не перепроверял, поэтому отношусь к ним именно как к своему воспоминанию.
Но практики было достаточно, чтобы довольно быстро разрушилась первоначальная красивая картина.
Казалось:
CRM + 1С + телефония + реклама + другие источники -> единый экран -> руководитель понимает бизнес
На практике проблема оказалась значительно сложнее.
Первый вопрос: а данные вообще есть?
В одной системе информация заполнялась частично.
В другой данные были, но сотрудники пользовались полями не так, как предполагал руководитель.
Где-то менялся процесс, а отчёт продолжал считать по старой логике.
Где-то ломалась интеграция.
Где-то одна и та же цифра у двух руководителей означала разные вещи.
Где-то нужный показатель вообще никогда не собирался.
А иногда сама структура компании существовала скорее в голове собственника, чем в информационных системах.
И здесь я впервые серьёзно столкнулся с мыслью, к которой потом много раз возвращался:
наличие отчёта ещё не означает наличие системы управления.
Позже я отдельно разбирал это в статье Почему ежедневные отчёты в чат быстро превращаются в шум.
Там вопрос был уже не в красивом дашборде, а в более простой автоматизации - регулярно отправлять руководителю показатели в мессенджер.
Но вывод оказался тем же. Если после получения цифры не определено следующее управленческое действие, мы автоматизировали доставку информации, а не управление.
Поэтому, когда я сейчас смотрю на любую новую аналитическую систему, мой первый вопрос уже не:
Что она умеет показывать?
А: Что должно произойти после того, как человек это увидел?
Svodno явно понимает, что просто собрать цифры недостаточно
Здесь важно не приписывать продукту примитивную архитектуру. По публичным материалам Svodno видно, что команда занимается не только визуализацией.
Система работает с финансовыми отчётами, несколькими юридическими лицами, межфирменными расчётами, сверками, управленческой аналитикой и разными контурами финансовой работы. В старших тарифах отдельно заявлены внедрение управленческих отчётов, распределение расходов по ЦФО и проектам, контроль сходимости и другие механизмы. Для Enterprise предусмотрены выделенный контур и локальная установка. (Svodno - тарифы)
То есть сказать:
Они просто подключили AI к кривой базе.
было бы неправильно.
Часть проблем, на которых когда-то спотыкались мы, здесь явно пытаются решать системно.
И тогда появляется следующий вопрос.
Правильная цифра ещё не означает правильный смысл
Предположим, что техническая часть работает идеально.
Из 1С приехало ровно то, что находится в 1С.
Из банка ничего не потерялось.
Все интеграции работают.
Баланс сходится.
Но собственник спрашивает:
Какая у меня маржинальность этого направления?
Что такое “направление”?
Как распределить зарплату сотрудника, который работает сразу в трёх направлениях?
Куда отнести маркетинг?
Как распределить административный персонал?
Что делать с общей инфраструктурой?
Когда признавать выручку?
Как учитывать возвраты?
Какие расходы считать инвестициями, а какие текущими?
Это уже не вопрос передачи данных.
Кто-то сначала должен описать управленческую модель конкретной компании.
И здесь я возвращаюсь к другому своему материалу - Сначала цель, потом инструмент.
Там я разбирал очень похожую ошибку.
Компания начинает обсуждать:
- какой отчёт построить;
- какой KPI поставить;
- какую задачу создать;
- какое поле добавить.
Но ещё не договорилась, какую управленческую проблему пытается решить.
С AI возникает та же опасность, только на новом технологическом уровне.
Можно очень качественно автоматизировать ответ на вопрос, который компания ещё неправильно сформулировала.
Эта проблема существует не только у небольших продуктов
Мне было интересно проверить, как к ней подходят компании, у которых ресурсов значительно больше.
Microsoft в документации Power BI Copilot отдельно требует готовить semantic model для работы AI. Разработчикам предлагают упрощать схему, описывать бизнес-смысл данных, задавать инструкции и создавать “Систему подтверждения у человека через вопрос-ответ” для важных вопросов.
Причина довольно понятна: без подготовки модели Copilot может давать неточные или вводящие в заблуждение ответы, а значит, пользователь рискует сделать неправильный вывод. (Microsoft Learn - Prepare your semantic model for Copilot)
Google строит Conversational Analytics в Looker поверх semantic modeling layer и тоже отдельно предупреждает, что результаты Gemini нужно проверять. (Google Cloud - Conversational Analytics in Looker)
Для меня это важный сигнал. Проблема не исчезла после появления больших языковых моделей.
Даже если у нас есть структурированная база, машине всё равно нужно объяснить, что именно эти данные означают внутри конкретного бизнеса.
Следующая граница ещё сложнее: факт и причина
Предположим, показатель уже определён правильно.
AI обнаружил:
Маржинальность снизилась на 5%.
Это факт.
Следующий вопрос:
Почему?
Вот здесь начинается совсем другой класс задачи.
Можно увидеть корреляцию.
Можно найти сильное изменение.
Можно декомпозировать показатель.
Можно предложить несколько правдоподобных причин.
Но между:
показатель изменился
и:
я знаю, почему он изменился
есть довольно большая дистанция.
Этот вопрос я уже разбирал в статье Roistat: где заканчиваются данные и начинается решение.
Система может показать отклонение. Но дальше появляется цепочка:
данные -> факт -> гипотеза -> проверка -> решение
И мне кажется опасным незаметно превращать её в:
данные -> AI -> правильное решение
Не потому, что AI плохой. Я сам использую его каждый день сжигая в некоторые дни по 300 миллионов токенов.
Но способность модели быстро придумать сильное и логичное объяснение ещё не доказывает, что именно это объяснение является причиной происходящего.
Именно поэтому мне стали особенно интересны примеры Svodno AI
Здесь продукт идёт уже значительно дальше обычной отчётности.
Svodno предлагает разбор отчётов, многошаговый разговор по финансам, автоматические аналитические сводки и пользовательские сценарии.
На странице продукта прямо приводятся вопросы вроде:
А что если повысить цены на 5%?
AI должен выделять риски, точки роста, объяснять финансовую картину собственнику и предлагать направления дальнейших действий. (Svodno AI)
Есть очень показательный пример:
направление “Поверка” +12%: масштабировать
Вот здесь я автоматически останавливаюсь.
Возможно, масштабировать действительно нужно.
Но почему рост направления на 12% приводит именно к такому решению?
Рост повторяемый?
Какая там маржинальность?
Что его вызвало?
Насколько велик рынок?
Есть ли свободная производственная мощность?
Потребуется ли дополнительный оборотный капитал?
Есть ли команда?
Что произойдёт с качеством?
Соответствует ли это стратегическим приоритетам собственника?
Одна правильная цифра может поддерживать несколько совершенно разных решений.
Поэтому мне интересен не вопрос:
может ли AI сформулировать рекомендацию?
Очевидно, может. Мне интереснее:
какого контекста ему достаточно, чтобы рекомендация стала управленчески обоснованной?
Сам Svodno здесь проводит разумную границу
На странице продукта прямо сказано, что AI не подменяет финансового директора и не принимает решения за собственника.
Там же есть предупреждение, что 100-процентной гарантии точности нет и важные выводы нужно проверять. (Svodno AI)
Для меня это скорее усиливает исследовательский интерес. Потому что вопрос становится точнее.
Не: Может ли AI заменить финансового директора?
А: насколько далеко AI способен провести собственника от правильно собранных данных к качественному самостоятельному решению?
И вот здесь Svodno соединяется с тем, чем я занимаюсь сейчас
В “Дожми продажи” мы снова пришли почти к той же проблеме, только работаем не с финансовыми транзакциями, а с коммуникациями.
У нас есть:
- звонки;
- переписки;
- письма;
- CRM;
- действия менеджеров.
AI способен обработать объём информации, который руководитель физически никогда не сможет регулярно просматривать вручную.
Это огромный технологический скачок.
Но дальше снова начинается то же самое.
Например, нейросеть показывает:
Менеджеры редко назначают клиенту конкретный следующий шаг.
Что делать?
Обучать менеджеров?
Менять скрипт?
Менять критерий оценки?
Проверять отдельные типы звонков?
Разбираться с полномочиями?
Проверять качество лидов?
Или модель просто неправильно трактовала часть разговоров?
Один и тот же сигнал может привести к разным действиям.
Поэтому моя текущая логика всё дальше уходит от идеи “покажем руководителю максимум аналитики”. Мне ближе:
цель -> данные -> понимание -> решение -> действие -> результат
Если отчёт не двигает эту цепочку дальше, он постепенно становится ещё одной таблицей, которую никто не открывает.
Эту границу я отдельно разбирал в статье Почему отчётами никто не пользуется: активность против управленческой пользы: технически точный отчёт может оказаться бесполезным, если заранее непонятно, какое решение должен поддерживать показатель.
Но самая сложная проблема начинается уже после правильного вывода
Предположим, что произошло почти чудо.
Данные качественные.
Метрики определены правильно.
AI корректно нашёл закономерность.
Причину проверили.
Рекомендация разумная.
Руководитель с ней согласился.
Кажется, задача решена.
Увы, но нет…
Дальше решение ещё нужно реализовать.
И вот с этим я продолжаю сталкиваться практически каждый день.
Можно человеку показать факт.
Можно его объяснить.
Можно вместе определить действие.
Можно договориться о сроке.
А через неделю обнаружить, что ничего не произошло.
Причины бывают разные:
- нет ответственного;
- у ответственного нет полномочий;
- команда не поняла решение;
- появились другие приоритеты;
- руководитель сам в решение до конца не поверил;
- человек согласился в разговоре, но внутренне вывод не присвоил;
- задача просто растворилась в операционной работе.
И здесь заканчивается территория аналитики.
Начинается управление.
Поэтому я всё меньше хочу, чтобы AI просто давал человеку готовый ответ
Совсем недавно я попытался сформулировать это с другой стороны в статье Эффективные совещания: информацию - до встречи, решения - на встрече.
Она появилась в том числе после моих исследований процессов в оптовых компаниях.
Там я пришёл к простой мысли:
руководитель не обязан знать ответ на каждый вопрос, но он должен уметь исследовать вопрос до того, как понесёт его дальше.
Между двумя формулировками огромная разница.
Первая:
У нас проблема. Что делать?
Вторая:
Вот проблема.
Вот данные.
Вот что я уже проверил.
Вот что нашёл с помощью AI.
Вот три возможные причины.
Вот аргументы за и против.
Вот решение, которое сейчас считаю наиболее разумным.
Вот место, где мне нужна помощь.
Мой текущий алгоритм сложного управленческого вопроса выглядит примерно так:
контекст -> самостоятельное исследование -> AI и внешние источники -> альтернативы -> конкретный вопрос -> обсуждение -> решение
И когда я теперь смотрю на AI-аналитику бизнеса, мне кажется, что именно здесь может находиться значительно более интересная территория.
Возможно, хороший AI должен не давать решение, а помогать до него дойти
Представим два варианта.
Первый:
Направление выросло на 12%. Масштабируйте.
Второй:
Направление выросло на 12%.
Основной прирост дали три клиента.
При этом маржинальность снизилась.
Я вижу три возможных объяснения.
Давайте последовательно их проверим.
Дальше:
Этот рост является для вас типичным или разовым?
Потом:
Есть ли ограничение по мощности?
Потом:
Какой показатель будет означать, что гипотеза масштабирования оказалась неправильной?
Тогда AI не подменяет мышление руководителя.
Он помогает организовать процесс мышления.
И эта идея мне кажется значительно интереснее, чем концепция цифрового оракула, который знает правильный ответ.
Пока это только моя гипотеза.
Но она очень хорошо соединяется с тем, что я сейчас пытаюсь строить внутри собственных продуктов и управленческой практики.
Есть ещё один вопрос: кому вообще нужна отдельная система?
Пока я разбирался со Svodno, у меня появился ещё один парадокс.
Представим компанию, где плохо ведутся данные, не определены ЦФО, сотрудники работают каждый по своей логике, показатели трактуются по-разному, а значительная часть структуры бизнеса существует только в голове собственника.
Такому клиенту подобная система потенциально нужна очень сильно. Но чтобы она заработала, сначала придётся:
описать бизнес -> определить правила -> привести в порядок данные -> договориться о показателях -> настроить ответственность -> только потом автоматизировать
То есть чем слабее управленческий контур компании, тем больше человеческой работы требуется до того, как программный продукт сможет показать свою ценность.
Теперь другой край.
У компании есть хороший финансовый директор, качественно ведущаяся 1С, нормализованные данные, аналитические витрины, BI и собственные специалисты.
Такую компанию подключить значительно проще.
Но возникает обратный вопрос: зачем ей ещё одна система?
Почему не сделать аналитический слой в режиме “только на чтение” поверх собственной инфраструктуры (например, 1с) и не подключить к нему корпоративный AI?
Svodno частично отвечает на этот вопрос: у Enterprise заявлены локальная установка или выделенный контур, а на тарифах доступен API в том числе для работы AI-агентов. (Svodno - тарифы)
Поэтому здесь у меня пока только рабочая гипотеза.
Возможно, наиболее интересный клиент находится посередине:
бизнес уже достаточно сложный, чтобы ручные Excel-своды и разрозненные системы стали настоящей проблемой, но ещё недостаточно зрелый, чтобы самостоятельно строить и поддерживать полноценную финансовую data-платформу.
Для проверки этой гипотезы мне не хватает реальных внедрений и понимания экономики таких клиентов.
Что я пока увидел
После изучения Svodno я точно не могу сказать:
Это просто ещё один красивый дашборд.
Это было бы слишком поверхностно.
Я вижу попытку решить существенную часть сложной задачи:
- собрать финансовый контур;
- свести несколько источников;
- контролировать расхождения;
- работать с несколькими юридическими лицами;
- формировать управленческие отчёты;
- дать собственнику диалоговый интерфейс к данным;
- автоматизировать регулярный анализ.
И отдельно мне нравится, что сами создатели не называют AI автономным руководителем и прямо сохраняют ответственность за решение за человеком. (Svodno AI)
Но я пока не нашёл для себя сильного публичного доказательства, что решена вся проблема, на которой когда-то остановился я.
Для меня она выглядит так:
структура бизнеса
-> достоверные данные
-> согласованный смысл показателей
-> интерпретация
-> проверка причин
-> решение
-> принятие решения человеком
-> действие команды
-> повторное измерение
-> бизнес-результат
Svodno явно работает с несколькими первыми звеньями этой цепочки и через AI пытается двигаться дальше.
Насколько далеко получается пройти в реальных компаниях - вот это мне действительно интересно.
Почему я продолжаю за этим наблюдать
Несколько лет назад я был очень воодушевлён идеей собрать весь бизнес в одном окне.
Потом несколько лет бился об реальность.
Мы умели строить интеграции.
Умели собирать данные.
Умели делать отчёты.
Но постоянно упирались то в качество данных, то в методологию, то в структуру компании, то в людей, то в отсутствие действия после полученной информации.
В какой-то момент мне пришлось признать, что я не смог решить эту задачу так, как представлял её в начале.
Меня это сильно расстроило.
Сейчас технологии стали несравнимо сильнее.
Большая языковая модель действительно может обработать огромный объём информации, найти закономерности, предложить гипотезы, объяснить сложное простыми словами и вести человека по цепочке вопросов.
Поэтому мне действительно интересно проверить:
изменилось ли фундаментально что-то в этой старой проблеме?
Пока мой ответ такой. В способности собирать информацию, анализировать её и помогать человеку исследовать происходящее произошёл огромный скачок. Но я пока не вижу доказательства, что мы научились автоматически превращать данные бизнеса в правильное и реализованное управленческое решение.
И что особенно интересно, я продолжаю упираться примерно в ту же границу уже сегодня - в “Дожми продажи”, в работе с руководителями, в исследованиях компаний и в собственной управленческой практике.
Поэтому моя реакция на такие продукты не:
У вас не получится.
Наоборот:
Если вы научились проходить эту цепочку дальше, чем получилось у меня, покажите, как.
Потому что я сам хочу научиться решать эту проблему лучше.