В 2026 году финансист, умеющий писать продвинутые промпты, решает задачи за минуты, которые раньше занимали часы. Речь не о простых запросах «посчитай EBITDA», а о технике, которая меняет качество ответа кардинально. Chain-of-Thought заметно снижает число ошибок нейросети в сложных расчётах. Few-Shot обучает модель вашей логике прямо в промпте, без дополнительных настроек. Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (Telegram @findir_pro, 45 000 подписчиков). В этой статье разбираю обе техники на конкретных кейсах с цифрами, даю 10 готовых промптов для P&L, EBITDA и бюджетирования, сравниваю четыре модели и объясняю, когда применять Self-Consistency для критичных проверок. Все промпты работают в chatgpt.com, Claude и DeepSeek. Актуально на 16 июня 2026 года.
Почему обычный промпт не работает для сложных финансовых расчётов?
Короткий ответ: нейросеть без пошагового задания делает всё сразу и ошибается на стыках. Представьте, что вы попросили стажёра рассчитать EBITDA без объяснения методологии. Он может выдать результат, который выглядит правдоподобно, но в котором амортизация учтена дважды или не учтена вовсе. Нейросеть ведёт себя точно так же.
Суть проблемы в том, как модель генерирует текст. Она предсказывает следующий токен на основе предыдущего. При простом запросе («посчитай EBITDA по этим данным») она прыгает от условия к ответу, пропуская промежуточную логику. На простых примерах это работает. На многоступенчатых расчётах с несколькими переменными модель начинает «галлюцинировать» по ходу.
Вот как это выглядит на практике. Я тестировала один и тот же запрос на расчёт рентабельности сегмента в трёх форматах (приблизительные результаты личного тестирования):
Тип промпта Формат запроса Точность (личное тестирование) Прямой вопрос «Посчитай рентабельность сегмента B по данным ниже» около 4 из 10 без ошибок С ролью и контекстом «Ты CFO. Посчитай рентабельность сегмента B, данные ниже» около 6 из 10 без ошибок Chain-of-Thought «Ты CFO. Думай шаг за шагом: сначала определи метрику, потом формулу, потом подставь данные, потом проверь» около 9 из 10 без ошибок CoT + Few-Shot CoT + два решённых примера перед задачей 9–10 из 10 без ошибок
Разница не в умности модели, а в том, как вы ставите задачу. Модель не становится умнее, когда вы добавляете CoT. Она просто не пропускает шаги, потому что вы прямо попросили их показать.
Ещё один момент, который упускают: финансовые расчёты часто содержат неявные допущения. Что входит в EBITDA: операционная аренда по МСФО 16 или нет? Какая база для расчёта рентабельности: выручка или валовая прибыль? При обычном промпте нейросеть выбирает допущение сама и не говорит об этом. При CoT она вынуждена эти допущения обозначить, и вы видите, где логика расходится с вашей.
Поэтому продвинутый промпт-инжиниринг для финансиста это не про «красивые запросы». Это про надёжность расчётов в рабочих задачах.
Что такое Chain-of-Thought и как он работает на практике?
Chain-of-Thought (CoT), или «цепочка рассуждений» — это техника, при которой вы явно просите нейросеть показать ход мышления, а не сразу выдавать ответ. Метод был описан исследователями Google в 2022 году и с тех пор стал стандартным инструментом работы с языковыми моделями для сложных задач.
Принцип прост: вместо «что ответ?» вы спрашиваете «как ты пришёл к ответу?». Модель вынуждена пройти через промежуточные шаги, и именно на этих шагах она либо находит ошибку сама, либо показывает её вам.
Есть два варианта активации CoT.
Zero-Shot CoT — самый простой. Добавляете в конец промпта одну фразу, и этого достаточно. Работает во всех современных моделях без примеров.
[РОЛЬ] Ты финансовый директор с опытом в управленческой отчётности. [ЗАДАЧА] Рассчитай EBITDA по данным за Q2 2026 (данные обезличены): - Выручка: 48,5 млн руб. - Себестоимость продаж: 29,1 млн руб. - Коммерческие расходы: 4,8 млн руб. - Управленческие расходы: 3,2 млн руб. - Амортизация ОС: 1,9 млн руб. - Амортизация НМА: 0,4 млн руб. [ФОРМАТ] Покажи: формулу с расшифровкой компонентов, подстановку цифр, итог в рублях и %, вывод об изменении к Q1 2026 (Q1: 7,8 млн, 18,2%). [ОГРАНИЧЕНИЯ] Думай шаг за шагом. Не выдумывай данные, которых нет в условии. Если чего-то не хватает, спроси прямо. Считай в коде.
Few-Shot CoT — мощнее, но требует чуть больше времени на подготовку. Вы сначала показываете нейросети несколько решённых примеров с ходом рассуждений, а потом даёте реальную задачу. Модель повторяет вашу логику.
Почему это работает? При генерации ответа «в лоб» нейросеть пытается удержать все компоненты расчёта одновременно в «оперативной памяти». При CoT она фиксирует каждый шаг в тексте, который сам становится контекстом для следующего шага. Это и есть разница между стажёром, который считает в уме, и тем, кто записывает каждый промежуточный результат.
Для финансиста CoT особенно ценен на трёх типах задач: многоступенчатые расчёты (EBITDA, чистый долг, ковенанты), анализ отклонений план-факт с диагностикой причин, и оценка сценариев с разными допущениями.
Что такое Few-Shot промпт и как правильно показывать нейросети примеры?
Few-Shot промптинг — техника, при которой вы обучаете нейросеть прямо в тексте запроса, показывая несколько готовых примеров нужного решения. «Few» означает «несколько» (2-5 примеров), в отличие от Zero-Shot (без примеров) и One-Shot (один пример).
Идея проста: если вы хотите, чтобы модель считала EBITDA по вашей конкретной методологии (например, включая или исключая аренду по МСФО 16), покажите ей один-два решённых кейса. Она подхватит вашу логику точнее, чем при любых текстовых описаниях.
Структура Few-Shot промпта всегда одинаковая:
[РОЛЬ] Ты финансовый аналитик, специализирующийся на управленческой отчётности ритейла. [ПРИМЕРЫ ДЛЯ ОБУЧЕНИЯ] Пример 1 — простой квартал без исключений: Данные: Выручка 20 млн, COGS 12 млн, SGA 3 млн, D&A 1 млн. Расчёт: Шаг 1. Валовая прибыль = 20 - 12 = 8 млн (40%). Шаг 2. EBIT = 8 - 3 = 5 млн (25%). Шаг 3. EBITDA = 5 + 1 = 6 млн (30%). Шаг 4. Проверка: EBITDA = Выручка × 30% = 20 × 0,30 = 6 млн. Сходится. Вывод: EBITDA Q1 = 6 млн руб. / 30,0%. Пример 2 — квартал с разовым расходом: Данные: Выручка 22 млн, COGS 13 млн, SGA 3,5 млн, D&A 1,1 млн, разовое списание: 0,8 млн (рекласс в категорию non-recurring). Расчёт: Шаг 1. Валовая прибыль = 22 - 13 = 9 млн (40,9%). Шаг 2. EBIT без non-recurring = 9 - 3,5 = 5,5 млн. Шаг 3. Adj. EBITDA = 5,5 + 1,1 + 0,8 = 7,4 млн (33,6%). Шаг 4. Проверка: 7,4 / 22 = 33,6%. Сходится. Вывод: Adj. EBITDA Q2 = 7,4 млн руб. / 33,6%. Non-recurring исключён. [ТВОЯ ЗАДАЧА] Данные (обезличены): Выручка 25,5 млн, COGS 15,3 млн, SGA 4,1 млн, D&A 1,4 млн, разовые расходы на реструктуризацию: 1,2 млн. Рассчитай Adj. EBITDA по той же методологии, что в примерах выше. Формат: как в примерах, плюс сравнение с примером 2.
Ключевые правила Few-Shot для финансиста:
Примеры должны охватывать типичные исключения. Если ваша задача предполагает non-recurring расходы, покажите пример с ними. Если есть вопрос по МСФО 16, покажите пример с арендой. Примеры — это не демонстрация, а обучение логике.
Формат примера должен совпадать с форматом задачи. Если вы хотите таблицу, примеры тоже в таблице. Если вы хотите текстовые шаги, примеры — текстовые шаги. Нейросеть копирует структуру примеров.
Оптимальное число примеров — 2-3. Один пример нейросеть может воспринять как случайный шаблон. Четыре и больше — промпт становится очень длинным и модель может терять нить в конце.
Как активировать Chain-of-Thought тремя способами — от простого к мощному?
Есть три уровня активации CoT, и выбор зависит от сложности задачи.
Уровень 1. «Волшебная фраза» — добавляете одно из стандартных выражений в конец запроса. Это самый быстрый способ, работает для большинства расчётных задач.
Фразы, которые я использую чаще всего:
- «Думай шаг за шагом»
- «Покажи ход рассуждений»
- «Разбери задачу поэтапно, прежде чем дать ответ»
- «Сначала составь план решения, потом считай»
Уровень 2. Структурированная CoT-инструкция — вы явно описываете шаги, которые хотите увидеть. Подходит для задач с конкретной методологией.
[ЗАДАЧА] Рассчитай чистый долг компании на конец Q2 2026. Данные (обезличены): - Долгосрочные кредиты: 120 млн руб. - Краткосрочные кредиты: 35 млн руб. - Облигации к погашению в 2027 г.: 80 млн руб. - Денежные средства на счетах: 42 млн руб. - Краткосрочные финвложения: 15 млн руб. [CoT-ИНСТРУКЦИЯ] Пройди по шагам: Шаг 1. Выпиши компоненты долга и объясни, почему каждый включается. Шаг 2. Выпиши компоненты денежной позиции. Шаг 3. Примени формулу Чистый долг = Весь долг - Денежная позиция. Шаг 4. Посчитай числа. Шаг 5. Проверь: коэффициент ND/EBITDA при EBITDA = 45 млн. Прокомментируй долговую нагрузку.
Уровень 3. CoT + Self-Verification — модель не только считает шагами, но и проверяет свой ответ альтернативным способом. Максимальная надёжность для критичных расчётов.
[ЗАДАЧА] Рассчитай и проверь план-факт по выручке за H1 2026. [Данные — план и факт по месяцам, обезличены] [CoT + ПРОВЕРКА] Шаг 1. Посчитай план H1 как сумму месяцев. Шаг 2. Посчитай факт H1 как сумму месяцев. Шаг 3. Посчитай отклонение в рублях и процентах. Шаг 4. Определи месяц с максимальным отклонением. Шаг 5. ПРОВЕРКА: пересчитай план и факт альтернативным способом (ср. месяц × 6) и сравни с результатами шага 1-2. Если результаты расходятся — найди ошибку.
Третий уровень я применяю для расчётов, которые идут на совет директоров или в отчёт для банка. Лишние 3-4 минуты на промпт стоят того, чтобы не краснеть за цифры.
Как работают CoT-промпты на реальных задачах: P&L и анализ отклонений?
Анализ P&L — задача, где Chain-of-Thought даёт самый заметный эффект. Обычный запрос «проанализируй P&L» даёт пространный текст с общими фразами про «рост выручки» и «давление на маржу». CoT-промпт заставляет модель разобрать каждую строку по уровням и сформулировать конкретный вывод для управленческого решения.
Вот промпт, который я отточила на практике с несколькими выпускниками нашего курса:
[РОЛЬ] Ты опытный CFO, ведёшь управленческую отчётность производственной компании в России. Отчётность в рублях, РСБУ + управленческие поправки. [ЗАДАЧА] Проанализируй P&L за май 2026 и сравни с планом и маем 2025. Данные (обезличены): | Статья | Факт май 2026 | План май 2026 | Факт май 2025 | |---|---|---|---| | Выручка | 85,3 млн | 90,0 млн | 78,5 млн | | COGS | 51,2 млн | 52,0 млн | 47,1 млн | | Валовая прибыль | 34,1 млн | 38,0 млн | 31,4 млн | | Коммерческие расходы | 7,8 млн | 7,5 млн | 6,9 млн | | Управленческие расходы | 5,4 млн | 5,5 млн | 5,1 млн | | EBIT | 20,9 млн | 25,0 млн | 19,4 млн | | Проценты к уплате | 3,2 млн | 2,8 млн | 2,1 млн | | Прибыль до налогов | 17,7 млн | 22,2 млн | 17,3 млн | [CoT-ИНСТРУКЦИЯ] Шаг 1. Рассчитай ключевые маржи: Gross Margin, EBIT Margin. Сравни факт vs план и факт vs LY. Шаг 2. Найди топ-3 статьи с наибольшим отклонением от плана в рублях. Шаг 3. Для каждого отклонения сформулируй возможные причины (в условиях нет — дай 2-3 гипотезы). Шаг 4. Дай итоговый вывод для управленческого комментария: что стоит за цифрами и какой вопрос поставить команде. Шаг 5. Проверь арифметику: сложи компоненты и сравни с итоговыми строками. [ОГРАНИЧЕНИЯ] Говори конкретно, без «необходимо провести дополнительный анализ». Галлюцинации с причинами допустимы в гипотезах, но маркируй их как «гипотеза».
Этот промпт даёт структурированный управленческий комментарий за 60-90 секунд. Не идеальный, но дающий правильный каркас для разговора с командой. Дальше вы вставляете реальные причины и отправляете.
Для анализа отклонений бюджет-факт я использую другую конструкцию, которая фокусирует модель на операционных рычагах:
[РОЛЬ] Ты финансовый аналитик, специализирующийся на диагностике отклонений бюджет-факт в торговых компаниях. Данные обезличены. [ЗАДАЧА] Разложи отклонение факт vs план по выручке (факт: 85,3 млн, план: 90,0 млн, отклонение: -4,7 млн / -5,2%) на факторы: объём, цена, структура продаж. Данные по сегментам (обезличены): Сегмент А: объём факт 12 000 ед. / план 13 000 ед. / цена факт 3 500 / план 3 500 Сегмент Б: объём факт 8 500 ед. / план 8 000 ед. / цена факт 4 200 / план 4 500 Сегмент В: объём факт 5 200 ед. / план 6 000 ед. / цена факт 2 900 / план 3 000 [CoT-ИНСТРУКЦИЯ] Шаг 1. Посчитай выручку по каждому сегменту (факт и план). Шаг 2. Разложи отклонение каждого сегмента на объёмный эффект и ценовой эффект. Шаг 3. Сложи эффекты по всем сегментам. Проверь, что сумма эффектов = общему отклонению. Шаг 4. Дай вывод: какой сегмент внёс наибольший вклад в недобор, за счёт чего. Считай в коде, покажи формулы.
Этот промпт заменяет примерно 40-50 минут работы в Excel. Модель делает факторный анализ по методологии volume-price-mix, которая стандартна для управленческой отчётности.
Важное замечание про Code Interpreter: когда просите модель «считай в коде», она в GPT-5.5 и Claude Sonnet 4.6 реально запускает Python-вычисления и показывает код. Это значит, что арифметика по вашим данным будет верной. Не «как будто считает», а реально считает. Для финансиста, который привык проверять каждую цифру, это важное различие. Если видите блок с кодом и результатом — можете доверять числам. Если видите только текст с цифрами без кода — проверьте сами.
Эту связку CoT + Code Interpreter я детально разбирала применительно к работе со сводными таблицами в статье Сверка регистров через ChatGPT Code Interpreter.
Как Few-Shot промпты работают в задачах бюджетирования и прогнозирования?
Бюджетирование — идеальная почва для Few-Shot. У каждой компании есть своя логика планирования: какие статьи привязаны к выручке, какие к численности, какие к физическим показателям. Описать эту логику словами сложно. Показать на примере — просто.
Самый эффективный сценарий: у вас есть утверждённый бюджет прошлого года с понятными допущениями. Вы вставляете его как пример, добавляете новые вводные (рост рынка, изменение курса, новый сотрудник в штате) и просите построить черновик бюджета на следующий период.
[РОЛЬ] Ты CFO производственной компании. Готовишь черновик бюджета по выручке на 2027 год на основе логики бюджета 2026. [ПРИМЕР — бюджет 2026, логика планирования] Выручка 2025 факт: 900 млн руб. Допущения для 2026: - Рост рынка: +8% - Доля рынка компании: стабильна - Изменение ценовой политики: +3% к прайсу с Q2 - Запуск нового продукта С в Q3: +15 млн руб. incremental Расчёт 2026 план: База: 900 × 1,08 = 972 млн Ценовой эффект (3 квартала, ~75% объёма): 972 × 0,75 × 0,03 = +21,9 млн Новый продукт: +15 млн Итог 2026 план: 972 + 21,9 + 15 = 1 008,9 млн руб. [ТВОЯ ЗАДАЧА — бюджет 2027] Вводные: - Факт 2026: 1 015 млн руб. (незначительно выше плана) - Рост рынка 2027: оценка +6% - Доля рынка: вырастет на 0,5 п.п. (дополнительно +5 млн) - Ценовое изменение: не планируется - Новых продуктов: нет Построй черновик бюджета выручки 2027 по той же логике, что в примере 2026. Покажи каждый шаг расчёта. Дай итог и сравни рост с 2026 (+/-% и млн руб.).
Этот подход особенно хорошо работает для бюджета расходов, где связи между статьями нелинейные. Показываете модели, как в вашей компании считается ФОТ (сколько людей на единицу выручки, как растёт при найме, как работает KPI), и она воспроизводит логику без дополнительных объяснений.
Вот упрощённый шаблон для бюджета ФОТ:
[РОЛЬ] Ты финансовый директор. Планируешь ФОТ на 2027 год. [ПРИМЕР — логика бюджета ФОТ 2026] Численность на старте 2026: 120 чел. Допущения: найм 10 чел. в Q1 (с марта), 5 чел. в Q3 (с сентября). Увольнений нет. Среднемесячный оклад: 95 тыс. руб. (рост +7% к 2025). ФОТ 2026 расчёт: Q1: 120 × 2 мес. + 130 × 1 мес. = 240 + 130 = 370 чел-мес × 95 = 35,15 млн Q2: 130 × 3 мес. = 390 чел-мес × 95 = 37,05 млн Q3: 130 × 2 мес. + 135 × 1 мес. = 260 + 135 = 395 чел-мес × 95 = 37,525 млн Q4: 135 × 3 мес. = 405 чел-мес × 95 = 38,475 млн Итог 2026 план ФОТ: 148,2 млн руб. Фактическая численность на конец 2026: 135 чел. [ТВОЯ ЗАДАЧА — бюджет ФОТ 2027] Допущения: - Старт: 135 чел. - Найм: 8 чел. в Q2 (с апреля), 6 чел. в Q4 (с октября) - Индексация окладов: +9% с января 2027 - Увольнений не планируется Рассчитай плановый ФОТ 2027 по кварталам и итогом. Используй ту же методологию, что в примере 2026. Покажи каждый шаг.
Заметьте: я не объясняю нейросети «как считать ФОТ». Я просто показываю логику на примере. Она воспроизводит её точнее, чем если бы я написала инструкцию из 10 пунктов.
Кейс 1: как финдир сократил подготовку управленческого отчёта с 8 до 2 часов
Поделюсь реальным кейсом выпускника нашего курса (данные обезличены с его разрешения). Назову его Алексей, финансовый директор производственного холдинга с четырьмя юридическими лицами.
Было. Каждый месяц Алексей тратил 6-8 часов на подготовку управленческого отчёта для акционеров: сводить данные из четырёх 1С, нормализовать, считать EBITDA по каждому направлению, писать управленческий комментарий. Самое долгое — именно текстовая часть, объяснение отклонений.
Что внедрил. В рамках курса Алексей настроил систему CoT-промптов для трёх задач:
- Факторный анализ отклонений (промпт уровня «CoT + структурированные шаги»)
- Автоматический управленческий комментарий по P&L (Few-Shot с тремя примерами из прошлых отчётов)
- Проверка согласованности данных между юрлицами (CoT + Self-Verification)
Данные он вставляет из Excel в обезличенном виде (названия ЮЛ заменены на «Направление А», «Направление Б» и т.д.). Для каждой из трёх задач у него готовый шаблон, который нужно только заполнить цифрами.
Стало. Время на подготовку отчёта сократилось с 6-8 часов до 1,5-2 часов. Самое время Алексей тратит на проверку и финальное форматирование, а не на составление текстов. Он говорит, что самым ценным оказался коментарий: «Нейросеть даёт каркас из правильных вопросов. Я его редактирую, добавляю контекст, который знаю только я. Акционеры стали получать более структурированные материалы, и вопросов на разборе стало меньше.»
Экономия за год: 6 часов × 12 месяцев = 72 часа высвобождено из механической работы. Переведите это в стоимость часа CFO (в Москве от 5 000 до 12 000 руб./час) и получите очевидную экономию.
Какая нейросеть лучше справляется со сложными расчётами в 2026?
Короткий ответ: у каждой модели свой конёк, и лучший результат даёт связка, а не одна модель.
Модель CoT-точность Работа с таблицами Длинный контекст Доступность в РФ Стоимость GPT-5.5 Очень высокая Хорошая До 1М токенов Через chatgpt.com платная подписка Claude Sonnet 4.6 Очень высокая Хорошая До 1М токенов Через сайт/API платная подписка Gemini 2.5 Pro Высокая Отличная (Google) До 1М токенов Через сайт платная подписка DeepSeek V3.2 Хорошая Хорошая До 128К токенов Прямой доступ бесплатно (веб)
GPT-5.5 — лидер по качеству интерпретации и итоговых выводов. Когда мне нужен красивый, точный управленческий комментарий с правильным тоном для совета директоров — беру GPT-5.5. CoT работает очень стабильно. Доступен через chatgpt.com.
Claude Sonnet 4.6 — моя основная рабочая лошадка для длинных промптов. Держит Few-Shot с большим объёмом примеров лучше, чем GPT. Когда у меня Few-Shot промпт на 3 000-4 000 символов, Claude не теряет нить к концу так, как иногда бывает у GPT. Подробнее о возможностях модели — в статье Claude для финансиста и бухгалтера.
Gemini 2.5 Pro — выбор для работы с Google Sheets и Google Docs. Если ваша финансовая модель живёт в таблицах Google, Gemini интегрируется нативно и понимает ссылки на ячейки. CoT работает хорошо, но чуть уступает Claude на очень длинных многошаговых промптах. О работе с таблицами подробнее в статье Gemini для финансиста.
DeepSeek V3.2 — лучший бесплатный вариант для рынка РФ. Доступен напрямую без VPN, поддерживает CoT, справляется с задачами среднего уровня сложности. Обязательное условие: обезличенные данные, потому что серверы находятся за пределами России. Про правила обезличивания читайте в статье Обезличивание данных. О возможностях модели — в статье DeepSeek и Qwen для финансиста.
Моя рабочая схема такая: черновой анализ делаю в DeepSeek (бесплатно, быстро), финальную версию и критичные расчёты перепроверяю в Claude или GPT. Для задач с Excel — отдельно рассматриваю связку с Gemini, об этом подробнее в статье Нейросеть для Excel.
Хочешь готовую библиотеку из 50+ промптов для финансиста, включая CoT-шаблоны для P&L, EBITDA и бюджетирования? Забирай бесплатно в Telegram-канале школы @findir_pro.
Кейс 2: казначей автоматизировал сверку дебиторки и высвободил 12 часов в месяц
Ещё один кейс с курса. Марина, казначей в дистрибьюторской компании, занималась ежемесячной сверкой дебиторской задолженности: 180-200 контрагентов, данные из 1С и из банковских выписок, расхождения нужно объяснять и формировать реестр к взысканию.
Было. Сверка занимала 3 дня в месяц (примерно 20-24 часа). Основная боль — не сама арифметика, а интерпретация расхождений: где частичная оплата, где неверно указано назначение платежа, где реально долг.
Что внедрила. Марина разработала двухэтапный промпт-процесс:
Этап 1 — Few-Shot промпт для классификации расхождений. Она дала нейросети три примера из своей практики: «ситуация такая-то, причина такая-то, действие такое-то». Нейросеть научилась классифицировать новые расхождения по тем же категориям.
Этап 2 — CoT-промпт для составления реестра к взысканию с приоритизацией по сумме и сроку просрочки.
Стало. Сверка с 3 дней сократилась до 5-6 часов. Экономия 12-15 часов в месяц. Важный нюанс: Марина не загружала реальные суммы в нейросеть. Она разработала систему маппинга, при которой реальные суммы заменяются на относительные (например, вместо «158 432 руб.» — «сумма 1»), а потом переводит обратно по справочнику. Это немного усложняет процесс, но полностью решает вопрос с конфиденциальностью.
Если работаете со сверками, читайте подробный разбор в статье Сверка регистров через ChatGPT Code Interpreter.
Что такое Self-Consistency и Tree-of-Thoughts: когда применять продвинутые техники?
Есть два продвинутых варианта CoT, которые я применяю для самых ответственных задач.
Self-Consistency — техника перекрёстной проверки. Вместо того чтобы доверять одному ответу нейросети, вы запускаете один и тот же CoT-промпт три раза подряд (или в трёх разных чатах) и смотрите, совпадают ли ответы. Если два из трёх дают одинаковый числовой результат, вероятность ошибки резко падает.
В моей практике на сложных расчётах EBITDA с нетривиальными корректировками Self-Consistency стабильно даёт заметно более точные результаты, чем одиночный CoT-запрос.
Когда применять: расчёт ковенантов для банка, проверка финансовой модели перед сделкой M&A, итоговые цифры в отчёте для совета директоров. Потратите 5-7 минут вместо 2, зато уверены в результате.
Tree-of-Thoughts (ToT) — более сложная техника, когда нейросеть одновременно исследует несколько альтернативных путей решения и выбирает лучший. Для финансиста это выглядит как сценарный анализ: «рассмотри три варианта — оптимистичный, базовый, пессимистичный — и для каждого пройди через все шаги расчёта».
[РОЛЬ] Ты CFO холдинга, готовишь сценарный анализ выручки на 2027 год. [ЗАДАЧА] Рассмотри три сценария и для каждого пройди через полный расчёт. Базовые данные (обезличены): выручка 2026 факт 1 200 млн руб. [Tree-of-Thoughts ИНСТРУКЦИЯ] Для каждого сценария пройди по шагам: 1. Обоснуй допущения сценария (2-3 ключевых фактора). 2. Рассчитай выручку 2027 с подстановкой. 3. Оцени вероятность сценария (%). 4. Сформулируй главный риск для этого сценария. СЦЕНАРИЙ А (пессимистичный): рост рынка -5%, потеря доли 1 п.п., цены без изменений. СЦЕНАРИЙ Б (базовый): рост рынка +4%, доля стабильна, цены +3% с Q2. СЦЕНАРИЙ В (оптимистичный): рост рынка +8%, доля +0,5 п.п., запуск нового канала +60 млн. После расчёта всех сценариев: 5. Дай взвешенную оценку по вероятностям. 6. Укажи главную развилку, от которой зависит, в каком сценарии окажется компания.
Tree-of-Thoughts хорошо работает для сценарного планирования, оценки рисков и задач, где нет единственно правильного ответа. Для CFO это особенно ценно при подготовке к стратегическим сессиям.
Как объединить CoT + Few-Shot в один мощный финансовый промпт?
Самый эффективный шаблон, который я использую для сложных задач — объединение обеих техник в один структурированный промпт. Few-Shot даёт нейросети вашу методологию, CoT заставляет её применять её пошагово.
Вот мастер-шаблон для финансового анализа, который можно адаптировать под любую задачу:
[РОЛЬ] Ты CFO с 15+ годами опыта в [отрасль]. Специализируешься на управленческой отчётности и стратегическом финансовом анализе. Данные в промпте обезличены. [МЕТОДОЛОГИЯ — Few-Shot примеры] Пример 1: [Простой кейс с вашей реальной методологией] Вводные: [...] Расчёт по шагам: Шаг 1. [...] Шаг 2. [...] Шаг 3. [...] Вывод: [формат, который вы хотите получать] Пример 2: [Кейс с исключением или нюансом] Вводные: [...] Расчёт по шагам: [...] Вывод: [...] [ТВОЯ ЗАДАЧА] Вводные (обезличены): [ваши реальные данные с маскировкой] [CoT-ИНСТРУКЦИЯ] Применяй ту же методологию, что в примерах выше. Пройди по шагам: Шаг 1. [конкретные шаги для вашей задачи] Шаг 2. [...] ... Финальный шаг. Проверь арифметику альтернативным способом. [ФОРМАТ ОТВЕТА] [Точный формат: таблица / текст / структура по шагам] [ОГРАНИЧЕНИЯ] Не выдумывай данные которых нет в условии. Если чего-то не хватает, спроси прямо. Считай в коде для всех числовых операций. Галлюцинации в расчётах недопустимы; гипотезы о причинах — маркируй.
Этот шаблон выглядит длинным, но заполнять его заново каждый раз не нужно. Один раз потратьте 20-30 минут на подготовку мастер-шаблона под каждую регулярную задачу (P&L, бюджет, сверка, сценарный анализ). Дальше вы только меняете числа в блоке «Твоя задача».
Именно так устроена личная библиотека промптов финансиста: не набор одноразовых запросов, а система шаблонов, которые работают снова и снова. Об организации такой библиотеки я рассказывала в статье McKinsey-промпты для CFO.
Кейс 3: бюджетный аналитик снизил число ошибок в модели на 80%
Третий кейс — Дмитрий, старший бюджетный аналитик в крупном ритейле. Его задача: ежеквартально проверять финансовые модели подразделений на внутреннюю согласованность (логика формул, корректность драйверов, соответствие методологии).
Было. Проверка одной модели занимала 4-5 часов. Основная проблема: модели делались разными людьми с разными привычками, находить несогласованности приходилось вручную.
Что внедрил. Дмитрий разработал CoT-промпт для аудита финансовой модели. Он загружает обезличенный экспорт ключевых показателей из Excel в нейросеть и просит провести проверку по 12 контрольным точкам (соответствие EBITDA формуле, балансовое равенство, корректность cross-check между листами и т.д.).
Стало. Проверка сократилась до 45-60 минут. Число пропущенных ошибок снизилось примерно с 10 до 2 на каждую модель (оценка самого Дмитрия). По его словам: «Нейросеть не устаёт к третьему часу и всегда проверяет все 12 пунктов, а не восемь, как я к концу рабочего дня.»
Важная оговорка: для работы с реальными финансовыми моделями Дмитрий использует только внутренний корпоративный AI, а не публичные сервисы. Если у вас нет такого инструмента, данные для тестирования CoT-подхода надо обезличивать. Подробно о разных сценариях защиты данных читайте в статье Обезличивание данных в ChatGPT.
Какие типичные ошибки финансисты делают в промпт-инжиниринге?
Я видела сотни промптов от финансистов через курс и консультации. Вот пять ошибок, которые встречаются чаще всего.
Ошибка 1. Давать только цифры без контекста. Когда вы вставляете таблицу с числами без объяснения, что это за бизнес, за какой период, в какой валюте — нейросеть заполняет пробелы предположениями. Часто неверными. CoT-промпт всегда начинается с контекста: отрасль, период, валюта, цель анализа.
Ошибка 2. Один большой вопрос вместо структурированных шагов. «Проанализируй финансовое состояние компании по этим данным» — слишком широко. Нейросеть ответит что-то общее. «Рассчитай EBITDA, оцени долговую нагрузку, найди топ-3 риска, предложи три вопроса для обсуждения» — конкретно и управляемо.
Ошибка 3. Отсутствие ограничений. Без явного запрета на додумывание нейросеть уверенно дополняет то, чего нет в условии. «Не выдумывай данные которых нет. Если данных не хватает, спроси прямо» — обязательная строка в любом финансовом промпте.
Ошибка 4. Не просить считать в коде. Современные модели при обычном запросе считают «в уме» и могут ошибиться на простой арифметике. Команда «считай в коде» заставляет модель запустить реальные вычисления. Для финансовых расчётов это must-have.
Ошибка 5. Смешивать несколько задач в одном промпте. «Посчитай EBITDA, сделай план на следующий год и напиши комментарий для акционеров» — три разных задачи с разной логикой. Разбейте на три отдельных промпта. Каждая задача решается точнее, когда она одна.
Ошибка 6. Не сохранять рабочие промпты. Это, наверное, самая обидная ошибка. Финансист тратит час на доработку промпта, получает отличный результат, закрывает вкладку и на следующий месяц начинает с нуля. Промпт это интеллектуальный актив. Сохраняйте рабочие шаблоны в Notion, Google Docs или хотя бы в файл на рабочем столе. Назовите чётко: «CoT_EBITDA_расчёт», «FewShot_бюджет_выручка», «CoT_планфакт_отклонения». Через три месяца у вас будет библиотека, которая экономит время каждую неделю.
Ошибка 7. Доверять результату без проверки. CoT снижает вероятность ошибки, но не обнуляет её. Всегда проверяйте: контрольную арифметику на двух-трёх числах, соответствие формулы принятой в компании методологии, логику вывода. Нейросеть может посчитать правильно, но сделать вывод на основе неправильной интерпретации условия. Финансовая ответственность за результат остаётся на вас. Нейросеть — это инструмент, а не подпись под отчётом.
О системных ошибках в работе с нейросетями подробнее читайте в статье 5 ошибок финансиста в нейросетях.
Чек-лист: 10 признаков рабочего CoT-промпта для финансиста
Перед тем как запустить промпт, проверьте его по этому списку. Если хотя бы один пункт не выполнен — доработайте.
- Есть роль с отраслевым контекстом. Не просто «финансовый аналитик», а «CFO производственной компании» или «казначей дистрибьютора».
- Есть бизнес-контекст. Период (Q2 2026), валюта (рубли), тип отчётности (РСБУ / управленческая / МСФО).
- Задача сформулирована конкретно. Одно действие, один результат, чёткий формат вывода.
- Данные обезличены. Реальные ИНН, названия контрагентов и суммы заменены на маски.
- Есть явная CoT-инструкция. «Думай шаг за шагом» или перечисленные шаги.
- Есть ограничения. «Не выдумывай данных», «при нехватке информации спроси прямо».
- Есть инструкция считать в коде. Для любых числовых операций.
- Формат ответа указан. Таблица, текст, маржи в %, структура разделов.
- Для Few-Shot: примеры охватывают нюансы. Если есть исключения в вашей методологии, они показаны в примерах.
- Для критичных задач: будет запущен три раза (Self-Consistency). Если результат идёт на совет директоров или банку — прогоните три раза.
Если хотите более системный подход к освоению нейросетей в работе финансиста — смотрите статью ChatGPT для финансиста и бухгалтера. Там разобраны базовые сценарии, которые дополняют техники из этой статьи.
Часто задаваемые вопросы
Что такое Chain-of-Thought промпт для финансиста?
Chain-of-Thought (цепочка рассуждений) — техника промпт-инжиниринга, при которой вы просите нейросеть думать пошагово, прежде чем дать ответ. Для финансиста это выглядит так: «Разбери задачу по шагам. Сначала определи исходные данные, затем составь формулу, потом посчитай и проверь результат.» Такой подход заметно снижает число ошибок в расчётах EBITDA, P&L и бюджетных моделях по сравнению с прямым вопросом к нейросети.
Чем Few-Shot отличается от обычного промпта?
В Few-Shot промпте вы даёте нейросети 2-3 готовых примера решения похожих задач прямо в тексте запроса. Модель изучает логику примеров и применяет её к вашей конкретной задаче. Для финансиста: сначала показываете правильный расчёт EBITDA по одному периоду, потом просите повторить для трёх кварталов. Качество ответа заметно лучше, чем если просто описать задачу словами.
Какая нейросеть лучше для сложных финансовых расчётов в 2026?
Для аналитики P&L, EBITDA и бюджетных моделей лучше всего работает связка: Claude Sonnet 4.6 (точнее держит многошаговую логику в длинных промптах) и GPT-5.5 (сильнее в интерпретации и итоговых выводах). Gemini 2.5 Pro подходит для больших таблиц Google Sheets. DeepSeek V3.2 — бесплатный вариант без VPN, достаточно мощный для стандартных задач при обязательном обезличивании данных.
Как активировать CoT без специальных настроек?
Достаточно добавить в конец промпта одну из фраз: «Думай шаг за шагом», «Покажи ход рассуждений», «Разбери задачу поэтапно». Все современные модели — GPT-5.5, Claude Sonnet 4.6, Gemini 2.5 — понимают эти инструкции. Для числовых расчётов добавьте «Считай в коде, покажи формулы».
Нужно ли обезличивать данные при использовании CoT-промптов?
Да, правило обезличивания работает для любого типа промптов, включая CoT и Few-Shot. Реальные ИНН, суммы по конкретным контрагентам и названия клиентов заменяйте на маски: «Контрагент А», «Продукт 1», «Регион Север». CoT-промпт отлично работает с обезличенными данными, потому что для пошагового рассуждения нейросети важна структура задачи, а не реальные названия.
Что такое Self-Consistency и когда её применять?
Self-Consistency — техника перекрёстной проверки: вы запускаете один и тот же CoT-промпт три раза и смотрите, совпадают ли ответы. Если два из трёх дают одинаковый результат, можно доверять числу значительно больше. Применяйте для критичных расчётов: закрытие бюджета, расчёт ковенантов, проверка модели перед советом директоров.
Можно ли использовать Few-Shot для прогнозирования бюджета?
Да, это одно из лучших применений Few-Shot для финансиста. Показываете нейросети пример правильно построенной модели бюджета за прошлый период с формулами и допущениями, а потом просите повторить ту же логику для следующего периода. Модель подхватывает структуру, коэффициенты роста и способ обработки исключений. Результат: черновик бюджета за минуты вместо часов.
Сколько примеров давать в Few-Shot промпте?
Оптимально 2-3 примера. Один пример нейросеть может принять как случайный шаблон. Больше четырёх — промпт становится слишком длинным и модель теряет нить. Для финансовых задач я рекомендую схему: пример «простой расчёт», пример «расчёт с исключением», затем ваш реальный кейс. Эта структура покрывает большинство рабочих ситуаций.
Продвинутый промпт-инжиниринг это не усложнение ради усложнения. Chain-of-Thought и Few-Shot — это способ получить от нейросети то, за что её и стоит использовать: надёжные расчёты, воспроизводимые результаты, структурированные выводы. Три кейса из этой статьи суммарно дали их авторам больше 80 часов в месяц обратно. Это реальные часы, которые можно вложить в стратегию, в переговоры с банком или в жизнь за пределами офиса.
Следующий шаг — взять один из промптов выше и применить его к реальной задаче прямо сегодня. Не изучать теорию, а попробовать. Разница между финансистом, который «интересуется нейросетями», и тем, кто их использует, именно здесь.
Системно освоить продвинутый промпт-инжиниринг, построить личную библиотеку шаблонов и автоматизировать финансовую аналитику: курс AI-навыки финансиста в онлайн-школе «Финансовый директор | Мастер CFO». 10 модулей, 800+ выпускников, диплом с лицензией, налоговый вычет 13%. Посмотреть программу курса.
Где следить за новостями AI для финансистов
Мы публикуем разборы новых инструментов, готовые промпты и кейсы выпускников в трёх каналах:
- @findir_pro — основной Telegram-канал школы, 45 000 подписчиков. Еженедельные разборы AI-инструментов для CFO и финансистов.
- АИ с Софьей и Натали — канал Софьи Бурцевой (основатель школы) и Натали Васильевой, 13 000 подписчиков. Личный опыт, эксперименты, честные оценки.
- MAX — закрытое сообщество выпускников курса, 5 000+ участников. Разборы кейсов, ответы на вопросы, живые эксперименты с новыми моделями.