Казалось бы, что все давно про экономическую безопасность написано, но хочется написать снова.
Казалось бы, сколько можно писать про ИИ, но здесь действительно помогло и гармонично влилось в процесс. При этом я убежден, что ИИ в большинстве случаев может сэкономить время, но не деньги, а половина красивых проектов (точнее рассказов про них) с ИИ — не окупились.
Но вернемся к классическим задачам специалиста по экономической безопасности:
1. Есть постоянный пул контрагентов, которых надо постоянно анализировать, чтобы далее не получить большую ПДЗ (просроченную дебиторскую задолженность). Чем больше этот перечень, тем сложнее это делать – ведь иногда даже на первичный анализ «на входе» не хватает ресурсов.
Стандартные пути решения, которые проходят все, на мой взгляд, это использование функции «поставить на контроль» или «мониторинг» в различных системах проверки контрагентов.
То есть загружаете ИНН интересующих вас ЮЛ (юридических лиц) и получаете очень много информации, что в дальнейшем не обрабатываете, а, возможно, и вовсе отключается.
На моем опыте так было с представителями рынка ОРЭМ, с контрагентами в перевозках, с контрагентами в арендных площадях и т.д.
Какое техническое решение нашли?
Теперь робот контролирует электронную почту, в случае обновлений по ЮЛ проходит по ссылке в систему проверки контрагентов, сохраняет в HTML страницу и отправляет это в ИИ, который по заданному промту выдает ответ, который в свою очередь (ответ) отсылается в телеграм (на момент написания статьи уже и в макс).
Если чуть подробнее о том, как это устроено технически — всё написано на Python. Скрипт запускается по расписанию, автоматически подключается к почте и проверяет, пришли ли новые уведомления по интересующим нас контрагентам. Если уведомление есть — скрипт переходит по ссылке из письма, забирает страницу сервиса проверки целиком и отправляет её в API языковой модели. У модели заранее прописана инструкция: на какие именно показатели обращать внимание. Это динамика выручки, смена учредителей и перераспределение долей, арбитражные дела, исполнительные производства, изменение численности сотрудников, смена юридического адреса, смена налогового режима, открытые вакансии. На выходе модель выдаёт краткое заключение с оценкой — насколько изменение важное и нужно ли обратить на него внимание. Результат уходит ответственному специалисту в Telegram (макс).
Весь процесс происходит без участия человека. На обработку одного контрагента уходят секунды, стоимость запроса к модели — доли рублей. Для компании это практически бесплатно по сравнению с тем, если бы специалист открывал и читал каждую карточку вручную.
Пример ответа ИИ:
Оценка ИИ: Важность: средняя Комментарий: Изменения:
· Выручка компании увеличилась с 71.9 млн до 84.1 млн рублей к 2024 году, что указывает на рост бизнеса.
· Уставный капитал увеличился с 43.7 тыс. рублей до 174 тыс. рублей, с последними изменениями 06.03.2026, что может свидетельствовать о докапитализации.
· Количество сотрудников на 2025 год составляет 24 человека, что является новым показателем.
· В истории учредителей отражены изменения долей: на 17.04.2015 доля Ковалинского В.Н. составляла 50.6%, на 31.10.2025 — 87.6%, на 06.03.2026 — 100%, на 16.03.2026 — 100%, что указывает на консолидацию 100% доли.
· Появилась информация о применении налогового режима УСН с 01.03.2026.
· Зафиксировано 1 арбитражное дело, где компания выступает ответчиком и истцом, с категорией «О привлечении к административной ответственности», статус «Не проиграно».
· Количество исполнительных производств указано как 11, но детали скрыты за платной подпиской.
· Обнаружены данные о 8 открытых вакансиях, что говорит о расширении деятельности. Комментарий: Компания демонстрирует положительную динамику роста выручки и численности сотрудников, а также консолидацию управления. Увеличение уставного капитала и смена налогового режима указывают на стабильность. Наличие арбитражного дела с положительным исходом не является критичным, но требует мониторинга. В целом, риски оцениваются как средние из-за скрытых данных по исполнительным производствам.
Важно отметить следующее:
А) При этом можно использовать облачные ресурсы ИИ, так как вы не разглашаете конфиденциальную информацию, а высылаете в ИИ сохраненную страницу из сервиса проверки контрагентов.
Б) Фиксируются не только отрицательные моменты, но и положительные. То есть у контрагента выручка выросла в 2 раза, но он до сих пор рассказывает вам, что у него «все плохо».
1. Вторая задача — творческий подход к поиску связей между перечнем клиентов ПДЗ и перечнем текущих клиентов.
Поверьте, моему опыту, в ваших текущих контрагентов найдется тот, кто давно вам должен, и вы не можете вернуть данную сумму (конечно, от другого ЮЛ).
В моей практике была история, когда у двух компаний, которые не имели ничего общего, по бумагам, друг с другом – нашлась связь через сервис «who is», то есть одна из двух компания оплачивала как свой сайт, так и сайт компании, которая давно была в списке со статусом «ПДЗ».
Что было сделано:
Во первых нужно было найти связанные организации. Для этого тоже написали скрипт на Python. Идея простая — берём два списка: компании, которые должны нам деньги (ПДЗ), и компании, с которыми мы сейчас работаем. По каждому контрагенту из обоих списков через платный сервис проверки юрлиц запрашиваем связанные организации с глубиной два уровня. Что это значит на практике — находим не только прямые связи, когда у двух компаний общий учредитель или директор, но и связи через промежуточные юрлица. Например, один и тот же человек числится учредителем компании А, а компания А является учредителем компании Б. Вроде бы связи нет, а она есть, просто через одно звено. При глубине два уровня такие цепочки как раз и попадают в результаты.
Дальше скрипт автоматически пересекает оба списка и ищет совпадения. Совпадения могут быть разные — общий ИНН учредителя или директора, совпадающий юридический адрес, один и тот же контактный телефон, общие домены. Результат выгружается в таблицу, где видно, какие текущие контрагенты связаны с должниками и как именно.
Содержание вывода: —
ИНН должника
Название должника
ИНН клиента
Название клиента
Длина пути
Цепочка связи
Тип связи
Сила связи
Описание
Помимо этого, по доменным именам контрагентов дополнительно прогнали проверку через открытые Whois-сервисы. Именно так в моей практике и нашлась та история с оплатой чужого сайта, о которой я писал выше. Без автоматизации обнаружить такую связь было бы практически невозможно — никто вручную не будет проверять домены у десятков контрагентов.
В итоге получили инструмент, который регулярно актуализирует информацию и выдаёт готовую таблицу связей. Языковая модель же, в данном случае описывает характер связи и дает ей (связи) предварительную оценку. Специалисту остаётся только посмотреть результат и принять решение.
В качестве резюме: оба описанных решения работают автономно, без участия человека. Для внедрения подобного инструмента нужен специалист с навыками программирования на Python, подписка на сервис проверки контрагентов, доступ к API языковой модели и любой сервер или хостинг для запуска скриптов по расписанию. Результат — вместо того чтобы вручную просматривать десятки и сотни карточек контрагентов и надеяться, что ничего не пропущено, получаем автоматические уведомления с уже проанализированной информацией и таблицы со скрытыми связями. ИИ здесь не заменяет специалиста, а забирает на себя рутину, освобождая время для того, что действительно требует внимания и опыта.
ссылка на оригинал статьи https://habr.com/ru/articles/1045178/