- знае кои въпроси са важни
- познава пазара, клиентите и хората
- преценява риска
- взема решението
- подреждат стотици редове за минути
- смятат марж и паричен поток по обекти
- прилагат едно и също правило всеки месец
- показват какво се е променило
Често чуваме един и същ отговор от опитни собственици и финансисти: образованието и годините практика са достатъчни, AI за финансов анализ не им трябва. Опасението е разбираемо. Човек, който е изградил фирма, вярва на преценката си и има защо.
Въпросът обаче не е дали опитът има значение. Има. Въпросът е дали опитът може да замени точните числа за изминалия месец. Изследванията показват, че не може, и че хората грешат при ръчната работа с данни по-често, отколкото сами смятат. В статията ще видите какво казват данните, къде този вид анализ помага на опитния човек и къде не бива да му се доверявате сляпо.
Опитът задава въпросите, данните дават отговорите
Годините в бизнеса учат човек кои въпроси са важни. Защо маржът пада през лятото? Кой клиент плаща късно? Кой обект си струва да се разширява? Никоя програма не знае тези въпроси по-добре от собственика.
Отговорът на всеки от тях обаче зависи от числата за конкретния период. Маржът за септември не следва от образованието, а от фактурите за продажби и покупки за септември. Колкото и опитен да е човекът, той трябва да събере, подреди и сметне тези данни, преди да отговори. Точно тази част е най-бавна и най-податлива на грешки.
По темата има и сериозни изследвания. Мета-анализ в научното списание Psychological Assessment сравнява преценката на специалисти с формални, изчислителни методи при прогнози за здравето и поведението на хората. Изчислителните методи са средно с около 10% по-точни, а предимството им се запазва независимо от опита на специалистите [1]. Изследването не е за финанси, но изводът се пренася: преценката е най-силна, когато стъпва на изчислени числа, а не когато ги замества.
Колко често грешим при ръчната работа с данни
Хората рядко грешат при една сметка. Грешат, когато сметките са стотици. Изследователят Реймънд Панко от Университета на Хаваи обобщава десетилетия изследвания на човешките грешки. Според него при прости, но не тривиални действия, като пресмятане, писане или въвеждане на клетка в Excel, хората са точни в 95% до 99% от случаите. С други думи, грешат в едно до пет от всеки сто действия [2].
В четиринадесет лабораторни изследвания с 967 участници, които сами правят таблица в Excel, средно 3,9% от клетките с формули са грешни [2]. Изглежда малко, но в една таблица числата зависят едно от друго. Ако крайният резултат минава през 25 свързани клетки, шансът поне една от тях да е грешна става голям.
Проверката помага, но не решава проблема. В девет експеримента с над 1 000 участници хората, които проверяват таблици, откриват средно 60% от грешките [2]. Около четири от всеки десет грешки остават незабелязани.
Опитът намалява грешките, но не ги премахва. Панко описва долна граница, под която грешките трудно падат, колкото и внимателен да е човекът. Изследванията откриват и още нещо: хората, които правят таблиците, са много по-уверени в точността им, отколкото показват проверките [2]. Опитният специалист греши по-рядко от новия служител, но също не вижда собствените си грешки.
Какво показват изследванията за AI и опитните специалисти
Едно от най-цитираните изследвания по темата е на Harvard Business School. В него участват 758 консултанти от международна консултантска компания, разпределени на случаен принцип в групи с AI и без AI.
При осемнадесет реалистични задачи, с които AI се справя добре, консултантите с достъп до GPT-4 изпълняват с 12,2% повече задачи, с 25,1% по-бързо и с по-високо качество [3]. При една сложна управленска задача, подбрана така, че да е извън възможностите на AI, резултатът е обратен. Консултантите с AI дават верен отговор с 19% по-рядко от колегите си без AI [3].
Авторите наричат това „назъбена граница“. AI се справя отлично с едни задачи и греши при други, които на човек изглеждат също толкова трудни. Кой от двата случая е пред вас, обикновено преценява опитът.
Второ изследване, публикувано в Quarterly Journal of Economics, проследява 5 172 служители в обслужване на клиенти. С AI помощник те решават средно с 15% повече запитвания на час. Най-много печелят новите служители. Най-опитните почти не стават по-бързи, а качеството на работата им леко спада [4].
Изводът от двете изследвания не е, че опитът става излишен. Тъкмо обратното: опитът е това, което позволява да прецените кога резултатът на AI е грешен. За опитния човек ползата от AI не е в собствената му експертна работа, а в рутинната част около нея: събиране, подреждане и сверяване на данни.
Защо в България AI се ползва толкова рядко
По данни на Евростат през 2025 г. едва 8,55% от българските предприятия с поне десет заети ползват някаква AI технология, при 19,95% средно за ЕС [5]. Подробно разгледахме първите стъпки в статията Изкуствен интелект за МСП: първите 5 стъпки.
По-интересно е защо фирмите се отказват. Сред европейските предприятия, които са обмисляли AI, но не са го въвели, най-честата причина е липсата на нужните знания: 70,89%. Едва 20,68% посочват, че AI не е полезен за тях [5]. Пречката рядко е, че фирмата знае достатъчно и без него. По-често не знае откъде да започне.
AI за финансов анализ: къде помага и къде не
От изследванията следва просто правило. AI е силен при подреждане, търсене и обяснение. Не е надежден, когато сам смята числа върху големи таблици. Общите чат асистенти понякога дават уверен, но грешен отговор, а човек трудно го забелязва.
Затова добрият AI за финансов анализ разделя работата на четири части:
- Сметките се правят от код: приходи, разходи, марж и паричен поток се изчисляват по едно и също правило всеки месец.
- AI обяснява: показва кое се е променило спрямо миналия месец и къде има отклонение.
- Всяко число се проверява: води до документа, от който идва.
- Решението остава на човека: опитът преценява дали отклонението е проблем и какво да се направи.
Така работи и Risora Metrics. Числата се изчисляват програмно от банковите извлечения, фактурите и отчетите от касата, а бутонът „Виж източника“ показва откъде идва всяко от тях. Как изглежда редовният преглед, описахме в статията Месечен финансов анализ на фирмата: 5 стъпки.
Пример: опитният управител и маржът за септември
Демо ЕООД е хипотетична фирма с два обекта. Управителят ѝ има над двадесет години опит и води месечния отчет сам в Excel. Всеки месец въвежда на ръка около 200 реда от фактури и отчети от касата.
При грешка в 3,9% от редовете това са около осем грешни реда на месец. Ако при проверката открие 60% от тях, около три остават в отчета. Те може да са дребни. Може и да е фактура за доставка, въведена към грешния обект.
Управителят преценява брутния марж за септември на около 32% и за двата обекта, колкото е бил през лятото. Изчислението от документите показва друго:
Обект Б е с осем процентни пункта под очакваното. При оборот от 40 000 € за месеца това са 3 200 € по-малко брутна печалба, отколкото управителят смята. Тук опитът му помага веднага: той знае, че през септември обект Б смени доставчика на основната суровина, и проверява новите цени. Без изчисленото число обаче въпросът нямаше да бъде зададен навреме.
Какво означава това за вашия бизнес
- Опитът ви е най-ценен при решенията. Не го харчете за въвеждане и сверяване на редове.
- Приемайте, че всяка ръчна таблица съдържа грешки. Въпросът е колко и къде.
- Ползвайте AI за подреждане и обяснение, а сметките оставете на инструменти, които смятат по ясни правила.
- Проверявайте всяко важно число до документа, от който идва.
- Когато числото противоречи на опита ви, не избирайте едното от двете. Потърсете причината.
Заключение
Образованието и опитът не губят стойност заради AI. Те казват кои въпроси да зададете и какво да направите с отговора. Отговорът обаче идва от числата, а ръчната работа с числа има измерима грешка, която опитът не премахва. Ако искате да видите маржа и паричния поток на вашата фирма, изчислени от документите и подредени по обекти, започнете с безплатния анализ или разгледайте примерния анализ.
Източници
- Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E., Nelson, C., „Clinical versus mechanical prediction: a meta-analysis“ [Клинична срещу изчислителна прогноза: мета-анализ], Psychological Assessment, 12(1), март 2000 г. https://pubmed.ncbi.nlm.nih.gov/10752360/ (достъп: 26.10.2026)
- Panko, R. R., „What We Don't Know About Spreadsheet Errors Today: The Facts, Why We Don't Believe Them, and What We Need to Do“ [Какво не знаем днес за грешките в електронните таблици], сборник на конференцията на EuSpRIG, 2015 г. https://arxiv.org/abs/1602.02601 (достъп: 26.10.2026)
- Dell'Acqua, F. и др., „Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality“ [По назъбената технологична граница: полеви експеримент за ефекта на AI върху производителността и качеството на работата], Harvard Business School, работен документ № 24-013, септември 2023 г. https://www.hbs.edu/faculty/Pages/item.aspx?num=64700 (достъп: 26.10.2026)
- Brynjolfsson, E., Li, D., Raymond, L. R., „Generative AI at Work“ [Генеративният AI в работата], Quarterly Journal of Economics, 2025 г. https://arxiv.org/abs/2304.11771 (достъп: 26.10.2026)
- Eurostat, „Use of artificial intelligence in enterprises“ [Използване на изкуствен интелект в предприятията], Statistics Explained, данни за 2025 г. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises (достъп: 26.10.2026)