У большинства казначейств одна и та же проблема: прогноз денежного потока расходится с реальностью больше чем на 20%, а сверх нормы на счетах «зависает» ещё 15–20% ликвидности — просто потому что никто не рискует спускать буфер ниже привычного уровня. Capgemini в своём обзоре называет и более жёсткую цифру: свыше 60% банков до сих пор не умеют показывать корпоративным клиентам прогноз кассовых разрывов в реальном времени, а больше половины сверяют платежи вручную.
Показательный пример из обзора: один из банков внедрил ИИ-инструмент для анализа и прогнозирования денежных потоков, и это помогло его клиенту, Domino's Pizza, сократить ручную работу почти на 90%. Не «автоматизировали часть отчётов» — а на порядок снизили объём рутины, которая раньше отнимала время у финансовой команды.
Три слоя, которые дают такой эффект
Сначала — «фундамент»: GenAI сводит данные из разных банков и ERP-систем в единую картину по остаткам, автоматически читает и сверяет счета и платёжные подтверждения, что особенно выручает в мультивалютной среде, где сверка руками — источник постоянных ошибок.
Дальше — прогнозирование нового уровня: модели вроде нейросетей находят в данных закономерности, которые человек физически не заметит, а машинное обучение пересчитывает прогноз мгновенно при изменении сигналов — не раз в неделю, а по факту события.
И третий слой — стресс-тестирование: ИИ прогоняет тысячи сценариев будущего одновременно — валютный шок, сбой у поставщика, скачок ставки — и заранее показывает, какие из них реально угрожают ликвидности.
Что дальше
Авторы обзора описывают путь к «автономному» казначейству как три последовательных шага, а не один прыжок. Сначала навести порядок в данных и интеграциях. Затем встроить ИИ туда, где он прогнозирует и находит аномалии. И только после этого — переходить к действительно автономным решениям: хеджированию, инвестициям, управлению оборотным капиталом с минимальным участием человека.