За последние годы я вижу явный сдвиг в логике налогового контроля. Раньше предпроверочный анализ строился вокруг набора формальных маркеров: разрывы по НДС, убытки, низкая налоговая нагрузка, резкий рост вычетов, сделки с проблемными контрагентами. Теперь картина стала глубже. Искусственный интеллект в контуре ФНС смещает фокус с отдельного показателя на поведение компании в массиве данных. Для бухгалтера и финансового руководителя разница принципиальная: инспекцию интересует не одиночное отклонение, а связность операций, документов, сроков, маршрутов платежей и деловой логики.
ИИ не заменяет инспектора, но меняет стартовую точку его работы. Машина быстрее связывает сведения из деклараций, бухгалтерской отчетности, данных по расчетным счетам, кассовой дисциплине, сведениям из государственных реестров и электронного документооборота. На выходе налоговый орган получает не перечень сомнительных строк, а профиль риска. В нем видны узлы: кто с кем работает, в какой последовательности идут поставки, как движутся деньги, где возникает разрыв между документом и фактом хозяйственной жизни.
Для бизнеса такой разворот означает простую вещь. Уже недостаточно сдавать отчетность без арифметических ошибок. Нужна внутренняя согласованность всей финансовой модели. Если в учете отражена одна логика, в договорах другая, в банке третья, а в кадровых данных четвертая, ИИ отмечает несоответствие раньше, чем бухгалтер успеет подготовить пояснение.
Что меняется
В 2026 году предпроверочный анализ становится ближе к непрерывному наблюдению. Я не имею в виду тотальный контроль в бытовом смысле. Рречь о том, что данные поступают регулярно, а система сопоставляет их без длинных пауз между отчетными периодами. Поэтому сигнал к углубленной проверке возникает не после крупного события, а на стадии накопления мелких расхождений.
С практической точки зрения меняются три вещи. Первая — скорость. Цепочки контрагентов, которые раньше проверяли неделями, система сопоставляет за короткий срок. Вторая — точность отбора. Под внимание попадают не подряд компании из отрасли, а те, у кого набор признаков складывается в устойчивую риск-модель. Третья — качество запроса. Если раньше инспекция нередко запрашивала широкий массив документов на случай, если в нем найдется проблема, то теперь запросы становятся предметнее. Видно, какой участок вызвал интерес: конкретный поставщик, группа операций, нетипичная структура расходов, возврат авансов, дробление платежей, резкая смена условий сделки.
Для бухгалтерии такая предметность создает новую нагрузку. Ошибку в одном документе еще удается закрыть уточнением. Ошибку в модели бизнеса объяснить сложнее. Когда искусственный интеллект видит, что компания декларирует производственную деятельность, но в расходах нет устойчивых признаков производства, нет логики движения сырья, нет кадрового состава под заявленный объем, пояснения в свободной форме уже не работают. Пояснение без документов и без связи с реальными процессами выглядит слабым.
Новые сигналы
Я бы выделил несколько групп сигналов, которые становятся чувствительнее при использовании ИИ.
Первая группа — поведенческие отклонения. Система замечает не сам факт убытка, а контекст: как долго он длится, что происходит с выручкой, фондом оплаты труда, кредитной нагрузкой, закупками, ценой сделки. Если убыток сочетается с активным выводом денег по нетипичным основаниям, риск растет. Если убыток объясняется инвестиционной фазой и подтверждается движением активов, профиль выглядит иначе.
Вторая группа — разрывы в деловой логике. У компании есть договор, счет, акт, счет-фактура и платежка, но вся связка не отвечает реальному сценарию работы. Нет следов подготовки сделки, нет переписки по изменению условий, нет нормального маршрута поставки, нет понятной экономики цены. Для ИИ формальное наличие документов уже не закрывает вопрос. Он оценивает согласованность массива.
Третья группа — аномалии по контрагентам. Система анализирует не ярлык «техническая компания», а совокупность признаков: срок жизни организации, характер движения по счетам, кадровый контур, налоговую дисциплину, связь с иными участниками цепочки. Если подряд несколько поставщиков ведут себя по схожему шаблону, риск переносится на покупателя быстрее, чем раньше.
Четвертая группа — расхождение между отчетностью и денежным потоком. Для меня как для финансового специалиста этот блок особенно показателен. Бывает, что выручка в отчетности выглядит ровной, а поступления на счет идут рывками, с возвратами, взаимозачетами, переводами через связанных лиц. При машинном анализе такая картина читается как попытка скрыть реальный характер расчетов или искусственно удержать нужные показатели.
Как перестроить учет
На практике я советую смотреть на учет не как на архив документов, а как на систему доказательств. Каждая крупная операция должна иметь ясный маршрут: деловая цель, источник финансирования, экономический расчет, договорная основа, первичные документы, подтверждение исполнения, отражение в налоговом и бухгалтерском учете. Если хотя бы одно звено выпадает, И усиливает значимость остального несоответствия.
Особое внимание я уделяю налоговой реконструкции (восстановлению реального содержания сделки по фактическим данным). Термин знаком юристам и налоговым консультантам, но бухгалтеру он тоже нужен в рабочем наборе. Когда инспекция видит, что заявленный контрагент не мог исполнить обязательство, она смотрит глубже: кто выполнил работу, откуда пришел товар, кто понес расходы, кто получил выгоду. Если компания сама заранее не понимает фактическую схему исполнения, защита строится на догадках.
Внутренний контроль в 2026 году должен опираться не на редкую выборочную сверку, а на регулярную проверку узких зон риска. Я бы начал с пяти направлений. Первое — чистота первички: даты, предмет договора, единицы измерения, маршруты, подписи, полномочия. Второе — связка договора с реальным исполнением. Третье — сверка банковских операций с учетной политикой и назначением платежей. Четвертое — проверка контрагентов по деловой репутации и фактическому ресурсу для исполнения сделки. Пятое — контроль резких отклонений в налоговой нагрузке, марже, вычетах и структуре расходов.
Есть еще один слой, который раньше недооценивали. Я говорю о цифровом следе. Электронная переписка, история согласования документов, данные из учетных систем, временные метки, маршруты обмена файлами формируют массив, по которому инспекция видит реальную последовательность действий. Если акт подписан раньше выполнения работ, если счет-фактура выгружен задним числом, если договор появился после платежа без убедимого объяснения, цифровой след спорит с бумажной версией событий.
Работа с риском
Для руководителя опасна не сама технология ФНС, а иллюзия, что старые способы защиты еще работают. Формула «соберем папку, если придет запрос» теряет смысл. Когда ИИ уже выделил компанию как объект внимания, инспектор приходит не за общим массивом, а за подтверждением конкретных сомнений. Значит, реагировать нужно раньше — на этапе построения процесса.
Я считаю рабочим только один подход: проверять сделку так, будто ее уже анализируют извне. Если операция крупная, нетипичная или связана с новым поставщиком, бухгалтерия и финансы обязаны заранее видеть слабые места. Кто исполняет договор по факту? Почему выбрана такая цена? Как подтверждается объем? Кто согласовал условия? Почему схема расчетов устроена именно так? Чем объясняется выгода для компании? На каждый вопрос нужен не красивый ответ, а след в документах и учете.
В 2026 году выигрывает не тот, кто лучше спорит с налоговым органом, а тот, у кого меньше разрывов между хозяйственной реальностью и цифровым отражением. И не придумывает нарушения. Он быстрее находит несостыковки, которые раньше растворялись в объеме данных. Для бухгалтера вывод прямой: учет перестает быть завершающей стадией сделки и становится частью ее конструкции. Когда я выстраиваю финансовый контур компании с этой логикой, предпроверочный анализ ФНС уже не выглядит внезапноной угрозой. Он становится проверкой качества внутренней дисциплины.
