AI и дебиторка: автоматизация кредитного контроля без потери клиентов

Во многих компаниях разговор о дебиторке устроен достаточно грубо: либо терпим просрочки ради выручки, либо ужесточаем лимиты и конфликтуем с коммерческим подразделением. Средний мировой срок оплаты счетов (DSO) уже около 59 дней, часть продаж бизнесу (B2B) оплачивается свыше 90 дней, а в российских балансах растёт доля дебиторской задолженности — давление на cashflow усиливается.

Управленческий узел в том, что дебиторка — это не один показатель и не список «кому сколько должны». Отсрочка платежа — форма кредитования клиента: вы фактически инвестируете в его оборотные средства под доходность (маржа) и кредитный риск. Пока собственник смотрит на дебиторку только как на DSO, он видит следствие. Задача — видеть портфель: риск-скорректированную маржу по клиентам, концентрации и сценарий «что будет с деньгами, если три крупнейших должника уйдут в 90+ дней».

Что реально добавляет AI в кредитном контроле — не «автоматические напоминания», а предсказуемость поведения портфеля:

• —прогноз срока оплаты и вероятности дефолта по каждому счёту/клиенту на основе истории оплат, сезонности, спорных сумм;
• —микросегментация: отделяем тех, кто заплатит сам, от тех, где ранний контакт меняет исход, и за счёт этого повышаем эффективность взыскания и снижаем потребность в резервах;
• —ранние сигналы: рост вариативности сроков оплаты, всплеск спорных сумм, изменение использования лимита ещё до формальной просрочки.

Важная оговорка: AI встраивается в кредитную политику, а не подменяет её. Например, аналитики FICO подчёркивают: модели машинного обучения усиливают скоринг и находят новые признаки риска, но решение фиксируется в прозрачной логике скоринговых карт.

На этой базе меняется разговор с коммерческой дирекцией. Вместо «клиент плохой плательщик» появляется конкретика: «вероятность ухода в 60+ дней выросла с 5% до 18%, а риск-скорректированная маржа стала отрицательной». Вместо тотального стопа — сценарный выбор: сохранить лимит, но ужесточить условия; сократить лимит и компенсировать маржу ценой; перевести часть оборота на предоплату или факторинг. Финансы, продажи и риск-функция опираются на одну картину вероятностей и денежных эффектов.

Почему «просто внедрить AI» не сработает.

Первый риск — качество данных: фрагментированная инфраструктура (ERP — учёт, CRM — продажи, банк-клиент, коммуникации) и неформализованные процессы споров делают оценки нестабильными — модель учится на шуме.

Второй — модельный и юридический риск: организация несёт ответственность за решения, принятые с участием алгоритмов; ссылка «так решила модель» не снимает претензий клиентов и контрагентов. Отсюда требования к объяснимости выводов и формальному контуру управления модельными рисками: владельцы моделей, метрики качества, регулярная переоценка, возможность оспорить решение. Без стандартизации цикла «заказ—деньги» ИИ лишь ускоряет плохие процессы — ошибки, шум и конфликт с клиентом.

Финальная мысль: вопрос не в том, «жёстко или мягко» управлять дебиторкой. Вопрос в том, какой риск вы берёте по каждому клиенту, чем он компенсируется и где проходят границы автоматизации — до того, как спор о дебиторке превратится в спор о ликвидности.

Внедрение AI в управленческий контур — одна из наших услуг: AI-агент в аренду и управленческий аудит.

• —Что произойдёт с деньгами, если три крупнейших должника уйдут в 90+ дней?
• —Считаете ли вы риск-скорректированную маржу по клиентам — или смотрите только на средний срок оплаты?
• —Где у вас проходит граница автоматизации решений по лимитам?

• Развилка «отпустить или закрутить» — ложная. Управлять нужно риском по каждому клиенту, а не режимом для всех сразу.
• AI даёт предсказуемость портфеля, а не напоминания. Прогноз срока оплаты, микросегментация и ранние сигналы до формальной просрочки.
• Модель не заменяет кредитную политику. Решение фиксируется в прозрачной логике, иначе ссылка «так решила модель» не снимает претензий.