10 промтов для финансового моделирования в ChatGPT

Главная ошибка в финансовом моделировании с ИИ — просить модель посчитать. Она не считает, она предсказывает текст, похожий на расчёт. В длинной цепочке умножений она собьётся, а результат подаст с той же уверенностью, что и правильный. Зато она отлично собирает структуру: какие статьи учесть, откуда берётся каждая, где спрятаны допущения.

Отсюда правило, на котором держатся все десять промтов ниже: модель выдаёт формулы, считает таблица. Просите не «сколько получится», а «какая формула и из чего состоит».

Разведка и структура

1. Каркас модели под конкретный бизнес.

Ты — финансовый аналитик. Опиши структуру финансовой модели для [тип бизнеса] на 24 месяца.
Перечисли статьи доходов и расходов с разбивкой на постоянные и переменные.
Для каждой статьи укажи: единицу измерения, драйвер роста и источник данных.
Не подставляй числа. Вместо значений — placeholder вида [средний чек].
Формат: таблица со столбцами Статья / Тип / Формула / Драйвер / Где взять данные.

2. Юнит-экономика без подмены понятий.

Собери юнит-экономику для [продукт]. Юнитом считай [клиента / заказ / подписку] — обоснуй, почему такой выбор корректен для этой модели.
Выведи цепочку: трафик - конверсия - средний чек - маржинальность - CAC - LTV - вклад юнита.
Каждый показатель дай формулой через предыдущие. Отдельно отметь, какие из них наблюдаемые, а какие производные.
В конце: при каких значениях вклад юнита становится отрицательным.

3. Поиск забытых расходов.

Вот список расходов [вставить]. Ты — аудитор.
Назови статьи, которые в моделях такого бизнеса забывают чаще всего: комиссии платёжных систем, возвраты, простой, обучение персонала, налоги на ФОТ, кассовые разрывы.
Для каждой пропущенной статьи оцени порядок величины относительно выручки и скажи, при каком масштабе она перестаёт быть мелочью.

Сценарии и допущения

4. Три сценария из одного набора допущений.

По этой модели [вставить структуру] построй три сценария: пессимистичный, базовый, оптимистичный.
Меняй только допущения, не формулы. Для каждого сценария перечисли изменённые параметры и обоснуй величину изменения фактом, а не ощущением.
Покажи, какой параметр сильнее всего двигает результат.

5. Анализ чувствительности.

Определи три параметра, к которым результат наиболее чувствителен.
Для каждого: на сколько процентов изменится итог при изменении параметра на 10%.
Выведи таблицей и объясни, почему чувствительность именно такая — через формулу, а не через слова.

6. Точка безубыточности.

Выведи формулу точки безубыточности для этой модели с учётом того, что часть расходов зависит от объёма нелинейно [описать].
Покажи вывод по шагам. Отдельно укажи допущения, при которых формула перестаёт работать.

Проверка и защита

7. Красная команда против вашей модели.

Ты — инвестор, который не хочет вкладывать. Разбери модель [вставить] и найди слабые места.
Ищи: оптимистичные конверсии, забытую сезонность, линейный рост там, где его не бывает, CAC без учёта роста ставок, LTV на непроверенном горизонте.
На каждое замечание — вопрос, который ты задашь основателю на встрече.

8. Проверка арифметики без доверия к модели.

Вот расчёт [вставить числа и результат]. Не пересчитывай.
Вместо этого опиши, как проверить его вручную: какие величины должны сойтись между собой, какие пропорции обязаны сохраниться, какой результат невозможен физически.
Дай список из 5 проверок, которые можно сделать в уме.

9. Перевод модели в формулы таблицы.

Переведи структуру модели в формулы Google Sheets.
Первая строка — заголовки, столбец A — названия статей, B:Y — 24 месяца.
Дай формулы текстом для вставки, с относительными и абсолютными ссылками там, где нужно.
Отдельно перечисли ячейки допущений, которые нужно вынести на отдельный лист.

10. Объяснение модели человеку, который её не строил.

Объясни эту модель за 90 секунд для [банк / инвестор / партнёр].
Три числа, которые он должен запомнить, и один риск, который ты называешь сам, не дожидаясь вопроса.
Без прилагательных вроде «перспективный» и «масштабируемый».

Что делать с результатом

Последняя строка особенно важна. На вопрос «какая средняя конверсия в этой нише» модель почти всегда назовёт правдоподобную цифру. Она не врёт намеренно — просто достраивает шаблон. Любое число извне вашей таблицы должно иметь ссылку, иначе ему не место в модели.