Налоговый юрист без знаний Python создал сервис расчета пени на Flask с помощью ChatGPT и Gemini

От рутинных расчетов к автоматизированному сервису

Александр, налоговый юрист с 12-летним стажем, ежедневно сталкивался с одной и той же проблемой: ручной расчет пеней по налогам и страховым взносам. Каждый раз ему приходилось открывать калькулятор, искать актуальные ставки рефинансирования ЦБ, учитывать изменения законодательства и делать десятки однотипных вычислений. На эту рутину уходило до 3-4 часов в день.

«Я не программист, — признается Александр. — До этого опыта мой максимум — Excel с формулами. Но когда я увидел, что коллеги используют Google Gemini для решения рабочих задач, понял, что могу попробовать автоматизировать и свою боль».

Почему именно Flask и ИИ-помощники

Выбор пал на Flask — минималистичный фреймворк Python для веб-приложений. Как объяснил ChatGPT при первом же запросе: «Flask идеально подходит для быстрого создания простых веб-сервисов, требует минимум кода и легко разворачивается».

1 Формулировка задачи для ИИ

Первый промпт был максимально конкретным: «Мне нужно веб-приложение на Flask для расчета пеней по налогам. Пользователь вводит: сумму долга, дату начала просрочки, дату оплаты. Приложение должно рассчитать пени по формуле: сумма * ставка ЦБ * дни / 365. Ставку нужно брать актуальную с сайта ЦБ».

# Пример промпта для ChatGPT
"""
Создай Flask приложение с одной страницей.
На странице должна быть форма с полями:
- amount (сумма долга, число)
- start_date (дата начала просрочки)
- end_date (дата оплаты)

После отправки формы рассчитать пени по формуле:
пени = amount * (key_rate / 100) * days / 365
где key_rate - ставка ЦБ на дату расчета

Используй библиотеку requests для получения ставки с API ЦБ.
Верни полный код app.py с HTML шаблоном.
"""

2 Работа с двумя ИИ одновременно

Александр использовал стратегию «двойного контроля»: ChatGPT создавал первоначальный код, а Gemini проверяла его на ошибки и предлагала улучшения. Особенно полезной оказалась возможность Gemini анализировать готовый код и указывать на потенциальные уязвимости.

3 Интеграция с API ЦБ и базами данных

Самым сложным этапом стала работа с историческими данными ставок рефинансирования. ChatGPT предложил использовать SQLite для локального хранения данных, а Gemini помогла оптимизировать запросы.

# Фрагмент кода для работы с историей ставок
import sqlite3
from datetime import datetime

def get_rate_for_date(target_date):
    conn = sqlite3.connect('cbr_rates.db')
    cursor = conn.cursor()
    # Ищем ближайшую предыдущую ставку
    cursor.execute('''
        SELECT rate, date FROM rates 
        WHERE date <= ? 
        ORDER BY date DESC 
        LIMIT 1
    ''', (target_date,))
    result = cursor.fetchone()
    conn.close()
    return result[0] if result else 7.5  # значение по умолчанию

Что получилось в итоге

За две недели работы по вечерам Александр создал полноценный веб-сервис со следующими функциями:

• Расчет пеней с учетом изменения ставок ЦБ в течение периода
• Автоматическое обновление базы данных ставок
• Генерация PDF-отчета с детализацией расчета
• История расчетов для каждого пользователя
• Валидация вводимых данных и обработка ошибок

Технические сложности и их решения

Не обошлось без проблем. Самые частые ошибки, с которыми столкнулся Александр:

Еще одна проблема — «галлюцинации» ИИ, когда нейросеть предлагала несуществующие методы или API. Здесь помогла стратегия постепенного наращивания сложности: начинать с минимального рабочего прототипа и только потом добавлять функции.

Почему этот кейс важен для индустрии

История Александра демонстрирует несколько важных трендов:

1. Демократизация разработки: Специалисты без технического бэкграунда могут создавать инструменты под свои нужды
2. Симбиоз экспертиз: Предметный эксперт (юрист) + ИИ создают более качественное решение, чем программист без экспертизы в предметной области
3. Экономическая эффективность: Внедрение подобных решений в малом и среднем бизнесе может сэкономить тысячи часов ручного труда

Как отмечают эксперты, мы наблюдаем рождение нового типа разработчика — «промпт-инженера предметной области». Эти специалисты не пишут код в традиционном понимании, но умеют формулировать задачи для ИИ на языке своей профессии. Подобный подход уже используется в мульти-агентных системах, где каждый агент отвечает за свою область экспертизы.

Что дальше: планы развития сервиса

Александр уже тестирует новые функции, которые помогут не только ему, но и коллегам:

• Интеграция с 1С для автоматического импорта данных о долгах
• Расширение для расчета пеней по разным типам платежей (налоги, взносы, штрафы)
• Модуль прогнозирования размера пеней при частичной оплате долга
• API для интеграции с другими юридическими системами

«Следующий шаг — сделать сервис доступным для других юристов в нашей компании, — делится планами Александр. — А там, глядишь, и коммерциализировать. Ведь подобные нишевые ИИ-инструменты очень востребованы на рынке».

Советы для начинающих

Если вы хотите повторить успех Александра, вот несколько практических рекомендаций:

1. Начните с самой болезненной рутины: Выберите задачу, которая отнимает больше всего времени и повторяется регулярно
2. Разбейте на маленькие шаги: Не пытайтесь создать идеальное решение сразу. Сначала сделайте простейший прототип
3. Используйте несколько ИИ: ChatGPT, Gemini, Claude — у каждого свои сильные стороны. Сравнивайте их ответы
4. Не бойтесь ошибок: Код от ИИ редко работает с первого раза. Учитесь читать сообщения об ошибках и исправлять их с помощью тех же ИИ
5. Изучайте основы: Даже поверхностное понимание Python и веб-разработки значительно улучшит качество диалога с ИИ

Как показывает опыт Александра и многих других специалистов, эра, когда создание программного обеспечения было прерогативой только разработчиков, подходит к концу. С современными LLM каждый эксперт в своей области может стать создателем инструментов, которые сделают его работу эффективнее, точнее и интереснее.