Трансфертное ценообразование и налоговый учет затр

Трансфертное ценообразование и налоговый учет затрат на разработку собственного программного обеспечения на базе ИИ

Разработка программного обеспечения (ПО) с применением технологий искусственного интеллекта (ИИ) представляет собой сложный, капиталоемкий и строго регламентированный многоэтапный процесс. Для организаций, входящих в состав международных групп компаний (МГК), приоритетной задачей становится не только обеспечение корректного отражения указанных затрат в налоговом учете, но и их всестороннее экономическое обоснование в рамках правил трансфертного ценообразования (ТЦО). Некорректная квалификация расходов, а также установление цен в сделках между взаимозависимыми лицами, которые не соответствуют рыночному уровню, создают критические риски. К ним относятся значительные налоговые доначисления, принудительное взыскание недоимки, а также применение штрафных санкций (в соответствии со статьей 129.3 НК РФ) и начисление пеней за каждый календарный день просрочки.

В соответствии с нормами налогового законодательства (в частности, статьями 257 и 262 Налогового кодекса РФ) затраты на создание ПО классифицируются как расходы, формирующие первоначальную стоимость нематериального актива (НМА), либо признаются текущими расходами отчетного периода. Выбор конкретного порядка учета строго определяется стадией жизненного цикла разработки и критериями, которые должны быть детально закреплены в учетной политике организации, сформированной на основании положений Налогового кодекса Российской Федерации.
Затраты, понесенные на стадии активной разработки (development phase), когда концепция уже подтверждена и ведется создание продукта, подлежащего коммерциализации, подлежат капитализации. Они аккумулируются и формируют первоначальную стоимость будущего НМА. В данную категорию в обязательном порядке включаются:
Расходы на оплату труда - фонд оплаты труда (ФОТ), включающий не только базовые оклады, но и все стимулирующие и компенсационные выплаты, а также начисленные на них страховые взносы. В расчет берутся затраты на содержание разработчиков, инженеров данных (Data Scientists), специалистов по машинному обучению (ML Engineers), архитекторов ПО, DevOps-инженеров и специалистов по разметке данных (Data Labelers).
Амортизация оборудования - износ высокопроизводительных серверов, графических процессоров (GPU, TPU), специализированных вычислительных кластеров и иного оборудования, задействованного в ресурсоемком процессе обучения глубоких нейронных сетей. Важно корректно распределять амортизационные отчисления между коммерческими проектами и внутренней инфраструктурой.
Стоимость облачных сервисов - расходы на аренду вычислительных мощностей, виртуальных машин и хранилищ данных у провайдеров (в частности, Yandex.Cloud, AWS, Azure, Google Cloud), необходимых для обучения, валидации, A/B-тестирования и развертывания моделей ИИ в продуктивной среде.
Приобретение данных - прямые затраты на покупку готовых датасетов, оплату услуг по сбору и очистке данных, а также приобретение лицензий на доступ к специализированным базам данных, которые выступают критически важным ресурсом для обучения и повышения точности ИИ.
Оплата услуг сторонних организаций - расходы на привлечение внешних подрядных организаций, консультантов и фрилансеров для выполнения узкоспециализированных этапов разработки, нагрузочного тестирования, аудита безопасности или независимой валидации моделей.
По завершении разработки, после успешного прохождения приемочных испытаний и ввода ПО в эксплуатацию, погашение его сформированной стоимости осуществляется путем начисления амортизации линейным или нелинейным методом в течение установленного организацией срока полезного использования.

Затраты, понесенные на начальной стадии исследования (research phase), в рамках которой осуществляется фундаментальный поиск, оценка возможных альтернативных вариантов создания ИИ-решения и проверка технической осуществимости гипотез, не подлежат капитализации. Они признаются в составе прочих расходов, связанных с производством и реализацией, в том отчетном периоде, в котором они были осуществлены. К ним относятся:
Затраты на проведение предварительных маркетинговых исследований рынка, патентный поиск и глубокий анализ существующих технологий.
Расходы на создание экспериментальных прототипов (Proof of Concept, MVP), которые не предполагают коммерческого использования, имеют ограниченный функционал и создаются исключительно для проверки гипотез.
Заработная плата сотрудников (аналитиков, бизнес-архитекторов), функционал которых на данном этапе заключается исключительно в поиске, сборе и анализе информации, а не в непосредственной технической разработке продукта.
Ключевым критерием разграничения между стадиями является фактор неопределенности: на стадии исследования отсутствует документально подтвержденная техническая осуществимость и гарантия создания будущего актива, способного генерировать прогнозируемые экономические выгоды.

В случае осуществления разработки в рамках группы компаний неизбежно возникают внутригрупповые операции, подлежащие пристальному контролю со стороны налоговых органов. Типовой сценарий: компания-разработчик группы (часто располагаемая в юрисдикции с доступом к высококвалифицированным кадрам) создает ИИ-решение, а материнская, сбытовая или операционная компания приобретает права на его использование или внедрение.
Первоочередным и наиболее ответственным этапом ТЦО-анализа является корректная юридическая и экономическая квалификация операции. Передача прав на использование ПО на базе ИИ, как правило, оформляется лицензионным договором (простая неисключительная или исключительная лицензия). Предметом сделки выступает комплексный, многосоставный актив, включающий:
Алгоритмы - уникальные математические модели, лежащие в основе логики решения.
Обученные модели (Trained Models) - ключевой, наиболее ценный актив, являющийся прямым результатом итераций обучения на больших объемах данных. Его ценность определяется метриками точности, скоростью инференса и способностью к дообучению.
Датасеты (Datasets) - структурированные, очищенные и размеченные данные, необходимые для функционирования, поддержки и дальнейшего развития модели.
Ноу-хау - совокупность непатентуемых технических знаний, проприетарных методик, практического опыта команды, а также выстроенных MLOps-процессов.
Ценообразование в сделке должно объективно отражать совокупную стоимость всех перечисленных компонентов, а не только стоимость передаваемого исходного кода.

Для обоснования соответствия цен рыночному уровню в сделках по передаче прав на ИИ-решения применяются методы, предусмотренные главой 14.3 Налогового кодекса РФ:
Метод сопоставимых рыночных цен (МСРЦ) - является законодательно приоритетным, однако его практическое применение в сфере ИИ существенно затруднено. Поиск в открытых источниках информации о сопоставимых лицензионных сделках с аналогичными ИИ-технологиями практически невозможен в силу их уникального характера, высокой степени кастомизации под заказчика и строгой конфиденциальности (NDA).
Метод цены последующей реализации - применим при условии немедленной перепродажи или сублицензирования прав на ПО получателем независимым третьим лицам. В сегменте ИИ, где ПО зачастую выступает не самостоятельным товаром, а инструментом оказания комплексных услуг (например, SaaS — программное обеспечение как услуга), применение метода затруднено из-за сложности выделения стоимости лицензии в конечной цене для клиента.
Затратный метод - наиболее релевантен для стадии первичной разработки и передачи прав на еще не монетизированный актив. Определяет рыночную цену как сумму документально подтвержденных затрат разработчика на создание НМА, увеличенную на показатель валовой рентабельности (Gross Margin), получаемой производителем аналогичной продукции в сопоставимых экономических условиях. Основная сложность заключается в определении нормативного уровня рентабельности для высокотехнологичных ИИ-разработок, так как стандартные показатели для традиционного ПО здесь неприменимы.
Метод сопоставимой рентабельности (МСР) - наиболее распространенный, сбалансированный и проверяемый на практике метод для данных операций. Предметом анализа является операционная рентабельность затрат (операционная маржа / операционные расходы) компании-разработчика. Для сопоставления выбираются независимые организации, осуществляющие разработку ПО сопоставимого уровня сложности, использующие схожие технологии и имеющие аналогичный масштаб деятельности. Метод позволяет обосновать соответствие полученного разработчиком вознаграждения рыночным условиям, опираясь на финансовые показатели публичных или доступных в базах данных компаний.
Метод распределения прибыли - применяется в наиболее сложных и комплексных кейсах, когда создание, поддержка и монетизация ИИ-актива являются результатом синергетических совместных усилий нескольких компаний группы (например, одна компания осуществляет разработку, вторая предоставляет уникальные массивы данных, третья обеспечивает глобальный маркетинг и продажи). Прибыль от использования актива распределяется между участниками пропорционально их экономическому вкладу, который требует сложного и детального экономического обоснования.

Ключевые риски и практические рекомендации:
Документальное подтверждение - требуется внедрение системы детального управленческого учета всех затрат на разработку с четкой сегментацией на капитализируемые (стадия development) и текущие (стадия research). В целях ТЦО необходимо формирование полного пакета документации (функционального анализа, экономического анализа, поиска сопоставимых компаний), который убедительно подтверждает рыночный характер установленных внутригрупповых цен.
Уникальность актива - стандартные подходы к оценке традиционного ПО (по строкам кода или количеству модулей) демонстрируют низкую эффективность в отношении ИИ-решений. Акцент в экономическом обосновании должен быть сделан на ценности обученной модели, качестве и эксклюзивности датасетов, а также на стоимости MLOps-инфраструктуры, а не исключительно на объеме исходного кода.
Интеллектуальная собственность - необходимо обеспечить юридически безупречное оформление прав на созданный ИИ-актив. Требуется однозначное определение правообладателя (компания-работодатель на основании трудовых договоров или сотрудник-изобретатель). Особое внимание следует уделить правам на результат работы генеративных моделей: если часть кода или контента создана самим ИИ, необходимо зафиксировать правовой статус такого вклада, что имеет прямое влияние на признание актива амортизируемым и на налоговые последствия.
Бенчмаркинг - поиск сопоставимых компаний для применения МСР требует обязательного использования специализированных платных информационных баз (Bureau van Dijk, Ruslana, SPARK-Interfax, Ruspatent). Необходимо разработать четкие, многоступенчатые критерии отбора (отраслевые классификаторы, коды ОКВЭД, уровень расходов на R&D, география, масштаб), которые будут учитывать не только формальную принадлежность к ИТ-сфере, но и реальную технологическую сложность реализуемых проектов.