Myslitelé
Umělá inteligence je jen tak chytrá, jak kvalitní jsou finanční data, z nichž vychází

Klíčové bodyAI selhává, když se systémy neshodnou na tom, co znamená jediné pole, jako je datum…
Zobrazit více
- AI selhává, když se systémy neshodnou na tom, co znamená jediné pole, jako je datum platby.
- Propojená finanční data umožňují AI rozlišit významné změny od běžných výkyvů.
- Datové kontrakty a toky řízené událostmi jsou důležitější než samotná AI aplikace.
Umělá inteligence se stala součástí téměř každé diskuse o budoucnosti financí. Organizace do ní investují, aby automatizovaly rutinní práci, zlepšily prognózy a pomohly zaměstnancům rychleji se rozhodovat. Většina těchto diskusí začíná u modelů a aplikací. Podle mých zkušeností by ale měla začínat u kvality, propojenosti a správy dat, na která se tyto systémy spoléhají.
Celou svou profesní dráhu jsem strávil budováním a rozšiřováním platební infrastruktury a nejtěžší problémy se jen zřídka týkaly algoritmů. Šlo o základní infrastrukturu potřebnou k tomu, aby účetní platformy, banky, poskytovatelé mzdových služeb a platební sítě popisovaly tutéž obchodní událost stejným způsobem.
Tato výzva je zvlášť zřetelná ve financích. Účetnictví, bankovnictví, zpracování mezd, fakturace i platby vytvářejí informace, které ovlivňují obchodní rozhodování. Pokud tyto systémy fungují nezávisle na sobě, vznikají roztříštěná datová prostředí, v nichž umělá inteligence jen obtížně získává kontext napříč celou organizací. Umělá inteligence dokáže rozpoznávat vzorce v jednotlivých systémech, bez propojeného přehledu o financích organizace však nedokáže spolehlivě vysvětlit, co se děje v celém podniku. Krátce po začátku působení ve společnosti Melio jsme narazili na problém, který zní banálně, ale není: co znamená „zaplaceno“? Zákazník platbu schválí v pondělí. V úterý peníze odejdou z jeho účtu. Banka dodavatele je zpřístupní ve čtvrtek. Následující týden se transakce spáruje s fakturou. Čtyři časové údaje, čtyři obhajitelné odpovědi na otázku „kdy byla tato platba zaplacena“ – a žádná z nich není chybná. Účetní si s touto nejednoznačností poradí, aniž by nad tím musel přemýšlet. Prognostický model, který považuje „datum zaplacení“ za jediné pole, vytváří sebejisté a systematicky chybné předpovědi načasování – přitom právě to je jediná věc, kterou musí prognóza peněžních toků odhadnout správně. Nezbytným prvním krokem bylo tyto systémy propojit. Teprve když jsme zajistili, aby se shodly na významu jednotlivých polí, mělo toto propojení skutečnou hodnotu. Ve financích začíná připravenost na umělou inteligenci propojením a propojení má smysl jen tehdy, když systémy popisují tutéž událost stejným způsobem.
Lepší přehled vede k lepším rozhodnutím
Potřeba propojených finančních dat je stále naléhavější. Zpráva Small Business Insights společnosti Xero zjistila, že malé podniky v USA nyní čekají na zaplacení v průměru 29,3 dne, zatímco roční růst tržeb ve výši 4,0 % zůstává pod dlouhodobým průměrem. Když se načasování plateb, výdaje a poptávka vyvíjejí nezávisle na sobě, organizace potřebují systémy, které tyto signály dokážou propojit, místo aby každý analyzovaly odděleně – a to platí stejně pro správu podnikové pokladny ve velké firmě jako pro podnik s 10 zaměstnanci.
Představte si podnik, který zvažuje, zda může do konce čtvrtletí přijmout dalšího zaměstnance. Rozhodnutí závisí na více než jen na dnešním zůstatku na bankovním účtu: důležitá jsou očekávaná inkasa od zákazníků, mzdové závazky, pravidelné výdaje, blížící se daňové povinnosti i předpokládané tržby. Žádný jednotlivý ukazatel neposkytuje spolehlivou odpověď. Když vedení spojí všechny tyto vstupy, získá jasnější představu o finanční situaci podniku a umělá inteligence dostane smysluplný kontext pro analýzu. Automatizace vyžaduje přístup k transakcím. Uvažování vyžaduje kontext.
Finanční týmy mohou na začátku každého měsíce strávit značnou část času odsouhlasováním dat napříč systémy, než se vůbec dostanou k hodnotné analýze. Než získají úplný přehled, změna peněžních toků, které se snaží porozumět, může být už několik týdnů stará. Právě toto zpoždění mohou propojená data omezit.
Umělá inteligence přináší hodnotu, když rozumí podnikání
První generace umělé inteligence ve financích se zaměřovala na efektivitu: kategorizovala transakce, zpracovávala faktury a pomáhala týmům rychleji zvládat rutinní úkoly. Tyto možnosti jsou stále přínosné, očekávání se však posouvají od automatizace úkolů k podpoře rozhodování zohledňující kontext – k včasnějšímu odhalování rizik peněžních toků, přesnějším prognózám a porozumění tomu, jak mohou změny v platebním chování, výdajích nebo vzorcích tržeb ovlivnit budoucí výkonnost.
K tomu musí umělá inteligence analyzovat finanční data v kontextu. Význam každé transakce závisí na okolnostech: zvýšení výdajů může znamenat nadměrné utrácení, nebo může odrážet nákup zásob před obdobím sezónní poptávky; pokles hotovostních rezerv může signalizovat tlak na likviditu, nebo může být jednoduše důsledkem načasování čtvrtletních daňových plateb. Umělá inteligence je přínosná, když dokáže totéž – propojit vzorce napříč historickými transakcemi, hotovostními pozicemi, pohledávkami a provozními signály a rozlišit významnou změnu od běžného kolísání.
Budování správných základů
Pro technologické lídry, kteří zvažují využití umělé inteligence ve financích, není zásadní otázkou, kterou aplikaci nasadit jako první, ale zda základní datové prostředí dokáže poskytnout úplný a aktuální kontext, který tyto aplikace potřebují. Při budování takových systémů je nejdůležitější několik investic:
S integracemi zacházejte jako se smlouvami, ne jen jako s propojeními. Jednorázová synchronizace mezi účetní platformou a platebním systémem postupně zastará. Stanovte výslovné datové smlouvy – schémata, definice polí a záruky aktuálnosti –, aby se umělá inteligence v navazujících systémech při změně zdrojového systému nenápadně nezhoršovala.
Přejděte od dávkového odsouhlasování k datovým tokům řízeným událostmi. Pokud se finanční data odsouhlasují každý týden nebo měsíc, AI vytváří prognózy na základě zastaralých informací. Datové kanály řízené událostmi, které předávají transakce bezprostředně po jejich uskutečnění, poskytují modelům aktuální data potřebná k včasnému zachycení změn.
Zaveďte sémantickou vrstvu pro finanční ukazatele. „Hotovostní pozice“, „neuhrazené pohledávky“ a „tržby“ musí ve všech systémech znamenat totéž. Bez jednotných definic bude AI sebejistě vytvářet odpovědi, které si žádné dva týmy nevyloží stejně.
Porovnávejte výstupy AI s ověřitelnými skutečnostmi. Účetní kniha představuje oproti většině oblastí AI výhodu finančnictví: existuje v ní ověřitelný záznam. Finanční poznatky vytvořené AI by měly podléhat stejným nárokům jako práce začínajícího analytika: měly by se ověřovat porovnáním se skutečnými údaji a jejich přesnost by se měla měřit v čase. Důvěru v doporučení AI si lze získat měřením, nikoli pouhým tvrzením.
Tyto investice přitahují méně pozornosti než aplikace AI, které na nich stavějí, ale právě ony rozhodují o tom, zda tyto aplikace fungují.
Skutečný rozlišovací faktor
S tím, jak se AI stává součástí finančního řízení, se technická výzva přesouvá od toho, co jednotlivé modely dokážou, k tomu, jak účinně fungují v rámci širší architektury finančních dat.
Organizace, které investují do propojených dat, budou změny peněžních toků rozpoznávat dříve a budou mít větší důvěru v prognózy vytvořené AI. Rozdíl nespočívá v modelu. Spočívá v datech, která za ním stojí.












