Tankeledere

AI er bare så intelligent som finansdataene den bygger på

Ilan Atias
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterAI svikter når systemer er uenige om hva et enkelt felt som betalingsdato betyr.
Vis mer
  • AI svikter når systemer er uenige om hva et enkelt felt som betalingsdato betyr.
  • Sammenkoblede finansdata lar AI skille meningsfulle endringer fra rutinemessige svingninger.
  • Datakontrakter og hendelsesdrevne flyter betyr mer enn selve AI-applikasjonen.

AI har blitt en del av nesten enhver samtale om finansens fremtid. Organisasjoner investerer i AI for å automatisere rutinearbeid, forbedre prognosene og hjelpe ansatte med å ta raskere beslutninger. De fleste av disse samtalene begynner med modeller og applikasjoner. Etter min erfaring bør de begynne med kvaliteten på, tilknytningen mellom og styringen av dataene systemene bygger på.

Jeg har brukt karrieren min på å bygge og skalere betalingsinfrastruktur, og de vanskeligste problemene har sjelden handlet om algoritmene. De har handlet om den underliggende infrastrukturen som skal til for at regnskapsplattformer, banker, lønnsleverandører og betalingsnettverk skal kunne beskrive den samme forretningshendelsen på samme måte.

Utfordringen er særlig tydelig innen finans. Regnskap, banktjenester, lønn, fakturering og betalinger genererer alle informasjon som påvirker forretningsbeslutninger. Når disse systemene fungerer uavhengig av hverandre, skaper de fragmenterte datamiljøer som gjør det langt vanskeligere for AI å forstå sammenhengen på tvers av organisasjonen. AI kan identifisere mønstre i enkeltstående systemer, men uten et samlet bilde av organisasjonens økonomi kan den ikke på en pålitelig måte forklare hva som skjer i virksomheten. Tidlig i Melios historie støtte vi på en problemstilling som høres triviell ut, men ikke er det: Hva betyr «betalt»? En kunde godkjenner en betaling på mandag. Pengene trekkes fra kontoen på tirsdag. Banken til leverandøren gjør dem tilgjengelige på torsdag. Transaksjonen kobles til en faktura uken etter. Fire tidspunkter, fire forsvarlige svar på spørsmålet «Når ble dette betalt?», og ingen av dem er feil. En regnskapsfører håndterer denne tvetydigheten uten å tenke over det. En prognosemodell som behandler «betalingsdato» som ett enkelt felt, lager forutsigelser som med stor sikkerhet og systematisk bommer på tidspunktet – nettopp det likviditetsprognoser må treffe. Å koble sammen systemene var det nødvendige første steget. Det var først da vi fikk dem til å bli enige om hva feltene betydde, at det ble verdifullt å koble dem sammen. Innen finans begynner «AI-klar» med at dataene er tilkoblet, og tilkobling har bare verdi når systemene beskriver den samme hendelsen på samme måte.

Bedre oversikt gir bedre beslutninger

Behovet for sammenkoblede finansdata blir stadig mer presserende. Xeros rapport Small Business Insights viste at småbedrifter i USA nå i gjennomsnitt venter 29,3 dager på å få betalt, samtidig som den årlige salgsveksten på 4,0 % fortsatt ligger under det langsiktige gjennomsnittet. Når betalingstidspunkter, utgifter og etterspørsel utvikler seg uavhengig av hverandre, trenger organisasjoner systemer som kan koble sammen disse signalene, i stedet for å analysere hvert av dem isolert. Dette gjelder like mye for en stor bedrifts likviditetsstyring som for en virksomhet med 10 ansatte.

Tenk deg en bedrift som vurderer om den har råd til å ansette en medarbeider til før kvartalet er omme. Beslutningen avhenger av mer enn dagens banksaldo: forventede kundeinnbetalinger, lønnsforpliktelser, løpende utgifter, kommende skatteforpliktelser og forventede inntekter spiller alle inn. Ingen enkeltstående nøkkeltall gir et pålitelig svar. Når disse opplysningene ses i sammenheng, får ledere et klarere bilde av den økonomiske situasjonen, og AI får et meningsfylt grunnlag å resonnere ut fra. Automatisering krever tilgang til transaksjoner. Resonnering krever kontekst.

Finansteam kan bruke den første delen av hver måned på å avstemme data på tvers av systemer før de kan begynne med meningsfull analyse. Når de endelig har fått et fullstendig bilde, kan endringen i kontantstrømmen de prøver å forstå, allerede være flere uker gammel. Det er nettopp denne forsinkelsen sammenkoblede data kan redusere.

AI skaper verdi når den forstår virksomheten

Den første generasjonen AI innen finans handlet om effektivisering: kategorisering av transaksjoner, behandling av fakturaer og hjelp til team med å utføre rutineoppgaver raskere. Disse funksjonene skaper fortsatt verdi, men forventningene dreier seg nå fra automatisering av oppgaver mot beslutningsstøtte med forståelse for sammenhengen – tidligere varsling om likviditetsrisiko, mer presise prognoser og forståelse av hvordan endringer i betalingsatferd, utgifter eller inntektsmønstre kan påvirke fremtidige resultater.

For å få til dette må AI analysere finansdata i sammenheng. Betydningen av enhver transaksjon avhenger av omstendighetene rundt den: En økning i utgiftene kan tyde på overforbruk eller skyldes innkjøp av varelager før en sesong med høy etterspørsel; en nedgang i kontantbeholdningen kan være et tegn på likviditetspress eller ganske enkelt skyldes tidspunktet for kvartalsvise skattebetalinger. AI blir verdifull når den kan gjøre det samme – koble sammen mønstre i historiske transaksjoner, kontantbeholdning, kundefordringer og operative signaler for å skille en betydelig endring fra en vanlig svingning.

Bygg det rette grunnlaget

For teknologiledere som vurderer AI innen finans, er det avgjørende spørsmålet ikke hvilken applikasjon de skal ta i bruk først, men om det underliggende datamiljøet kan gi applikasjonene den fullstendige og oppdaterte konteksten de trenger. Når slike systemer bygges, er noen investeringer viktigere enn andre:

Behandle integrasjoner som avtaler, ikke bare som tilkoblinger. En engangssynkronisering mellom en regnskapsplattform og et betalingssystem vil gradvis komme ut av kurs. Definer tydelige dataavtaler – skjemaer, feltdefinisjoner og garantier for hvor oppdaterte dataene er – slik at AI-systemer lenger ned i kjeden ikke gradvis svekkes uten at noen merker det, når et oppstrøms system endres.

Gå fra batchbasert avstemming til hendelsesstyrte dataflyter. Hvis finansdata avstemmes ukentlig eller månedlig, baserer KI prognosene sine på utdatert informasjon. Hendelsesstyrte datarørledninger som videreformidler transaksjoner etter hvert som de skjer, gir modellene de oppdaterte dataene de trenger for å oppdage endringer tidlig.

Etabler et semantisk lag for finansielle nøkkeltall. «Kontantbeholdning», «utestående fordringer» og «omsetning» må bety det samme i alle systemer. Uten konsekvente definisjoner vil KI med stor overbevisning gi svar som ikke to team tolker likt.

Vurder KI-resultater opp mot fasiten. Hovedboken er finansområdets fortrinn sammenlignet med de fleste andre KI-områder: Her finnes det en etterprøvbar oversikt. KI-generert finansiell innsikt bør vurderes etter samme standard som arbeidet til en junioranalytiker, testes mot faktiske tall og måles for nøyaktighet over tid. Tillit til KI-anbefalinger oppnås gjennom måling, ikke ved å påstå at de er pålitelige.

Disse investeringene får mindre oppmerksomhet enn KI-applikasjonene som bygges oppå dem, men de avgjør om applikasjonene fungerer.

Den egentlige forskjellen

Etter hvert som KI blir en integrert del av økonomistyringen, flyttes den tekniske utfordringen fra hva enkeltmodeller kan gjøre, til hvor effektivt de fungerer innenfor den bredere arkitekturen for finansdata.

Organisasjoner som investerer i sammenkoblede data, vil oppdage endringer i kontantstrømmen tidligere og ha større tillit til KI-genererte prognoser. Forskjellen ligger ikke i modellen. Den ligger i dataene bak den.

Ilan Atias leder FoU-, produkt- og BI-teamene i Melio. Før Melio var Ilan visepresident for FoU i Windward, verdensledende innen prediktiv maritim analyse. Tidligere var Ilan forsker i selskapet Outbrain, som driver med nativeannonsering, og hadde ansvar for et personlig tilpasset anbefalingssystem basert på maskinlæringsalgoritmer.