Liderzy opinii

AI jest tak inteligentna, jak dane finansowe, na których się opiera

Ilan Atias
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyAI zawodzi, gdy systemy nie zgadzają się co do znaczenia pojedynczego pola, takiego jak…
Zobacz więcej
  • AI zawodzi, gdy systemy nie zgadzają się co do znaczenia pojedynczego pola, takiego jak data płatności.
  • Połączone dane finansowe pozwalają AI odróżnić istotne zmiany od rutynowych wahań.
  • Kontrakty danych i przepływy sterowane zdarzeniami mają większe znaczenie niż sama aplikacja AI.

AI stała się częścią niemal każdej rozmowy o przyszłości finansów. Organizacje inwestują w AI, aby automatyzować rutynowe zadania, usprawniać prognozowanie i pomagać pracownikom szybciej podejmować decyzje. Większość tych rozmów zaczyna się od modeli i aplikacji. Z mojego doświadczenia wynika, że punktem wyjścia powinna być jakość, integracja i zarządzanie danymi, na których te systemy polegają.

Całą karierę poświęciłem budowaniu i rozwijaniu infrastruktury płatniczej, a najtrudniejsze problemy rzadko dotyczyły algorytmów. Chodziło o podstawową infrastrukturę, dzięki której platformy księgowe, banki, dostawcy usług płacowych i sieci płatnicze mogły opisywać to samo zdarzenie biznesowe w ten sam sposób.

W finansach to wyzwanie jest szczególnie widoczne. Księgowość, bankowość, płace, fakturowanie i płatności generują informacje wpływające na decyzje biznesowe. Gdy te systemy działają niezależnie, tworzą rozproszone środowiska danych, przez co AI znacznie trudniej zyskuje szerszy obraz sytuacji w organizacji. AI potrafi wykrywać wzorce w poszczególnych systemach, ale bez zintegrowanego obrazu finansów organizacji nie jest w stanie wiarygodnie wyjaśnić, co dzieje się w całej firmie. Na początku działalności Melio natknęliśmy się na problem, który brzmi banalnie, ale taki nie jest: co oznacza „zapłacono”? Klient zatwierdza płatność w poniedziałek. We wtorek środki opuszczają jego konto. Bank dostawcy udostępnia je w czwartek. W kolejnym tygodniu transakcja zostaje przypisana do faktury. Cztery znaczniki czasu i cztery uzasadnione odpowiedzi na pytanie „kiedy zapłacono?”, z których żadna nie jest błędna. Księgowy radzi sobie z tą niejednoznacznością bez zastanowienia. Model prognozujący, który traktuje „datę zapłaty” jako pojedyncze pole, tworzy prognozy, które są zdecydowanie i systematycznie błędne pod względem terminów — a to właśnie terminy muszą być poprawne w prognozowaniu przepływów pieniężnych. Połączenie tych systemów było niezbędnym pierwszym krokiem. Dopiero uzgodnienie znaczenia poszczególnych pól sprawiło, że integracja miała jakąkolwiek wartość. W finansach gotowość na AI zaczyna się od połączenia systemów, ale połączenie ma znaczenie tylko wtedy, gdy systemy opisują to samo zdarzenie w ten sam sposób.

Lepsza widoczność sytuacji pozwala podejmować lepsze decyzje

Potrzeba integracji danych finansowych staje się coraz pilniejsza. Z raportu Small Business Insights firmy Xero wynika, że małe firmy w USA czekają obecnie średnio 29,3 dnia na otrzymanie zapłaty, a roczny wzrost sprzedaży na poziomie 4,0% pozostaje poniżej długoterminowej średniej. Gdy terminy płatności, wydatki i popyt zmieniają się niezależnie od siebie, organizacje potrzebują systemów, które potrafią łączyć te sygnały, zamiast analizować je w oderwaniu od siebie — dotyczy to zarówno działu skarbu dużego przedsiębiorstwa, jak i firmy zatrudniającej 10 osób.

Wyobraźmy sobie firmę, która zastanawia się, czy może zatrudnić kolejną osobę przed końcem kwartału. Na tę decyzję wpływa nie tylko dzisiejsze saldo bankowe: znaczenie mają również oczekiwane płatności od klientów, zobowiązania płacowe, regularne wydatki, nadchodzące zobowiązania podatkowe i prognozowane przychody. Żaden pojedynczy wskaźnik nie daje wiarygodnej odpowiedzi. Zebranie tych danych pozwala kadrze kierowniczej lepiej zrozumieć sytuację finansową firmy i dostarcza AI wartościowego kontekstu do analizy. Automatyzacja wymaga dostępu do transakcji. Wnioskowanie wymaga kontekstu.

Zespoły finansowe mogą poświęcać początek każdego miesiąca na uzgadnianie danych z różnych systemów, zanim przystąpią do właściwej analizy. Zanim uzyskają pełny obraz, zmiana przepływów pieniężnych, którą próbują zrozumieć, może mieć już kilka tygodni. Zintegrowane dane mogą ograniczyć właśnie to opóźnienie.

AI przynosi wartość, gdy rozumie działalność firmy

Pierwsza generacja AI w finansach koncentrowała się na efektywności: kategoryzowaniu transakcji, przetwarzaniu faktur i ułatwianiu zespołom szybszego wykonywania rutynowych zadań. Te możliwości nadal przynoszą korzyści, ale oczekiwania przesuwają się od automatyzacji zadań ku wspieraniu decyzji z uwzględnieniem kontekstu — wcześniejszemu wykrywaniu zagrożeń dla przepływów pieniężnych, dokładniejszym prognozom oraz zrozumieniu, jak zmiany w zachowaniach płatniczych, wydatkach lub wzorcach przychodów mogą wpłynąć na przyszłe wyniki.

Aby to osiągnąć, AI musi analizować dane finansowe z uwzględnieniem kontekstu. Znaczenie każdej transakcji zależy od towarzyszących jej okoliczności: wzrost wydatków może wskazywać na nadmierne wydatki albo wynikać z zakupu zapasów przed sezonowym wzrostem popytu; spadek rezerw gotówkowych może sygnalizować problemy z płynnością albo być po prostu skutkiem terminu kwartalnych płatności podatkowych. AI staje się wartościowa, gdy potrafi robić to samo — łączyć wzorce widoczne w historycznych transakcjach, zasobach gotówkowych, należnościach i sygnałach operacyjnych, aby odróżniać istotną zmianę od zwykłych wahań.

Budowanie odpowiednich podstaw

Dla liderów technologicznych oceniających zastosowanie AI w finansach kluczowe pytanie nie brzmi, którą aplikację wdrożyć jako pierwszą, lecz czy środowisko danych może zapewnić pełny i aktualny kontekst, którego te aplikacje potrzebują. Przy budowie takich systemów największe znaczenie ma kilka inwestycji:

Traktuj integracje jak umowy, a nie zwykłe połączenia. Jednorazowa synchronizacja platformy księgowej z systemem płatniczym z czasem przestanie odzwierciedlać rzeczywistość. Określ jawne umowy dotyczące danych — schematy, definicje pól i gwarancje aktualności — aby zmiany w systemie źródłowym nie powodowały niezauważalnego pogorszenia działania AI w systemach zależnych.

Przejdź od uzgadniania wsadowego do przepływów danych sterowanych zdarzeniami. Jeśli dane finansowe są uzgadniane co tydzień lub co miesiąc, AI prognozuje na podstawie nieaktualnych informacji. Potoki sterowane zdarzeniami, które przekazują transakcje w chwili ich realizacji, zapewniają modelom aktualne dane potrzebne do wczesnego wykrywania zmian.

Utwórz warstwę semantyczną dla wskaźników finansowych. „Stan środków pieniężnych”, „nieuregulowane należności” i „przychody” muszą oznaczać to samo w każdym systemie. Bez spójnych definicji AI będzie z przekonaniem podawać odpowiedzi, których żadne dwa zespoły nie zinterpretują w ten sam sposób.

Oceniaj wyniki AI na podstawie danych referencyjnych. Księga rachunkowa daje finansom przewagę nad większością dziedzin AI: istnieje weryfikowalny zapis. Spostrzeżenia finansowe generowane przez AI należy oceniać według tych samych kryteriów co pracę młodszego analityka, weryfikować na podstawie rzeczywistych wyników, a ich dokładność mierzyć w czasie. Zaufanie do rekomendacji AI zdobywa się pomiarami, a nie deklaracjami.

Te inwestycje przyciągają mniej uwagi niż oparte na nich aplikacje AI, ale to one decydują, czy te aplikacje działają.

Prawdziwy wyróżnik

W miarę jak AI staje się integralną częścią zarządzania finansami, wyzwanie techniczne przesuwa się od pytania, co potrafią poszczególne modele, ku temu, jak skutecznie działają one w ramach szerszej architektury danych finansowych.

Organizacje inwestujące w połączone dane wcześniej identyfikują zmiany przepływów pieniężnych i z większym zaufaniem podchodzą do prognoz generowanych przez AI. Różnica nie tkwi w modelu, lecz w danych, na których się opiera.

Ilan Atias kieruje zespołami ds. badań i rozwoju, produktu oraz BI w Melio. Przed dołączeniem do Melio Ilan był wiceprezesem ds. badań i rozwoju w Windward, światowym liderze w dziedzinie predykcyjnej analityki morskiej. Wcześniej pracował jako badacz w firmie Outbrain zajmującej się reklamą natywną i odpowiadał za spersonalizowany system rekomendacji wykorzystujący algorytmy uczenia maszynowego.