Lideri de opinie

Inteligența artificială este la fel de inteligentă precum datele financiare pe care se bazează

Ilan Atias
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheieIA eșuează atunci când sistemele nu sunt de acord cu privire la ce înseamnă un singur…
Vezi mai mult
  • IA eșuează atunci când sistemele nu sunt de acord cu privire la ce înseamnă un singur câmp, cum ar fi data plății.
  • Datele financiare conectate permit IA să distingă schimbările semnificative de fluctuațiile obișnuite.
  • Contractele de date și fluxurile bazate pe evenimente contează mai mult decât aplicația IA în sine.

Inteligența artificială a devenit parte din aproape orice discuție despre viitorul finanțelor. Organizațiile investesc în inteligență artificială pentru a automatiza activitățile de rutină, a îmbunătăți prognozele și a-i ajuta pe angajați să ia decizii mai rapid. Cele mai multe dintre aceste discuții pornesc de la modele și aplicații. Din experiența mea, ar trebui să înceapă cu calitatea, conectivitatea și guvernanța datelor pe care se bazează aceste sisteme.

Mi-am petrecut cariera construind și extinzând infrastructuri de plăți, iar cele mai dificile probleme au ținut rareori de algoritmi. Ele au fost legate de infrastructura de bază necesară pentru ca platformele de contabilitate, băncile, furnizorii de servicii de salarizare și rețelele de plăți să descrie în același mod același eveniment de afaceri.

Provocarea este deosebit de vizibilă în domeniul financiar. Contabilitatea, serviciile bancare, salarizarea, facturarea și plățile generează toate informații care influențează deciziile de afaceri. Când aceste sisteme funcționează independent, ele creează medii de date fragmentate, ceea ce îngreunează considerabil stabilirea contextului la nivelul întregii organizații de către inteligența artificială. Inteligența artificială poate identifica tipare în cadrul sistemelor individuale, dar nu poate explica în mod fiabil ce se întâmplă în întreaga companie fără o imagine integrată a situației financiare a organizației. La începuturile Melio, ne-am confruntat cu o situație care pare banală, dar nu este: ce înseamnă „plătit”? Un client aprobă o plată luni. Banii pleacă din contul său marți. Banca furnizorului îi pune la dispoziție joi. Tranzacția este asociată unei facturi în săptămâna următoare. Patru momente în timp, patru răspunsuri justificabile la întrebarea „când a fost plătită?”, fără ca vreunul să fie greșit. Un contabil rezolvă această ambiguitate fără să se gândească la ea. Un model de prognoză care tratează „data plății” ca pe un singur câmp face predicții cu certitudine, dar greșite în mod sistematic în privința momentului — tocmai aspectul pe care prognoza fluxului de numerar trebuie să-l estimeze corect. Conectarea acestor sisteme a fost primul pas necesar. Pentru ca legătura să fie cu adevărat utilă, a trebuit ca sistemele să ajungă să fie de acord asupra semnificației câmpurilor. În domeniul financiar, pregătirea pentru inteligența artificială începe cu conectarea sistemelor, iar conectarea contează doar atunci când acestea descriu același eveniment în același mod.

O vizibilitate mai bună duce la decizii mai bune

Nevoia de date financiare conectate devine tot mai urgentă. Raportul Small Business Insights al Xero a constatat că micile întreprinderi din SUA așteaptă acum, în medie, 29,3 zile pentru a fi plătite, în timp ce creșterea anuală a vânzărilor, de 4,0%, rămâne sub media pe termen lung. Când termenele de plată, cheltuielile și cererea evoluează toate independent unele de altele, organizațiile au nevoie de sisteme care să poată corela aceste semnale, în loc să le analizeze separat — iar acest lucru este la fel de valabil pentru activitatea de trezorerie a unei mari companii, cât și pentru o afacere cu 10 angajați.

Să luăm exemplul unei companii care decide dacă își poate permite să angajeze încă un angajat înainte de sfârșitul trimestrului. Decizia depinde de mai mult decât soldul bancar de astăzi: trebuie luate în calcul plățile așteptate de la clienți, obligațiile salariale, cheltuielile recurente, obligațiile fiscale care urmează și veniturile estimate. Niciun indicator singular nu oferă un răspuns fiabil. Reunirea acestor date le oferă liderilor o imagine mai clară a situației financiare și îi pune la dispoziția inteligenței artificiale informații relevante pentru analiză. Automatizarea necesită acces la tranzacții. Raționamentul necesită context.

Echipele financiare pot petrece prima parte a fiecărei luni reconciliind date din diferite sisteme, înainte de a putea începe o analiză relevantă. Până când obțin o imagine completă, schimbarea fluxului de numerar pe care încearcă să o înțeleagă poate fi deja veche de câteva săptămâni. Tocmai acest decalaj poate fi redus prin conectarea datelor.

Inteligența artificială aduce valoare atunci când înțelege afacerea

Prima generație de inteligență artificială din domeniul financiar s-a concentrat pe eficiență: clasificarea tranzacțiilor, procesarea facturilor și ajutarea echipelor să finalizeze mai repede activitățile de rutină. Aceste capabilități aduc în continuare valoare, însă așteptările se îndreaptă de la automatizarea sarcinilor către asistență decizională adaptată contextului — vizibilitate mai timpurie asupra riscurilor legate de fluxul de numerar, prognoze mai precise și înțelegerea modului în care schimbările comportamentului de plată, ale cheltuielilor sau ale tiparelor de venituri ar putea afecta performanța viitoare.

Pentru a realiza acest lucru, inteligența artificială trebuie să analizeze datele financiare în context. Semnificația oricărei tranzacții depinde de împrejurările în care are loc: o creștere a cheltuielilor poate indica depășirea bugetului sau poate reflecta achiziționarea de stocuri înaintea unei perioade cu cerere sezonieră; o scădere a rezervelor de numerar poate semnala presiuni asupra lichidității sau poate fi pur și simplu legată de momentul plății impozitelor trimestriale. Inteligența artificială devine valoroasă atunci când poate face același lucru — să coreleze tipare din tranzacțiile istorice, pozițiile de numerar, creanțe și indicatori operaționali pentru a distinge o schimbare semnificativă de o fluctuație obișnuită.

Construirea bazei potrivite

Pentru liderii din domeniul tehnologiei care evaluează utilizarea inteligenței artificiale în finanțe, întrebarea decisivă nu este ce aplicație să implementeze mai întâi, ci dacă mediul de date de bază poate furniza contextul complet și oportun de care au nevoie aceste aplicații. La construirea acestor sisteme, câteva investiții sunt deosebit de importante:

Tratați integrările ca pe niște contracte, nu ca pe simple conexiuni. O sincronizare unică între o platformă de contabilitate și un sistem de plăți va ajunge să nu mai fie sincronizată. Definiți contracte de date explicite — scheme, definiții ale câmpurilor și garanții privind actualitatea datelor — astfel încât, atunci când se schimbă un sistem din amonte, sistemele de inteligență artificială din aval să nu-și piardă treptat, fără semnalare, din performanță.

Treceți de la reconcilierea pe loturi la fluxuri de date bazate pe evenimente. Dacă datele financiare sunt reconciliate săptămânal sau lunar, IA face prognoze pe baza unor informații învechite. Fluxurile de date bazate pe evenimente, care propagă tranzacțiile pe măsură ce au loc, oferă modelelor informațiile actualizate de care au nevoie pentru a detecta din timp schimbările.

Stabiliți un strat semantic pentru indicatorii financiari. „Poziția de numerar”, „creanțele restante” și „veniturile” trebuie să însemne același lucru în fiecare sistem. Fără definiții consecvente, IA va genera cu încredere răspunsuri pe care două echipe nu le vor interpreta în același fel.

Evaluați rezultatele IA în raport cu datele reale. Registrul contabil este un atu al domeniului financiar față de majoritatea domeniilor IA: există o evidență verificabilă. Perspectivele financiare generate de IA ar trebui să fie supuse acelorași standarde ca munca unui analist junior: să fie verificate în raport cu rezultatele efective, iar acuratețea lor să fie măsurată în timp. Încrederea în recomandările IA se câștigă prin măsurare, nu se afirmă pur și simplu.

Aceste investiții atrag mai puțină atenție decât aplicațiile de IA construite pe baza lor, dar ele determină dacă aplicațiile respective funcționează.

Adevăratul factor de diferențiere

Pe măsură ce IA devine parte integrantă a managementului financiar, provocarea tehnică se mută de la ceea ce pot face modelele individuale la eficiența cu care acestea funcționează în cadrul arhitecturii mai ample a datelor financiare.

Organizațiile care investesc în conectarea datelor vor identifica mai devreme schimbările fluxului de numerar și vor avea mai multă încredere în previziunile generate de IA. Diferența nu ține de model, ci de datele din spatele lui.

Ilan Atias conduce echipele de cercetare și dezvoltare, de produs și de BI de la Melio. Înainte de Melio, Ilan a fost vicepreședinte pentru cercetare și dezvoltare la Windward, liderul mondial în analiza predictivă a datelor maritime. Anterior, Ilan a fost cercetător la Outbrain, o companie de publicitate nativă, unde răspundea de un sistem de recomandări personalizate bazat pe algoritmi de învățare automată.