Лидеры мнений
ИИ настолько умен, насколько качественны финансовые данные, на которых он основан

Ключевые моментыИИ терпит неудачу, когда системы расходятся в том, что означает одно поле, например…
Показать больше
- ИИ терпит неудачу, когда системы расходятся в том, что означает одно поле, например дата оплаты.
- Связанные финансовые данные позволяют ИИ отличать значимые изменения от обычных колебаний.
- Контракты данных и событийно-ориентированные потоки важнее, чем само приложение ИИ.
ИИ стал частью почти любого разговора о будущем финансовой отрасли. Компании инвестируют в ИИ, чтобы автоматизировать рутинную работу, улучшить прогнозирование и помочь сотрудникам быстрее принимать решения. Большинство таких разговоров начинается с моделей и приложений. По моему опыту, начинать следует с качества данных, их связанности и управления ими — ведь именно на эти данные опираются такие системы.
Всю свою карьеру я занимался созданием и масштабированием платежной инфраструктуры, и самые сложные проблемы редко были связаны с алгоритмами. Обычно дело было в базовой инфраструктуре, необходимой для того, чтобы бухгалтерские платформы, банки, поставщики услуг по расчету заработной платы и платежные системы одинаково описывали одно и то же событие в бизнесе.
В финансовой сфере эта проблема особенно заметна. Бухгалтерский учет, банковские операции, расчет заработной платы, выставление счетов и платежи — все это источники информации, влияющей на деловые решения. Когда такие системы работают независимо друг от друга, данные оказываются разрозненными, и ИИ становится гораздо сложнее увидеть общую картину в организации. ИИ может выявлять закономерности в отдельных системах, но без объединенного представления о финансах организации не способен надежно объяснить, что происходит в бизнесе в целом. В начале работы в Melio мы столкнулись с проблемой, которая звучит пустяковой, но таковой не является: что значит «оплачено»? Клиент утверждает платеж в понедельник. Во вторник деньги списываются с его счета. Банк поставщика делает их доступными в четверг. На следующей неделе транзакцию сопоставляют со счетом. Четыре временные отметки — четыре обоснованных ответа на вопрос «когда этот счет был оплачен», и ни один из них не ошибочен. Бухгалтер-человек легко справляется с такой неоднозначностью, даже не задумываясь о ней. Модель прогнозирования, которая считает «дату оплаты» единым полем, будет уверенно и систематически ошибаться в сроках — а именно сроки прогнозирование денежных потоков должно определять правильно. Объединить эти системы было необходимо в первую очередь. Но именно согласование значений полей позволило извлечь из объединения реальную пользу. В финансовой сфере готовность к работе с ИИ начинается с объединения систем, но оно имеет смысл, только если системы одинаково описывают одни и те же события.
Чем полнее картина, тем лучше решения
Потребность в объединенных финансовых данных становится все острее. Согласно отчету Xero Small Business Insights, малые предприятия в США теперь в среднем ждут оплаты 29,3 дня, а годовой рост продаж на 4,0% остается ниже долгосрочного среднего уровня. Когда сроки платежей, расходы и спрос меняются независимо друг от друга, организациям нужны системы, способные связывать эти сигналы, а не анализировать каждый по отдельности. Это одинаково актуально и для казначейской службы крупной компании, и для предприятия, в котором работают 10 человек.
Представьте, что компания решает, может ли она нанять еще одного сотрудника до конца квартала. Для этого недостаточно знать, сколько денег сегодня на банковском счете: нужно учитывать ожидаемые платежи клиентов, обязательства по выплате зарплаты, регулярные расходы, предстоящие налоговые платежи и прогнозируемую выручку. Ни один отдельный показатель не даст надежного ответа. Объединив эти данные, руководители получат более ясное представление о финансовом положении компании, а у ИИ появится содержательная основа для анализа. Для автоматизации нужен доступ к транзакциям. Для рассуждений нужен контекст.
В начале каждого месяца финансовые команды могут тратить немало времени на сверку данных между системами, прежде чем приступят к содержательному анализу. К тому времени, когда у них сложится полная картина, изменение денежных потоков, которое они пытаются понять, может уже несколько недель оставаться в прошлом. Объединение данных позволяет сократить именно эту задержку.
ИИ приносит пользу, когда понимает бизнес
Первое поколение ИИ в финансовой сфере было ориентировано на повышение эффективности: классификацию транзакций, обработку счетов и помощь командам в ускоренном выполнении рутинных задач. Эти возможности по-прежнему полезны, но ожидания смещаются от автоматизации задач к поддержке принятия решений с учетом контекста: раннему выявлению рисков для денежных потоков, повышению точности прогнозов и пониманию того, как изменения в платежном поведении, расходах или динамике выручки могут повлиять на будущие результаты.
Для этого ИИ должен анализировать финансовые данные с учетом контекста. Значение любой транзакции зависит от сопутствующих обстоятельств: рост расходов может указывать на чрезмерные траты, а может быть связан с закупкой запасов в преддверии сезонного повышения спроса; сокращение денежных резервов может свидетельствовать о проблемах с ликвидностью, а может объясняться сроками уплаты квартальных налогов. ИИ приносит пользу, когда способен учитывать контекст таким же образом: связывать закономерности в исторических транзакциях, остатках денежных средств, дебиторской задолженности и операционных показателях, чтобы отличать значимые изменения от обычных колебаний.
Создание надежной основы
Для руководителей технологических подразделений, оценивающих возможности применения ИИ в финансовой сфере, ключевой вопрос состоит не в том, какое приложение внедрить первым, а в том, способна ли базовая среда данных предоставить необходимый этим приложениям полный и актуальный контекст. При создании таких систем особенно важны несколько направлений инвестиций:
Рассматривайте интеграции как контракты, а не просто подключения. Разовая синхронизация между бухгалтерской платформой и платежной системой со временем перестанет работать корректно. Четко определите контракты данных — схемы, описания полей и гарантии актуальности данных, — чтобы при изменении вышестоящей системы возможности ИИ в последующих системах не ухудшались незаметно.
Переходите от пакетной сверки к потокам данных, управляемым событиями. Если сверять финансовые данные раз в неделю или месяц, ИИ строит прогнозы на основе устаревшей информации. Потоки данных, управляемые событиями и передающие транзакции по мере их совершения, обеспечивают моделям необходимую актуальность, чтобы они могли заблаговременно выявлять изменения.
Создайте семантический слой для финансовых показателей. «Денежная позиция», «непогашенная дебиторская задолженность» и «выручка» должны означать одно и то же во всех системах. Без единых определений ИИ будет уверенно выдавать ответы, которые разные команды трактуют по-разному.
Сопоставляйте результаты ИИ с фактическими данными. В этом финансовая сфера имеет преимущество перед большинством других областей применения ИИ: здесь есть проверяемая учётная запись. К выводам о финансах, сгенерированным ИИ, следует применять те же критерии, что и к работе младшего аналитика: проверять их на соответствие фактическим данным и со временем оценивать точность. Доверие к рекомендациям ИИ заслуживают измерениями, а не голословными заявлениями.
Эти инвестиции привлекают меньше внимания, чем создаваемые на их основе приложения ИИ, однако именно они определяют, будут ли эти приложения работать.
Главное отличие
По мере того как ИИ всё глубже интегрируется в финансовое управление, техническая задача смещается: теперь важно не столько то, на что способны отдельные модели, сколько то, насколько эффективно они работают в рамках общей архитектуры финансовых данных.
Организации, инвестирующие во взаимосвязанные данные, смогут раньше выявлять изменения денежных потоков и с большей уверенностью полагаться на прогнозы, созданные ИИ. Дело не в модели, а в данных, на которых она основана.












