Tankeledare

AI är bara så smart som de finansiella data den bygger på

Ilan Atias
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterAI misslyckas när system inte är överens om vad ett enskilt fält som betaldatum betyder.
Visa mer
  • AI misslyckas när system inte är överens om vad ett enskilt fält som betaldatum betyder.
  • Ansluten finansiell data låter AI skilja meningsfulla förändringar från rutinmässiga fluktuationer.
  • Datakontrakt och händelsedrivna flöden spelar större roll än själva AI-applikationen.

AI har blivit en del av nästan varje samtal om finansens framtid. Organisationer investerar i AI för att automatisera rutinuppgifter, förbättra prognoser och hjälpa medarbetare att fatta snabbare beslut. De flesta sådana samtal börjar med modeller och applikationer. Enligt min erfarenhet borde de i stället börja med kvaliteten, tillgängligheten och styrningen av de data som systemen bygger på.

Jag har ägnat min karriär åt att bygga upp och skala betalningsinfrastruktur, och de svåraste problemen har sällan handlat om algoritmer. De har handlat om den underliggande infrastruktur som krävs för att redovisningsplattformar, banker, löneadministratörer och betalningssystem ska beskriva samma affärshändelse på samma sätt.

Utmaningen märks särskilt tydligt inom finans. Redovisning, bankverksamhet, lönehantering, fakturering och betalningar genererar alla information som påverkar affärsbeslut. När systemen fungerar oberoende av varandra skapar de fragmenterade datamiljöer, vilket gör det betydligt svårare för AI att sätta informationen i ett sammanhang i hela organisationen. AI kan identifiera mönster i enskilda system, men utan en samlad bild av organisationens ekonomi kan den inte på ett tillförlitligt sätt förklara vad som händer i verksamheten. Tidigt på Melio stötte vi på en variant av det här som låter trivial men inte är det: Vad betyder ”betald”? En kund godkänner en betalning på måndagen. Pengarna lämnar kundens konto på tisdagen. Leverantörens bank gör dem tillgängliga på torsdagen. Transaktionen matchas mot en faktura veckan därpå. Fyra tidsstämplar, fyra rimliga svar på frågan ”när betalades det här?”, och inget av dem är fel. En mänsklig redovisningsekonom hanterar den här tvetydigheten utan att ens tänka på det. En prognosmodell som behandlar ”betalningsdatum” som ett enda fält gör förutsägelser om tidpunkten som är både självsäkra och systematiskt felaktiga – trots att just tidpunkten är det kassaflödesprognoser måste få rätt. Att koppla samman systemen var det nödvändiga första steget. Det var först när vi fick dem att vara överens om vad fälten betydde som sammankopplingen blev värdefull. Inom finans börjar förberedelserna för AI med sammankopplade system, och sammankoppling räknas bara när systemen beskriver samma händelse på samma sätt.

Bättre överblick leder till bättre beslut

Behovet av sammankopplade finansiella data blir allt mer akut. I Xeros rapport Small Business Insights konstateras att småföretag i USA nu får vänta i genomsnitt 29,3 dagar på att få betalt, samtidigt som den årliga försäljningstillväxten på 4,0 % fortfarande ligger under det långsiktiga genomsnittet. När betalningstider, utgifter och efterfrågan utvecklas oberoende av varandra behöver organisationer system som kan koppla samman dessa signaler i stället för att analysera dem var för sig – och det gäller lika mycket en stor koncerns finansförvaltning som ett företag med 10 anställda.

Tänk dig ett företag som överväger om det kan anställa ytterligare en medarbetare före kvartalets slut. Beslutet beror på mer än dagens banksaldo: förväntade kundbetalningar, löneåtaganden, återkommande utgifter, kommande skattebetalningar och beräknade intäkter spelar alla in. Ingen enskild mätindikator ger ett tillförlitligt svar. När dessa uppgifter sammanställs får ledningen en tydligare bild av företagets ekonomiska ställning, och AI får ett meningsfullt underlag att dra slutsatser utifrån. Automatisering kräver tillgång till transaktioner. Förmågan att resonera kräver sammanhang.

Ekonomiteam kan ägna början av varje månad åt att stämma av data mellan olika system innan de kan påbörja någon meningsfull analys. När de väl har fått en fullständig bild kan kassaflödesförändringen de försöker förstå redan vara flera veckor gammal. Det är just den fördröjningen som sammankopplade data kan minska.

AI skapar värde när den förstår verksamheten

Den första generationen AI inom finans fokuserade på effektivitet: att kategorisera transaktioner, behandla fakturor och hjälpa team att snabbare utföra rutinuppgifter. De funktionerna skapar fortfarande värde, men förväntningarna håller på att skifta från automatisering av uppgifter till beslutsstöd som tar hänsyn till sammanhanget – tidigare insyn i kassaflödesrisker, träffsäkrare prognoser och förståelse för hur förändringar i betalningsbeteende, utgifter eller intäktsmönster kan påverka framtida resultat.

För att åstadkomma det måste AI analysera finansiella data i sitt sammanhang. Vad en transaktion betyder beror på omständigheterna runt omkring: ökade utgifter kan tyda på överkonsumtion eller bero på inköp av lager inför säsongsbetonad efterfrågan; minskade kassareserver kan signalera likviditetsproblem eller helt enkelt bero på tidpunkten för kvartalsvisa skattebetalningar. AI blir värdefull när den kan göra samma sak – koppla samman mönster i historiska transaktioner, kassabehållning, kundfordringar och operativa signaler för att skilja en betydelsefull förändring från en normal variation.

Bygg rätt grund

För teknikchefer som utvärderar AI inom finans är den avgörande frågan inte vilken applikation som ska införas först, utan om den underliggande datamiljön kan tillhandahålla det fullständiga och aktuella sammanhang som applikationerna behöver. När sådana system byggs är några investeringar särskilt viktiga:

Se integrationer som avtal, inte bara som kopplingar. En engångssynkronisering mellan en redovisningsplattform och ett betalningssystem kommer med tiden att glida ur synk. Definiera tydliga datakontrakt – scheman, fältdefinitioner och garantier för hur aktuella data ska vara – så att AI-system längre ned i kedjan inte försämras i det tysta när ett uppströms system ändras.

Gå från batchvis avstämning till händelsestyrda dataflöden. Om finansiella data stäms av varje vecka eller månad baserar AI sina prognoser på inaktuell information. Händelsestyrda datapipelines som förmedlar transaktioner i takt med att de sker ger modellerna den aktualitet de behöver för att upptäcka förändringar tidigt.

Skapa ett semantiskt lager för finansiella nyckeltal. ”Kassaposition”, ”utestående kundfordringar” och ”intäkter” måste betyda samma sak i alla system. Utan enhetliga definitioner kommer AI självsäkert att ge svar som olika team tolkar på olika sätt.

Utvärdera AI-resultat mot verifierade utfall. Huvudboken är finansområdets fördel jämfört med de flesta AI-domäner: här finns ett verifierbart underlag. Finansiella insikter som genereras av AI bör bedömas enligt samma måttstock som en junioranalysts arbete och prövas mot faktiska utfall, med en träffsäkerhet som mäts över tid. Förtroende för AI-rekommendationer förtjänas genom mätning, inte genom påståenden.

De här investeringarna får mindre uppmärksamhet än AI-tillämpningarna som byggs ovanpå dem, men de avgör om tillämpningarna fungerar.

Den verkliga skillnaden

I takt med att AI blir en integrerad del av ekonomistyrningen förskjuts den tekniska utmaningen från vad enskilda modeller kan göra till hur effektivt de fungerar inom den bredare arkitekturen för finansiella data.

Organisationer som investerar i sammankopplade data kommer att upptäcka förändringar i kassaflödet tidigare och ha större förtroende för AI-genererade prognoser. Skillnaden ligger inte i modellen. Den ligger i dataunderlaget.

Ilan Atias leder teamen för forskning och utveckling, produkt och BI på Melio. Innan dess var Ilan vice vd för forskning och utveckling på Windward, världsledande inom prediktiv maritim analys. Tidigare arbetade Ilan som forskare på nativeannonseringsföretaget Outbrain, där han ansvarade för ett personanpassat rekommendationssystem som använde maskininlärningsalgoritmer.