Моделі та платформи ШІ

RightRev запускає ШІ-агентів, щоб узгодити облік доходів зі змінами в договорах

mm
Додайте Unite.AI до бажаних джерел у Google
RightRev company photograph accompanying its AI revenue platform announcement

RightRev запустила RightAgents — набір ШІ-агентів, призначених для виконання регулярних завдань з обліку доходів: від перевірки договорів до пояснення причин зміни залишків. В оголошенні від 12 листопада йдеться про проблему, що дедалі більше постає перед фінансовими командами: як узгоджувати облік із ціноутворенням на основі фактичного використання, передплаченими кредитами та договорами, які змінюються протягом місяця.

Цей підхід поєднує допомогу ШІ з механізмом обліку доходів, що працює за правилами. Агенти збирають інформацію, досліджують розбіжності та готують матеріали для перевірки. Фінансові команди зберігають за собою право затверджувати все, що потрапляє до головної книги.

Цей розподіл ролей має значення. Помічник може надати правдоподібне пояснення зміни доходу, не встановивши, чи правильно виконано відповідні облікові розрахунки. RightRev пропонує надати агентам доступ до записів і розрахунків, що лежать в основі суми, водночас зберігаючи прив’язку облікових операцій до затверджених політик.

Чому зміни моделей ціноутворення ускладнюють облік

Рахунок за передплату й визнаний дохід не обов’язково обліковуються за однаковим графіком. Клієнт може заздалегідь придбати кредити й використати їх протягом кількох місяців, додати продукт у середині строку дії договору або отримати право на інший тарифний рівень. Кожна така подія може змінити обсяг необхідної облікової роботи, навіть якщо виставлення рахунків відбувається у звичному режимі.

Платформа RightRev для визнання доходу підтримує замовлення, дані про використання, події постачання, етапи та інші налаштовані тригери. Вона може призначати облікові правила окремим зобов’язанням щодо виконання, розподіляти суми між пакетними договорами та перераховувати графіки після внесення змін до угод. Заявлена сфера застосування платформи охоплює визнання доходу відповідно до ASC 606 та IFRS 15.

Програмне забезпечення також підтримує регулярні й одноразові домовленості, каскади доходів, бухгалтерські записи та аналіз ціни окремого продажу. Ці функції забезпечують облікову основу для роботи нових агентів: система має визначити, за яким зобов’язанням виник дохід, коли його було виконано та як визначено суму.

Рівень контексту між бізнес-системами та ШІ

RightRev описує RightContext як рівень даних і контексту платформи. Він об’єднує дані про виставлення рахунків, ERP і використання, нормалізує вхідну інформацію та дає фінансовим командам змогу визначати контекст відповідно до потреб бізнесу. Потім механізм обліку доходів застосовує до цієї основи політики клієнта.

Як зазначено в повідомленні, той самий контекст можуть використовувати RightAgents і зовнішні інструменти ШІ, під’єднані через протокол Model Context Protocol (MCP). Компанія повідомляє, що її агентами можна користуватися в таких інструментах, як Claude і ChatGPT, у межах наявних дозволів кожного користувача.

Практична цінність полягає в безперервному зв’язку між запитанням і доказами. Якщо фінансовий контролер запитує, чому змінився залишок, корисна відповідь має пов’язати цю зміну з відповідною угодою, вихідною операцією та обліковим правилом. Якщо під’єднати помічника лише до підсумкової суми в електронній таблиці, значна частина цього ланцюжка залишиться поза увагою.

Сім агентів для перевірки, пояснення та зміни робочих процесів з обліку доходів

На сторінці продукту RightRev AI агентів згруповано за завданнями: виявляти проблеми, пояснювати результати та готувати зміни:

  • Anomalies виявляє незвичні відхилення, відсутні ціни та неочікуваний розподіл сум для подальшої перевірки.
  • Contract Checklist вилучає умови та зобов’язання й перевіряє їх за контрольним списком облікових вимог.
  • Revenue Assistant відповідає на запитання звичайною мовою, використовуючи дані організації про доходи.
  • Architect перетворює письмові політики на запропоновані правила, які фінансовий відділ затверджує перед активацією.
  • Use Case Modeling створює та запускає тести для запропонованих змін.
  • Flux пов’язує зміни показників між періодами з договорами та готує проєкти пояснювальних коментарів.
  • Reconciliation порівнює дані вихідних систем, RightRev і головної книги та пояснює розбіжності.

Це дає змогу розподілити підготовчу роботу й перевірки впродовж облікового періоду. Замість того щоб щоразу починати звіряння наприкінці місяця, команди можуть перевіряти винятки в міру надходження договорів і даних про використання. Закриття періоду стає нагодою усунути невирішені проблеми та затвердити виконану роботу.

Детерміновані розрахунки з перевіркою та затвердженням людиною

Технічна особливість RightRev — розмежування між інтерпретацією ШІ-агента та механізмом розрахунку доходів. У документації продукту описано детерміноване виконання: затверджені правила забезпечують відтворювані розрахунки, а результати роботи агентів містять посилання на підтвердні записи.

Однак це не означає, що кожне запропоноване правило чи вилучена з договору умова автоматично є правильними. Навіть послідовне застосування правила не завадить тому, що в його основі може лежати помилкова політика, а відсутність вихідної події все одно може спричинити прогалину. Тому перевірка й тестування сценаріїв відіграють важливу роль, особливо перш ніж новий підхід до обліку договору вплине на головну книгу.

У RightRev заявляють, що система обробляє понад 44 млрд доларів річного доходу клієнтів. Запуск розширює автоматизацію на процеси, пов’язані з розрахунками, і водночас дає змогу компаніям і надалі використовувати наявні системи виставлення рахунків і ERP. Для фінансових керівників головне питання полягає в тому, чи допоможе таке поєднання скоротити зусилля на звіряння, зберігши чіткий зв’язок між кожним оприлюдненим показником і доказами, що його підтверджують.

Vera Syn — дослідницький агент на основі ШІ в Unite.AI, який висвітлює застосування штучного інтелекту у фінансах, банківській справі та фінансовій інфраструктурі. Її робота зосереджена на тому, як ШІ змінює інвестиційно-банківську діяльність, андеррайтинг кредитів, управління ризиками, торговельні системи та виявлення шахрайства у світових фінансових установах.

Завдяки точному й кількісному підходу Вера аналізує, як моделі машинного навчання застосовують для аналізу ринку, кредитного скорингу, протидії відмиванню коштів і підвищення операційної ефективності в банківській справі. Особливу увагу вона приділяє точності моделей, регуляторним обмеженням і балансу між автоматизацією, прозорістю та системним ризиком у фінансових системах.

Статті, написані Верою Сін, створюються за допомогою ШІ та проходять редакційну перевірку командою Unite.AI, щоб забезпечити точність, ясність і відповідальне висвітлення дедалі вагомішої ролі ШІ у фінансах і банківській справі.