Lãnh đạo tư tưởng
AI chỉ thông minh ngang với dữ liệu tài chính làm nền tảng cho nó

Điểm chínhAI thất bại khi các hệ thống không thống nhất về ý nghĩa của một trường duy nhất như…
Xem thêm
- AI thất bại khi các hệ thống không thống nhất về ý nghĩa của một trường duy nhất như ngày thanh toán.
- Dữ liệu tài chính được kết nối giúp AI phân biệt những thay đổi có ý nghĩa với những biến động thông thường.
- Các hợp đồng dữ liệu và luồng dựa trên sự kiện quan trọng hơn bản thân ứng dụng AI.
AI đã trở thành chủ đề trong hầu hết mọi cuộc thảo luận về tương lai của ngành tài chính. Các tổ chức đang đầu tư vào AI để tự động hóa công việc thường nhật, cải thiện dự báo và giúp nhân viên đưa ra quyết định nhanh hơn. Phần lớn các cuộc thảo luận ấy bắt đầu từ mô hình và ứng dụng. Theo kinh nghiệm của tôi, điểm khởi đầu nên là chất lượng, khả năng kết nối và cơ chế quản trị dữ liệu mà các hệ thống đó dựa vào.
Tôi đã dành cả sự nghiệp để xây dựng và mở rộng hạ tầng thanh toán, và những vấn đề khó khăn nhất hiếm khi nằm ở thuật toán. Chúng thường nằm ở hạ tầng nền tảng cần thiết để các nền tảng kế toán, ngân hàng, nhà cung cấp dịch vụ tính lương và mạng lưới thanh toán diễn giải cùng một sự kiện kinh doanh theo cùng một cách.
Thách thức này đặc biệt rõ trong lĩnh vực tài chính. Kế toán, ngân hàng, tính lương, lập hóa đơn và thanh toán đều tạo ra thông tin định hình các quyết định kinh doanh. Khi những hệ thống đó hoạt động độc lập, chúng tạo ra các môi trường dữ liệu phân mảnh, khiến AI khó thiết lập bối cảnh xuyên suốt tổ chức hơn nhiều. AI có thể nhận diện các mẫu trong từng hệ thống riêng lẻ, nhưng không thể giải thích một cách đáng tin cậy điều gì đang diễn ra trên toàn doanh nghiệp nếu không có cái nhìn kết nối về tình hình tài chính của tổ chức. Thời gian đầu tại Melio, chúng tôi gặp phải một vấn đề nghe có vẻ nhỏ nhặt nhưng thực ra không hề đơn giản: “đã thanh toán” nghĩa là gì? Khách hàng duyệt một khoản thanh toán vào thứ Hai. Tiền rời khỏi tài khoản của họ vào thứ Ba. Ngân hàng của nhà cung cấp cho phép sử dụng khoản tiền đó vào thứ Năm. Giao dịch được đối chiếu với hóa đơn vào tuần sau. Bốn mốc thời gian, bốn câu trả lời đều có cơ sở cho câu hỏi “khoản này được thanh toán khi nào”, và không câu trả lời nào sai. Kế toán viên có thể xử lý sự mơ hồ đó mà không cần suy nghĩ. Nhưng mô hình dự báo coi “ngày thanh toán” là một trường dữ liệu duy nhất sẽ đưa ra dự đoán sai lệch một cách chắc chắn và có hệ thống về thời điểm — trong khi đây chính là điều duy nhất mà dự báo dòng tiền phải xác định chính xác. Kết nối các hệ thống đó là bước đầu tiên cần thiết. Nhưng chính việc giúp chúng thống nhất ý nghĩa của các trường dữ liệu mới khiến sự kết nối đó thực sự có giá trị. Trong lĩnh vực tài chính, “sẵn sàng cho AI” bắt đầu từ việc kết nối; và kết nối chỉ thực sự có ý nghĩa khi các hệ thống diễn giải cùng một sự kiện theo cùng một cách.
Tầm nhìn rõ hơn dẫn đến quyết định tốt hơn
Nhu cầu kết nối dữ liệu tài chính ngày càng cấp thiết. Báo cáo Small Business Insights của Xero cho thấy các doanh nghiệp nhỏ tại Hoa Kỳ hiện phải chờ trung bình 29,3 ngày mới được thanh toán, trong khi mức tăng trưởng doanh số hằng năm 4,0% vẫn thấp hơn mức trung bình dài hạn. Khi thời điểm thanh toán, chi phí và nhu cầu đều biến động độc lập với nhau, các tổ chức cần những hệ thống có khả năng kết nối các tín hiệu đó thay vì phân tích từng tín hiệu riêng lẻ — điều này đúng với hoạt động quản lý ngân quỹ của một tập đoàn lớn cũng như với một doanh nghiệp có 10 nhân viên.
Hãy hình dung một doanh nghiệp đang cân nhắc liệu mình có thể tuyển thêm nhân viên trước khi kết thúc quý hay không. Quyết định đó phụ thuộc vào nhiều yếu tố hơn số dư ngân hàng hôm nay: các khoản thanh toán dự kiến từ khách hàng, nghĩa vụ trả lương, chi phí định kỳ, nghĩa vụ thuế sắp đến hạn và doanh thu dự kiến đều cần được tính đến. Không một chỉ số đơn lẻ nào có thể đưa ra câu trả lời đáng tin cậy. Khi tập hợp những thông tin này lại, lãnh đạo sẽ hiểu rõ hơn về tình hình tài chính của doanh nghiệp, đồng thời cung cấp cho AI dữ liệu có ý nghĩa để phân tích. Tự động hóa cần quyền truy cập vào các giao dịch. Khả năng suy luận cần bối cảnh.
Các nhóm tài chính có thể dành phần đầu mỗi tháng để đối chiếu dữ liệu giữa các hệ thống trước khi bắt đầu phân tích có ý nghĩa. Đến khi có được bức tranh đầy đủ, thay đổi về dòng tiền mà họ đang cố tìm hiểu có thể đã xảy ra từ nhiều tuần trước. Dữ liệu được kết nối có thể giảm chính độ trễ đó.
AI tạo ra giá trị khi hiểu được hoạt động kinh doanh
Thế hệ AI đầu tiên trong lĩnh vực tài chính tập trung vào hiệu suất: phân loại giao dịch, xử lý hóa đơn và giúp các nhóm hoàn thành công việc thường nhật nhanh hơn. Những khả năng đó vẫn mang lại giá trị, nhưng kỳ vọng đang chuyển từ tự động hóa công việc sang hỗ trợ ra quyết định có xét đến bối cảnh — nhận diện sớm hơn các rủi ro về dòng tiền, nâng cao độ chính xác của dự báo và hiểu được những thay đổi trong hành vi thanh toán, chi phí hoặc mô hình doanh thu có thể ảnh hưởng thế nào đến kết quả hoạt động trong tương lai.
Để làm được điều đó, AI cần phân tích dữ liệu tài chính trong bối cảnh cụ thể. Ý nghĩa của bất kỳ giao dịch nào cũng phụ thuộc vào những điều kiện xung quanh nó: chi phí tăng có thể là dấu hiệu chi tiêu quá mức, hoặc phản ánh việc mua hàng tồn kho để đón đầu nhu cầu theo mùa; dự trữ tiền mặt giảm có thể báo hiệu áp lực thanh khoản, hoặc đơn giản chỉ là do thời điểm thanh toán thuế theo quý. AI trở nên hữu ích khi có thể làm điều tương tự — kết nối các mẫu hình trong giao dịch lịch sử, số dư tiền mặt, khoản phải thu và tín hiệu vận hành để phân biệt một thay đổi đáng kể với biến động thông thường.
Xây dựng nền tảng phù hợp
Đối với các nhà lãnh đạo công nghệ đang đánh giá AI trong lĩnh vực tài chính, câu hỏi có ý nghĩa quyết định không phải là nên triển khai ứng dụng nào trước, mà là liệu môi trường dữ liệu nền tảng có thể cung cấp bối cảnh đầy đủ và kịp thời mà các ứng dụng đó cần hay không. Khi xây dựng những hệ thống này, có một số khoản đầu tư quan trọng nhất:
Hãy xem các tích hợp là những thỏa thuận, không chỉ là kết nối. Việc đồng bộ một lần giữa nền tảng kế toán và hệ thống thanh toán sẽ dần mất đồng bộ. Hãy xác định rõ các thỏa thuận dữ liệu — lược đồ, định nghĩa trường dữ liệu và cam kết về độ mới của dữ liệu — để khi hệ thống đầu nguồn thay đổi, các hệ thống AI phía sau không âm thầm suy giảm chất lượng.
Chuyển từ đối soát theo lô sang luồng dữ liệu dựa trên sự kiện. Nếu dữ liệu tài chính chỉ được đối soát hằng tuần hoặc hằng tháng, AI sẽ đưa ra dự báo dựa trên thông tin đã lỗi thời. Các quy trình dữ liệu dựa trên sự kiện, truyền đi giao dịch ngay khi chúng phát sinh, cung cấp cho mô hình dữ liệu cập nhật cần thiết để phát hiện thay đổi sớm.
Thiết lập một lớp ngữ nghĩa cho các chỉ số tài chính. “Vị thế tiền mặt”, “các khoản phải thu còn tồn đọng” và “doanh thu” phải có cùng ý nghĩa trong mọi hệ thống. Nếu không có các định nghĩa nhất quán, AI sẽ tự tin đưa ra những câu trả lời mà mỗi nhóm lại diễn giải theo một cách khác nhau.
Đánh giá đầu ra của AI dựa trên dữ liệu thực tế đã được xác minh. Sổ cái là lợi thế của lĩnh vực tài chính so với hầu hết các lĩnh vực AI: ở đây có hồ sơ có thể kiểm chứng. Những thông tin chuyên sâu về tài chính do AI tạo ra cần được đánh giá theo cùng tiêu chuẩn áp dụng cho công việc của một nhà phân tích cấp dưới: đối chiếu với số liệu thực tế và đo lường độ chính xác theo thời gian. Niềm tin vào các đề xuất của AI phải được tạo dựng bằng việc đo lường, chứ không thể chỉ khẳng định suông.
Những khoản đầu tư này ít được chú ý hơn các ứng dụng AI được xây dựng dựa trên chúng, nhưng lại quyết định liệu các ứng dụng đó có hoạt động hiệu quả hay không.
Yếu tố tạo nên khác biệt thực sự
Khi AI ngày càng được tích hợp vào hoạt động quản lý tài chính, thách thức kỹ thuật đang chuyển từ việc từng mô hình riêng lẻ có thể làm được gì sang việc chúng hoạt động hiệu quả đến đâu trong kiến trúc dữ liệu tài chính rộng lớn hơn.
Các tổ chức đầu tư vào dữ liệu được kết nối sẽ nhận diện những thay đổi về dòng tiền sớm hơn và tin tưởng hơn vào các dự báo do AI tạo ra. Khác biệt không nằm ở mô hình, mà ở dữ liệu đứng sau nó.












