思想领袖

AI 的智慧,取决于其背后的财务数据

Ilan Atias
将 Unite.AI 添加到您在 Google 上的首选来源
要点当系统对像付款日期这样的单一字段的含义存在分歧时,AI就会失败。
查看更多
  • 当系统对像付款日期这样的单一字段的含义存在分歧时,AI就会失败。
  • 互联的财务数据让AI能够区分有意义的变动和常规波动。
  • 数据契约和事件驱动流程比AI应用本身更重要。

几乎每一次有关金融未来的讨论,如今都会谈到 AI。各类机构正在投资 AI,以自动处理日常工作、改进预测,并帮助员工更快地做出决策。大多数这类讨论都是从模型和应用谈起。依我之见,讨论应该从这些系统所依赖的数据质量、互联程度和治理方式谈起。

我的职业生涯一直致力于构建并扩展支付基础设施,而最棘手的问题很少出在算法上。真正的难题在于底层基础设施:如何让会计平台、银行、薪资服务商和支付网络以同样的方式描述同一项业务事件。

这一挑战在金融领域尤其突出。会计、银行业务、薪资、开票和支付都会产生影响商业决策的信息。如果这些系统各自独立运行,就会形成彼此割裂的数据环境,使 AI 更难在整个组织范围内建立背景脉络。AI 能够识别各个系统内部的模式,但如果无法连贯地了解一家组织的财务状况,就无法可靠地解释整个业务正在发生什么。Melio 刚起步时,我们就遇到过一个听起来微不足道、实则不然的问题:“已付款”到底是什么意思?客户周一批准付款,资金周二离开其账户,供应商的银行周四才让这笔钱到账,交易则在下周才与发票匹配。四个时间戳,对“这笔款项何时支付”有四种站得住脚的答案,而且没有一种是错的。人类会计人员无需多想,就能应对这种模糊性。但如果预测模型把“付款日期”视为单一字段,就会对时间做出自信而系统性错误的预测——而现金流预测最不能出错的恰恰就是时间。连接这些系统是必要的第一步。只有让它们对字段含义达成一致,建立连接才真正有价值。在金融领域,“适用于 AI”始于互联;而只有当各系统以同样的方式描述同一事件时,这种互联才真正有意义。

洞察更清晰,决策更明智

对互联财务数据的需求日益迫切。Xero 的《小企业洞察》报告发现,美国小企业如今平均要等29.3 天才能收到款项,而年销售额增长率为 4.0%,仍低于长期平均水平。当收款时间、支出和需求各自独立变化时,组织需要能够将这些信号联系起来、而非孤立分析的系统——无论是大型企业的资金管理部门,还是只有 10 名员工的企业,都是如此。

不妨设想一家企业正在考虑能否在本季度结束前再招聘一名员工。这项决定不能只看今天的银行余额:预期客户回款、薪资支出承诺、经常性开支、即将到来的纳税义务以及预计收入,都需要纳入考量。没有任何单一指标能够给出可靠答案。将这些信息汇总起来,领导者就能更清楚地了解企业的财务状况,也能为 AI 提供有意义的推理依据。自动化需要获取交易数据;推理则需要背景信息。

每个月初,财务团队可能都要先花一段时间核对不同系统中的数据,之后才能开始有意义的分析。等到他们掌握完整情况时,想要了解的现金流变化可能已经过去数周。这种滞后正是互联数据能够缩短的。

理解业务,AI 才能创造价值

金融领域第一代 AI 侧重于提升效率:交易分类、发票处理,以及帮助团队更快完成日常任务。这些能力至今仍能创造价值,但人们的期待正在从任务自动化转向具备背景感知能力的决策支持——更早发现现金流风险、提高预测准确性,并了解支付行为、支出或收入模式的变化可能如何影响未来业绩。

要做到这一点,AI 就必须结合背景分析财务数据。任何一笔交易的含义都取决于其周边情况:支出增加可能意味着超支,也可能是为应对季节性需求而采购库存;现金储备减少可能预示流动性承压,也可能只是季度纳税时间所致。AI 若能做到同样的判断,便能真正发挥价值——将历史交易、现金状况、应收款项和运营信号中的模式联系起来,从而区分有意义的变化与常规波动。

夯实正确的基础

对于正在评估金融领域 AI 应用的技术领导者而言,关键问题不是先部署哪款应用,而是底层数据环境能否提供这些应用所需的完整、及时的背景信息。在构建这类系统时,有几项投入尤为重要:

把集成视为契约,而非连接。会计平台与支付系统之间的一次性同步,最终会逐渐失准。应明确规定数据契约——包括架构、字段定义和数据时效保证——这样上游系统发生变化时,下游 AI 才不会在毫无察觉的情况下逐渐失效。

从批量对账转向事件驱动的数据流。如果财务数据每周或每月才对账一次,AI 做出的预测依据的就是过时信息。事件驱动型数据管道会在交易发生时立即传递数据,为模型提供及时信息,使其能够及早发现变化。

为财务指标建立语义层。“现金状况”“未收应收账款”和“收入”在每个系统中都必须含义一致。如果定义不统一,AI 就会自信地给出答案,而不同团队对这些答案的理解却可能各不相同。

以真实情况为依据评估 AI 的输出。与大多数 AI 应用领域相比,总账为财务领域带来了一项优势:它有可核验的记录。对 AI 生成的财务洞察,应采用与初级分析师工作相同的标准,用实际数据进行检验,并持续衡量其准确性。对 AI 建议的信任要靠衡量来赢得,而不是靠宣称。

相比建立在这些投资之上的 AI 应用,这些投资较少受到关注,但它们决定了那些应用能否发挥作用。

真正的差异化优势

随着 AI 日益融入财务管理,技术挑战的重心正从单个模型能够做到什么,转向它们能否在更广泛的财务数据架构中有效运行。

投资于数据互联的组织能够更早发现现金流变化,也会更加信任 AI 生成的预测。差异不在于模型,而在于模型背后的数据。

Ilan Atias负责领导Melio的研发、产品和商业智能团队。在加入 Melio 之前,Ilan 曾担任 Windward 研发副总裁。Windward 是全球领先的预测性海事分析公司。此前,Ilan 曾在原生广告公司 Outbrain 担任研究员,负责开发一套使用机器学习算法的个性化推荐系统。