أين يُحدث الذكاء الاصطناعي فرقًا فعليًا في التمويل حاليًا

تتحرك تكنولوجيا المالية بسرعة. الأخبار في كل مكان، ولكن الوضوح ليس كذلك.

تقدم FinTech Weekly القصص والأحداث الرئيسية في مكان واحد.

اضغط هنا للاشتراك في النشرة الإخبارية لـ FinTech Weekly

يقرأها التنفيذيون في JP Morgan وCoinbase وBlackRock وKlarna وأكثر.

لسنوات، كانت المحادثة حول الذكاء الاصطناعي في المالية غير واضحة بشكل محبط. استمرت معظم فرق المالية في القيام بالأشياء بنفس الطريقة، حتى مع حديث التنفيذيين عن الاضطراب وإنتاج المستشارين لعروض مليئة بالوعود. ولكن شيء ما تغير في الـ 18 شهرًا الماضية أو نحو ذلك. تحسنت الأدوات، وأصبحت حالات الاستخدام أكثر وضوحًا، وبدأت الأقسام التي كانت متشككة سابقًا في رؤية نتائج حقيقية في المجالات التي تهم.

لم يتأثر الجميع بالتغيير بنفس الطريقة أو في نفس الوقت. اعتمدت بعض مجالات المالية الذكاء الاصطناعي أسرع من غيرها، والأسباب تستحق الانتباه. كانت فرق FP&A من بين الأولى في التحرك، وذلك أساسًا بسبب الألم الواضح. كان الجميع يعلم أن قضاء أسبوعين في جمع البيانات من أنظمة غير مترابطة فقط لبناء توقع ربع سنوي لم يكن مستدامًا. عندما ظهرت منصات يمكنها أتمتة جمع البيانات وكشف الاتجاهات في ساعات بدلاً من أيام، تسارعت عملية الاعتماد بسرعة.

ما جعل هذه الموجة تلتصق هو أنها حلت مشاكل كان الناس قد تعبوا بالفعل من التعامل معها. الذكاء الاصطناعي في المالية قد تجاوز مرحلة التجريب. تستخدم الفرقه لإغلاق السجلات بشكل أسرع، وتوليد التوقعات المتحركة دون إرهاق محلليها، وتشغيل نماذج السيناريو التي كانت ستستغرق أسابيع لتجميعها يدويًا. القيمة لم تعد مجرد شيء مجرد. إنها تظهر كدورات تقارير أقصر وليالٍ أقل تأخيرًا قبل اجتماعات المجلس.

وصلت FP&A أولاً، لكن الأمر لم يتوقف عند هذا الحد

نظرًا لمدى يدويّة وتكرارية سير العمل، كانت التوقعات والميزانيات هي المكان المنطقي للبدء. ولكن بمجرد أن رأت الفرق ما هو ممكن، بدأت التكنولوجيا تنتشر إلى الوظائف المجاورة. تحليل الانحراف هو مثال جيد. لتحديد سبب عدم تطابق الأرقام الفعلية مع الخطة، كان المحلل عادةً يقضي ساعات في مراجعة العناصر. يمكن لأدوات الذكاء الاصطناعي الإشارة إلى تلك التباينات في دقائق، والأهم من ذلك، توجيه الأنظار نحو الأسباب الجذرية.

منطقة أخرى تكتسب زخماً هي الاعتراف بالإيرادات. كانت الجداول الحسابية والمعرفة المؤسسية الواسعة هي القاعدة في السابق للشركات التي تتعامل مع هياكل العقود المعقدة أو الترتيبات متعددة العناصر. يمكن أتمتة أجزاء من تلك العملية لتقليل المخاطر وتحرير الوقت للقرارات التي تتطلب حقًا ذكاءً بشريًا. في أي مكان كانت فرق المالية تقضي فيه وقتًا طويلاً في العمل المتكرر القائم على القواعد، يتدخل الذكاء الاصطناعي ويقوم بذلك بشكل أسرع.

إدارة المخاطر هي القصة الأكبر

إذا كانت FP&A هي نقطة الدخول، فقد تكون إدارة المخاطر هي المكان الذي يقدم فيه الذكاء الاصطناعي أكبر تأثير دائم. تتطلب الامتثال التنظيمي، والكشف عن الاحتيال، ونمذجة مخاطر الائتمان جميعها التعرف على الأنماط المعقدة ومجموعات البيانات الكبيرة. هذه هي بالضبط الشروط التي يتفوق فيها التعلم الآلي على التحليل اليدوي.

كانت شركات التأمين والبنوك هي الأولى التي أدركت ذلك. ولكن ما هو جديد هو اعتماد الشركات المتوسطة التي لم يكن لديها فرق تحليلات مخاطر مخصصة. جعلت المنصات المعتمدة على السحاب من الممكن لشركة تضم بضع مئات من الموظفين أن تقوم بإجراء تقييمات المخاطر التي كانت تتطلب سابقًا فريقًا من محللي البيانات. تتعامل هذه الأدوات مع المراقبة، وتكتشف الشذوذ عند حدوثها، وتجميع تقارير جاهزة للتدقيق بمفردها. هذه خطوة حقيقية للأمام في إدارة العمليات المالية يوميًا.

في الوقت الحالي، قد يكون الامتثال هو الجزء الأكثر إقناعًا من هذا التحول بأكمله. تتغير البيئات التنظيمية بشكل مستمر، وبين القواعد المتغيرة في اختصاصات مختلفة، فإن مجرد البقاء ملتزمًا هو وظيفة بحد ذاتها. على الرغم من أن الذكاء الاصطناعي لا يمكن أن يحل محل موظف الامتثال، إلا أنه يمكن أن يقوم بمسح التحديثات التنظيمية، ومقارنتها بالسياسات الحالية، وتحديد أي فجوات قبل أن تصبح قضايا. في الماضي، كانت أكبر المؤسسات فقط هي التي تستطيع تحمل تكلفة هذا النوع من المراقبة الاستباقية.

ما الذي يعيق بعض الفرق

لا تعمل جميع إدارات المالية بنفس السرعة، وأسباب التردد الرئيسية عادة ما تكون الموهبة والثقة. الثقة لأن المهنيين في المالية يحتاجون إلى فهم كيفية وصول نموذج إلى استنتاجاته قبل أن يراهنوا على سمعتهم بناءً على الناتج. الموهبة لأن تنفيذ هذه الأدوات بشكل جيد يتطلب أشخاصًا يفهمون كل من التكنولوجيا والسياق المالي، وهذه التركيبة لا تزال نادرة.

الاختناق الآخر الذي لا يحظى بالاهتمام الكافي هو جودة البيانات. نظرًا لأن الذكاء الاصطناعي جيد فقط بقدر جودة البيانات التي تغذيه، فإن العديد من الشركات تواصل العمل على أنظمة غير منظمة ومفككة حيث، اعتمادًا على القسم، قد يتم تعريف نفس المقياس بثلاث طرق مختلفة. على الرغم من أن تنظيف ذلك ليس مهمة براقة، إلا أنه ضروري لتحقيق أقصى استفادة من أي تنفيذ للذكاء الاصطناعي.

المسار واضح تمامًا

تقوم فرق المالية التي قامت بالفعل بالتحرك بتوسيع حالات الاستخدام الخاصة بها، وليس التراجع. لقد بنت الانتصارات المبكرة في FP&A ما يكفي من المصداقية الداخلية لتبرير الدفع نحو المخاطر، والامتثال، وعمليات الخزينة. بدأت الجامعات في دمج محو الأمية البيانات في مناهجها المالية، مما يجب أن يساعد في سد فجوة المواهب مع مرور الوقت. وفي الوقت نفسه، يستمر البائعون في طرح المزيد من الأدوات المتخصصة.

كل ربع سنة، تصبح المعادلة أصعب للفرق التي لم تبدأ بعد. الفجوة التنافسية بين إدارات المالية المدعومة بالذكاء الاصطناعي وتلك التقليدية تتسع، وإغلاق تلك الفجوة في وقت لاحق دائمًا ما يكلف أكثر من مواكبة الآن. التكنولوجيا ليست مثالية، ولا ينبغي لأحد أن يتظاهر بخلاف ذلك. لكن الانتظار من أجل الكمال هو نوع خاص من المخاطر، وهو نوع لا تستطيع عدد أقل من المؤسسات تحمله.