أين يُحدث الذكاء الاصطناعي فرقًا فعليًا في التمويل حاليًا

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

تقدم مجلة FinTech الأسبوعية أهم القصص والأحداث في مكان واحد.

انقر هنا للاشتراك في النشرة الإخبارية الخاصة بـ FinTech Weekly

يقرأها مديرون تنفيذيون في JP Morgan وCoinbase وBlackRock وKlarna وغيرهم.

للسنوات، كان الحديث حول الذكاء الاصطناعي في مجال التمويل محبطًا لكونه غير واضح بشكل مزعج. ظلت معظم فرق التمويل تقوم بالأشياء بالطريقة نفسها، حتى بينما كان المديرون التنفيذيون يتحدثون عن الاضطراب، وكانت الاستشارات تواصل إخراج عروض تقديمية مليئة بالوعود. لكن حدث شيء ما خلال الـ18 شهرًا الأخيرة تقريبًا. تحسنت الأدوات، وأصبحت حالات الاستخدام أكثر وضوحًا، وبدأت الأقسام التي كانت متشككة سابقًا في رؤية نتائج حقيقية في المجالات التي كانت تهم.

لم يتأثر الجميع بالتغيير بالطريقة نفسها أو في الوقت نفسه. تبنت بعض مجالات التمويل الذكاء الاصطناعي أسرع من غيرها، والأسباب تستحق الانتباه. كانت فرق التخطيط والمالية والتحليل (FP&A) من أوائل من انتقلوا، إلى حد كبير بسبب الألم الواضح. كان الجميع يعرف أن إنفاق أسبوعين في استخراج البيانات من أنظمة غير مترابطة فقط لبناء توقعات ربع سنوية ليس أمرًا مستدامًا. عندما ظهرت منصات يمكنها أتمتة جمع البيانات واكتشاف الاتجاهات خلال ساعات بدلًا من أيام، تسارع تبنيها بسرعة.

ما جعل هذا الموج موجهاً ثابتًا هو أنه حل مشكلات كان الناس متعبين بالفعل من التعامل معها. الذكاء الاصطناعي في التمويل تجاوز مرحلة التجريب بكثير. تستخدمه الفرق لإغلاق الدفاتر بشكل أسرع، ولتوليد توقعات متجددة دون إرهاق محلليها، ولتشغيل نماذج السيناريوهات التي كان سيستغرق تجميعها يدويًا أسابيع. لم يعدّت القيمة أمرًا مجردًا. تظهر في دورات تقارير أقصر وليالٍ أقل متأخرة قبل اجتماعات مجلس الإدارة.

وصلت فرق FP&A أولًا، لكنها لم تتوقف عند ذلك

نظرًا لأن سير العمل كان يدويًا ومتكررًا، كانت التوقعات والميزانية المكان المنطقي للبدء. لكن بمجرد أن رأت الفرق ما يمكن فعله، بدأت التقنية بالانتشار إلى الوظائف المجاورة. يعد تحليل التباين مثالًا جيدًا. لمعرفة لماذا لم تتطابق النتائج الفعلية مع الخطة، كان المحلل عادة يقضي ساعات في مراجعة البنود. يمكن لأدوات الذكاء الاصطناعي إبراز تلك التباينات خلال دقائق، والأهم أنها تشير إلى الأسباب الجذرية.

منطقة أخرى تكتسب زخمًا هي الاعتراف بالإيرادات. كانت جداول البيانات والمعرفة المؤسسية الواسعة هي القاعدة في السابق للشركات التي تتعامل مع هياكل تعاقدية معقدة أو ترتيبات متعددة المكوّنات. يمكن أتمتة أجزاء من تلك العملية لتقليل المخاطر وتحرير الوقت للقرارات التي تتطلب فعلًا ذكاءً بشريًا. في أي مكان كانت فرق التمويل تقضي وقتًا طويلاً في أعمال متكررة مبنية على القواعد، يدخل الذكاء الاصطناعي ليقوم بها بشكل أسرع.

إدارة المخاطر هي القصة الأكبر

إذا كانت فرق FP&A هي نقطة الدخول، فقد تكون إدارة المخاطر هي المكان الذي يقدّم فيه الذكاء الاصطناعي أكبر أثر مستدام. إن الالتزام التنظيمي وكشف الاحتيال ونمذجة مخاطر الائتمان كلها تتطلب تعرّفًا أنماطياً معقدًا ومجموعات بيانات كبيرة. هذه هي بالضبط الشروط التي يتفوق فيها التعلم الآلي على التحليل اليدوي.

كانت شركات التأمين والبنوك أول من أدرك ذلك. لكن الأحدث هو تبنّي الشركات المتوسطة التي لم تكن لديها فرق مخصصة لتحليلات المخاطر من قبل. لقد جعلت المنصات المستندة إلى السحابة من الممكن لشركة تضم بضع مئات من الموظفين أن تُجري نوع تقييمات المخاطر التي كانت تتطلب فريقًا من المتخصصين في النمذجة الكمية (quants). تتولى هذه الأدوات المراقبة، وتلتقط الشذوذات حين تحدث، وتُعدّ تقارير جاهزة للتدقيق من تلقاء نفسها. وهذا يمثل نقلة حقيقية في إدارة العمليات المالية يومًا بعد يوم.

في الوقت الحالي، قد يكون الامتثال هو الجزء الأكثر إقناعًا في هذا التحول برمته. البيئات التنظيمية تتغير باستمرار، وبينما تتبدل القواعد عبر ولايات قضائية مختلفة، فإن مجرد البقاء ملتزمًا هو وظيفة بحد ذاته. ورغم أن الذكاء الاصطناعي لا يمكنه أن يحل محل مسؤول الامتثال، فإنه يمكنه فحص التحديثات التنظيمية، ومقارنتها بالسياسات الحالية، وتحديد أي فجوات قبل أن تتحول إلى مشكلات. في الماضي، كان بإمكان المؤسسات الأكبر فقط تحمل تكاليف المراقبة الاستباقية بهذا الشكل.

ما الذي يعطل بعض الفرق؟

ليست كل إدارات التمويل تعمل بوتيرة واحدة، والسببين الرئيسيين للتردد عادة هما المواهب والثقة. الثقة لأن المتخصصين في التمويل يحتاجون إلى فهم كيف يصل النموذج إلى استنتاجاته قبل أن يضعوا سمعتهم على المحك بناءً على المخرجات. المواهب لأن تنفيذ هذه الأدوات بشكل جيد يتطلب أشخاصًا يفهمون التكنولوجيا والسياق المالي معًا، وهذه التركيبة لا تزال نادرة.

العنق الآخر الذي لا يحظى بالاهتمام الكافي هو جودة البيانات. وبما أن الذكاء الاصطناعي لا يكون جيدًا إلا بقدر جودة البيانات التي تغذيه، تواصل كثير من الشركات العمل على أنظمة غير منظمة ومفككة، حيث، اعتمادًا على القسم، قد يتم تعريف المقياس نفسه بثلاث طرق مختلفة. ورغم أن تنظيف ذلك ليس مهمة جذابة، فهو ضروري للحصول على أفضل ما يمكن من أي تطبيق للذكاء الاصطناعي.

المسار واضح إلى حد كبير

الفرق المالية التي أجرت الانتقال بالفعل تعمل على توسيع حالات الاستخدام، لا على التراجع. حققت المكاسب المبكرة في FP&A ما يكفي من المصداقية الداخلية لتبرير الدفع إلى مجالات مثل المخاطر والامتثال وعمليات الخزانة. بدأت الجامعات في نسج محو الأمية بالبيانات ضمن مناهجها الخاصة بالتمويل، وهو ما ينبغي أن يساعد في سد فجوة المواهب مع مرور الوقت. وفي الوقت نفسه، يواصل الموردون طرح أدوات أكثر تخصصًا.

كل ربع سنة، تصبح الرياضيات أصعب على الفرق التي لم تبدأ بعد. إن الفجوة التنافسية بين أقسام التمويل المدعومة بالذكاء الاصطناعي والفرق التقليدية تتسع، وغالبًا ما تكلف سد هذه الفجوة لاحقًا أكثر من مواكبة الإيقاع الآن. التكنولوجيا ليست مثالية، ولا ينبغي لأحد أن يتظاهر بغير ذلك. لكن انتظار الكمال هو نوع آخر من المخاطر، وهو ما لا تستطيع منظمات أقل عددًا تحمله.