Di mana AI Benar-Benar Membuat Perbedaan dalam Keuangan Saat Ini

FinTech bergerak cepat. Berita ada di mana-mana, kejelasan belum tentu.

FinTech Weekly menyajikan cerita dan peristiwa utama dalam satu tempat.

Klik di sini untuk Berlangganan Newsletter FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, BlackRock, Klarna, dan lainnya.

Selama bertahun-tahun, percakapan tentang kecerdasan buatan dalam keuangan sangat membingungkan. Kebanyakan tim keuangan tetap melakukan hal yang sama, meskipun para eksekutif berbicara tentang gangguan dan konsultan menyusun presentasi penuh janji. Tapi ada yang berubah dalam sekitar 18 bulan terakhir. Alatnya menjadi lebih baik, kasus penggunaannya menjadi lebih jelas, dan departemen yang sebelumnya skeptis mulai melihat hasil nyata di bidang yang penting.

Tidak semua orang terpengaruh oleh perubahan ini dengan cara yang sama atau pada waktu yang sama. Beberapa bidang keuangan mengadopsi AI lebih cepat daripada yang lain, dan alasan di baliknya patut diperhatikan. Tim FP&A adalah salah satu yang pertama bergerak, sebagian besar karena rasa sakit yang jelas. Semua orang tahu bahwa menghabiskan dua minggu menarik data dari sistem yang terpisah hanya untuk membuat perkiraan kuartalan tidak berkelanjutan. Ketika platform muncul yang dapat mengotomatisasi pengumpulan data dan mengungkap tren dalam beberapa jam dibandingkan hari, adopsi pun meningkat dengan cepat.

Yang membuat gelombang ini bertahan adalah karena ia menyelesaikan masalah yang sudah membuat orang lelah. Kecerdasan buatan dalam keuangan telah melampaui fase percobaan. Tim menggunakannya untuk menutup buku lebih cepat, menghasilkan perkiraan berkelanjutan tanpa membebani analis mereka, dan menjalankan model skenario yang sebelumnya membutuhkan minggu untuk disusun secara manual. Nilainya tidak lagi abstrak. Terlihat dari siklus pelaporan yang lebih singkat dan lebih sedikit malam lembur sebelum rapat dewan.

FP&A Sampai Lebih Dulu, Tapi Tidak Berhenti Di Situ

Mengingat alur kerja yang manual dan berulang, perkiraan dan penganggaran adalah tempat yang logis untuk memulai. Tapi begitu tim melihat apa yang mungkin dilakukan, teknologi mulai menyebar ke fungsi terkait lainnya. Varians analisis adalah contoh yang baik. Untuk menentukan mengapa realisasi tidak sesuai rencana, analis biasanya menghabiskan waktu berjam-jam memeriksa item baris. Alat AI dapat menandai ketidaksesuaian tersebut dalam hitungan menit dan, yang lebih penting, menunjukkan akar penyebabnya.

Bidang lain yang semakin mendapatkan perhatian adalah pengakuan pendapatan. Spreadsheet dan pengetahuan institusional yang luas dulu menjadi norma bagi perusahaan yang menangani struktur kontrak rumit atau pengaturan multi-elemen. Beberapa bagian dari proses tersebut dapat diotomatisasi untuk mengurangi risiko dan membebaskan waktu untuk pengambilan keputusan yang benar-benar membutuhkan kecerdasan manusia. Di mana pun tim keuangan menghabiskan terlalu banyak waktu untuk pekerjaan berulang berbasis aturan, AI masuk dan melakukannya lebih cepat.

Manajemen Risiko Adalah Cerita Utama

Jika FP&A adalah titik masuknya, manajemen risiko mungkin adalah tempat AI memberikan dampak paling tahan lama. Kepatuhan regulasi, deteksi penipuan, dan pemodelan risiko kredit semuanya memerlukan pengenalan pola yang rumit dan dataset besar. Itulah kondisi di mana machine learning mengungguli analisis manual.

Perusahaan asuransi dan bank adalah yang pertama menyadari hal ini. Tapi yang lebih baru adalah adopsi di kalangan perusahaan menengah yang sebelumnya tidak memiliki tim analitik risiko khusus. Platform berbasis cloud memungkinkan perusahaan dengan beberapa ratus karyawan melakukan penilaian risiko yang dulu membutuhkan tim kuantitatif. Alat ini mengelola pemantauan, menangkap anomali saat terjadi, dan menyusun laporan siap audit secara otomatis. Itu adalah langkah nyata dalam pengelolaan proses keuangan sehari-hari.

Saat ini, kepatuhan mungkin adalah bagian paling menarik dari seluruh perubahan ini. Lingkungan regulasi selalu berubah, dan di tengah aturan yang bergeser di berbagai yurisdiksi, hanya untuk tetap patuh saja sudah menjadi pekerjaan tersendiri. Meski AI tidak bisa menggantikan petugas kepatuhan, ia dapat memindai pembaruan regulasi, membandingkannya dengan kebijakan saat ini, dan mengidentifikasi celah sebelum menjadi masalah. Dulu, hanya institusi terbesar yang mampu melakukan pemantauan proaktif semacam itu.

Apa yang Menahan Beberapa Tim

Tidak semua departemen keuangan bergerak dengan kecepatan yang sama, dan dua penyebab utama keragu-raguan biasanya adalah talenta dan kepercayaan. Kepercayaan karena profesional keuangan perlu memahami bagaimana sebuah model mencapai kesimpulannya sebelum mereka akan mempertaruhkan reputasi mereka pada hasilnya. Talenta karena menerapkan alat ini dengan baik membutuhkan orang yang mengerti baik teknologi maupun konteks keuangan, dan kombinasi itu masih langka.

Batasan lain yang kurang mendapat perhatian adalah kualitas data. Karena AI hanya sebaik data yang memberinya makan, banyak bisnis masih beroperasi dengan sistem yang tidak terorganisir dan terputus-putus di mana, tergantung departemennya, metrik yang sama bisa didefinisikan dalam tiga cara berbeda. Meskipun membersihkan data tersebut bukan tugas yang glamor, itu perlu dilakukan agar AI dapat memberikan hasil maksimal dari implementasinya.

Trajektori Sangat Jelas

Tim keuangan yang sudah melakukan langkah ini memperluas penggunaan kasus mereka, bukan menarik diri. Keberhasilan awal di FP&A membangun kredibilitas internal yang cukup untuk mendorong ke risiko, kepatuhan, dan operasi kas. Universitas mulai memasukkan literasi data ke dalam kurikulum keuangan mereka, yang seharusnya membantu menutup kesenjangan talenta seiring waktu. Sementara itu, vendor terus meluncurkan alat yang lebih khusus.

Setiap kuartal, perhitungan menjadi semakin sulit bagi tim yang belum memulai. Kesenjangan kompetitif antara departemen keuangan yang didukung AI dan yang tradisional semakin melebar, dan menutup kesenjangan itu nanti selalu lebih mahal daripada mengikuti perkembangan saat ini. Teknologi ini tidak sempurna, dan tidak seharusnya ada yang berpura-pura demikian. Tapi menunggu kesempurnaan adalah risiko tersendiri, dan itu adalah risiko yang semakin sedikit organisasi mampu ambil.