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

FinTech bergerak cepat. Berita ada di mana-mana, kejelasan tidak.

FinTech Weekly menyajikan cerita dan peristiwa kunci di 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 seputar kecerdasan buatan dalam keuangan sangat tidak jelas. Kebanyakan tim keuangan terus melakukan hal yang sama, meskipun eksekutif berbicara tentang gangguan dan konsultan menghasilkan presentasi yang penuh janji. Namun, sesuatu telah berubah dalam 18 bulan terakhir. Alatnya meningkat, kasus penggunaan menjadi lebih jelas, dan departemen yang sebelumnya skeptis mulai melihat hasil nyata di area yang penting.

Tidak semua orang terpengaruh oleh perubahan dengan cara atau waktu yang sama. Beberapa area keuangan mengadopsi AI lebih cepat daripada yang lain, dan alasannya layak untuk 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 tidak terhubung hanya untuk membangun proyeksi kuartalan tidaklah berkelanjutan. Ketika platform muncul yang dapat mengotomatiskan pengumpulan data dan mengungkap tren dalam hitungan jam dibandingkan dengan hari, adopsi meningkat cepat.

Apa yang membuat gelombang ini bertahan adalah bahwa ia menyelesaikan masalah yang sudah membuat orang lelah untuk dihadapi. Kecerdasan buatan dalam keuangan telah bergerak jauh melewati fase eksperimental. Tim menggunakannya untuk menutup buku lebih cepat, menghasilkan proyeksi berkelanjutan tanpa menguras analis mereka, dan menjalankan model skenario yang akan memakan waktu berminggu-minggu untuk disusun secara manual. Nilainya tidak lagi abstrak. Ia muncul sebagai siklus pelaporan yang lebih pendek dan lebih sedikit malam yang larut sebelum rapat dewan.

FP&A Mendapatkan Keberhasilan Pertama, Tapi Tidak Berhenti Di Situ

Mengingat betapa manual dan repetitifnya alur kerja, peramalan dan penganggaran adalah tempat yang logis untuk memulai. Namun, setelah tim melihat apa yang mungkin, teknologi mulai menyebar ke fungsi-fungsi terkait. Analisis varians adalah contoh yang baik. Untuk menentukan mengapa angka aktual tidak sesuai dengan rencana, seorang analis biasanya akan menghabiskan berjam-jam memeriksa item baris. Alat AI dapat menandai ketidaksesuaian tersebut dalam hitungan menit dan, yang lebih penting, menunjuk pada penyebab utamanya.

Area lain yang semakin mendapat perhatian adalah pengakuan pendapatan. Spreadsheet dan pengetahuan institusional yang luas dulunya adalah norma bagi bisnis yang menangani struktur kontrak yang rumit atau pengaturan multi-elemen. Bagian dari proses itu dapat diotomatisasi untuk mengurangi risiko dan membebaskan waktu untuk keputusan yang benar-benar membutuhkan kecerdasan manusia. Di mana pun tim keuangan menghabiskan terlalu banyak waktu untuk pekerjaan yang repetitif dan berbasis aturan, AI masuk dan melakukannya lebih cepat.

Manajemen Risiko Adalah Cerita Yang Lebih Besar

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

Perusahaan asuransi dan bank adalah yang pertama menyadari hal ini. Namun, yang lebih baru adalah adopsi di antara perusahaan menengah yang tidak pernah memiliki tim analitik risiko yang didedikasikan. Platform berbasis cloud telah memungkinkan perusahaan dengan beberapa ratus karyawan untuk menjalankan jenis penilaian risiko yang dulunya memerlukan tim kuantitatif. Alat-alat ini menangani pemantauan, menangkap anomali saat terjadi, dan menyusun laporan siap audit secara mandiri. Itu adalah langkah maju yang nyata untuk manajemen proses keuangan sehari-hari.

Saat ini, kepatuhan mungkin adalah bagian paling menarik dari seluruh pergeseran ini. Lingkungan regulasi selalu berubah, dan dengan aturan yang bergeser di berbagai yurisdiksi, tetap mematuhi adalah pekerjaan tersendiri. Meskipun AI tidak dapat menggantikan seorang petugas kepatuhan, ia dapat memindai pembaruan regulasi, membandingkannya dengan kebijakan yang ada, dan mengidentifikasi setiap celah sebelum menjadi masalah. Di masa lalu, hanya institusi terbesar yang mampu membayar pemantauan proaktif semacam itu.

Apa yang Menghambat Beberapa Tim

Tidak semua departemen keuangan beroperasi dengan kecepatan yang sama, dan dua penyebab utama keragu-raguan biasanya adalah bakat dan kepercayaan. Kepercayaan karena para profesional keuangan perlu memahami bagaimana model mencapai kesimpulannya sebelum mereka mempertaruhkan reputasi mereka pada output. Bakat karena penerapan alat ini dengan baik memerlukan orang yang memahami baik teknologi maupun konteks keuangan, dan kombinasi itu masih jarang.

Sumbatan lain yang tidak mendapat perhatian cukup adalah kualitas data. Karena AI hanya sebaik data yang memberinya makan, banyak bisnis terus beroperasi pada sistem yang tidak teratur dan tidak terhubung di mana, tergantung pada departemen, metrik yang sama mungkin didefinisikan dengan tiga cara berbeda. Meskipun membersihkan itu bukan tugas yang glamor, itu perlu dilakukan untuk mendapatkan hasil maksimal dari penerapan AI apa pun.

Trajectory Sangat Jelas

Tim keuangan yang telah melakukan langkah tersebut sedang memperluas kasus penggunaan mereka, bukan menarik diri. Kemenangan awal di FP&A membangun cukup kredibilitas internal untuk membenarkan dorongan ke dalam risiko, kepatuhan, dan operasi treasury. Universitas mulai memasukkan literasi data ke dalam kurikulum keuangan mereka, yang seharusnya membantu menutup kesenjangan bakat seiring waktu. Sementara itu, vendor terus meluncurkan lebih banyak alat khusus.

Setiap kuartal, matematika semakin sulit bagi tim yang belum memulai. Kesenjangan kompetitif antara departemen keuangan yang didukung AI dan yang tradisional semakin lebar, dan menutup kesenjangan itu kemudian selalu lebih mahal daripada menjaga kecepatan sekarang. Teknologinya tidak sempurna, dan tidak ada yang seharusnya berpura-pura sebaliknya. Tetapi menunggu kesempurnaan adalah risiko tersendiri, dan itu adalah risiko yang semakin sedikit organisasi yang dapat mampu ambil.