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

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

FinTech Weekly menghadirkan kisah-kisah dan acara-acara kunci dalam satu tempat.

Klik Di Sini untuk Berlangganan Newsletter FinTech Weekly

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

Selama bertahun-tahun, percakapan seputar kecerdasan buatan dalam keuangan terasa sangat membingungkan. Kebanyakan tim keuangan terus melakukan hal yang sama, bahkan ketika para eksekutif membicarakan disrupsi dan konsultan menghasilkan slide deck yang penuh janji. Namun, ada perubahan dalam sekitar 18 bulan terakhir. Alat-alatnya membaik, kasus penggunaan menjadi lebih jelas, dan departemen yang sebelumnya skeptis mulai melihat hasil nyata di bidang-bidang yang penting.

Tidak semua orang terdampak oleh perubahan ini dengan cara atau pada waktu yang sama. Beberapa area keuangan mengadopsi AI lebih cepat daripada yang lain, dan alasan-alasannya layak diperhatikan. Tim FP&A termasuk yang paling awal bergerak, sebagian besar karena rasa sakitnya yang jelas. Semua orang tahu bahwa menghabiskan dua minggu untuk menarik data dari sistem yang terpisah hanya untuk menyusun prakiraan triwulanan tidak berkelanjutan. Ketika platform muncul yang dapat mengotomatisasi pengumpulan data dan mengungkap tren dalam hitungan jam alih-alih hari, adopsi pun meningkat dengan cepat.

Yang membuat gelombang ini bertahan adalah karena ia menyelesaikan masalah yang sudah membuat orang lelah menghadapinya. Kecerdasan buatan dalam keuangan telah melewati fase eksperimental dengan baik. Tim menggunakannya untuk menutup buku lebih cepat, menghasilkan prakiraan bergulir tanpa membuat analis mereka kelelahan, dan menjalankan model skenario yang sebelumnya akan memakan waktu berminggu-minggu untuk dirakit secara manual. Nilainya tidak lagi abstrak. Nilai itu terlihat sebagai siklus pelaporan yang lebih singkat dan berkurangnya begadang larut malam sebelum rapat dewan.

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

Mengingat alur kerja yang manual dan berulang, peramalan dan penganggaran adalah tempat yang logis untuk memulai. Tetapi begitu tim melihat apa yang mungkin, teknologi mulai menyebar ke fungsi-fungsi yang berdekatan. Analisis varians adalah contoh yang baik. Untuk menentukan mengapa realisasi tidak sesuai rencana, seorang analis biasanya akan menghabiskan jam untuk menelusuri setiap pos. Alat AI dapat menandai ketidaksesuaian tersebut dalam hitungan menit dan, yang lebih penting, mengarah ke penyebab utamanya.

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

Manajemen Risiko Adalah Cerita yang Lebih Besar

Jika FP&A adalah titik masuk, manajemen risiko mungkin menjadi tempat AI memberikan dampak yang paling bertahan lama. Kepatuhan terhadap regulasi, deteksi penipuan, dan pemodelan risiko kredit semuanya memerlukan pengenalan pola yang rumit dan kumpulan data yang besar. Tepat di kondisi itulah machine learning mengungguli analisis manual.

Perusahaan asuransi dan bank adalah yang pertama menyadarinya. Namun yang lebih baru adalah adopsi di perusahaan skala menengah yang tidak pernah memiliki tim analitik risiko khusus. Platform berbasis cloud telah membuatnya memungkinkan bagi sebuah perusahaan dengan beberapa ratus karyawan untuk menjalankan jenis penilaian risiko yang sebelumnya memerlukan tim kuants. Alat-alat ini menangani pemantauan, menangkap anomali saat itu terjadi, dan menyusun laporan yang siap diaudit dengan sendirinya. Itu peningkatan yang nyata untuk manajemen proses keuangan sehari-hari.

Saat ini, kepatuhan mungkin merupakan bagian yang paling meyakinkan dari pergeseran ini. Lingkungan regulasi terus berubah, dan di antara perubahan aturan di berbagai yurisdiksi, sekadar tetap patuh adalah pekerjaan tersendiri. Walaupun AI tidak dapat menggantikan petugas kepatuhan, AI dapat memindai pembaruan regulasi, membandingkannya dengan kebijakan yang berlaku saat ini, dan mengidentifikasi celah apa pun sebelum celah tersebut menjadi masalah. Pada masa lalu, hanya institusi terbesar yang mampu melakukan pemantauan proaktif seperti itu.

Apa yang Menahan Sebagian Tim

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

Hambatan 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 terpisah, di mana, tergantung departemennya, metrik yang sama mungkin didefinisikan dalam tiga cara berbeda. Meskipun merapikan itu bukan tugas yang glamor, itu perlu untuk mendapatkan hasil maksimal dari setiap penerapan AI.

Trajektorinya Cukup Jelas

Tim keuangan yang sudah melakukan langkah tersebut memperluas kasus penggunaannya, bukan menarik kembali. Keberhasilan awal di FP&A membangun kredibilitas internal yang cukup untuk mendorong ke risiko, kepatuhan, dan operasi treasury. Universitas mulai menyisipkan literasi data ke dalam kurikulum keuangan mereka, yang seharusnya membantu menutup kesenjangan talenta dari waktu ke waktu. Sementara itu, vendor terus meluncurkan lebih banyak alat yang lebih terspesialisasi.

Setiap kuartal, matematika 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 biayanya lebih mahal daripada mempertahankan kecepatan sekarang. Teknologinya tidak sempurna, dan tidak ada yang seharusnya berpura-pura sebaliknya. Namun, menunggu kesempurnaan adalah jenis risiko tersendiri, dan risiko yang tidak mampu ditanggung oleh lebih sedikit organisasi.