Di Mana AI Benar-Benar Membuat Perbedaan di Dunia Keuangan Saat Ini

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

FinTech Weekly menyampaikan kisah dan peristiwa penting di satu tempat.

Klik Di Sini untuk Berlangganan Buletin FinTech Weekly

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

Selama bertahun-tahun, perbincangan seputar kecerdasan buatan di bidang keuangan sangat membingungkan. Sebagian besar tim keuangan tetap melakukan hal yang sama, bahkan ketika para eksekutif berbicara tentang disrupti dan para konsultan meluncurkan presentasi penuh janji. Namun, sesuatu berubah dalam 18 bulan terakhir. Alat-alatnya menjadi lebih baik, kasus penggunaannya menjadi lebih jelas, dan departemen-departemen yang sebelumnya skeptis mulai melihat hasil nyata di area yang penting.

Tidak semua orang terpengaruh oleh perubahan ini dengan cara yang sama atau pada waktu yang sama. Beberapa area keuangan mengadopsi AI lebih cepat daripada yang lain, dan alasannya patut diperhatikan. Tim FP&A termasuk yang pertama bergerak, sebagian besar karena masalah yang jelas. Semua orang tahu bahwa menghabiskan dua minggu menarik data dari sistem yang terputus hanya untuk membuat perkiraan triwulanan tidaklah berkelanjutan. Ketika platform yang dapat mengotomatiskan pengumpulan data dan mengungkap tren dalam hitungan jam, bukan hari, mulai muncul, adopsi meningkat dengan cepat.

Yang membuat gelombang ini bertahan adalah karena ia memecahkan masalah yang sudah membuat orang lelah. Kecerdasan buatan di bidang keuangan telah melampaui fase eksperimental. Tim menggunakannya untuk menutup buku lebih cepat, menghasilkan perkiraan bergulir tanpa melelahkan analis, dan menjalankan model skenario yang biasanya membutuhkan waktu berminggu-minggu untuk disusun secara manual. Nilainya tidak lagi abstrak. Nilai itu muncul sebagai siklus pelaporan yang lebih pendek dan lebih sedikit lembur malam sebelum rapat dewan.

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

Mengingat betapa manual dan berulangnya alur kerja, peramalan dan penganggaran adalah tempat yang logis untuk memulai. Namun, begitu tim melihat apa yang mungkin dilakukan, teknologi mulai menyebar ke fungsi-fungsi terkait. Analisis varians adalah contoh yang baik. Untuk menentukan mengapa aktual tidak sesuai dengan rencana, seorang analis biasanya akan menghabiskan waktu berjam-jam menelusuri item baris. Alat AI dapat menandai perbedaan tersebut dalam hitungan menit dan, yang lebih penting, menunjukkan akar penyebabnya.

Area lain yang mulai diminati adalah pengakuan pendapatan. Spreadsheet dan pengetahuan institusional yang ekstensif dulunya 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 untuk 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 Kisah yang Lebih Besar

Jika FP&A adalah titik masuknya, manajemen risiko mungkin menjadi tempat di mana AI memberikan dampak paling bertahan lama. Kepatuhan regulasi, deteksi penipuan, dan pemodelan risiko kredit semuanya membutuhkan pengenalan pola yang rumit dan kumpulan data yang 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 kalangan perusahaan menengah yang tidak pernah memiliki tim analitik risiko khusus. Platform berbasis cloud telah memungkinkan perusahaan dengan beberapa ratus karyawan untuk menjalankan jenis penilaian risiko yang dulu membutuhkan tim quant. Alat-alat ini menangani pemantauan, menangkap anomali saat terjadi, dan menyusun laporan siap audit sendiri. Itu adalah langkah maju yang nyata untuk manajemen proses keuangan sehari-hari.

Saat ini, kepatuhan mungkin menjadi bagian paling menarik dari seluruh pergeseran ini. Lingkungan regulasi terus berubah, dan di antara aturan yang bergeser di berbagai yurisdiksi, hanya untuk tetap patuh adalah pekerjaan tersendiri. Meskipun AI tidak dapat menggantikan petugas kepatuhan, ia dapat memindai pembaruan regulasi, membandingkannya dengan kebijakan saat ini, dan mengidentifikasi kesenjangan sebelum menjadi masalah. Di masa lalu, hanya lembaga terbesar yang mampu melakukan pemantauan proaktif semacam itu.

Apa yang Menahan Beberapa Tim

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

Kendala lain yang tidak mendapatkan perhatian cukup adalah kualitas data. Karena AI hanya sebaik data yang memberinya makan, banyak bisnis masih beroperasi pada sistem yang tidak terorganisir dan terputus di mana, tergantung departemennya, metrik yang sama dapat didefinisikan dalam tiga cara berbeda. Meskipun membersihkannya bukanlah tugas yang glamor, hal itu diperlukan untuk mendapatkan hasil maksimal dari implementasi AI apa pun.

Lintasannya Cukup Jelas

Tim keuangan yang sudah beralih memperluas kasus penggunaan mereka, bukan mundur. Kemenangan awal di FP&A membangun kredibilitas internal yang cukup untuk membenarkan dorongan ke dalam operasi risiko, kepatuhan, dan treasury. Universitas mulai memasukkan literasi data ke dalam kurikulum keuangan mereka, yang seharusnya membantu menutup kesenjangan bakat dari waktu ke waktu. Sementara itu, vendor terus meluncurkan alat yang lebih khusus.

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 lebih mahal daripada mengimbangi sekarang. Teknologi ini tidak sempurna, dan tidak ada yang boleh berpura-pura sebaliknya. Namun, menunggu kesempurnaan adalah risikonya sendiri, dan itu adalah risiko yang semakin sedikit organisasi mampu ambil.