Где ИИ действительно вносит изменения в финансы прямо сейчас

FinTech движется быстро. Новости повсюду, ясности нет.

FinTech Weekly предоставляет ключевые истории и события в одном месте.

Нажмите здесь, чтобы подписаться на рассылку FinTech Weekly

Читается руководителями в JP Morgan, Coinbase, BlackRock, Klarna и других.

В течение многих лет разговор об искусственном интеллекте в финансах был крайне неясным. Большинство финансовых команд продолжали делать вещи по старинке, даже когда руководители говорили о разрушении и консультанты выпускали наполненные обещаниями презентации. Но что-то изменилось за последние 18 месяцев. Инструменты улучшились, случаи использования стали яснее, и ранее скептически настроенные отделы начали видеть реальные результаты в важных областях.

Не все были затронуты изменением одинаково или в одно и то же время. Некоторые области финансов быстрее адаптировали ИИ, и причины этого стоит отметить. Команды FP&A были одними из первых, кто начал движение, в основном из-за очевидных проблем. Все знали, что трата двух недель на сбор данных из разрозненных систем только для составления квартального прогноза не является устойчивой. Когда появились платформы, которые могли автоматизировать сбор данных и выявлять тенденции за часы, а не за дни, принятие быстро увеличилось.

Что сделало эту волну стойкой, так это то, что она решала проблемы, которыми люди уже устали заниматься. Искусственный интеллект в финансах вышел далеко за пределы экспериментальной фазы. Команды используют его для более быстрого закрытия отчетов, создания текущих прогнозов без перегрузки своих аналитиков и проведения сценарных моделей, которые раньше занимали недели на ручное составление. Ценность больше не абстрактна. Она проявляется в более коротких циклах отчетности и меньшем количестве бессонных ночей перед заседаниями правления.

FP&A пришли первыми, но на этом не остановились

Учитывая, насколько ручным и повторяющимся был рабочий процесс, прогнозирование и бюджетирование были логичным местом для начала. Но как только команды увидели, что возможно, технология начала распространяться на смежные функции. Анализ отклонений — хороший пример. Чтобы определить, почему фактические данные не соответствовали плану, аналитик обычно тратил часы на просмотр строк. Инструменты ИИ могут выявлять эти несоответствия за минуты и, что более важно, указывать на коренные причины.

Еще одной областью, которая набирает популярность, является признание доходов. Электронные таблицы и обширные институциональные знания когда-то были нормой для компаний, работающих со сложными структурами контрактов или многоэлементными соглашениями. Часть этого процесса можно автоматизировать, чтобы снизить риск и освободить время для решений, которые действительно требуют человеческого интеллекта. Везде, где финансовые команды тратили слишком много времени на повторяющуюся, основанную на правилах работу, ИИ вступает в дело и делает это быстрее.

Управление рисками — это более крупная история

Если FP&A были точкой входа, управление рисками может стать областью, где ИИ принесет наибольшее и наиболее долговременное воздействие. Соблюдение нормативных требований, обнаружение мошенничества и моделирование кредитных рисков все требуют сложного распознавания шаблонов и больших наборов данных. Это именно те условия, при которых машинное обучение превосходит ручной анализ.

Страховые компании и банки первыми это осознали. Но новшеством является принятие среди компаний среднего рынка, которые никогда не имели специализированных команд по аналитике рисков. Облачные платформы сделали возможным для компании с несколькими сотнями сотрудников проводить такие оценки рисков, которые раньше требовали команды количественных аналитиков. Эти инструменты занимаются мониторингом, фиксируют аномалии по мере их возникновения и самостоятельно составляют отчеты, готовые к аудиту. Это настоящий шаг вперед для управления финансовыми процессами в повседневной жизни.

Сейчас соблюдение нормативных требований может быть самой убедительной частью этого всего сдвига. Нормативные условия постоянно меняются, и, учитывая изменения правил в различных юрисдикциях, просто оставаться в соответствии — это работа сама по себе. Хотя ИИ не может заменить инспектора по соблюдению нормативов, он может сканировать обновления нормативных актов, сравнивать их с текущими политиками и выявлять любые пробелы, прежде чем они станут проблемами. Раньше только самые крупные учреждения могли позволить себе такой проактивный мониторинг.

Что сдерживает некоторые команды

Не все финансовые департаменты работают с одинаковой скоростью, и две основные причины колебаний обычно связаны с кадрами и доверием. Доверие, потому что финансовые профессионалы должны понимать, как модель приходит к своим выводам, прежде чем они поставят свою репутацию на результаты. Кадры, потому что успешная реализация этих инструментов требует людей, которые понимают как технологию, так и финансовый контекст, и это сочетание все еще редкость.

Другим узким местом, на которое не обращают достаточно внимания, является качество данных. Поскольку ИИ хорош только настолько, насколько хороши данные, которые его питают, многие компании продолжают работать на неорганизованных, разрозненных системах, где, в зависимости от отдела, тот же самый показатель может быть определен тремя разными способами. Хотя приведение этого в порядок не является гламурной задачей, это необходимо, чтобы извлечь максимальную выгоду из любой реализации ИИ.

Траектория довольно ясна

Финансовые команды, которые уже сделали шаг, расширяют свои случаи использования, а не отступают. Первые успехи в FP&A обеспечили достаточную внутреннюю авторитетность, чтобы оправдать продвижение в области рисков, соблюдения нормативных требований и казначейских операций. Университеты начинают внедрять грамотность в данных в свои учебные планы по финансам, что должно помочь со временем закрыть разрыв в кадрах. Тем временем поставщики продолжают выпускать все более специализированные инструменты.

Каждый квартал математика становится сложнее для команд, которые еще не начали. Конкуренция между финансовыми департаментами, использующими ИИ, и традиционными растет, и закрыть этот разрыв позже всегда стоит дороже, чем поддерживать темп сейчас. Технология не идеальна, и никто не должен притворяться, что это так. Но ожидание совершенства — это свой риск, и это тот риск, который все меньше организаций могут себе позволить.