Где ИИ на самом деле приносит пользу в финансах прямо сейчас

FinTech движется быстро. Новостей полно, ясности нет.

FinTech Weekly собирает ключевые истории и события в одном месте.

Нажмите здесь, чтобы подписаться на новостную рассылку FinTech Weekly

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

Годами разговоры об искусственном интеллекте в финансах были удручающе неясными. Большинство финансовых отделов продолжали работать по-старому, даже когда руководители говорили о disruption, а консультанты штамповали многообещающие слайды. Но что-то изменилось за последние примерно 18 месяцев. Инструменты улучшились, сценарии использования стали понятнее, и ранее скептически настроенные отделы начали видеть реальные результаты в важных областях.

Изменения затронули всех по-разному и не одновременно. Некоторые области финансов внедрили ИИ быстрее других, и причины этого заслуживают внимания. Команды FP&A были одними из первых, в основном из-за очевидной боли. Все знали, что тратить две недели на сбор данных из разрозненных систем только для построения квартального прогноза неустойчиво. Когда появились платформы, способные автоматизировать сбор данных и выявлять тренды за часы, а не за дни, внедрение ускорилось.

Что сделало эту волну устойчивой — она решила проблемы, от которых люди уже устали. Искусственный интеллект в финансах давно вышел за рамки экспериментальной фазы. Команды используют его для ускорения закрытия книг, создания скользящих прогнозов без износа аналитиков и запуска сценарных моделей, которые раньше собирали бы неделями вручную. Ценность больше не абстрактна. Она проявляется в более коротких отчетных циклах и меньшем количестве ночных смен перед заседаниями совета директоров.

FP&A добрались первыми, но на этом не остановились

Учитывая, насколько ручным и повторяющимся был рабочий процесс, прогнозирование и бюджетирование были логичной отправной точкой. Но как только команды увидели, что возможно, технология начала распространяться на смежные функции. Дисперсионный анализ — хороший пример. Чтобы определить, почему фактические показатели не совпали с планом, аналитик обычно тратил часы на просмотр статей. Инструменты ИИ могут выявить эти расхождения за минуты и, что более важно, указать на коренные причины.

Еще одна область, набирающая обороты, — признание выручки. Когда-то нормой для бизнеса со сложными контрактными структурами или многокомпонентными соглашениями были электронные таблицы и обширные институциональные знания. Часть этого процесса можно автоматизировать, чтобы снизить риски и высвободить время для решений, действительно требующих человеческого интеллекта. Везде, где финансовые отделы тратили слишком много времени на повторяющуюся, основанную на правилах работу, ИИ вмешивается и делает её быстрее.

Управление рисками — более важная история

Если FP&A были точкой входа, то управление рисками может стать областью, где ИИ окажет наиболее долгосрочное влияние. Регуляторное соответствие, обнаружение мошенничества и моделирование кредитного риска требуют сложного распознавания образов и больших наборов данных. Это именно те условия, при которых машинное обучение превосходит ручной анализ.

Страховые компании и банки первыми это осознали. Но новым является внедрение среди компаний среднего рынка, у которых никогда не было выделенных команд по анализу рисков. Облачные платформы позволили компании с несколькими сотнями сотрудников проводить такие оценки рисков, для которых раньше требовалась команда квантитативов. Эти инструменты берут на себя мониторинг, выявляют аномалии по мере их возникновения и самостоятельно формируют готовые к аудиту отчеты. Это реальный шаг вперед в повседневном управлении финансовыми процессами.

Прямо сейчас комплаенс, возможно, является самой убедительной частью этого сдвига. Регуляторная среда постоянно меняется, и из-за меняющихся правил в разных юрисдикциях само поддержание соответствия — это отдельная работа. Хотя ИИ не может заменить специалиста по комплаенсу, он может сканировать нормативные обновления, сравнивать их с текущими политиками и выявлять пробелы до того, как они станут проблемами. Раньше такой проактивный мониторинг могли позволить себе только крупнейшие институты.

Что сдерживает некоторые команды

Не все финансовые отделы работают с одинаковой скоростью, и две основные причины колебаний — это обычно таланты и доверие. Доверие, потому что финансовые специалисты должны понимать, как модель приходит к выводам, прежде чем ставить на кон свою репутацию. Таланты, потому что хорошее внедрение этих инструментов требует людей, которые понимают как технологию, так и финансовый контекст, а такое сочетание все еще редко.

Другое узкое место, которому не уделяют достаточно внимания, — качество данных. Поскольку ИИ хорош настолько, насколько хороши данные, которые его питают, многие компании продолжают работать на неорганизованных, разрозненных системах, где один и тот же показатель может определяться по-разному в зависимости от отдела. Хотя наведение порядка в этом — не самая привлекательная задача, она необходима для максимального использования любого внедрения ИИ.

Траектория довольно ясна

Финансовые команды, которые уже совершили переход, расширяют свои сценарии использования, а не сокращают их. Ранние успехи в FP&A создали достаточный внутренний авторитет, чтобы оправдать продвижение в риск, комплаенс и казначейские операции. Университеты начинают внедрять грамотность в работе с данными в свои финансовые учебные программы, что со временем должно помочь закрыть разрыв в талантах. Тем временем вендоры продолжают выпускать все более специализированные инструменты.

С каждым кварталом математика становится все более сложной для команд, которые еще не начали. Конкурентный разрыв между финансовыми отделами с ИИ и традиционными растет, и закрыть этот разрыв позже всегда будет стоить дороже, чем идти в ногу сейчас. Технология не идеальна, и никто не должен делать вид, что это не так. Но ожидание совершенства — это тоже своего рода риск, и его могут позволить себе все меньше организаций.