Де штучний інтелект справді змінює фінанси прямо зараз

Фінансові технології рухаються швидко. Новини скрізь, ясності немає.

FinTech Weekly доставляє ключові історії та події в одному місці.

Натисніть тут, щоб підписатися на розсилку FinTech Weekly’s Newsletter

Читають керівники у JP Morgan, Coinbase, BlackRock, Klarna та інших.

Протягом багатьох років розмова про штучний інтелект у фінансах була розчаровуюче неясною. Більшість фінансових команд продовжували робити все тим самим способом, навіть коли керівники говорили про порушення і консультанти створювали обіцяючі слайд-декі. Але щось змінилося за останні 18 місяців. Інструменти покращилися, варіанти використання стали зрозумілішими, і раніше скептичні відділи почали бачити реальні результати в важливих сферах.

Не всіх торкнулася зміна однаково або в один і той же час. Деякі сфери фінансів прийняли AI швидше, ніж інші, і причини цього варто врахувати. Команди FP&A були серед перших, хто почав діяти, здебільшого через очевидний біль. Всі знали, що витрачати два тижні на збір даних з роз’єднаних систем лише для створення квартального прогнозу — це непрактично. Коли з’явилися платформи, здатні автоматизувати збір даних і виявляти тенденції за години, а не за дні, впровадження швидко зросло.

Те, що зробило цю хвилю стійкою, — це те, що вона вирішила проблеми, з якими люди вже втомилися мати справу. Штучний інтелект у фінансах давно перейшов за межі експериментальної фази. Команди використовують його для швидшого закриття книг, генерації поточних прогнозів без виснаження аналітиків, а також для запуску сценарних моделей, які раніше займали тижні ручної роботи. Цінність вже не є абстрактною. Вона проявляється у коротших циклах звітності та менше ночей перед засіданнями ради.

FP&A дісталися до цього першими, але на цьому не зупинилися

Зважаючи на те, наскільки ручним і повторюваним був робочий процес, прогнозування і бюджетування були логічними початковими точками. Але як тільки команди побачили можливості, технології почали поширюватися на суміжні функції. Аналіз відхилень — хороший приклад. Щоб з’ясувати, чому фактичні показники не відповідали плану, аналітик зазвичай витрачав години на перегляд рядків. Інструменти AI можуть виявити ці невідповідності за кілька хвилин і, що важливо, вказати на їхні корінні причини.

Ще одна сфера, яка набирає популярності, — це визнання доходів. Раніше для компаній із складними контрактними структурами або багатокомпонентними угодами використовували електронні таблиці та глибокі інституційні знання. Частини цього процесу можна автоматизувати, щоб знизити ризики і звільнити час для прийняття рішень, що справді вимагають людського інтелекту. Там, де фінансові команди витрачали багато часу на повторювану регламентовану роботу, AI вступає і виконує її швидше.

Управління ризиками — це більш широка історія

Якщо FP&A була точкою входу, то управління ризиками може бути місцем, де AI дає найбільший довгостроковий ефект. Регуляторна відповідність, виявлення шахрайства і моделювання кредитних ризиків — все це вимагає складного розпізнавання шаблонів і великих наборів даних. Саме в таких умовах машинне навчання перевершує ручний аналіз.

Страхові компанії і банки першими це зрозуміли. Але новим є те, що серед компаній середнього бізнесу, які раніше не мали спеціалізованих команд з аналізу ризиків, починають активно впроваджувати ці технології. Хмарні платформи дозволили компаніям з кількома сотнями співробітників проводити оцінки ризиків, які раніше вимагали команд квантів. Ці інструменти здійснюють моніторинг, виявляють аномалії в реальному часі і самостійно формують аудиторські звіти. Це суттєвий крок уперед у щоденному управлінні фінансовими процесами.

Зараз, можливо, найбільш переконливою частиною цього зсуву є відповідність. Регуляторне середовище постійно змінюється, і через змінювані правила в різних юрисдикціях просто залишатися відповідним — це вже окрема робота. Хоча AI не може замінити фахівця з відповідності, він може сканувати оновлення регуляторних вимог, порівнювати їх із поточними політиками і виявляти прогалини ще до того, як вони стануть проблемою. Раніше лише найбільші установи могли собі це дозволити.

Що стримує деякі команди

Не всі фінансові відділи рухаються з однаковою швидкістю, і основними причинами цього зазвичай є талант і довіра. Довіра, тому що фінансові фахівці повинні зрозуміти, як модель доходить до своїх висновків, перш ніж поставити під них підпис. Талант, тому що правильне впровадження цих інструментів вимагає людей, які розуміють і технологію, і фінансовий контекст, і ця комбінація досі рідкісна.

Ще один вузький момент — це якість даних. Оскільки AI залежить від якості даних, багато компаній досі працюють на розрізнених, неструктурованих системах, де, залежно від відділу, один і той самий показник може визначатися по-різному. Хоча очищення таких даних — не гламурна справа, це необхідно для максимальної ефективності будь-якого впровадження AI.

Траєкторія досить ясна

Фінансові команди, які вже зробили перший крок, розширюють сфери застосування AI, а не зменшують його. Початкові успіхи в FP&A створили внутрішню довіру, яка дозволила просуватися у сфери ризиків, відповідності та казначейських операцій. Університети починають інтегрувати фінансову грамотність і роботу з даними у свої програми, що допоможе зменшити дефіцит талантів з часом. Тим часом постачальники продовжують випускати все більш спеціалізовані інструменти.

Щоразу квартал, математика стає складнішою для команд, які ще не почали. Конкурентна різниця між фінансовими відділами з AI і традиційними зростає, і закриття цієї прірви пізніше коштує набагато дорожче, ніж утримувати темп зараз. Технології не ідеальні, і ніхто не повинен це заперечувати. Але чекати досконалості — це свого роду ризик, і все менше організацій можуть собі це дозволити.