Де штучний інтелект справді змінює фінанси прямо зараз

Фінтех рухається швидко. Новини всюди, ясності немає.

FinTech Weekly доставляє ключові історії та події в одному місці.

Натисніть тут, щоб оформити підписку на розсилку FinTech Weekly

Читають керівники в JP Morgan, Coinbase, BlackRock, Klarna та багатьох інших.

Упродовж років розмова про штучний інтелект у фінансах була прикро невиразною. Більшість фінансових команд продовжували робити все так само, навіть коли керівники говорили про зміни, а консультанти випускали слайддеки, сповнені обіцянок. Але приблизно за останні 18 місяців щось змінилося. Інструменти стали кращими, сценарії використання — зрозумілішими, і раніше скептично налаштовані підрозділи почали бачити реальні результати в сферах, які мали значення.

Не всі відчули цю зміну однаково або в той самий час. Деякі напрямки фінансів запроваджували ШІ швидше за інші, і причини того варто звернути увагу. FP&A-команди були серед перших, хто рушив уперед, здебільшого через очевидний біль. Усім було відомо, що витрачати два тижні на витяг даних із розрізнених систем лише щоб побудувати квартальний прогноз — це не є життєздатним. Коли з’явилися платформи, які могли автоматизувати збирання даних і виявляти тенденції за години замість днів, впровадження почало швидко зростати.

Ця хвиля “прижилася”, тому що розв’язала проблеми, з якими люди вже були втомлені мати справу. Штучний інтелект у фінансах давно вийшов за межі експериментальної стадії. Команди використовують його, щоб швидше закривати книги, формувати наскрізні (rolling) прогнози, не виснажуючи аналітиків, і запускати сценарні моделі, на складання яких вручну пішли б тижні. Цінність уже не є абстрактною. Вона проявляється у коротших циклах звітності та меншій кількості пізніх ночей перед засіданнями ради.

FP&A Дійшли Першими, Але На цьому Не Зупинилися

З огляду на те, що робочий процес був ручним і повторюваним, прогнозування та бюджетування — логічне місце для старту. Але щойно команди побачили, що можливо, технологія почала поширюватися в суміжні функції. Показовим прикладом є аналіз відхилень. Щоб з’ясувати, чому фактичні показники не збіглися з планом, аналітик зазвичай витрачав би години на опрацювання рядків. Інструменти ШІ можуть позначати такі розбіжності за лічені хвилини і, що важливіше, вказувати на першопричини.

Ще одна сфера, яка набирає обертів, — це визнання доходів. Раніше для бізнесів, що мають справу зі складними контрактними структурами або багатокомпонентними домовленостями, нормою були електронні таблиці та глибокі інституційні знання. Частину цього процесу можна автоматизувати, щоб знизити ризик і вивільнити час для тих рішень, які справді потребують людського інтелекту. Там, де фінансові команди витрачали забагато часу на повторювану роботу за правилами, ШІ заходить і робить це швидше.

Управління Ризиками — Це Більша Історія

Якщо FP&A був точкою входу, то управління ризиками може бути тією сферою, де ШІ забезпечує найбільш тривалий вплив. Регуляторна відповідність, виявлення шахрайства та моделювання кредитного ризику — усі вони потребують тонкого розпізнавання патернів і великих масивів даних. Саме в таких умовах машинне навчання перевершує ручний аналіз.

Першими це усвідомили страхові компанії та банки. Але новішим є запровадження серед фірм середнього ринку, у яких ніколи не було окремих команд з ризикової аналітики. Хмарні платформи зробили можливим, щоб компанія з кількома сотнями співробітників виконувала ті види оцінювання ризиків, які раніше вимагали команд кванторів. Ці інструменти самі здійснюють моніторинг, виявляють аномалії в момент їх появи та формують звіти, готові до аудиту. Це справді крок уперед у щоденному управлінні фінансовими процесами.

Зараз найпереконливішою частиною всього цього зсуву може бути комплаєнс. Регуляторні середовища постійно змінюються, і між змінами правил у різних юрисдикціях просто залишатися відповідним — це вже робота сама по собі. Хоча ШІ не може замінити посадову особу з комплаєнсу, він може сканувати регуляторні оновлення, зіставляти їх із чинними політиками та виявляти будь-які прогалини до того, як вони стануть проблемами. Раніше подібний проактивний моніторинг могли дозволити лише найбільші інституції.

Що Підтримує Затримку в Деяких Команд

Не всі фінансові департаменти працюють із однаковою швидкістю, а дві головні причини вагань зазвичай — це таланти та довіра. Довіра, бо фахівці з фінансів мають розуміти, як модель доходить до своїх висновків, перш ніж вони ризикуватимуть своєю репутацією заради результату. Таланти, бо якісно впровадити ці інструменти можуть люди, які розуміють і технологію, і фінансовий контекст, а таке поєднання все ще трапляється рідко.

Інша “вузька ділянка”, якій приділяють недостатньо уваги, — це якість даних. Оскільки ШІ настільки ж хороший, як і дані, які його “живлять”, багато бізнесів продовжують працювати на розрізнених і неорганізованих системах, де залежно від підрозділу один і той самий показник може бути визначений трьома різними способами. Хоча наведення ладу — не найгламурніше завдання, це необхідно, щоб максимально використати будь-яке впровадження ШІ.

Траєкторія Досить Прозора

Фінансові команди, які вже зробили крок, розширюють свої сценарії використання, а не відступають. Перші успіхи у FP&A створили достатню внутрішню довіру, щоб виправдати просування в напрямку ризиків, комплаєнсу та операцій казначейства. Університети починають вбудовувати грамотність роботи з даними в навчальні програми з фінансів, що має з часом допомогти закрити розрив у талантах. Тим часом вендори продовжують випускати все більш спеціалізовані інструменти.

Кожного кварталу математика стає складнішою для команд, які ще не почали. Конкурентний розрив між фінансами, де використовується ШІ, і традиційними фінансами зростає, а закривати цей розрив пізніше завжди коштує дорожче, ніж рухатися в темпі вже зараз. Технологія не ідеальна, і ніхто не має робити вигляд, що це так. Але чекати досконалості — це теж свого роду ризик, і ризик, який можуть дозволити значно менше організацій.