Де штучний інтелект дійсно впливає на фінанси прямо зараз

Фінтех рухається швидко. Новини скрізь, ясності — ні.

Щотижневий огляд фінтеху надає ключові історії та події в одному місці.

Клацніть тут, щоб підписатися на розсилку FinTech Weekly

Читають керівники JP Morgan, Coinbase, BlackRock, Klarna та інші.

Впродовж років розмова про штучний інтелект у фінансах була розчаровуюче нечіткою. Більшість фінансових команд продовжували робити все так само, навіть коли керівники говорили про руйнування та консультанти створювали презентації, наповнені обіцянками. Але щось змінилося приблизно за останні 18 місяців. Інструменти покращилися, випадки застосування стали яснішими, а раніше скептичні відділи почали бачити реальні результати у важливих сферах.

Не всі були однаково впливовими або в один і той самий час. Деякі сфери фінансів впроваджували ШІ швидше за інші, і причини цього заслуговують уваги. Команди FP&A були одними з перших, хто зробив крок, здебільшого через очевидний біль. Усі розуміли, що витрачати два тижні на витяг даних із роз’єднаних систем лише для створення квартального прогнозу — це нестерпно. Коли з’явилися платформи, здатні автоматизувати збір даних і виявляти тенденції за кілька годин замість днів, впровадження швидко зросло.

Що зробило цю хвилю стійкою, так 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, створення ковзних 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 першими дійшли туди, але на цьому не зупинилися

З огляду на те, наскільки ручною та повторюваною була робота, прогнозування та бюджетування були логічними початковими точками. Але як тільки команди побачили можливості, технології почали поширюватися в суміжні функції. Аналіз відхилень — хороший приклад. Щоб з’ясувати, чому фактичні дані не співпадали з планом, аналітик зазвичай витрачав години на перегляд рядків. Інструменти ШІ можуть позначати ці розбіжності за кілька хвилин і, що важливіше, вказувати на корінні причини.

Ще однією галуззю, яка набирає обертів, є визнання доходів. Таблиці та обширні корпоративні знання колись були нормою для компаній, що працюють із складними структурами контрактів або багатокомпонентними угодами. Частини цього процесу можна автоматизувати для зниження ризиків і звільнення часу для рішень, які справді вимагають людського розуму. Там, де фінансові команди витрачали занадто багато часу на повторювану, правилом керовану роботу, ШІ входить і виконує її швидше.

Управління ризиками — це більша історія

Якщо FP&A був точкою входу, управління ризиками може бути тим, де ШІ дає найтриваліший вплив. Відповідність регуляторним вимогам, виявлення шахрайства та моделювання кредитних ризиків — все це вимагає складного розпізнавання шаблонів і великих наборів даних. Саме в таких умовах машинне навчання перевершує ручний аналіз.

Страхові компанії та банки були першими, хто це зрозумів. Але новиною є те, що середньоринкові компанії, які раніше не мали спеціалізованих команд з аналізу ризиків, почали впроваджувати ці технології. Хмарні платформи зробили можливим для компанії з кількома сотнями співробітників проводити оцінки ризиків, які раніше вимагали команду квантів. Ці інструменти контролюють ситуацію, виявляють аномалії в реальному часі та самостійно готують аудиторські звіти. Це справжній крок уперед у щоденному управлінні фінансовими процесами.

Зараз, можливо, найпереконливішою частиною цього всього є відповідність регуляторним вимогам. Регуляторне середовище постійно змінюється, і між змінами правил у різних юрисдикціях просто залишатися у межах вимог — це вже сама по собі робота. Хоча ШІ не може замінити відповідального за відповідність, він може сканувати оновлення регуляторів, порівнювати їх із поточними політиками та виявляти прогалини, перш ніж вони стануть проблемою. Раніше лише найбільші інститути могли собі дозволити такий проактивний моніторинг.

Що тримає деякі команди назад

Не всі фінансові департаменти працюють з однаковою швидкістю, і дві головні причини коливань — це зазвичай талант і довіра. Довіра, бо фінансові фахівці повинні зрозуміти, як модель доходить до своїх висновків, перш ніж поставити на неї репутацію. Талант, бо правильне впровадження цих інструментів вимагає людей, які розуміють і технології, і фінансовий контекст, і ця комбінація досі рідкість.

Ще один вузький місць, на яке не звертають достатньо уваги, — якість даних. Оскільки ШІ залежить від якості даних, що його живлять, багато компаній досі працюють із розпорошеними, розрізненими системами, де, залежно від відділу, одна й сама метрика може визначатися трьома різними способами. Хоча очищення цих даних не є гламурною задачею, це необхідно для максимальної ефективності будь-якої реалізації ШІ.

Траєкторія досить ясна

Фінансові команди, які вже зробили цей крок, розширюють свої випадки застосування, а не зменшують їх. Початкові успіхи у FP&A створили достатню внутрішню довіру, щоб просуватися у сфери ризиків, відповідності та казначейських операцій. Університети починають інтегрувати фінансову грамотність у свої навчальні програми, що з часом має допомогти закрити кадровий розрив. Тим часом, постачальники продовжують випускати більш спеціалізовані інструменти.

Щоразу квартал, математика стає складнішою для команд, які ще не почали. Конкурентна різниця між фінансами з підтримкою ШІ та традиційними зростає, і закривати цю різницю пізніше завжди дорожче, ніж йти в ногу зараз. Технології не ідеальні, і ніхто не повинен імітувати інакше. Але чекати ідеалу — це свого роду ризик, і його не можуть собі дозволити все менше організацій.