چرا قضاوت انسان هنوز در امور مالی مبتنی بر هوش مصنوعی اهمیت دارد؟

هوش مصنوعی از پروژه های آزمایشی به هسته اصلی عملکرد مالی منتقل شده است. سیگنال‌های CFO شرکت Deloitte نشان می‌دهد که نزدیک به 93 درصد از مدیران ارشد مالی در حال حاضر از هوش مصنوعی در عملیات‌های کلیدی استفاده می‌کنند که تغییری چشمگیر نسبت به آزمایش‌های آزمایشی دو سال پیش است. سرعت پذیرش غیرقابل انکار است، اما سازمان‌هایی که بیشترین پیشرفت را انجام می‌دهند، آن‌هایی نیستند که به‌خاطر آن خودکارسازی می‌کنند، بلکه در انتخاب‌های خود آگاهانه عمل می‌کنند.

امور مالی مملو از وظایفی است که خودکار به نظر می رسند، اما متکی به زمینه ای است که داده ها ضبط نمی کنند. افزایش هزینه‌های تامین‌کننده ممکن است شبیه یک موضوع قرارداد باشد تا زمانی که بدانید که منعکس‌کننده یک تغییر استراتژیک است که در یک جلسه رهبری توافق شده است.

یک واریانس ممکن است مانند یک علامت هشدار به نظر برسد تا زمانی که متوجه شوید که با یک تغییر عملیاتی برنامه ریزی شده مرتبط است. هوش مصنوعی می‌تواند ناهنجاری‌ها را برجسته کند، اما نمی‌تواند تفاوت‌های سازمانی پشت آن‌ها را درک کند. این شکاف بین آنچه که داده ها نشان می دهد و آنچه کسب و کار می داند، جایی است که اعتماد می تواند از بین برود.

تیم‌های مالی نه تنها باید بدانند که هوش مصنوعی می‌تواند یک موضوع را شناسایی کند، بلکه باید بدانند چه زمانی می‌توانند به تفسیر آن اعتماد کنند و چه زمانی باید قضاوت انسانی وارد عمل شود. این امر در مرحله بعدی پذیرش هوش مصنوعی نقش اساسی دارد.

هوش مصنوعی جایگزین قضاوت نمی شود، بلکه آن را جابه جا می کند

باید واضح بگویم، تغییری که در امور مالی اتفاق می‌افتد، حذف کامل قضاوت انسان از فرآیند نیست، بلکه کمی تغییر در جایی است که آن قضاوت استفاده می‌شود. به جای اینکه افراد وقت خود را صرف بررسی هر تراکنش یا کار بر روی هر واریانس کنند، بیشتر آن تجزیه و تحلیل اولیه را می‌توان توسط هوش مصنوعی انجام داد و به تیم‌های مالی واگذار کرد تا پارامترها را تنظیم کنند، تصمیم بگیرند که چه چیزی نیاز به توجه دارد و زمانی که چیزی کاملا مناسب نیست وارد عمل شوند.

این تغییر قبلا در نحوه استفاده مدیران مالی از این فناوری منعکس شده است. نظرسنجی جهانی مدیر مالی FTI Consulting نشان داد که تقریبا 70 درصد از مدیران مالی در حال حاضر به بینش مبتنی بر هوش مصنوعی در کنار قضاوت مبتنی بر تجربه متکی هستند تا به جای آن. بنابراین این روندی است که در حال وقوع است. در عمل، قضاوت هنوز بخشی از نقش است، اما در ادامه فرآیند، جایی که تصمیمات بزرگتر گرفته می شود، اعمال می شود.

اعتماد نباید یک فکر بعدی باشد

از آنجایی که ما به هوش مصنوعی اجازه می‌دهیم مسئولیت بیشتری در امور مالی به عهده بگیرد، دیگر سوال این نیست که آیا می‌تواند یک کار را تکمیل کند یا خیر، بلکه این است که آیا تیم‌های مالی واقعا با اتکا به نتیجه راحت هستند یا خیر.

این در هنگام برخورد با داده‌های حساس و تصمیم‌هایی که یک خطای کوچک می‌تواند پیامدهای مالی یا نظارتی واقعی داشته باشد، اهمیت دارد. ابزار هوش مصنوعی که یک گزارش تهیه می کند یک چیز است. نماینده ای که یک تامین کننده را توصیه می کند، هزینه های غیرمعمول را مشخص می کند یا برای پرداخت اقدام می کند، عامل دیگری است.

به جای اینکه بعدا از طریق یک سند خط مشی یا جلسه آموزشی به آن اضافه شود، باید اعتماد را در نحوه عملکرد این سیستم ها ایجاد کرد. تیم‌های مالی نیاز به دید کافی در مورد چگونگی دستیابی به یک خروجی دارند تا در صورت لزوم آن را به چالش بکشند، در کنار مرزهای واضح در مورد آنچه که یک سیستم هوش مصنوعی می‌تواند به طور مستقل انجام دهد و چه زمانی باید تصمیم را به تیم بازگرداند.

مدل گلوگاه نیست، محیط داده است

بزرگترین مانع برای هوش مصنوعی در امور مالی به ندرت مدل است. این داده های زیر آن است. تیم‌های مالی سال‌ها را صرف جمع‌آوری اطلاعات از سیستم‌های حسابداری، پلتفرم‌های هزینه، ابزارهای تدارکات و صفحات گسترده کرده‌اند. اگر آن سیستم‌ها حاوی تامین‌کنندگان تکراری، کدگذاری متناقض یا اطلاعات قدیمی باشند، هوش مصنوعی مشکل را حل نمی‌کند، فقط عواقب آن را تسریع می‌کند.

کیفیت داده ها باید بر پروژه های جاه طلبانه هوش مصنوعی مقدم باشد. داده های مالی تمیز، سازگار و در دسترس به هوش مصنوعی چیزی قابل اعتماد برای کار می دهد. داده های تکه تکه شده حتی سیستم های پیچیده را سخت تر می کند. بسیاری از مهمترین کارهای هوش مصنوعی قبل از استقرار انجام می شود: اتصال سیستم ها، تمیز کردن داده ها و ایجاد یک دید واحد و دقیق از اطلاعات مالی.

هنگامی که این پایه ایجاد شد، هوش مصنوعی می تواند بیش از مدیریت خودکار انجام دهد. این می تواند به شناسایی ناهنجاری ها، درک الگوهای مخارج کمک کند و در صورت نیاز به تصمیم گیری، اطلاعات بهتری به تیم های مالی بدهد.

ارزش واقعی در کار نامطلوب قرار دارد: سرعت بخشیدن به پردازش صورتحساب، سخت‌تر کردن طبقه‌بندی هزینه‌ها، تشخیص زودهنگام ناهنجاری‌های خرج کردن یا آسان‌تر کردن نمایش داده‌های برنامه‌ریزی. شروع با موارد استفاده متمرکز و عملی به تیم‌ها اجازه می‌دهد تا ببینند هوش مصنوعی در محیط خودشان چگونه رفتار می‌کند، جایی که واقعا به آن کمک می‌کند، و چه چیزی باید قبل از گسترش نقش خود تغییر کند.

این یک مسیر واقع بینانه تر از تلاش برای تغییر یکباره کل عملکرد مالی است. سازمان‌هایی که پیشرفت می‌کنند، مشکلات خاص را به خوبی حل می‌کنند، سپس زمانی که بدانند سیستم در واقعیت آشفته داده‌ها و گردش‌های کاری خودشان کار می‌کند، مقیاس‌بندی می‌کنند.

تیم مالی استراتژیک تر می شود

فرصت واقعی با هوش مصنوعی ایجاد یک عملکرد مالی که کمتر انجام می دهد نیست. ایجاد یک برنامه است که زمان کمتری را برای مدیریت و زمان بیشتری را برای تصمیم گیری های مهم صرف می کند.

همانطور که هوش مصنوعی کارهای تکراری را انجام می دهد، تیم های مالی می توانند بیشتر بر روی تجزیه و تحلیل کسب و کار، شناسایی ریسک ها و فرصت ها و فرضیات چالش برانگیز تمرکز کنند. به جای اینکه منتظر پایان ماه باشند تا بفهمند چه اتفاقی افتاده است، می توانند به سمت تجزیه و تحلیل و تصمیم گیری مستمرتر حرکت کنند.

هوش مصنوعی نیاز به تخصص مالی را برطرف نمی کند. این تخصص را ارزشمندتر می کند، زیرا مردم هنوز باید تصمیم بگیرند که چه سؤالاتی بپرسند، آیا پاسخ منطقی است و چه اقدامی باید دنبال شود.

هدف، خودکار کردن همه چیز نیست

پذیرش هوش مصنوعی در امور مالی نباید با تعداد فرآیندهایی که می‌توان به یک نماینده واگذار کرد، اندازه‌گیری کرد، بلکه باید با توجه به اینکه آیا تیم‌ها می‌توانند با تلاش کمتر اداری تصمیمات بهتری بگیرند یا خیر، سنجیده شود.

نکته کلیدی برای مدیران مالی این است که بدانند هوش مصنوعی کجا می‌تواند به طور مستقل عمل کند، کجا باید توصیه کند و کجا هنوز به قضاوت انسانی نیاز است. تیم‌های مالی که این تعادل را درست به دست می‌آورند فراتر از آزمایش‌های هوش مصنوعی حرکت می‌کنند و آن را به سود واقعی تبدیل می‌کنند.

ما بهترین نرم افزار اتوماسیون فناوری اطلاعات را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit