Praktisk anvendelse af kunstig intelligens inden for finansverdenen
Kunstig intelligens er ikke længere en ny teknologi inden for finansverdenen – det er en fast del af hverdagen, der er ved at omforme den måde, finansfunktionerne arbejder på, beslutninger træffes, og omkostningerne styres. For finanscheferne er spørgsmålet ikke længere, om man skal tage kunstig intelligens i brug, men hvordan man gør det effektivt, og i hvilket tempo.
Aktuelle anvendelser inden for finansfunktioner
De mest modne AI-anvendelser inden for finansverdenen findes på områder, hvor datamængden er stor, processerne er velstrukturerede, og omkostningerne ved fejl er håndterbare. Automatisering af kreditorbogholderi, bankafstemning, udgiftsstyring og regnskabsrapportering er alle områder, hvor AI-baserede værktøjer i praksis – ikke blot i teorien – skaber målbare effektivitetsgevinster.
Opdagelse af svindel har været genstand for nogle af de største investeringer i kunstig intelligens inden for Finansielle tjenester, hvor mønstergenkendelse i realtid på tværs af transaktionsdata påviseligt har forbedret opdagelsesprocenten. For virksomheders økonomifunktioner findes de tilsvarende anvendelser i form af afvigelsesdetektering inden for Indkøb og kreditorbogholderi – herunder identifikation af dobbeltregninger, udgifter uden for kontrakt og uoverensstemmelser i leverandørpriser.
Prognoser for pengestrømme er et andet område med reel nutidsværdi. Maskinlæringsmodeller, der inddrager historiske betalingsmønstre, sæsonmæssige faktorer og eksterne økonomiske signaler, leverer mere præcise kortfristede prognoser end traditionelle metoder. For virksomheder, der nøje styrer deres driftskapital, har denne øgede præcision en direkte økonomisk værdi.
Hvor kunstig intelligens endnu ikke leverer varen
Der er en betydelig hype omkring AI-mulighederne, som overstiger det, der i praksis kan leveres pålideligt i dag. Strategisk finansplanlægning, modellering af komplekse scenarier og kvalitativ risikovurdering kræver alle menneskelig dømmekraft, som de nuværende AI-systemer ikke kan efterligne med den pålidelighed, som finansafdelingerne har brug for. Virksomheder, der indfører AI på disse områder uden tilstrækkelig kontrol, påtager sig risici, der ikke altid er synlige, før de bliver en realitet.
Den anden typiske fejlkilde er datakvaliteten. AI-systemer er kun så gode som de data, de behandler. Virksomheder med fragmenterede ERP-systemer, inkonsekvent datastyring eller dårlig kvalitet i stamdata vil opleve, at AI-værktøjer forstærker deres eksisterende dataproblemer i stedet for at løse dem.
En praktisk tilgang
De økonomiafdelinger, der skaber reel værdi ved hjælp af AI, har nogle fælles træk. De har udpeget specifikke processer med store datamængder, hvor AI kan reducere det manuelle arbejde. De har sikret datakvaliteten i disse processer, inden de har taget AI i brug. De har fastholdt menneskelig kontrol på afgørende beslutningspunkter. Og de er startet i det små, har nøje målt resultaterne og udvidet anvendelsen gradvist.
ERA Group Indkøb samarbejder med økonomichefer om at vurdere AI-værktøjer til økonomistyring, så Indkøb træffes på baggrund af dokumenterede resultater frem for leverandørernes påstande, og så de kommercielle aftalevilkår tilskynder til opnåelse af konkrete resultater.
