AI w finansach - co mówią praktycy
Zebraliśmy opinie osób, które na co dzień pracują z systemami prognozowania i budżetowania opartymi na sztucznej inteligencji. Nie teorie - konkretne doświadczenia z wdrożeń, błędy, które popełniono, i wnioski, które z nich wyciągnięto.
Trzy perspektywy, jeden temat
Każda z rozmów dotyczy innego aspektu wdrożenia AI w planowaniu finansowym - od architektury danych po codzienną pracę z prognozami.
Radosław Kwiatkowski
CFO, firma produkcyjna, Trójmiasto
Jak wyglądało pierwsze zderzenie z systemem prognozowania AI?
Spodziewałem się gotowego narzędzia, które zastąpi analityka. Dostałem system, który wymaga od analityka zupełnie innego zestawu pytań. Pierwszych sześć tygodni to było uczenie się, czego w ogóle pytać, żeby odpowiedź miała sens dla naszego kontekstu.
„Model się nie myli - myli się założenie, które mu podajemy."
Beata Szymańska-Dul
Kontroler finansowy, sektor usługowy, Kraków
Co zmieniło się w pracy z budżetem po wdrożeniu AI?
Zamknięcie miesięczne zajmuje teraz o dwa dni krócej, bo warianty scenariuszowe generujemy automatycznie. Ale ważniejsza zmiana jest inna - zaczęłam zadawać inne pytania. Zamiast „ile wydaliśmy", pytam „co by się stało, gdybyśmy wydali o 15% mniej w Q3".
„Budżet przestał być dokumentem, a stał się rozmową z danymi."
Tomasz Wierzbicki
Analityk danych, startup fintech, Wrocław
Gdzie AI w prognozowaniu najczęściej zawodzi?
Przy zdarzeniach jednorazowych - fuzja, nagła zmiana regulacji, lockdown. Model uczy się na historii, a historia nie zawsze zawiera podobny precedens. Dlatego nie wyrzuciliśmy eksperta - zaczęliśmy używać go inaczej, do kalibrowania systemu przed takimi zdarzeniami.
„AI nie zastępuje sądu - wzmacnia go, gdy masz dobre dane wejściowe."
Głębiej - pytania bez oczywistych odpowiedzi
Tematy, które wracają w każdej rozmowie z osobami pracującymi z AI w finansach.
Temat 1
Jak długo trwa zanim system zaczyna dawać użyteczne prognozy?
To zależy od jakości danych historycznych, nie od samego systemu. Beata Szymańska-Dul mówiła o czterech miesiącach - dwa na czyszczenie danych, dwa na kalibrację modelu pod specyfikę branży usługowej. Radosław Kwiatkowski miał dane z ośmiu lat produkcji, więc system zaczął dawać sensowne wyniki po sześciu tygodniach. Nie ma jednej liczby, ale poniżej miesiąca to rzadkość przy pierwszym wdrożeniu.
„Dane to paliwo. Możesz mieć najlepszy silnik, ale bez paliwa nie ruszysz z miejsca." - Tomasz Wierzbicki
Temat 2
Czy zespół finansowy opiera się wdrożeniu?
Opór pojawia się rzadziej niż myślimy - częściej pojawia się niepewność. Ludzie boją się, że system udowodni, że ich dotychczasowe prognozy były złe. W praktyce okazuje się, że były po prostu robione innymi narzędziami, z innymi ograniczeniami. Kluczowe jest pokazanie zespołowi, że AI nie ocenia - analizuje.
Temat 3
Co z prywatnością danych finansowych w systemach AI?
Wszyscy trzej rozmówcy podkreślali, że to był jeden z pierwszych tematów na stole. Dane finansowe firmy to dane wrażliwe. Rozwiązania chmurowe wymagają dokładnego sprawdzenia umów i lokalizacji serwerów. Kilka firm zdecydowało się na wdrożenie lokalne właśnie z tego powodu - dłuższe i droższe, ale dające pełną kontrolę.
Wspólny mianownik wszystkich rozmów
Niezależnie od branży i skali firmy, każdy z rozmówców wrócił do tego samego punktu: AI w budżetowaniu nie jest projektem IT. To projekt zmiany tego, jak organizacja myśli o danych. Wdrożenie systemu to zazwyczaj mniejsze wyzwanie niż zmiana nawyku polegania na intuicji zamiast na scenariuszach.
Jeśli chcesz dowiedzieć się więcej o tym, jak wygląda mentoring w zakresie wdrożenia takich systemów, sprawdź opis programu lub napisz do nas bezpośrednio.