آنچه از ساخت واحد مالی مبتنی بر هوش مصنوعی آموختم

واحد مالی به بخشی بلادرنگ تبدیل شده است. از نظر من، این فرصت بسیار فراتر از بستن سریع‌تر حساب‌ها یا به‌روزرسانی مکرر پیش‌بینی‌هاست. موضوع این است که تغییرات کسب‌وکار را همان لحظه ببینیم، به مدیران کمک کنیم زودتر اقدام کنند و به تیم‌های مالی زمان بیشتری بدهیم تا بر اتفاقات بعدی اثر بگذارند.

وقتی دو سال پیش به OpenAI پیوستم، تنها یک تیم مالی کوچک از شرکتی با رشدی فوق‌العاده سریع پشتیبانی می‌کرد. باید این واحد را از پایه می‌ساختیم و هوش مصنوعی را به رکن اصلی شیوه کار، تصمیم‌گیری و پشتیبانی از کسب‌وکار تبدیل می‌کردیم.

در عین حال، نقطه شروعی آشنا می‌دیدم. بستن حساب‌ها و به‌روزرسانی پیش‌بینی‌ها همچنان مستلزم کارهای دستی و تکراری بود: یافتن اطلاعات، توضیح تغییرات و گردآوری داده‌های ورودی برای تصمیم‌گیری. به پیشرفته‌ترین ابزارهای هوش مصنوعی جهان دسترسی داشتیم، اما هنوز در حال یادگیری نحوه بازطراحی واحد مالی حول این ابزارها بودیم.

بنابراین دو هدف جسورانه تعیین کردیم: بستن حساب‌ها در روز صفر و پیش‌بینی خودکار و مستمراً به‌روزشونده.

هدف بستن حساب‌ها در روز صفر این است که نمایی بلادرنگ، تطبیق‌یافته و قابل‌ردیابی از وضعیت مالی شرکت در اختیار مدیران قرار گیرد. پیش‌بینی مستمر بر این زیربنا استوار است و نشان می‌دهد کسب‌وکار چگونه تغییر می‌کند، چه اتفاقی ممکن است در ادامه رخ دهد و کدام تصمیم‌ها می‌توانند نتیجه را تغییر دهند.

هنوز در مسیر تحقق هر دو هدف هستیم. این تلاش از همین حالا شیوه کار تیم ما را تغییر داده است. ما را از محدودیت‌های صفحه‌گسترده‌های ثابت، جست‌وجوی دستی سوابق پشتیبان و فایل‌های ارائه فراتر برده و به‌سوی ابزارهای زنده‌ای سوق داده است که بر تمام داده‌ها و بافت کسب‌وکار بنا شده‌اند. همچنین به متخصصان مالی امکان داده است ابزارهای موردنیاز کارشان را بسازند و دامنه اثر تخصص خود را گسترش دهند.

برای من، وعده واقعی یک واحد مالی مبتنی بر هوش مصنوعی همین است: تیمی که رویدادها را هم‌زمان با وقوعشان درک می‌کند، گزینه‌های پیش رو را به مدیران نشان می‌دهد و تا زمانی که هنوز امکان تغییر نتیجه وجود دارد، فرصت بیشتری برای اقدام به کسب‌وکار می‌دهد.

رسیدن به این نقطه به چیزی بیش از پذیرش فناوری جدید نیاز دارد. باید کار را حول تصمیم‌های مهم بازطراحی کرد، به افراد فرصت آزمایش داد، مسئولیت‌پذیری شفاف را در هر گردش‌کار گنجاند و کار قابل‌اتکایی را که هوش مصنوعی انجام می‌دهد سنجید تا بازگشت سرمایه به‌روشنی مشخص شود.

در ادامه، پنج درس عملی از تجربه ما آمده است که هر مدیر مالی می‌تواند به کار گیرد.

گام نخست، فراهم کردن دسترسی گسترده بود. افراد باید آزادی کاوش هوش مصنوعی را در چارچوب کار خود داشته باشند. دسترسی زمانی بیشترین ارزش را ایجاد می‌کند که با آزمایش‌های ساختاریافته روی مسائل واقعی همراه باشد.

مهندسان فروش را به هکاتون مالی دعوت کردیم و از اعضای تیم خواستیم کارهایی را بیاورند که می‌خواستند متحول کنند. یکی از نتایج IR-GPT بود؛ یک GPT سفارشی مبتنی بر مطالب تأییدشده‌ای که تیم روابط سرمایه‌گذاران ما برای پاسخ‌گویی به پرسش‌های بررسی موشکافانه استفاده می‌کند. همچنین ساخت GPTهای سفارشی برای حوزه‌هایی از جمله تدارکات و مالیات را آغاز کردیم.

هکاتون، هوش مصنوعی را از قابلیتی انتزاعی به ابزاری کاربردی تبدیل کرد. افراد می‌توانستند در یک روز وظیفه‌ای تکراری را شناسایی کنند، راه‌حلی بسازند، آن را با همکاران بیازمایند و بهبود دهند. موارد استفاده را نزدیک‌ترین افراد به کار پیشنهاد می‌کردند و متخصصان فنی به آن‌ها کمک می‌کردند سریع‌تر پیش بروند.

درس برای مدیران مالی ساده است: به آزمایش از پایین به بالا و راهبرد از بالا به پایین نیاز دارید. هوش مصنوعی امن و توانمند را در اختیار افراد بگذارید و اجازه دهید نزدیک‌ترین افراد به کار، راه‌های بهتری برای انجام آن بیابند. هم‌زمان، توجه و منابع مدیریتی را بر تغییراتی متمرکز کنید که بیشترین اهمیت را برای کسب‌وکار دارند. فرصت واقعی زمانی شکل می‌گیرد که این دو به هم برسند: ایده‌های عملی خط مقدم برای مهم‌ترین اولویت‌های شما به کار گرفته شوند.

تیم‌های مالی انرژی بسیار زیادی صرف گردآوری داده‌های ورودی لازم برای تصمیم‌گیری می‌کنند. بازبینی یک پیش‌بینی ممکن است مستلزم یافتن جدیدترین داده‌ها، تطبیق صفحه‌گسترده‌ها، توضیح انحراف‌ها، ساخت نمودار، آماده‌سازی اسناد و تبدیل آن‌ها به اسلاید باشد. تحلیل سرانجام به تصمیم‌گیرنده می‌رسد، اما تا آن زمان بخش بزرگی از وقت تیم صرف گردآوری آن شده است.

هوش مصنوعی واحد کار را تغییر می‌دهد. مدیران مالی می‌توانند کل مسیر، از داده‌های منبع تا تصمیم، را بازطراحی کنند.

بستن حساب‌ها را در نظر بگیرید. هر مدیر مالی فرایند ماهانه را می‌شناسد: عملکرد واقعی در یک سیستم، سفارش‌های خرید در سیستمی دیگر، اقلام تعهدی در یک صفحه‌گسترده و توضیح انحرافی که در رشته‌ای از پیام‌ها مدفون شده است.

ما در مسیر دستیابی به مدل عملیاتی متفاوتی هستیم. هدف بستن حساب‌ها در روز صفر، پیوند دادن برنامه‌های هزینه‌کرد تأییدشده، عملکرد واقعی دفتر کل، سفارش‌های خرید، اقلام تعهدی و جزئیات تراکنش‌ها در نمایی است که پیوسته تطبیق داده می‌شود. هر انحراف را می‌توان تا فعالیت زیربنایی آن ردیابی کرد. هوش مصنوعی می‌تواند توضیحی اولیه آماده کند و موارد استثنایی نیازمند توجه را علامت بزند. واحد مالی اعداد را اعتبارسنجی می‌کند، قضاوت حرفه‌ای را به کار می‌گیرد و مسئول تأیید نهایی است.

بستن حساب‌ها حذف نمی‌شود. آنچه به‌تدریج از میان می‌رود، تقلا برای بازسازی وضعیت کسب‌وکار پس از پایان دوره است.

این زیربنای تطبیق‌یافته می‌تواند پیش‌بینی مستمراً به‌روزشونده را پشتیبانی کند. تیم ما در حال ساخت گردش‌کارهایی است که مدل‌های آماری، گفت‌وگوهای فروش، شواهد هر حساب، داده‌های عملیاتی و قضاوت مالی را کنار هم قرار می‌دهند.

ما در حال عبور از محدودیت‌های صفحه‌گسترده‌ها و حرکت به‌سوی ابزارهای تعاملی‌تری هستیم که پیش‌بینی آماری، شواهد پشتیبان و سناریوها را در یک نمای زنده گرد هم می‌آورند. مدیران می‌توانند ببینند چه چیزی و چرا تغییر کرده است و کدام تصمیم‌ها می‌توانند نتیجه را تغییر دهند. وقتی تعهد جدید یک مشتری در خط مبنا لحاظ نشده باشد، سیستم می‌تواند شواهد پشتیبان را نمایش دهد و نشان دهد هر تعدیل چه اثری بر فصل یا سال خواهد داشت. واحد مالی می‌تواند فرضیات را بررسی و سناریوها را مقایسه کند و درباره به‌روزرسانی پیش‌بینی تأییدشده تصمیم بگیرد.

همین نما می‌تواند به مدیران در اتخاذ تصمیم‌های بهتر برای تخصیص سرمایه کمک کند. تیم مالی می‌تواند ببیند هزینه‌کرد بازاریابی در کجا بازده دارد، نتایج در کجا رو به کاهش‌اند و بازتخصیص واحد بعدی سرمایه چه پیامدی خواهد داشت.

مقصد، پیش‌بینی خودکار است. نمایی که پیوسته به‌روز می‌شود، تحلیل سریع‌تر سناریوها و مسئولیت روشن واحد مالی، ما را به این مقصد می‌رسانند.

درس کلی‌تر این است که از یک تصمیم مهم آغاز کنیم و به عقب برگردیم. داده‌ها، ابزارها، تأییدها و تحویل‌های لازم برای پشتیبانی از آن را ترسیم کنید. سپس مشخص کنید هوش مصنوعی کدام بخش‌ها را می‌تواند تحلیل، هماهنگ یا تکمیل کند. این کار سرعت و کیفیت کل چرخه تصمیم‌گیری را بهبود می‌دهد.

تحول بزرگ‌تر این است که متخصصان مالی اکنون می‌توانند ابزارهای موردنیاز کار خود را بسازند.

پژوهش اخیر OpenAI نشان می‌دهد ۴۰٪ از کاربرد تخصصی هوش مصنوعی توسط متخصصان مالی به کارهایی خارج از حوزه سنتی مالی و ۲۲٪ به وظایف مرتبط با مهندسی مربوط است.

همه اعضای تیم من با ChatGPT Work و Codex در حال ساخت داشبوردها و ابزارهای سفارشی هوش مصنوعی هستند. کار از مدل‌های ثابت Excel و فایل‌های ارائه PowerPoint به‌سوی داشبوردهای زنده‌ای می‌رود که بر بستر تمام داده‌ها و بافت کسب‌وکار قرار دارند. این ابزارها می‌توانند تحلیل را ادامه دهند، به پرسش‌های تکمیلی پاسخ دهند و با تغییر اطلاعات زیربنایی به‌روز شوند.

یکی از هم‌تیمی‌های پشتیبان کسب‌وکار تبلیغاتی ما هرگز برنامه‌نویسی نکرده بود. او با استفاده از Codex ابزاری ساخت که پیش‌بینی ماهانه تبلیغات ما را به برنامه‌های هفتگی و روزانه تبدیل می‌کند. این ابزار روزهای هفته و تعطیلات را لحاظ می‌کند، پیش‌بینی‌ها را مقایسه می‌کند و هر عدد را به مدل تأییدشده مرتبط نگه می‌دارد. مدیران بازاریابی می‌توانند به‌سرعت ببینند چه چیزی تغییر کرده، کجا باید سرمایه‌گذاری کرد و هزینه‌کرد بیشتر چه بازدهی خواهد داشت.

کسانی که مسئله را درک می‌کنند، اکنون می‌توانند راه‌حل را شکل دهند. ساخت این ابزارها همچنین آن‌ها را به بازنگری در شیوه معمول انجام کار وامی‌دارد. یک متخصص مالی می‌تواند زیرساخت تصمیم‌گیری موردنیاز کسب‌وکار را ایجاد کند، آن را با همکاران بیازماید و هم‌زمان با تکامل کار بهبودش دهد.

تیم‌های مالی تخصص خود را از دست نمی‌دهند. آن‌ها توانایی گسترش دامنه اثر تخصص خود را به دست می‌آورند.

IR-GPT درس مهمی درباره کنترل به ما آموخت. پرسش‌های بررسی موشکافانه سرمایه‌گذاران ممکن است مستلزم آن باشد که تحلیلگر مطالب پیشین را جست‌وجو کند، پاسخی بنویسد، سازگاری آن را بسنجد و بازبینی را هماهنگ کند. با یک GPT سفارشی مبتنی بر منابع تأییدشده، کاری که پیش‌تر ساعت‌ها طول می‌کشید و گاهی تا شب ادامه داشت، اکنون ظرف چند ثانیه پیش‌نویس اولیه قدرتمندی تولید می‌کند.

نقش انسان همچنان محوری است. تیم روابط سرمایه‌گذاران ما پیش‌نویس را می‌خواند، قضاوت و اطلاعات زمینه‌ای را به آن می‌افزاید و سازگاری پاسخ‌ها میان سرمایه‌گذاران را بررسی می‌کند. هوش مصنوعی کار را شتاب می‌دهد. مسئولیت نتیجه با افراد است.

این مدل مناسبی برای واحد مالی است. مدیران مالی باید با تیم‌های فناوری اطلاعات و حاکمیت همکاری کنند تا مشخص شود سیستم هوش مصنوعی به چه داده‌هایی دسترسی دارد، چه اقداماتی می‌تواند انجام دهد، چه زمانی تأیید لازم است و چه زمانی باید موضوعی به سطح بالاتر ارجاع شود. هر خروجی باید به منبعی قابل‌اعتماد متصل باشد. هر پیش‌بینی باید توضیحی روشن داشته باشد. هر تغییر در خط مبنای تأییدشده باید به مجوز واحد مالی نیاز داشته باشد.

تب کوتاه‌مدت «توکن‌مکسینگ» آمده و رفته است. اکنون تعیین محدودیت مصرف، کنترل بودجه، دسترسی مبتنی بر نقش، قواعد مسیریابی مدل و آستانه‌های تأیید آسان است. مدیران مالی می‌توانند مصرف هوش مصنوعی را با همان انضباطی مدیریت کنند که برای هر هزینه متغیر به کار می‌گیرند و در عین حال به تیم‌ها فضای ساخت و آزمایش بدهند.

مسئولیت‌پذیری شفاف، اعتماد لازم برای حرکت سریع‌تر را ایجاد می‌کند. با شتاب گرفتن ترکیب اطلاعات، تطبیق و آماده‌سازی، متخصصان مالی زمان بیشتری برای به چالش کشیدن فرضیات، مشاوره به کسب‌وکار و اعمال قضاوت حرفه‌ای خواهند داشت.

مدیران مالی برای ارزیابی هوش مصنوعی به کارنامه‌ای مبتنی بر عملکرد عملیاتی نیاز دارند. خرید مجوزهای کاربری بیشتر یا مصرف توکن‌های بیشتر اطلاعات چندانی به شما نمی‌دهد. مهم این است که کار با کیفیت انجام شود و هزینه واقعی آن چقدر باشد.

برای هر گردش‌کار، چهار پرسش مطرح کنید:

• آیا هوش مصنوعی کار مهمی را به انجام رساند؟
• با احتساب زمان کارکنان، بازبینی و دوباره‌کاری، هزینه آن چقدر بود؟
• آیا نتیجه به‌اندازه کافی خوب بود که بتوان از آن استفاده کرد؟
• آیا کمک کرد سریع‌تر پیش برویم یا تصمیم بهتری بگیریم؟

برای یک تیم مالی، کار مفید می‌تواند به‌روزرسانی پیش‌بینی، توضیح یک انحراف، تکمیل درخواست حسابرسی یا پاسخ به پرسش هیئت‌مدیره باشد. برای بستن حساب‌ها، این کارنامه می‌تواند زمان چرخه، سهم تراکنش‌های تطبیق‌یافته به‌صورت خودکار، تعداد موارد استثنایی نیازمند بازبینی و زمان لازم برای توضیح یک انحراف را در بر بگیرد. برای پیش‌بینی، می‌توان دقت پیش‌بینی، دفعات به‌روزرسانی، زمان لازم برای ایجاد سناریویی جدید و کیفیت تصمیم‌های مبتنی بر آن را سنجید.

ارزان‌ترین مدل همیشه به‌صرفه‌ترین مدل نیست. اگر مدل بهتری با تلاش و بازبینی کمتر به پاسخی قابل‌اعتماد برسد، ممکن است هزینه نهایی کمتری داشته باشد.

واحد مالی در مرکز راهبرد، سرمایه، داده، ریسک و عملکرد قرار دارد. این جایگاه، دیدی منحصربه‌فرد از نحوه کار شرکت و اختیار قدرتمندی برای هدایت تحول هوش مصنوعی آن به مدیران مالی می‌دهد.

شاخصه واحد مالی مبتنی بر هوش مصنوعی، چرخه‌های سریع‌تر، کنترل‌های قوی‌تر، تصمیم‌های بهتر و زمان بیشتر برای قضاوت حرفه‌ای است. این مسیر با یک گردش‌کار مهم آغاز می‌شود و بر پایه شواهد گسترش می‌یابد: ابزارها را در اختیار افراد بگذارید، به آن‌ها در بازطراحی کار کمک کنید، مسئولیت‌پذیری را شفاف نگه دارید و نتیجه را بسنجید.

بستن حساب‌ها در روز صفر و پیش‌بینی مستمر بیانگر هدفی گسترده‌ترند: تیم مالی هم‌زمان با وقوع رویدادها آن‌ها را درک کند، آنچه ممکن است در ادامه رخ دهد به مدیران نشان دهد و به شرکت کمک کند زودتر تصمیم‌های بهتری بگیرد.

نتیجه، تیم مالی توانمندتر و مدیر مالی برخوردار از دیدی روشن‌تر نسبت به کسب‌وکار است. این رویکرد همچنین الگویی عملی برای تبدیل هوشمندی به ارزشی پایدار در سراسر شرکت ایجاد می‌کند. همان‌طور که همیشه می‌گویم، چیزی که نتوانی ببینی، نمی‌توانی باشی. اگر می‌خواهیم تیم‌های مالی از ظرفیت‌های هوش مصنوعی استقبال کنند، باید نمود عملی آن را به آن‌ها نشان دهیم؛ و برای ما مدیران مالی، این کار از خودمان آغاز می‌شود.

تیم مالی من نشان داده است که این رویکرد در عمل چگونه است؛ می‌توانید ویدیوی ضبط‌شده را اینجا ببینید⁠(در یک پنجره جدید باز می‌شود).