Sztuczna inteligencja - możliwości i zastosowania
Sztuczna inteligencja (AI, Artificial Intelligence) przebija się we wszystkich dyskusjach na temat przyszłości pracy biurowej. Controlling nie jest tu wyjątkiem. Należy oczekiwać, iż w przyszłości sztuczna inteligencja wprowadzi zmiany w codziennej pracy kontrolerów i analityków.
W tym wpisie przedstawię przykłady innowacji, które mogą zmieniać profil zadań realizowanych przez controlling. Skupię się na zastosowaniach praktycznych i dostarczających realnej wartości dodanej.
Odniosę się również krótko do przykładu wykorzystania AI w controllingu, o którym obecnie jest chyba najgłośniej. Ale tu będę twardo stał na stanowisku, iż taka wizja AI w controllingu to raczej „buzzword” niż realna zmiana.
Główne tezy, które rozwinę w dalszej części do:
- Sztuczna inteligencja może w przyszłości tworzyć lepsze budżety i prognozy niż menedżerowie. Jeszcze nie teraz i raczej nie prędko, ale w perspektywie 10-15 lat nie powinno to nikogo zaskoczyć.
- Jeżeli ważną rolą controllingu jest wykrywanie anomalii, to AI może się do tego świetnie nadawać.
- ChatGPT raczej nie zastąpi kontrolerów w interpretacji wyników i przedstawianiu rekomendacji. Ta ścieżka rozwoju AI w controllingu wydaje się „ślepą uliczką”).
- Wykorzystanie AI jest jednym ze strumieni digitalizacji controllingu. Bez fundamentów w postaci dobrej jakości danych, sztuczna inteligencja będzie tylko zabawką, która nie rozwiąże żadnego z obecnych problemów.
Budżetowanie i prognozowanie ze wsparciem sztucznej inteligencji
Szukając przyszłych zastosowań AI w controllingu, śmiało można założyć, iż sztuczna inteligencja znajdzie zastosowanie w budżetowaniu i prognozowaniu.
Obecne podejścia do budżetowania i prognozowania
Obecnie budżety i prognozy w większości firm powstają na podstawie eksperckich predykcji controllingu i menedżerów uczestniczących w planowaniu. W praktyce stosowane są różne metody planowania: bottom-up, top-down czy middle-out. Na koniec dnia jednak dane planistyczne są wynikiem tego, co myślą i wiedzą uczestnicy procesu.
W większości firm funkcjonuje coś takiego jako „model budżetowy”. Zbiór formuł i zależności, który przekłada parametry operacyjne, wskaźniki efektywności i ekspercki wsad planistów w wynikowe raporty finansowe. Model budżetowy odwzorowuje model biznesowy firmy. Przekłada procesy i zależności operacyjne na formuły arkusza kalkulacyjnego czy reguły systemu do budżetowania.
Jak może działać sztuczna inteligencja w budżetowaniu i prognozowaniu
Model budżetowy działa (w pewien sposób) podobnie do obecnych modeli prognozowania pogody. Meteorolodzy dysponują skomplikowanymi modelami (kilkoma, a nie jednym). Modele meteorologiczne to efektywnie zbiory równań, które przetwarzają dane wejściowych (tutaj aktualne parametry zbierane przez balony i stacje meteorologiczne) odwzorowując reguły rządzące zjawiskami fizycznymi zachodzącymi w atmosferze.
Budżetowanie i prognozowanie z wykorzystaniem sztucznej inteligencji nie będzie wymagało wiedzy eksperckiej na temat „sił” wpływających na przychody i koszty organizacji. Rolą sztucznej inteligencji będzie właśnie zidentyfikowanie tych parametrów wejściowych, które są istotne.
Niewątpliwie będzie to czarna skrzynka, która zasilona odpowiednim wsadem wygeneruje odpowiednią prognozę. Inne założenia i parametry – inna wartość prognozy; dokładnie tak samo, jak w obecnych procesach i modelach planowania. Z tą różnicą, że trudno będzie wytłumaczyć, dlaczego właśnie takie wartości, a nie inne.
Poprzedni akapit trochę „przekolorowałem”. Sztuczna inteligencja spokojnie wskaże nam, które parametry są istotne, a które zostały pominięte w modelu. I potencjalnie może nas to zaskoczyć…
Identyfikacja anomalii przez sztuczną inteligencję
Wykrywanie anomalii nie należy do typowych zadań controllingu. W zasadzie wiele firm nie ma wcale takiego procesu. W jakiś sposób funkcję taką może pełnić obecna analiza odchyleń (czyli porównanie obecnych osiągnięć z budżetami lub danymi historycznymi) lub procesy rekoncyliacji danych (np. accounts reconciliation).
Tradycyjne narzędzia i procesy wykrywania anomalii opierają się na regułach. Identycznie jak w modelach planistycznych ktoś z wiedzą biznesową definiuje „co jest normalne a co nie jest”. Projektuje warunki dla alertów. Jak takie reguły mogą wyglądać w praktyce. Jeżeli odchylenie przekracza x%, gdy koszt rzeczywisty jest większy od kosztu standardowego o y PLN, gdy dynamika sprzedaży do klienta jest mniejsza niż n%… Jeżeli czegoś nie przewidzimy, to system o tym nie wie. Alertu nie będzie, konsekwencje zobaczymy w przyszłości. I wtedy dodamy do modelu nową regułę.
Zaprzęgnięcie sztucznej inteligencji do wykrywania anomalii zwalnia nas z konieczności tworzenia i utrzymywania reguł. To AI będzie czuwać na tym, by wykrywać zagrożenia. Oceniać czy dana transakcja lub sytuacja jest „inna” niż dotychczasowe. W przypadku, gdy uzna, że „jest inna” powiadomi użytkownika o potencjalnym zagrożeniu i ewentualnie włączy tryb „bezpieczny” (na przykład zablokuje podejrzany przelew lub wysyłkę towaru, przekieruje partię towaru do dodatkowej kontroli jakości, itp). Od tego momentu proces realizowany już będzie tradycyjnie – to człowiek, korzystając ze swej wiedzy i doświadczenia, oceni czy jest to realne zagrożenie i zdecyduje o dalszym procedowaniu.
Dlaczego ten punkt pojawia się na liście wykorzystania sztucznej inteligencji w controllingu. Z dwóch powodów. Po pierwsze controlling jest głównym beneficjentem jakości danych. Więc AI wykrywająca nieprawidłowe księgowania, brakujące dokumenty czy inne błędy może być narzędziem istotnie poprawiającym jakość raportowania zarządczego.
Budżetowanie i prognozowanie z wykorzystaniem sztucznej inteligencji nie będzie wymagało wiedzy eksperckiej na temat „sił” wpływających na przychody i koszty organizacji. Rolą sztucznej inteligencji będzie właśnie zidentyfikowanie tych parametrów wejściowych, które są istotne.
Niewątpliwie będzie to czarna skrzynka, która zasilona odpowiednim wsadem wygeneruje odpowiednią prognozę. Inne założenia i parametry – inna wartość prognozy; dokładnie tak samo, jak w obecnych procesach i modelach planowania. Z tą różnicą, że trudno będzie wytłumaczyć, dlaczego właśnie takie wartości, a nie inne.
Po drugie controlling ma kompetencje i doświadczenie w pracy z danymi. Z tego względu może być naturalnym liderem wspierającym wdrażanie AI jako narzędzia wykrywania anomalii w innych obszarach biznesowych.
Interpretacja danych controllingowych przez modele językowe
Kilka razy widziałem już prezentacje i pokazy, jak to ChatGPT interpretuje dane finansowe. „Tu wzrosło”, „tam spadło”, „przyczyną może być”… Pustosłowie, ogólne stwierdzenia, brak szerszego kontekstu. Do tej pory xa każdym razem było to tak płytkie, że jestem przekonany, iż każdy CEO czy CFO szybko rozstałby się z kontrolerem, który dostarcza komentarze na takim poziomie.
Dodatkowo obecne modele językowe AI dostępne są wyłącznie online. I można powiedzieć, że „karmią się” danymi, które dostarczają im użytkownicy. Proces stałego doskonalenia sztucznej inteligencji opiera się na stałym przetwarzaniu danych i informacji zwrotnej. Nie mamy kontroli nad tym, co się dzieje z danymi, które przekazujemy w naszych zapytaniach. I w zdecydowanej większości firm nie będzie prędko zgody na to, by wrażliwe dane finansowe trafiały do sfery publicznej. Chyba nikt nie chciałby, by poufne informacje o produktach czy klientach trafiły do konkurencji. A nie możemy wykluczyć, iż model językowy zapamięta podane przez nas informacje, by „pochwalić się swą wiedzą” komuś innemu, jeżeli tylko nadarzy się ku temu okazja…
Dlatego, przyszłością sztucznej inteligencji w controllingu nie będzie raczej ChatGPT. Interpretacje i wnioski zostawmy na razie ekspertom, a zastosowań AI szukajmy tam, gdzie technologia jest w stanie sobie radzić lepiej od człowieka.
Konsekwencje wykorzystania sztucznej inteligencji dla controllingu
Na czym w takim przypadku będzie polegała rola controllingu w świecie sztucznej inteligencji? W przypadku budżetowania i prognozowania będzie to zapewne „wymyślanie” kolejnych parametrów wejściowych. A później gromadzenie i przetwarzanie danych wejściowych, tak by silnik AI miał większe możliwości działania.
Podstawowa trudność? Przeprowadzenie proces „uczenia się” sztucznej inteligencji. Predykcje i odpowiedzi generowane przez AI są wynikiem wcześniejszego przetworzenia dużej liczby danych trenujących. Im większa ilość przypadków, na których sztuczna inteligencja może budować swoje reguły i sieci neuronowe, tym większa trafność późniejszych predykcji.
Można powiedzieć, że AI to taki perfekcyjny specjalista radiologii. Zapamiętuje obraz każdego pacjenta i diagnozę potwierdzoną w dalszym leczeniu. I jak zbudował „bazę” tysięcy czy milionów takich pacjentów, to potem każdy kolejny wynik badania może przypisać do podobnych przypadków i na tym przykładzie dokonać oceny. Tak (w większości) działają modele AI służące do prognozowania pogody. I okazuje się, że podejście, które wygrywa z człowiekiem w radiologii, (na razie) wypada gorzej niż tradycyjne modele oparte na prawach fizyki.
Tylko zastosowanie AI w prognozowaniu pogody czy diagnostyce medycznej różnią się w jednym względzie z wykorzystaniem sztucznej inteligencji w controllingu. I jest to różnica fundamentalna. Wiedza fizyczna lub medyczna jest uniwersalna – jeżeli komuś uda się stworzyć optymalny model sztucznej inteligencji, to będzie on mógł być z powodzeniem stosowany na całym świecie (choć w zastosowaniach medycznych zapewne będzie konieczne będzie ujęcie różnic rasowych, społecznych czy kulturowych). Modele controllingowe chyba zawsze będą specyficzne dla danej firmy (ewentualnie branży czy gospodarki); każdy będzie sobie musiał taką „sztuczną inteligencję” wyhodować samodzielnie. I na pewno początkowo będzie tu spora bariera wejścia w postaci know-how oraz kosztów…
Co z tego wynika dla controllingu tu i teraz? Przy dzisiejszym poziomie dojrzałości AI można się spodziewać, że budżety i prognozy tworzone z pomocą AI będą gorsze (roboczo przyjmując, że dobra prognoza to trafna prognoza i zostawiając na marginesie co oznacza dobry budżet) niż to co firmy uzyskują angażując w planowanie swoich specjalistów i menedżerów. Warto jednak obserwować trendy i możliwości narzędzi. A co robić? Zbierać dane, które może kiedyś „zainteresują” sztuczną inteligencję. Identyfikować parametry, tworzyć bazy, tak by technologia – gdy będzie już gotowa – miała na czym budować swe reguły.
Sztuczna inteligencja a digitalizacja controllingu
Cała dyskusja o wykorzystaniu sztucznej inteligencji, uczenia maszynowego czy metod eksploracji danych w zastosowaniach controllingu pozostaje bezcelowa, jeżeli controlling nie ma podstawowych narzędzi wspierających procesy raportowania, budżetowania czy alokacji kosztów.
Narzędzia i technologie przyszłości potrzebują uporządkowanych i dobrej jakości danych. Trudno pokładać nadzieję w wygenerowanym komputerowo modelu budżetu, jeżeli na wejściu dostaje on dane niepełne, niewiarygodne, czy zniekształcone. Reguła garbage-in-garbage-out („śmieci” na wejściu, „śmieci” na wyjściu) zadziała nieubłaganie.
Oczywiście łatwo jest ulec modzie. Cały świat pasjonuje się sztuczną inteligencją, więc również my powinniśmy myśleć o jej wykorzystaniu w controllingu. Tymczasem realne problemy wielu firm są zupełnie gdzie indziej. I sztuczna inteligencja ich nie rozwiąże. Optymalną strategią „na dziś” jest automatyzacja – raportowania, budżetowania, prognozowania, alokacji kosztów, konsolidacji. Rynek tego typu rozwiązań jest dojrzały. Efekty projektu możliwe do przewidzenia. Koszty wdrożenia na racjonalnym poziomie.
Dodatkowo tego typu inicjatywy budują fundamenty dla przyszłego wykorzystania AI w controllingu. Pozwalają w zautomatyzowany i usystematyzowany sposób gromadzić duże ilości istotnych danych biznesowych. Gdy sztuczna inteligencja na poważnie zacznie pojawiać się w controllingu, posiadanie odpowiednich danych będzie kapitałem, który pozwoli efektywnie skorzystać z możliwości AI!
