Генеративный ИИ для CFO: от рутинных задач к стратегической роли
Автоматизация рутинных задач и высвобождение времени для стратегии
Генеративный ИИ начинает менять то, как финансисты проводят своё время. Беря на себя повторяющиеся и трудоёмкие операции, большие языковые модели (LLM) и сопутствующие инструменты освобождают финансовых директоров и их команды для работы над стратегическими приоритетами: финансовым стратегическим планированием, анализом сценариев и реагированием на геополитическую и рыночную нестабильность.
Эндрю В. Ло, профессор и директор Лаборатории финансовой инженерии в MIT Sloan School of Management, подчёркивает практическую ценность: «LLMs can’t replace the CFO by any means, but they can take a lot of the drudgery out of the role by providing first drafts of documents that summarize key issues and outline strategic priorities.» Иными словами, генеративный ИИ может ускорять подготовку документов и первичный анализ, позволяя руководителям больше времени уделять интерпретации результатов и советам бизнесу.
Практические кейсы в финансовой функции
Применение уже видно в нескольких направлениях. CFO и финансовые команды используют генеративный ИИ для подготовки квартальных отчётов, коммуникаций с инвесторами и создания кратких стратегических сводок. В казначействе тестируют прогнозирование денежных потоков, выручки и ликвидности, а также управление ими. Технология также применяется для автоматизации обработки контрактов и поддержки инвестиционного анализа.
Анализ Deloitte в рамках опроса 2024 State of Generative AI in the Enterprise показал, что примерно пятая часть (19%) финансовых организаций уже внедрили генеративный ИИ в финансовой функции, что указывает на ранний, но растущий интерес.
Проблемы прогнозирования и математические ограничения
Несмотря на перспективы, у LLM есть ограничения — особенно для задач, требующих строгого математического прогнозирования. Вероятностная и шаблонная природа многих генеративных моделей усложняет надежное получение точных числовых прогнозов и выполнение сложного количественного моделирования без тщательной проверки и специализированных доработок.
Тем не менее сочетание LLM с отраслевыми моделями, структурированными данными и человеческим контролем может снизить риски и сделать результаты прогнозирования практичными.
Внедрение, окупаемость и дальнейшие шаги
Некоторые организации уже инвестируют, несмотря на смешанные первые результаты. Deloitte отмечает, что доходность инвестиций в генеративный ИИ в финансах оказалась примерно на восемь процентных пунктов ниже ожиданий среди опрошенных организаций. Тем не менее импульс сохраняется: в четвертьвом квартале 2024 года опрос North American CFO Signals от Deloitte показал, что 46% CFO ожидают увеличения развертывания или расходов на генеративный ИИ в финансах в ближайшие 12 месяцев.
Респонденты отмечают контроль затрат через самообслуживание и автоматизацию, а также возможность перераспределения сотрудников на более ценные задачи как одни из главных преимуществ.
Робин Питерс, principal in finance transformation в Deloitte Consulting LLP, указывает, что ИИ может помочь принести клиентский опыт, привычный в рознице и гостеприимстве, в финансовую функцию: «Companies have used AI on the customer-facing side of the house for a long time, but in finance, employees are still creating documents and presentations and emailing them around. Largely, the human-centric experience that customers expect from brands in retail, transportation, and hospitality haven’t been pulled through to the finance organization. And there’s no reason we cannot do that—and, in fact, AI makes it a lot easier to do.»
Что стоит учесть CFO сейчас
CFO, которые будут ждать несколько лет, рискуют отстать от более гибких конкурентов, которые активно экспериментируют. Финансовым лидерам стоит:
- Определить задачи с большим объёмом и низкой добавленной стоимостью (подготовка отчётов, стандартные обновления для инвесторов, извлечение данных из контрактов), которые можно автоматизировать.
- Запустить пилоты с узкой сферой применения, чёткими метриками успеха и механизмами ручной проверки.
- Сочетать выводы LLM с структурированными моделями и валидацией для задач прогнозирования.
- Вкладываться в повышение квалификации команд, так как будущие специалисты уже растут с этими инструментами и будут работать в тандеме с ИИ.
Скачать отчет.
Этот материал подготовлен Insights, подразделением по созданию заказного контента MIT Technology Review. Он не был написан редакцией MIT Technology Review. Материал исследовали, разработали и написали живые авторы, редакторы, аналитики и иллюстраторы. Инструменты ИИ, которые могли быть использованы, ограничивались вспомогательными процессами производства и прошли тщательную проверку человеком.