چرا هوش مصنوعی نمی‌تواند جای قضاوت انسان را در مدیریت مالی بگیرد؟

هوش مصنوعی از پروژه‌های آزمایشی فراتر رفته و اکنون به هسته اصلی بخش‌های مالی سازمان‌ها راه یافته است. گزارش شاخص‌های مدیران مالی موسسه Deloitte نشان می‌دهد که نزدیک به ۹۳ درصد از مدیران ارشد مالی، هم‌اکنون از هوش مصنوعی در عملیات کلیدی خود بهره می‌برند؛ تغییری شگفت‌انگیز در مقایسه با آزمون‌وخطاهای محتاطانه تنها دو سال پیش. سرعت به‌کارگیری این فناوری انکارناپذیر است، اما سازمان‌هایی بیشترین پیشرفت معنادار را تجربه خواهند کرد که کورکورانه به دنبال خودکارسازی صرف نباشند، بلکه با درایت و هوشمندی دست به انتخاب بزنند.

بخش مالی سرشار از وظایفی است که در ظاهر کاملاً قابل خودکارسازی به نظر می‌رسند، اما در باطن به پیش‌زمینه‌ها و بافت سازمانی وابسته‌اند؛ اطلاعاتی کلیدی که داده‌های خام توان بازتاب آن را ندارند. برای مثال، جهش ناگهانی در هزینه‌های یک تامین‌کننده ممکن است شبیه به اختلافی قراردادی به نظر برسد، مگر آنکه بدانید این افزایش در واقع نمایانگر تغییر رویکردی راهبردی است که در جلسه هیئت‌مدیره بر سر آن توافق شده است.

یک مغایرت مالی نیز ممکن است هشداری نگران‌کننده به چشم آید، تا زمانی که متوجه شوید به یک دگرگونی عملیاتی برنامه‌ریزی‌شده مربوط می‌شود. هوش مصنوعی می‌تواند ناهنجاری‌ها را شناسایی کند و برجسته سازد، اما توان درک تفاوت‌های ظریف و منطق سازمانی پنهان در پشت این اعداد را ندارد. درست در همین شکاف عمیق میان آنچه داده‌ها نشان می‌دهند و آنچه بدنه سازمان از آن آگاه است، اعتماد می‌تواند فروبپاشد.

تیم‌های مالی نه تنها باید بدانند هوش مصنوعی قادر به تشخیص چه مشکلاتی است، بلکه باید دریابند در چه زمان‌هایی می‌توانند به تفسیر آن اعتماد کنند و در چه موقعیت‌هایی قضاوت انسانی باید وارد میدان شود. درک این تمایز، محور اصلی مرحله بعدی پذیرش هوش مصنوعی در سازمان‌ها خواهد بود.

هوش مصنوعی جایگزین قضاوت نمی‌شود، بلکه جایگاه آن را تغییر می‌دهد

باید به روشنی تاکید کرد که تحول رخ‌داده در امور مالی، به معنای حذف کامل قضاوت انسانی از این فرایند نیست، بلکه جایگاه اعمال این قضاوت را تغییر می‌دهد. به‌جای آنکه کارکنان وقت گران‌بهای خود را صرف بررسی تک‌تک تراکنش‌ها یا ریشه‌یابی جزء‌به‌جزء همه مغایرت‌ها کنند، بخش عمده تحلیل‌های اولیه توسط هوش مصنوعی انجام می‌شود؛ بنابراین تیم‌های مالی می‌توانند بر تعیین چارچوب‌ها، تصمیم‌گیری درباره موضوعات نیازمند توجه ویژه و مداخله در مواردی که با الگوها همخوانی ندارند تمرکز کنند.

این دگرگونی هم‌اکنون نیز در شیوه بهره‌برداری مدیران مالی از فناوری به چشم می‌خورد. نظرسنجی جهانی موسسه FTI Consulting از مدیران ارشد مالی نشان داد که نزدیک به ۷۰ درصد از آن‌ها اکنون از بینش‌های حاصل از هوش مصنوعی در کنار قضاوت متکی بر تجربه خود استفاده می‌کنند، نه به‌جای آن. این رویکرد پیش از این در عمل کلید خورده است؛ در واقع قضاوت همچنان بخش جدایی‌ناپذیر نقش مدیران مالی به شمار می‌رود، با این تفاوت که اکنون در سطوح بالاتر و در جایی که تصمیم‌های کلان اتخاذ می‌شوند، به کار گرفته می‌شود.

ایجاد اعتماد نباید به بعد موکول شود

هرچه مسئولیت‌های بیشتری در بخش مالی به هوش مصنوعی واگذار می‌شود، پرسش اصلی دیگر این نیست که آیا این فناوری توان انجام یک وظیفه را دارد یا خیر؛ بلکه پرسش اساسی این است که آیا تیم‌های مالی با خیالی آسوده می‌توانند به خروجی‌های آن تکیه کنند؟

این موضوع هنگام سر و کار داشتن با داده‌های حساس و تصمیم‌هایی که کوچک‌ترین خطایی در آن‌ها پیامدهای مالی سنگین یا مشکلات قانونی به بار می‌آورد، اهمیت دوچندان پیدا می‌کند. ابزاری مبتنی بر هوش مصنوعی که پیش‌نویس یک گزارش را تهیه می‌کند جای خود را دارد؛ اما عاملی هوشمند که تامین‌کننده‌ای را پیشنهاد می‌دهد، هزینه‌های غیرعادی را علامت‌گذاری می‌کند یا دستور پرداخت صادر می‌نماید، مقوله‌ای کاملاً متفاوت است.

اعتماد باید از همان ابتدا در ساختار بنیادین این سیستم‌ها نهادینه شود، نه آنکه پس از استقرار، از طریق تدوین دستورالعمل‌ها یا برگزاری دوره‌های آموزشی به آن افزوده گردد. تیم‌های مالی باید از شفافیت و دید کافی نسبت به چگونگی دستیابی سیستم به یک خروجی برخوردار باشند تا در صورت لزوم بتوانند آن را به چالش بکشند؛ این امر مستلزم تعیین مرزهای دقیق پیرامون وظایف مستقل هوش مصنوعی و مشخص کردن مواردی است که تصمیم نهایی باید به انسان بازگردانده شود.

گلوگاه اصلی خود مدل نیست، بستر داده‌ها است

بزرگ‌ترین مانع پیش روی هوش مصنوعی در حوزه مالی به‌ندرت به خود مدل‌ها مربوط می‌شود؛ عامل اصلی داده‌های زیربنایی آن‌ها است. تیم‌های مالی سال‌ها وقت صرف پیوند زدن اطلاعات پراکنده از سیستم‌های حسابداری، پلتفرم‌های مدیریت هزینه، ابزارهای تدارکات و صفحات گسترده اکسل کرده‌اند. اگر در این سامانه‌ها نام‌های تکراری تامین‌کنندگان، کدگذاری‌های ناهماهنگ یا اطلاعات قدیمی وجود داشته باشد، هوش مصنوعی این نابسامانی را برطرف نمی‌کند، بلکه تنها سرعت بروز پیامدهای منفی آن را شتاب می‌بخشد.

کیفیت داده‌ها باید پیش‌نیاز هر پروژه بلندپروازانه هوش مصنوعی باشد. داده‌های مالی تمیز، یکپارچه و در دسترس، بستری اتکاپذیر برای کارکرد هوش مصنوعی فراهم می‌آورند؛ در حالی که داده‌های پراکنده و آشفته، حتی پیشرفته‌ترین سیستم‌ها را نیز غیرقابل اعتماد می‌سازند. بخش اعظم مهم‌ترین اقدامات مرتبط با هوش مصنوعی پیش از استقرار آن صورت می‌گیرد: متصل کردن سیستم‌ها، پاکسازی داده‌ها و ایجاد نمایی واحد و دقیق از اطلاعات مالی سازمان.

زمانی که این زیرساخت محکم فراهم شود، هوش مصنوعی نقشی بسیار فراتر از خودکارسازی امور اداری ایفا خواهد کرد؛ در چنین شرایطی می‌تواند به شناسایی الگوهای نامتعارف، درک نحوه هزینه‌کردها و ارائه اطلاعاتی ارزشمند به تیم‌های مالی در بزنگاه‌های تصمیم‌گیری یاری رساند.

ارزش واقعی این فناوری در انجام امور روزمره اما حیاتی نهفته است: تسریع پردازش فاکتورها، دسته‌بندی دقیق‌تر هزینه‌ها، تشخیص زودهنگام ناهنجاری‌های مالی یا تسهیل دسترسی به داده‌های برنامه‌ریزی. شروع کار با کاربردهای مشخص و کاربردی به تیم‌ها امکان می‌دهد نحوه عملکرد هوش مصنوعی را در محیط کاری واقعی خود ارزیابی کنند، ببینند این فناوری در کجا به راستی گره‌گشاست و پیش از توسعه دامنه آن، چه تغییراتی را باید در ساختارها اعمال نمایند.

این رویکرد گام‌به‌گام بسیار واقع‌بینانه‌تر از تلاش برای دگرگونی یکباره کل بخش مالی است. سازمان‌های پیشرو آن‌هایی هستند که ابتدا مسائل مشخص را با موفقیت حل می‌کنند و تنها پس از اطمینان از عملکرد درست سیستم در واقعیت پیچیده داده‌ها و جریان‌های کاری سازمان خود، دامنه بهره‌گیری از آن را گسترش می‌دهند.

حرکت تیم مالی به سمت نقش‌های راهبردی‌تر

فرصت واقعی هوش مصنوعی در ایجاد یک بخش مالی کم‌کارتر خلاصه نمی‌شود؛ هدف شکل‌گیری تیمی است که زمان کمتری را به کارهای اداری روزمره اختصاص دهد و وقت بیشتری را صرف تصمیم‌گیری‌های حیاتی و اثربخش کند.

با واگذاری کارهای تکراری به هوش مصنوعی، متخصصان مالی می‌توانند انرژی خود را بر تحلیل کسب‌وکار، شناسایی ریسک‌ها و فرصت‌ها و زیر سؤال بردن فرضیات متمرکز کنند. آن‌ها به‌جای آنکه تا پایان ماه منتظر بمانند تا بفهمند چه رخ داده است، می‌توانند به سمت تحلیل مستمر داده‌ها و تصمیم‌گیری‌های لحظه‌ای حرکت کنند.

هوش مصنوعی نیاز به تخصص مالی را از بین نمی‌برد، بلکه ارزش این تخصص را دوچندان می‌کند؛ زیرا همچنان این انسان‌ها هستند که باید تشخیص دهند چه پرسش‌هایی مطرح شود، آیا پاسخ‌های ارائه‌شده منطقی است و در گام بعد چه اقدامی باید صورت پذیرد.

هدف نهایی، خودکارسازی همه چیز نیست

میزان موفقیت به‌کارگیری هوش مصنوعی در امور مالی نباید با تعداد فرایندهای واگذارشده به یک عامل هوشمند سنجیده شود، بلکه معیار واقعی این است که آیا تیم‌ها توانسته‌اند با صرف زمان و زحمت اداری کمتر، تصمیم‌های کیفی‌تر و دقیق‌تری اتخاذ کنند یا خیر.

کلید موفقیت مدیران ارشد مالی در این نکته نهفته است که به درستی بدانند هوش مصنوعی در کجا می‌تواند به‌طور مستقل عمل کند، در چه بخش‌هایی باید صرفاً پیشنهاددهنده باشد و در چه نقاطی قضاوت انسانی ضروری است. تیم‌های مالی که بتوانند این توازن هوشمندانه را برقرار سازند، از مرحله آزمون‌وخطا فراتر رفته و هوش مصنوعی را به دستاوردهای واقعی و ملموس اقتصادی تبدیل خواهند کرد.