منتشرشده در نشریه شماره ۳۸ آفتاب خاورمیانه - خرداد ۱۴۰۴
فاطمه رمضانی
کارشناس مالی
اگرچه هوش مصنوعی فناوری جدیدی نیست، اما ابزارهای قدرتمندی که با کاربری آسان در دسترس عموم قرار گرفتهاند، فرصتهای نوینی به کسبوکارها ارائه کردهاند. مدیران مالی و حسابداران، همانطور که از سایر ابزارهای دیجیتال برای افزایش دقت و سرعت استفاده میکنند، در حال آزمون قابلیتهای هوش مصنوعی نیز هستند. در یادداشت حاضر ضمن بررسی ظرفیت هوش مصنوعی، به نتایج ورود فناوری به حوزه مدیریت مالی میپردازیم.
رایانهای شدن امور مالی
مدیریت مالی شامل برنامهریزی، سازماندهی و کنترل منابع مالی است و بهکمک آن، کسبوکارها در زمینه سرمایهگذاری، تامین مالی و تخصیص منابع، تصمیمگیری میکنند. حسابداری نیز جمعآوری، طبقهبندی، تجزیهوتحلیل و گزارشگیری از اطلاعات مالی را برعهده دارد تا امکان تصمیمگیریهای بهتر برای مدیران فراهم شود.
در گذشته، این وظایف عمدتا بهصورت دستی انجام میشد. در آن زمان، دفاتر کاغذی بزرگی برای ثبت انواع سند پرداخت و دریافت وجه استفاده میشد که فارغ از مصرف کاغذ و زمانبر بودن، امکان اشتباه در ثبت یا خواندن اطلاعات آنها وجود داشت.
در دهههای اخیر، نرمافزارهای حسابداری، ضمن افزایش دادن دقت و سرعت فرآیندهای مالی، بخشی از آنها را خودکار کردهاند. درحالحاضر، این نرمافزارها از مرحله ثبت دادههای مالی تا گزارشگیری و حتی تراکنشهای بانکی را پوشش میدهند؛ اما نقش این ابزارها در حد کمک به تسریع فرآیندهای مدیریتهای مالی بوده و تصمیمگیری و نتیجهگیری از دادهها، همچنان برعهده افراد است.
حسابوکتاب با هوش مصنوعی
ورود هوش مصنوعی به امور مالی، خود را در دو عرصه نشان داده است که بهترتیب به آنها میپردازیم: 1) تحول خدمات کلاسیک 2) افزودن امکانات و خدمات جدید
1) تحول خدمات کلاسیک
مشابه سایر حوزههای کسبوکار، اولین تاثیرات هوش مصنوعی در بهبود روندهای موجود است:
خودکارسازی وظایف تکراری
هوش مصنوعی وظایفی مانند ثبت حسابها، پردازش فاکتورها، محاسبه حقوق و دستمزد و تهیه گزارشهای مالی را خودکار میکند. بهعنوان مثال در زمان ثبت اطلاعات یک تراکنش مالی، میتوان این دادهها را به همه فرمها و گزارشهای مرتبط منتقل کرده و گزارشگیری همزمان را ممکن کرد؛ به این ترتیب، یک حسابدار بهطور همزمان، گزارش به مدیر مالی، مدیرعامل، هیاتمدیره یا صاحبان سهام (که هر کدام ویژگیهای متفاوتی دارند) را با ثبت اطلاعات، تدوین میکند.
حسابرسی مداوم
هوش مصنوعی قادر است اسناد مالی را ازطریق پردازش زبان طبیعی (NLP) تحلیل کرده و خطاهای انسانی را کاهش دهد. ابزارهای هوش مصنوعی با بررسی میلیونها داده تاریخی، میتوانند الگوهای غیرعادی را شناسایی کرده و از اشتباه یا تقلب جلوگیری کنند؛ بهعنوان مثال، اگر رقم واردشده (مانند دستمزد یا هزینه خدمات) با ارقام دورههای پیشین تفاوت چشمگیری دارد، هوش مصنوعی نسبت به احتمال خطا هشدار میدهد. از سوی دیگر، با تحلیل مداوم دادههای مالی، ریسک و ناهنجاری در لحظه شناسایی شده و نیاز به حسابرسیهای دورهای کاهش مییابد.
افزایش شناخت از وضعیت و کنترل
با استفاده از ابزارهای هوش مصنوعی، مدیران بهصورت لحظهای میتوانند باتوجهبه تراکنشها، از مجموع دارایی شرکت در همه حسابها مطلع شوند. این اطلاعات با لحاظ کردن مطالبات و چکهای صادرشده، میتواند برآوردی از شرایط مالی شرکت در آینده نیز ارائه دهد. بدینترتیب مدیران در سطوح گوناگون سازمان میتوانند تصمیمات بهتری را اتخاذ کنند.
آسانتر شدن تطبیق با قوانین و محاسبه مالیات
تغییر قوانین و حجم بالای اطلاعات مالی هر شرکت، انطباق با این قوانین را دشوار و زمانبر میکند. ابزارهای هوش مصنوعی با قدرت پردازش سریع، میتوانند با نظارت بر تراکنشها، زمان و هزینه انطباق را کاهش دهند. این ابزارها همچنین میتوانند انواع مطالبات دولتی ازجمله حق بیمه و مالیات را در کمترین زمان ممکن محاسبه کنند.
2) امکانات و خدمات جدید
فراتر از خدمات کلاسیک، هوش مصنوعی میتواند امکانات جدیدی را در اختیار مدیران مالی و حسابداران قرار دهد:
مشاوره مالی هوشمند
سامانههای هوش مصنوعی با توانایی پردازش حجم عظیمی از دادههای مالی در زمان کوتاه، الگوهای مالی و اقتصادی را شناسایی میکنند. آنها همچنین با استفاده از پردازش زبان طبیعی و یادگیری ماشین، میتوانند بازار را تحلیل کرده و روندهای آتی را پیشبینی کنند.
به این ترتیب این سامانهها میتوانند باتوجهبه وضعیت موجود و اهداف هر شرکت، مشاورههای شخصیسازیشده به مدیران آن ارائه کنند. بهعنوان مثال، سامانههای هوشمند میتوانند با تحلیل دادههای مالی، توصیههایی برای سرمایهگذاری، مدیریت بدهی و برنامهریزی مالی پیشنهاد دهند.
مدیریت مالی زنجیره تامین
ابزارهای هوش مصنوعی با تحلیل دادههای زنجیره تامین (مدیریت یکپارچه جریان مواد، اطلاعات و نقدینگی از تامینکنندگان تا مصرفکننده نهایی)، جریانهای نقدی را پیشبینی میکنند. همچنین این ابزارها ریسکهای تامین مالی را ازطریق شناسایی الگوهای ریسک در دادههای تاریخی مدیریت میکنند.
سامانههای هوش مصنوعی میتوانند با پیشبینی تقاضا و موجودی کالا، نیازهای مالی را تخمین زده و از کمبود یا مازاد نقدینگی جلوگیری کنند. بهعنوان مثال یک شرکت تولیدی میتواند از هوش مصنوعی برای تحلیل دادههای تاریخی فروش، روندهای فصلی (مثل افزایش تقاضا در تعطیلات) و حتی تحولات بازار (مثل عرضه رقبا) استفاده کند. بهاینترتیب، شرکت متوجه میشود که باید برای تامین قطعات خود، وام کوتاهمدت با بهره بالا دریافت کند.
تجربیات کنونی هوش مصنوعی در مدیریت مالی
در حال حاضر، بسیاری از سازمانها در سراسر جهان از هوش مصنوعی برای بهبود فرآیندهای مالی و حسابداری خود استفاده میکنند. برخی از نمونههای موفق شامل موارد زیر است:
- جیپی مورگان چیس (JP Morgan Chase) از یک سامانه هوش مصنوعی بهنام کوین (COIN) استفاده میکند تا قراردادهای مالی را بررسی و تحلیل کرده و هزاران سند را در چند ثانه پردازش کند. این سامانه سالانه بیش از ۳۶,۰۰۰ ساعت کار انسانی را کاهش میدهد.
- سامانه آیبیام واتسون (IBM Watson) در برخی از شرکتهای حسابداری برای تحلیل اسناد مالی و امور مالیاتی مورد استفاده قرار گرفته و با تحلیل قوانین مالیاتی، راهکارهایی برای کاهش مالیات ارائه میدهد.
- پیدبلیوسی (PwC) و دلویت (Deloitte) از الگوریتمهای هوش مصنوعی برای بررسی حجم عظیمی از دادههای مالی و شناسایی پولشویی و تقلب در گزارشهای مالی استفاده میکنند.
- شرکت پلنتیر (Palantir) با پلتفرم فاندری (Foundry)، به شرکتها کمک میکند تا با تحلیل دادهها، سناریوهای مالی مختلف را شبیهسازی کنند.
چالشهای هوش مصنوعی در مدیریت مالی
ابزارهای هوش مصنوعی در حال توسعه و تحول هستند و بخشی از مشکلات کنونی آنها، در آینده (شاید حتی ظرف چندماه) برطرف خواهند شد. با این حال، بخشی از محدودیتهای بنیادین، احتمالا بهزودی برطرف نشوند:
1) مشکلات دادهای
هوش مصنوعی به دادههای دقیق و گسترده نیاز دارد، اما در بازارهایی مانند کشور ما، دسترسی به دادههای باکیفیت و یکپارچه محدود است. همچنین، نبود استانداردهای یکسان برای گزارشگیری مالی، آموزش مدلهای هوش مصنوعی را دشوارتر میکند.
2) حدودیتهای حقوقی و اخلاقی
قوانین فعلی کشورها، باید متناسب با ظرفیت و نقشهای هوش مصنوعی، تغییر کنند؛ پرسشهایی مانند «مسئولیت خطاهای هوش مصنوعی برعهده کیست؟» یا «آیا میتوان یک شرکت تولیدکننده الگوریتم را برای شفافیت مجبور به افشای منابع و اقدامات خود کرد؟» هنوز پاسخ روشنی ندارند.
3) مسائل مربوط به تفسیرپذیری
تصمیمات اتخاذشده توسط الگوریتمهای هوش مصنوعی همیشه قابلتفسیر (Interpretable) نبوده و فرآیندهایی که هوش مصنوعی برای پردازش داده اعمال میکند برای کاربران قابلتشخیص نیستند. این موضوع در حسابرسی، ردیابی خطاها و نظارت مشکلساز میشود و امکان اصلاح و بهبود سامانه را میگیرد.
4) نیاز به مهارتهای جدید
استفاده از هوش مصنوعی نیازمند مهارتهای جدیدی در حوزه تحلیل داده، یادگیری ماشین و برنامهنویسی است و سازمانها باید برای آموزش کارکنان خود سرمایهگذاری کنند. حسابداران و مدیران مالی باید با مفاهیم و ابزارهای هوش مصنوعی آشنا شوند تا بتوانند از این فناوری بهطور موثر بهره ببرند.
5) ریسکهای امنیتی و نگرانی از اشتباهات
استفاده از هوش مصنوعی در امور مالی، نگرانیهایی درباره حریم خصوصی و سوءاستفاده از دادههای حساس ایجاد میکند. برای مثال، درصورتی که شرکتهای گوناگون از یک سامانه مشترک استفاده کنند، حمله سایبری به آن سامانه میتواند منجر به نشت اطلاعات میلیونها مشتری شود.
هوش مصنوعی همچنین ممکن است دچار اشتباهات ناشی از ضعف داده و الگوریتم شود؛ ابزارهای هوش مصنوعی اگر چیزی را ندانند، ممکن است دچار توهم (Hallucinations AI) شده و محتوای نادرستی ارائه کنند. به این ترتیب، سامانههای هوش مصنوعی، همچنان به حضور و نظارت کارشناسان مالی نیاز دارند.
آینده کارشناسان مالی
با گسترش استفاده از هوش مصنوعی، کارشناسان مالی از وظایف عملیاتی و روزمره فاصله گرفته و نقشهای تحلیلی و استراتژیک را برعهده میگیرند. دو حوزهای که این کارشناسان در آن مشغول خواهند شد، عبارتند از:
1) نظارت بر هوش مصنوعی
کارشناسان مالی باید بر تمامی مراحل ایجاد ابزار (مانند راهاندازی و آموزش آن با دادههای مالی) نظارت داشته و مانع از سوگیری در آن شوند. نقصهای ابزارهای هوش مصنوعی ایجاب میکند که کارشناسان مالی، نهتنها بر نتایج این ابزارها نظارت کنند، بلکه این توانایی را داشته باشند که الگوریتمها را اصلاح کنند.
2) تصمیمگیری استراتژیک و قضاوت اخلاقی
کارشناسان مالی باید میان فناوری و دنیای کسبوکار، پل زده و اطلاعات و گزارشهای هوش مصنوعی را باتوجهبه استراتژی شرکت و ارزشهای انسانی و اخلاقی، تحلیل کنند. باتوجهبه مسائل زیستمحیطی، اجتماعی و معیشتی افراد، مسئولیت تصمیمگیری همچنان با کارشناسان انسانی خواهد بود؛ بهاینترتیب، باید انسانها حرف هوش مصنوعی را بشنوند، اما تصمیم نهایی را خودشان بگیرند.