از بستن حساب‌ها تا پیش‌بینی لحظه‌ای؛ ۵ درس OpenAI برای ساخت واحد مالی هوش مصنوعی‌محور

چرا واحدهای مالی سنتی دیگر پاسخ‌گو نیستند؟

امور مالی به یک کارکرد بلادرنگ تبدیل شده است. مسئله فقط این نیست که دفاتر مالی سریع‌تر بسته شوند یا پیش‌بینی‌ها با فاصله زمانی کوتاه‌تری به‌روزرسانی شوند. فرصت اصلی این است که واحد مالی بتواند تغییرات کسب‌وکار را هنگام وقوع مشاهده کند، به مدیران برای اقدام زودهنگام هشدار دهد و زمان بیشتری برای تحلیل سناریوها و شکل‌دادن به نتایج آینده فراهم کند.

وقتی مدیر مالی OpenAI حدود دو سال پیش به این شرکت پیوست، تیم مالی کوچکی باید از سازمانی با رشد بسیار سریع پشتیبانی می‌کرد. این تیم ناچار بود واحد مالی را تقریباً از پایه بسازد و هوش مصنوعی را به بخشی بنیادی از شیوه انجام کار، تصمیم‌گیری و پشتیبانی از کسب‌وکار تبدیل کند.

با وجود دسترسی به ابزارهای پیشرفته هوش مصنوعی، بستن حساب‌ها و به‌روزرسانی پیش‌بینی‌ها همچنان شامل فعالیت‌های دستی و تکراری بود: یافتن اطلاعات، توضیح تغییرات، تطبیق داده‌های پراکنده و آماده‌کردن ورودی‌های لازم برای تصمیم‌گیری. این تناقض یک نکته مهم داشت: دسترسی به فناوری، بدون بازطراحی فرایند، تحول ایجاد نمی‌کند.

OpenAI در پاسخ به این مسئله دو هدف بلندپروازانه تعریف کرد: «بستن حساب‌ها در روز صفر» و «پیش‌بینی مالی خودکار و پیوسته». این اهداف هنوز در حال تکمیل‌اند، اما مسیر دستیابی به آن‌ها شیوه کار تیم مالی را تغییر داده است.

مقایسه واحد مالی سنتی و واحد مالی هوش مصنوعی‌محور

درس اول: دسترسی عمومی را با مسئله واقعی پیوند دهید

نخستین اقدام OpenAI فراهم‌کردن دسترسی گسترده به ابزارهای هوش مصنوعی بود. بااین‌حال، دسترسی زمانی ارزش می‌سازد که کارکنان بتوانند آن را روی یک مسئله واقعی و تکرارشونده آزمایش کنند.

در یک هکاتون مالی، مهندسان فروش در کنار اعضای تیم مالی قرار گرفتند و از کارکنان خواسته شد فرایندی را انتخاب کنند که واقعاً نیازمند تغییر بود. یکی از خروجی‌ها IR-GPT بود؛ یک GPT سفارشی که فقط بر منابع تأییدشده تیم روابط سرمایه‌گذاران تکیه داشت و برای تهیه پاسخ اولیه به پرسش‌های ارزیابی موشکافانه سرمایه‌گذاران به کار رفت. ابزارهای سفارشی دیگری نیز برای حوزه‌هایی مانند تدارکات و مالیات در دست ساخت قرار گرفتند.

راهکار عملی برای مدیران مالی

1. سه فعالیت پرتکرار، زمان‌بر و قابل‌اندازه‌گیری را انتخاب کنید.
2. برای هر فعالیت، داده‌های مجاز، خروجی مورد انتظار و مسئول تأیید را مشخص کنید.
3. یک نمونه اولیه محدود در بازه دو تا چهار هفته‌ای بسازید.
4. زمان انجام کار، کیفیت خروجی، میزان بازکاری و خطا را قبل و بعد از اجرا مقایسه کنید.
5. فقط نمونه‌هایی را توسعه دهید که اثر عملی آن‌ها با شواهد قابل‌سنجش تأیید شده است.

درس اصلی، ترکیب نوآوری پایین‌به‌بالا با راهبرد بالا‌به‌پایین است: کارکنان نزدیک به فرایند، مسئله و راه‌حل را بهتر می‌شناسند؛ مدیریت نیز باید منابع را بر مسائل دارای بیشترین اثر اقتصادی متمرکز کند.

درس دوم: کل جریان کار را حول تصمیم بازطراحی کنید

تیم‌های مالی زمان زیادی را صرف آماده‌کردن مقدمات تصمیم می‌کنند. یک جلسه بررسی پیش‌بینی ممکن است به استخراج آخرین داده‌ها، تطبیق چند صفحه گسترده، تحلیل انحراف، تهیه نمودار و تبدیل گزارش به اسلاید نیاز داشته باشد. هوش مصنوعی می‌تواند «واحد کار» را از تولید یک گزارش به پشتیبانی از یک تصمیم کامل تغییر دهد.

در الگوی بستن حساب‌ها در روز صفر، برنامه‌های هزینه‌کرد تأییدشده، ارقام واقعی دفتر کل، سفارش‌های خرید، اقلام تعهدی و جزئیات تراکنش‌ها در یک نمای پیوسته و تطبیق‌یافته به هم متصل می‌شوند. هوش مصنوعی توضیح اولیه هر انحراف را تهیه و موارد استثنا را علامت‌گذاری می‌کند؛ اما تیم مالی اعداد را اعتبارسنجی می‌کند، قضاوت حرفه‌ای را به کار می‌گیرد و تأیید نهایی را بر عهده دارد.

بر همین پایه می‌توان پیش‌بینی پیوسته‌ای ساخت که مدل‌های آماری، مکالمات فروش، شواهد سطح حساب مشتری، داده‌های عملیاتی و قضاوت مالی را کنار هم قرار دهد. مدیر می‌تواند ببیند چه چیزی تغییر کرده، چرا تغییر کرده و کدام تصمیم نتیجه را عوض می‌کند.

نقشه اجرای پیشنهادی

• تصمیم مهم را تعریف کنید؛ برای مثال تخصیص بودجه بازاریابی یا اصلاح پیش‌بینی درآمد.
• منابع داده، مالک هر داده، تناوب به‌روزرسانی و سطح کیفیت را ثبت کنید.
• نقاط تطبیق، تأیید، تحویل و استثنا را روی نقشه فرایند مشخص کنید.
• وظایف مناسب برای تحلیل یا اجرای هوش مصنوعی را از وظایف نیازمند قضاوت انسانی جدا کنید.
• برای هر خروجی، پیوند به منبع، زمان تولید، نسخه مدل و هویت تأییدکننده را نگه دارید.

درس سوم: متخصصان مالی به سازندگان ابزار تبدیل می‌شوند

پژوهش OpenAI نشان داده بود که ۴۰ درصد استفاده تخصصی متخصصان مالی از هوش مصنوعی به فعالیت‌هایی خارج از امور مالی سنتی مربوط می‌شد و ۲۲ درصد آن با کارهای مهندسی ارتباط داشت. این یافته به معنای حذف تخصص مالی نیست؛ بلکه نشان می‌دهد کارشناسان مالی می‌توانند ابزار متناسب با دانش خود را بسازند.

در OpenAI، اعضای تیم با ChatGPT و Codex داشبوردها و ابزارهای سفارشی ایجاد کردند. یکی از کارکنان که سابقه برنامه‌نویسی نداشت، ابزاری ساخت که پیش‌بینی ماهانه تبلیغات را به برنامه‌های هفتگی و روزانه تبدیل می‌کرد، روزهای کاری و تعطیلات را در نظر می‌گرفت، پیش‌بینی‌ها را مقایسه می‌کرد و هر عدد را به مدل تأییدشده متصل نگه می‌داشت.

برای سازمان‌ها، مسیر مناسب استفاده کنترل‌شده از ابزارهای کم‌کد، تولید کد با هوش مصنوعی و محیط‌های آزمایشی است. هر ابزار مالی باید مالک کسب‌وکاری، مستندات، کنترل نسخه، آزمون داده و فرایند انتشار مشخص داشته باشد.

درس چهارم: سرعت را با پاسخ‌گویی و کنترل همراه کنید

IR-GPT توانست تهیه پیش‌نویس پاسخ به پرسش‌های سرمایه‌گذاران را از چند ساعت به چند ثانیه کاهش دهد، اما پاسخ بدون بازبینی انسانی ارسال نمی‌شد. تیم روابط سرمایه‌گذاران متن را مطالعه، زمینه لازم را اضافه و سازگاری پاسخ‌ها را کنترل می‌کرد. اصل کلیدی روشن بود: هوش مصنوعی کار را شتاب می‌دهد؛ انسان مالک نتیجه است.

مدیر مالی باید همراه با فناوری اطلاعات، امنیت و حاکمیت داده مشخص کند سامانه به چه داده‌ای دسترسی دارد، چه اقدامی می‌تواند انجام دهد، چه زمانی تأیید انسانی لازم است و چه مواردی باید تشدید یا ارجاع داده شوند. دسترسی مبتنی بر نقش، سقف مصرف، بودجه توکن، مسیریابی مدل، ثبت رویدادها و آستانه‌های تأیید، اجزای ضروری این معماری‌اند.

هر خروجی باید به منبع معتبر متصل باشد، هر پیش‌بینی باید توضیح‌پذیر بماند و هر تغییر در خط مبنای تأییدشده باید مجوز واحد مالی را دریافت کند. این کنترل‌ها مانع سرعت نیستند؛ اعتماد لازم برای افزایش سرعت را ایجاد می‌کنند.

درس پنجم: ارزش هر واحد هوشمندی را اندازه‌گیری کنید

تعداد مجوزهای خریداری‌شده، حجم توکن مصرفی یا تعداد کاربران فعال، به‌تنهایی ارزش اقتصادی هوش مصنوعی را نشان نمی‌دهد. پرسش درست این است که آیا سامانه کار مهمی را با کیفیت قابل‌قبول و هزینه کل کمتر انجام داده و تصمیم بهتری ساخته است یا نه.

چهار پرسش برای محاسبه بازگشت سرمایه هوش مصنوعی

1. آیا AI کار مهم و قابل‌استفاده‌ای را تکمیل کرد؟
2. هزینه کل شامل مدل، زیرساخت، زمان کارکنان، بازبینی و بازکاری چقدر بود؟
3. آیا خروجی از نظر دقت، قابلیت اتکا و انطباق، قابل‌قبول بود؟
4. آیا زمان تصمیم کاهش یافت یا کیفیت تصمیم بهتر شد؟

برای بستن حساب‌ها می‌توان زمان چرخه، درصد تطبیق خودکار تراکنش‌ها، تعداد استثناهای نیازمند بازبینی و زمان تحلیل انحراف را سنجید. برای پیش‌بینی نیز دقت پیش‌بینی، دفعات به‌روزرسانی، زمان ساخت سناریوی جدید و اثر تصمیم‌های مبتنی بر پیش‌بینی اهمیت دارند.

ارزان‌ترین مدل همیشه اقتصادی‌ترین گزینه نیست. مدلی با قیمت بالاتر ممکن است با تلاش کمتر، بازکاری محدودتر و بازبینی کوتاه‌تر به پاسخ معتبر برسد و در مجموع هزینه کمتری ایجاد کند.

برنامه ۹۰ روزه برای ساخت واحد مالی هوش مصنوعی‌محور

جمع‌بندی

تجربه OpenAI نشان داد که واحد مالی هوش مصنوعی‌محور با یک چت‌بات یا داشبورد زیبا ساخته نمی‌شود. این تحول به داده‌های قابل‌اعتماد، قراردادهای روشن داده، بازطراحی انتها‌به‌انتهای فرایند، کنترل دسترسی، پاسخ‌گویی انسانی و شاخص‌های اقتصادی نیاز دارد.

بستن حساب‌ها در روز صفر و پیش‌بینی پیوسته، دو نمود از یک هدف بزرگ‌ترند: واحد مالی باید هنگام وقوع تغییرات، وضعیت کسب‌وکار را درک کند، پیامدهای احتمالی را پیش روی مدیران بگذارد و پیش از آنکه فرصت تصمیم‌گیری از بین برود، اقدام مناسب را امکان‌پذیر سازد.

پرسش‌های متداول

واحد مالی هوش مصنوعی‌محور چیست؟

واحدی است که داده، مدل‌های آماری، هوش مصنوعی مولد و کنترل‌های انسانی را در جریان‌های کاری مالی ادغام می‌کند تا تطبیق، تحلیل، پیش‌بینی و تصمیم‌گیری سریع‌تر و قابل‌ردیابی شوند.

بستن حساب‌ها در روز صفر به چه معناست؟

یعنی اطلاعات مالی به‌صورت پیوسته تطبیق و کنترل شوند تا مدیران در پایان دوره، بدون انتظار طولانی، نمایی reconciled، قابل‌ردیابی و نزدیک به زمان واقعی از وضعیت مالی داشته باشند.

آیا هوش مصنوعی جایگزین حسابداران و کارشناسان مالی می‌شود؟

در این الگو، AI بیشتر کارهای تکراری مانند گردآوری، تطبیق و تهیه پیش‌نویس تحلیل را تسریع می‌کند. اعتبارسنجی، قضاوت حرفه‌ای، مدیریت استثنا و تأیید نهایی همچنان بر عهده انسان است.

بهترین نقطه شروع برای CFOها چیست؟

یک جریان کاری مهم، پرتکرار و قابل‌اندازه‌گیری انتخاب شود؛ سپس منابع داده، کنترل‌ها، مسئول تأیید و شاخص‌های موفقیت پیش از ساخت ابزار مشخص شوند.

چگونه ROI هوش مصنوعی در امور مالی محاسبه می‌شود؟

هزینه مدل و زیرساخت باید همراه با زمان کارکنان، بازبینی و بازکاری محاسبه و با کاهش زمان چرخه، افزایش دقت، کاهش خطا و بهبود تصمیم مقایسه شود.