هوش مصنوعی در دپارتمان‌های مالی

هوش مصنوعی در دپارتمان‌های مالی؛ از تئوری تا اجرا

آیا آماده‌اید پروژه هوش مصنوعی (AI) خود را راه‌اندازی کنید؟ در اینجا تجربیات سه متخصص امور مالی را می‌خوانید که با چالش‌های واقعی پیاده‌سازی این فناوری دست‌وپنجه نرم کرده‌اند.

الف) پیش‌بینی دقیق رفتارهای مالی مشتریان

موهیت شارما بنیانگذار استارتاپ Pinaka  می‌گوید یکی از بزرگترین درس‌ها در هوشمندسازی کسب و کار، درک هزینه‌های واقعی هوش مصنوعی است. یک محصول با تنظیمات ضعیف می‌تواند «توکن‌ها» (واحد محاسبه توان پردازشی و هزینه در هوش مصنوعی) را با سرعتی هشداردهنده مصرف کند. علاوه بر هزینه‌های مستقیم، ریسک‌های غیرمستقیم نیز وجود دارد؛ یعنی  اگر هوش مصنوعی مولد دچار خطا شود یا با مشتری با ادبیات نامناسب صحبت کند، هزینه‌ها‌ی شهرت را به شما تحمیل خواهد کرد. وی با ترکیب ۴ نوع هوش مصنوعی (موتور توصیه، هوش تصمیم‌گیری، الگوریتم طبقه‌بندی و هوش مصنوعی مولد)، سیستم هوشمندی تحت عنوان Pinaka AI طراحی کرد که با دقت ۹۶٪ پیش‌بینی می‌کند کدام مشتری احتمال دارد در پرداخت بدهی‌های خود تأخیر کند و دلیل آن چیست. این سیستم با ادغام داده‌های پراکنده از ماژول‌های مدیریت ارتباط با مشتری و برنامه‌ریزی منابع انسانی (CRM و ERP)، نه تنها پیش‌بینی می‌کند، بلکه ایمیل‌های شخصی‌سازی شده برای پیگیری پرداخت‌ها را نیز نوشته و ارسال می‌کند.

ب) یکپارچه‌سازی دفاتر مالی آشفته

جنیس استاکی به عنوان مدیر مالی شبکه CREW با دیتای پراکنده از ۵۰ واحد مختلف و دارای ساختارهای حسابداری متفاوت مواجه بود. او به جای روش‌های سنتی (ماکروهای اکسل یا اتوماسیون فرآیندهای رباتیک (RPA)که نیاز به برنامه‌نویسی پیچیده داشتند)، از نسخه‌ی سازمانی ChatGPT برای نقشه‌برداری داده‌ها به یک ساختار واحد استفاده کرد. استفاده‌ی وی از هوش مصنوعی مولد برای تبدیل داده‌های عظیم به جای هفته‌ها، تنها چند روز طول کشید. با این حال، او نقطه ضعفی را در مراحل اجرا شناسایی کرد، چون وی به‌تنهایی این کار را انجام داد، تیم او فرصت یادگیری و مشاهده‌ی نحوه‌ی عملکرد هوش مصنوعی را از دست داد. از این رو استاکی توصیه ‌می‌کند «تسلط بر هوش مصنوعی برای تیم‌های مالی حیاتی است. درگیر کردن همه‌ی اعضای تیم، نه تنها باعث آینده‌نگری شغلی آن‌ها می‌شود، بلکه سرعت تحول دیجیتال در کل بخش مالی را افزایش می‌دهد.

او با چالش‌های معمول مانند «توهم» (Hallucination) مدل‌های زبانی نیز مواجه شد؛ جایی که هوش مصنوعی گاهی روش‌های کار را تغییر می‌دهد. با این حال، استاکی با اعمال فرمول‌های کنترلی خود در کنار خروجی هوش مصنوعی، توانست دقت کار را تضمین کند. به گفته‌ی او «این فناوری به کسب‌وکارهای کوچک و متوسط این قدرت را می‌دهد که با چشم‌انداز درست، بسیار راحت‌تر از گذشته سیستم‌های خود را خودکار کنند.»

ج) رفع فرآیندهای دستی در مخابرات

در سازمان‌های بزرگ، پروژه‌های هوش مصنوعی نیازمند ترکیب مهارت‌ها و داده‌ها از بخش‌های مختلف است. «لارنس آمادی» از KPMG  آفریقا معتقد است که بدون درک و پذیرشِ «چرایی» انجام پروژه، هیچ پیشرفتی حاصل نخواهد شد. او می‌گوید: «شما به خریدِ ایده (Buy-in) از سوی همه نیاز دارید. هدف ممکن است بهبود کنترل‌های داخلی یا شفافیت کسب‌وکار باشد؛ اما اگر هدف و روشِ اجرا برای همه روشن نباشد، پروژه شکست می‌خورد. تیم لارنس آمادی در پروژه‌ای متعلق به یکی از بزرگترین شرکت‌های مخابراتی آفریقا (با ۸۵ میلیون مشترک)، با استفاده از سیستم Automation Anywhere، فرآیند دستیِ بررسی داده‌های سیم‌کارت را خودکار کرد. پیش از این، کارکنان به صورت هفتگی داده‌ها را دانلود و دستی بررسی می‌کردند که باعث خستگی مفرط و خطای انسانی می‌شد. اکنون، استخراج، تحلیل و شناسایی موارد استثنا کاملاً خودکار شده است که منجر به کاهش خطا و گزارشگری دقیق‌تر به هیات‌مدیره شده است.

پیام متخصصان واضح است: هوش مصنوعی در امور مالی نباید فقط به عنوان یک «جادو» دیده شود، بلکه باید به عنوان یک سیستم یکپارچه‌ساز داده برای حل پیچیدگی‌ها به‌کار رود. موفق‌ترین سازمان‌ها آن‌هایی هستند که علاوه بر انتخاب ابزار مناسب، بر «دانشِ دیتای تیم خود» و «مدیریت هزینه‌های پردازش» سرمایه‌گذاری می‌کنند.

3 AI Implementation Tips for Finance Professionals.” Journal of Accountancy, April 2026

صفحه اصلی