Ezt a cikket azoknak ajánljuk, akik szeretnék megérteni, milyen feladatokkal és következményekkel jár a CFO terület működésének és szolgáltatásainak AI-transzformációja. A controlling folyamatok AI alapú átalakítása van a középpontunkban, ezekre hozunk példákat, de a transzformációs folyamat általános lépései más területekre is általánosíthatóak.
Először a Horváth csoport 2024-es CFO-felmérésében szembesültünk a ténnyel: 5-ből 4 pénzügyi igazgató kiemelt prioritásként kezeli, hogy cégéből „data-driven”, vagyis adatvezérelt vállalat váljon. Sőt úgy gondolják, hogy a generatív AI (GenAI) az egyik legerősebb eszköz az adatból származó hasznok kiaknázására – a CFO-terület pedig szerintük sokat fog profitálni ebből a potenciálból. Az is meglepő volt, hogy a vállalat fejlesztésére költött minden 100 forintból 25-öt a „data and AI driven” üzleti modell, értéklánc és teljesítménymenedzsment stratégiájára, architektúrájára és megvalósítására költenek. A CFO szervezet négy kiemelt területének átalakításától várják az intézkedések legjobb megtérülését (business impact):
– a számvitel, pénzügy, treasury, adózás és compliance folyamatok automatizálásától;
– a profitabilitás, a forecasting és a reporting folyamatok AI & data driven átalakításától;
– a termékportfolió és termékköltségek digitális menedzsmentjétől, valamint
– a funkcionális (értékesítés, logisztika, gyárak, HR stb.) controlling transzformációjától.
A „kognitív ipari forradalom” kifejezést először John Markoff amerikai újságíró használta a The New York Times egyik cikkében, amely 2015-ben jelent meg. Markoff ezzel a kifejezéssel írta le azt a jelenséget, amikor a mesterséges intelligencia (Artificial Intelligence, AI) és a kognitív technológiák jelentős hatással vannak a gazdaságra és a társadalomra, hasonlóan ahhoz, ahogy a korábbi ipari forradalmak is gyökeresen átalakították a termelést és a munkát. Markoff különösen azokat az új technológiákat emelte ki, amelyek képesek szimulálni vagy felülmúlni az emberi kognitív képességeket, beleértve az automatizációt, a gépi tanulást és az adatfeldolgozást. Az LLM-et, lletve a generatív AI-t azonban nem említette, mert 2015-ben a nagy nyelvi modellek még nem voltak olyan fejlettek, mint a mai modellek, bár az alapvető technológiák, amelyek később lehetővé tették ezek létrehozását, már léteztek.
Az LLM-ek – Large Language Model azaz nagy nyelvi modell -, mint például a GPT-k (Generative Pre-trained Transformer), hatalmas mennyiségű szöveges adatot dolgoznak fel és tanulnak meg matematikailag leképezni. Az LLM-ek nem leváltják, hanem kiegészítik a korábban már széles körben alkalmazott mesterséges intelligencia eszközöket. Ahhoz, hogy egy LLM-modell hatékonyan beépüljön az adatvezérelt vállalat folyamataiba, számos előfeltételnek kell teljesülnie, amelyekről a legtöbb vállalatvezető viszonylag keveset tud.
A jogos aggodalmak is bénítóan hatnak a mesterséges intelligencia, különösen a nagy nyelvi modellek (LLM) használatával kapcsolatban. Az LLM-ek „hallucinálnak”, ha nem tudják a helyes választ. Például hibás SQL-lekérdezést vagy helytelen transzformációt generálnak, ami látens problémát okoz az üzleti folyamatokban. Különösen akkor fordul ez elő, ha a modelleknek nincs részletes ismeretük a cégről, üzleti fogalmairól, felhasználói szerepeiről vagy üzleti kontextusáról.
A legfontosabb kérdés az adatbiztonság és az adatvédelem. El kell kerülni a személyes adatok véletlen felhasználását vagy érzékeny információk kiszivárgását a modellek betanítása során. Ráadásul a vállalatvezetőknek biztosítaniuk kell, hogy az LLM-ek használata nem okoz kárt sem az embereknek, sem a vállalkozásoknak, és nem jár etikai szempontból kifogásolható eredménnyel.
Ha azt szeretnénk, hogy egy nagy nyelvi modell (LLM) kevesebbet hallucináljon és jobban értse a vállalatunk piacát, termékeit, szolgáltatásait, technológiáját, ellátási láncát, szervezetét, folyamatait, pénzügyeit és terveit, akkor a foundation modell (GPT-4, BERT, Roberta stb.) mellett különálló saját (proprietary, enterprise, custom ) LLM-et is létre kell hozni, majd embeddingre és finomhangolásra van szükség. A foundation modelleknek az a célja, hogy széles spektrumú tudást és képességet birtokoljanak. Olyan általános „alapként” szolgálnak, amelyet különféle alkalmazásokhoz lehet adaptálni.
Mielőtt belevágnánk az embedding és a finomhangolás folyamatába, szükség van a releváns adatok (adatkatalógus, tudásgráf) összegyűjtésére és előkészítésére. Ezek az adatok tartalmazzák az adatvezérelt vállalat specifikus információit, például termékleírásokat, szolgáltatások részleteit, technológiai dokumentációkat, pénzügyi jelentéseket, ellátási lánccal kapcsolatos adatokat, szervezeti struktúrákat és folyamatleírásokat.
Az embedding az első technikai lépés, amely során a szöveges adatokat numerikus vektorokká alakítjuk, ami ahhoz kell, hogy a modell feldolgozhassa az adatokat, és megértse a szavak közötti kapcsolatokat. Az embedding a szavak és kifejezések jelentését és kontextusát vektorok formájában jeleníti meg, amelyeket a modell könnyebben tud feldolgozni és értelmezni.
A finomhangolás a következő lépés, amely során a már betanított modellt a vállalat specifikus adataival továbbképezzük. Ez a lépés kritikus ahhoz, hogy a modell csökkentse a hallucinációkat és relevánsabb válaszokat adjon az adott kontextusban, bár teljesen nem zárja ki a hallucinációk lehetőségét.
Az API-k (application programming interface) biztosítják az adatáramlást és kommunikációt az AI-modellek és a vállalati rendszerek között, ezzel segítve a pontos pénzügyi elemzések és előrejelzések készítését. Az API-k segítségével az AI-modellek hozzáférhetnek a vállalat különböző adatforrásaihoz, beleértve a tranzakciós és SQL adatbázisokat, automatizálják az adatok begyűjtését, feldolgozását, és a modellek számára történő továbbítását. Az API-k kezelik az adatbiztonságot és a hozzáférési jogosultságokat, biztosítva, hogy csak az illetékes rendszerek és felhasználók férhessenek hozzá az érzékeny pénzügyi adatokhoz. Az API-k lehetővé teszik az AI-rendszerek rugalmas bővítését és skálázását, ami fontos a növekvő adat- és felhasználási igények kielégítéséhez.
Az AI chatbotok gépi tanulási modelleken alapuló virtuális asszisztensek, amelyek specifikus feladatokat látnak el és egyedi válaszokat adnak. Például a népszerű ChatGPT egyetlen bemenetet fogad és egyetlen kimenetet ad, ami azt jelenti, hogy egy adott interakció során egyetlen feladatot hajt végre. Ha megkérik, hogy készítsen el egy jegyzőkönyvet egy hangfelvétel leirata alapján, akkor a leirat alapján generál egy összefoglalót. Ezzel szemben az AI ügynökök képesek egyszerre több feladatot is végrehajtani. Egyetlen bemenetből több kimenetet tudnak előállítani. Olyan példát hozva, amelyben az AI-transzformáció CFO-területen történik, egy AI ügynök képes lehet a napi értékesítési riportot elkészíteni, aktualizálni a forecastot, a riportot publikálni az intraneten, üzenetet küldeni az illetékeseknek a durva eltérésekről, és akár egy gyors megbeszélést is indítványozni az érintett személyek számára. Fontos, hogy ezek az ügynökök csak a szükséges adatokhoz férjenek hozzá, és tevékenységüket szigorúan felügyeljék és naplózzák, hogy biztosítsák az adatbiztonságot és a megfelelést.
A technológia még nem áll készen a teljes körű alkalmazásra, de már lehet vele kísérletezni. Az AI ügynökök bevezetése hasonlít ahhoz, mint amikor új szakértő kollégát veszünk fel a csapatba: az ügynököket is alaposan tesztelni, képezni és irányítani kell. Rengeteg lehetőség rejlik ezekben az új virtuális kollégákban, amelyek felszabadíthatják a vállalat erőforrásait és növelhetik a hatékonyságot.
Például egy termékmenedzsert támogató elemzői munka bonyolult felhasználási eset, ezért az elemzői munkafolyamatok részletes dokumentációjára van szükség ahhoz, hogy az AI ügynök megfelelően képzett lehessen. A szervezeteknek rendszerezniük kell adataikat és informatikai rendszereiket, hogy az ügynökök hatékonyan tudjanak interfészt kialakítani a meglévő infrastruktúrával.
Amint az AI ügynökök elkezdenek interakcióba lépni a valós világgal, kontrollmechanizmusokra van szükség az autonómia és a kockázat megfelelő egyensúlyának biztosításához. Az embereknek validálniuk kell a kimenetek pontosságát és megfelelőségét, és szoros együttműködésre van szükség szakterületi szakértőkkel az ügynökrendszerek üzemeltetése és skálázása érdekében. Humán felügyeleti mechanizmusokra is szükség lesz.
Ez nem az egyetlen formája a mesterséges intelligenciának; ez egy új AI modell, amelyet a meglévő gépi tanulási kezdeményezésekhez adunk hozzá – utóbbiak esetleg már alkalmazásban vannak a termelésben, logisztikában vagy controllingban. Ez tehát nem helyettesíti azokat, hanem kiegészíti. Például controlling folyamatok AI-alapú átalakítása esetén a generatív AI segíthet mondjuk abban, hogy – szigorú kontroll mellett –megnyissuk a prediktív előrejelzési modellünket, vagy az értékesítési, HR vagy költséggazdálkodási szimulációs modellünket a felsővezetés és a szakterületi elemzők számára. Az LLM-ek segítségével a meglévő modelljeinket intelligens alkalmazásokká alakítjuk át, amelyek így 0-24-es szolgáltatási szinten képesek támogatást nyújtani a belső ügyfeleknek.
A generatív AI automatizálja az adatmenedzsmenttel összefüggő feladatokat. A felhasználók beszélgetés-alapú adatkeresésekkel találhatják meg a szükséges információkat, miközben a rendszer automatikusan szerkeszti, gazdagítja és rendszerezi a leíró adatokat (metaadatokat), valamint automatikusan generál adatkezelési szabályokat az adatok megfelelőségének és biztonságának biztosítása érdekében. A rendszer üzleti kifejezéseket javasolhat, vagy adatleírásokat generálhat, ami növeli a hatékonyságot és elősegíti a szakterületek közötti kommunikáció megértését.
A természetes nyelvű felhasználói felületek révén a felhasználó egyszerűen beírhat vagy mondhat egy olyan kérést, mint például „Mutasd meg a tegnapi értékesítési adatokat!” vagy „Hogyan néztek ki az eladások az elmúlt hónapban?”. A rendszer a megfelelő adatokkal válaszol anélkül, hogy a felhasználónak technikai szakkifejezéseket vagy speciális parancsokat kellene ismernie. Emellett az AI automatikusan generálhat kérdéseket, amelyeket a felhasználó feltehet az adatkatalógusban található adatokkal kapcsolatban. Ezek a kérdések egyetlen kattintással kiválaszthatók, megkönnyítve ezzel az információk keresését és a megfelelő adatok gyors megtalálását. Az AI továbbá kifejtheti az üzleti hatásokat, kiegészítheti a BI eszközök által megjelenített információkat, így mélyebb betekintést nyújtva az üzleti döntésekhez. Ne felejtsük el, hogy a generatív AI-ra épített üzleti intelligencia rendszer önállóan tanul és fejlődik, ami azt jelenti, hogy idővel egyre pontosabb és hatékonyabb lesz.
A adatmodellezés terén egyes AI alapú szoftverek lehetővé teszik, hogy a felhasználók AI promptokkal dolgozzanak, leírják, hogyan kell egy adott rendszert vagy annak részeit felépíteni. A rendszer önállóan generálja azokat az utasításokat és adatdiagramokat, amelyekből automatikusan adatmodellek hozhatók létre. Ezen túlmenően más eszközök képesek a forrásrendszerek tranzakcióit automatikusan visszafejteni, feltárni a kapcsolati hálókat, és valós időben létrehozni egy promptot, amelyet egy nagy nyelvi modellnek küldenek. Ez a modell javaslatokat tesz a csillagsémák kialakítására, meghatározva a tény- és dimenziótáblákat, amelyeket a felhasználók aztán könnyedén létrehozhatnak.
Az AI automatikusan átvizsgálja a vállalat adatait, felismeri a bennük rejlő mintákat, és olyan kérdéseket ajánl, amelyek segítenek a felhasználóknak mélyebb betekintést nyerni az üzleti folyamatokba. Például, amikor egy felhasználó megnyitja az AI alapú adatelemző eszközt, előre generált kérdések jelennek meg, amelyekre egyetlen kattintással vizualizációkat és részletes elemzéseket kaphat. Emellett az AI természetes nyelvi kérdéseket is fogad, és ezekre automatikusan generált válaszokat és magyarázatokat nyújt, amelyek világosan megmutatják az üzleti hatásokat.
Továbbá, a rendszer elemzi a meglévő sémákat és üzleti terminusokat, majd képes szinonimákat generálni ezekhez, így a felhasználók különböző megfogalmazásokkal is feltehetik kérdéseiket, amelyekre a rendszer továbbra is pontos válaszokat ad. Ez nemcsak a gyorsabb és pontosabb döntéshozatalt támogatja, hanem az eszközök használatát is személyre szabja, mivel az AI idővel megtanulja, hogy a felhasználó mely üzleti kérdések iránt érdeklődik leginkább, és ezekre fókuszál.
Sokáig a controllerek privilégiuma volt, hogy jobban meg tudták fogalmazni a kérdéseket a szakterületi vezetőknél, mivel mélyebb pénzügyi ismeretekkel rendelkeztek. Az AI-val kiegészített üzleti intelligencia (BI) eszközök azonban ma már képesek kezelni a felhasználói kérdésekben rejlő kétértelműségeket is. Például, ha valaki azt kérdezi, hogy „melyek a legjobb vevők?”, a rendszer felismeri a kérdés többféle értelmezését, és különböző opciókat generál, amelyek lefedik a „legjobb vevők” különböző értelmezéseit (például legnagyobb bevételű, legjövedelmezőbb, legjobban fizető, leghűségesebb). Emellett a rendszer szinonimákat is képes generálni a lekérdezett adatok neveihez, ami lehetővé teszi, hogy a felhasználók természetes nyelven tegyenek fel kérdéseket, még akkor is, ha nem a pontos üzleti kifejezéseket használják. Ezáltal a BI eszközök rugalmasabbá válnak, és hatékonyabban támogatják a felhasználói döntéshozatalt.
Ide kapcsolódik, hogy az emberek előnyben részesíthetik a gépi kommunikációt az emberi interakcióval szemben, különösen, ha az gyorsabb és hatékonyabb. Erre mutat, hogy amikor a Walmart lehetővé tette, hogy a beszállítók egy AI-alapú chatbottal tárgyaljanak, a beszállítók közel 75%-a ezt választotta emberi tárgyalófél helyett.
Nagy szakadék tátong aközött, amit az AI egyre gyorsabban és hatékonyabban tud elérni, és amit a vállalati vezetők hajlandóak elfogadni. Az emberek gyakran túlbecsülik saját képességeiket, mintha mindig 100%-os teljesítményt nyújtanának, és ehhez viszonyítják az AI esetleg csak 90%-os sikerarányát. Az AI megoldásokkal szemben támasztott követelmények gyakran sokkal magasabbak, mint az emberekkel szembeni elvárások.
Néhány éven belül kevés cég lesz, amely az operatív controlling négy kulcsfeladatát legalább részben ne bízná AI controlling asszisztensekre. Ezek a következők:
Az AI controlling asszisztensek a stratégiai jellegű tevékenységekben is meghatározó szerepet kapnak
Ahhoz, hogy sikeresen végbemenjen az AI- transzformáció CFO-területen, és a vállalat létrehozza saját LLM modelljét, API frameworkjét, AI ügynökeit, predikciós és gépi tanulási modelljeit, adatmenedzsment rendszerét, valamint üzleti intelligencia adatmodelljeit, számos szakértői szerep átmeneti vagy folyamatos bevonására van szükség. Az alábbiakban felsoroljuk a 10 legfontosabb szereplőt:
A felsorolásból is látszik, hogy csak a nagyvállalatok képesek az összes szükséges szakértőt házon belül foglalkoztatni. A generatív AI fejlődése olyan gyors, hogy a vállalatoknak már nem kell kizárólag saját fejlesztésekre támaszkodniuk, mivel az alapmodelleket könnyen megvásárolhatják. Például a prediktív modellek, automatizált beszámolók, adatkezelési megoldások, kockázatkezelési és jövedelmezőségi elemző modellek már elérhetőek „polcról vásárolható” formában. Azonban ezek önmagukban nem elegendőek ahhoz, hogy egy vállalat AI-alapúvá váljon. A CFO feladata továbbra is az, hogy egy olyan szakértői csapatot hozzon létre és tartson fenn, amely képes a vásárolt alapmodelleket testre szabni, integrálni a vállalati adatstruktúrába, és folyamatosan fejleszteni azokat az adatvezérelt vállalat igényeinek megfelelően.
A cikkben főként a CFO terület, különösen a controlling folyamatok AI alapú átalakítása van fókuszban. A mesterséges intelligencia azonban minden munkakört és minden funkcionális területet érinteni fog, ami újabb kihívások elé állítja a CFO-kat, különösen a korlátozott beruházási budgetek miatt. A CFO alapvető felelősséggel tartozik az AI-transzformáció use case-ek „impact” szerinti priorizálásáért. Nem mindegy, hogy az AI alapú működés kialakítására fordítható erőforrásokat egyszerű hatékonyságjavításra, új szolgáltatásokból származó többletbevételre vagy versenyelőnyt biztosító nyereségnövelő akciókra fordítják.
Az eddig decentralizáltan, számos munkatárs által nap mint nap átgondolt döntéseket most az AI-rendszerek hozzák meg. Korábban szinte mindenhol megvolt az egyéni döntési tér, amelyet a vezetés csak részben tudott ellenőrizni. Az AI-transzformációt viszont kevés szakember irányítja, ők választják ki a tanulásra szánt adatköröket, ők döntenek az algoritmusokról. Mindez a CFO terület és az AI-szakértők nemkívánatos mértékű hatalomkoncentrációjához vezethet, ami idővel sebezhetővé teszi a vállalatot.
A másik dilemma az AI-rendszer alapvetően konzervatív jellege. Bár a rendszer az új adatokon képes folyamatos tanulásra és alkalmazkodásra, valójában a múltbéli adatokra épül, és csak a korábbi mintákat kombinálja újra anélkül, hogy valódi újdonságot hozna létre. Ez hosszú távon akadályozhatja az innovációt és a vállalat fejlődését, mivel a rendszerek mindig a hatékonyabb, de nem feltétlenül a legjobb megoldásokat választják, és nem kísérleteznek új utakkal.
A harmadik dilemma az automatizálás torzító hatása (Automation Bias). Az emberek hajlamosak vakon bízni az AI javaslataiban, és kevésbé kritikusak azzal szemben. Sokat nyerhetünk az emberi tevékenységet helyettesítő rendszerekkel, de hosszabb távon beszűkülhetnek az egykori erősségeink és képességeink.
Annak idején, amikor a térképek használatáról átálltunk navigációs rendszerekre, meggyengült térbeli tájékozódási, útvonal-tervezési képességünk, viszont új lehetőségeket kaptunk és új képességekre tettünk szert. Most se lesz ez másként.
A szerző executive coach, IFUA Horváth
