Почти половината (45%) от компаниите, които се самоопределят като „AI лидери”, нямат базовото ниво на управление, необходимо за безопасно внедряване на изкуствения интелект във финансовите процеси, установи глобално проучване на Payhawk.
Изследването поставя под въпрос общоприетото допускане, че зрелостта по отношение на внедряване на AI следва ясно дефинирана траектория. Дори сред „лидерите”, готовността за AI е разделена на различни модели на внедряване, всеки от които има различни ограничения.
Данните показват, че най-голямата пречка пред използването на AI в бизнеса не е технологична, а управленска – дали организацията може да контролира, проследи и одитира какво прави изкуственият интелект във финансовите процеси.
Тези изводи се основават на глобално проучване на Payhawk сред 1520 финансови и бизнес лидери. „AI лидери” в изследването са организации, които са оценили своята зрялост по отношение на внедряване на изкуствения интелект със 7-10 от 10 (n=405 от 1520).
Шест категории лидери
Програмите за внедряване на AI са в застой, заради липсата на „правила” и на „подходящи данни”, сочи анализът.
Пет оперативни предпоставки определят дали AI може да премине от „внедрен” към „реално работещ” във финансовите процеси. Те са: ясни показатели за ефективност, установени минимални правила за използване на AI, умения и инструменти, целеви бюджет и данни, готови за AI анализ. Само 26% от AI лидерите покриват и петте.
Изследването разделя лидерите в шест категории на оперативна готовност, според резултатите им по петте предпоставки:
- Мащабно внедрили (26,9%) – компаниите в тази категория отговарят на всичките пет изисквания. Тези организации разполагат с пълния оперативен набор.
- Постепенно напредващи (17,5%) – готовност за AI съществува в някои от петте предпоставки, но нито една не е много силно развита.
- Водени от изпълнението (16,0%) – тези компании са силни в сферата на оперативна работа с изкуствен интелект, но им липсват минимално установени правила. Това е най-ясният пример за липса на правила („rules debt”).
- Първо технологията, после контролът (14,1%) – ентусиазмът и експериментирането изпреварват управлението. Липсват минимални правила, а готовността за изпълнение е ограничена.
- Първо управлението, после мащабът (13,8%) – налице са строги правила и показатели за ефективност, но слаба готовност на данните (едва 30% са категорични). Това е най-ясният пример за „data debt”.
- Първо контролът, после изпълнението (11,6%) – уменията, бюджетът и данните са сравнително силни, но липсват показатели за ефективност. Капацитетът съществува, но не се използва на практика.
Два системни дефицита
Липсата на правила („rules debt”) и липсата на данни („data debt”) са двата системни дефицита, които обясняват защо разширяването на AI внедряването се проваля.
Липсата на правила възниква, когато организациите внедряват AI по-бързо, отколкото изграждат вътрешни правила за управлението му. Това води до системи, които не могат да бъдат одитирани, обяснени или безопасно вградени в работни процеси, свързани с одобрения, съответствие или финансов контрол.
Две категории компании олицетворяват този модел, като заедно представляват приблизително 30% от лидерите: „Водени от изпълнението” и „Първо технологията, после контролът”.
Липсата на данни възниква, когато управлението и изпълнението са налице, но данните в основата са непълни, непоследователни или фрагментирани. В тези случаи организациите могат да контролират използването на AI, но не могат да се доверяват на неговите резултати в голям мащаб. Най-ясният носител на този модел е „Първо управлението, после мащабът”.
Изследването разкрива ясен дисбаланс. Докато 78% от самоопределилите се като „AI лидери” отчитат силни умения и инструменти, едва 55% имат въведени минимални правила за управление. Това е и най-ниско класираният фактор за готовност.
Липсата на установени правила обяснява защо много компании изглеждат „напреднали” по активност, но не успяват да излязат отвъд тесни, спомагателни приложения на AI. Това често се наблюдава в по-малки, по-бързо развиващи се организации.
От друга страна, недостигът на данни обяснява защо някои организации изглеждат дисциплинирани и добре управлявани, но все още не успяват да внедрят AI в основните си финансови операции. Този дефицит се среща по-често в по-сложни и силно регулирани сфери.
Скъпоструващо несъответствие
Изследването също така идентифицира и едно често срещано и скъпоструващо несъответствие: организациите инвестират в повече AI решения, докато истинската пречка за успешно внедряване е управленската инфраструктура. Или пък се изграждат политики и правила, когато истинската пречка е качеството на данните.
И в двата случая напредъкът спира, защото усилията са насочени към грешното ограничение.
„Увеличаването на употребата на AI във финансите изглежда непоследователно, защото компаниите напредват неравномерно по отношение на предпоставките, които го правят възможно”, каза Христо Борисов, главен изпълнителен директор и съосновател на Payhawk.
По неговите думи, много компании инвестират в повече AI решения, докато истинското пречка се крие другаде – в правилата или в данните.
„Увеличаването на използване на AI във финансите е преди всичко въпрос на координация: съгласуване на правила, данни и отговорности между отделните процеси. Тези, които покриват само част от предпоставките, се сблъскват с неизбежни компромиси и ще останат ограничени в по-тесен обхват на приложение на AI”, заключи Борисов.
