Машины заменят нас уже завтра? Реальное влияние искусственного интеллекта на FP&A

Технологии автоматизации давно освобождают бизнес от рутинных задач, а искусственный интеллект является следующим шагом в развитии автоматизации этих процессов, в том числе и в области FP&A (финансовое планирование и анализ), которая охватывает процессы бюджетирования, финансового планирования, анализа и прогнозирования.

В этой статье мы рассмотрим, как ИИ может поменять сферу FP&A и поспособствовать повышению операционной эффективности компании.

Каз Такемура, управляющий директор ModelCom Inc., прогнозирует, что будущее финансовых технологий связано с применением ИИ для расширения аналитических возможностей команд FP&A в трех ключевых областях:

1. Генеративный ИИ и NLP

Обработка естественного языка (NLP или Natural Language Processing) — это направление искусственного интеллекта (ИИ), разрабатывающее инструменты для анализа и интерпретации человеческого языка, чтобы компьютеры могли понимать и использовать его. Это позволит облегчить взаимодействие между людьми и машинами и сделает общение более легким и эффективным.

Большинство NLP-решений сейчас базируется на генеративных моделях ИИ, активно развивающихся и в России. Внедрение таких технологий уже приносит заметные результаты в промышленности, финансах и клиентском сервисе. По оценке консалтинговой компании «Яков и Партнёры», эффект от реализации искусственного интеллекта к 2028 г. может достичь 4,2–6,9 трлн рублей, что составит около 4% ВВП России.

Большие языковые модели (Large Language Models или LLM), представляющие собой сложные нейросети для работы с текстовым контентом, являются одними из самых эффективных решений в этой области. LLM обучаются на книгах, статьях, материалах из интернета, используют всё для генерации, обобщения и интерпретации текста. Но у медали есть и обратная сторона: генеративный ИИ способен создавать контент, который оказывается некорректным, необоснованным или даже вредоносным. Цена ошибки может быть высокой: от утраты репутации и доверия клиентов до юридических последствий и значительных финансовых потерь. Поэтому необходима строгая валидация сгенерированного контента специалистом.

Для повышения точности и актуальности генерации контента используется подход Retrieval-Augmented Generation (RAG). Он сочетает языковые модели с внешними источниками информации, что позволяет им извлекать актуальные данные перед генерацией текста. Это снижает вероятность ошибок и делает ответы более точными и обоснованными.

2. Обнаружение закономерностей и выявление аномалий

Инструменты для выявления закономерностей и аномалий позволяют находить взаимозависимости, которые трудно обнаружить вручную из-за больших объемов информации, что значительно повышает точность прогнозирования и бюджетирования.

В Optimacros сейчас активно используется методы ML-кластеризации, что позволяет группировать объекты в кластеры и выявлять данные с отличиями от основных групп.

ML-кластеризация используется в решении разных бизнес-задач, в том числе для сегментации рынка, выявления региональных особенностей и прогнозирования спроса для разных категорий клиентов.

3. Прогнозная аналитика на основе ML и AI (включая DL)

Машинное обучение (Machine Learning или ML) —подмножество ИИ (AI), сфокусированное на создании моделей и алгоритмов. Они позволяют компьютерам обучаться на основе данных, самостоятельно строить прогнозы и принимать решения без необходимости программировать каждую задачу вручную. Ключевая концепция ML — способность систем автоматически повышать точность своих результатов, анализируя примеры и накапливая опыт.

Глубокое обучение (Deep Learning или DL) — направление AI, использующее нейросети для анализа сложных закономерностей и прогнозирования, что позволяет достигать более высокого уровня точности, автономности.

В Optimacros уже реализованы решения на основе ML, которые помогают клиентам оптимизировать процессы и повышать эффективность. Однако мы движемся дальше и внедряем методы глубокого обучения, что позволит вывести прогнозирование и аналитику на новый уровень. В первой половине 2025 года мы анонсируем новую функциональность на базе нейросетевых технологий, которая обеспечит более точные прогнозы спроса, повысит эффективность промоакций и поможет предугадывать неисправности оборудования.

Ожидаемый экономический эффект включает снижение затрат на логистику и хранение за счёт оптимизации запасов, рост продаж благодаря более эффективному планированию маркетинговых кампаний и сокращение простоев оборудования через своевременное техническое обслуживание.

Сфера занятости стремительно трансформируется под влиянием искусственного интеллекта. По данным исследования «Яков и Партнеры» и hh.ru, три из пяти ключевых технологий, определяющих эти изменения, связаны с ИИ и аналитикой. А к 2030 году, по прогнозам Минэкономразвития, ИИ будет внедрен в 95% отраслей экономики.

Такие изменения вызывают тревогу: 39% россиян опасаются, что их профессии заменят нейросети. Есть ли у этих страхов обоснование? По данным Goldman Sachs, ИИ способен автоматизировать до половины задач в юриспруденции и административной сфере, что может затронуть до 300 млн рабочих мест. Но вместе с тем искусственный интеллект создаёт новые карьерные возможности. Уже сейчас востребованы AI-тренеры, разметчики данных и супервайзеры, которые адаптируют ИИ-модели к бизнесу.

А что насчет ИИ в FP&A?

В финансовой аналитике ИИ помогает автоматизировать рутину, освобождая человеческий ресурс для решения стратегических задач и развития новых компетенций. Однако работа в данной сфере требует критического мышления, интуиции, жизненного опыта и эффективных коммуникационных навыков. Поэтому в обозримом будущем ключевая роль в FP&A будет по-прежнему принадлежать человеку.