Od e-faktury do e-sprawozdania finansowego zaczyna się od nadania danym struktury elektronicznej, cyfrowej, czego dokonuje podatnik, a następnie organ podatkowy ma możliwość poddania tych danych analizie. Już w 2005 r. OECD opracowało standard audit file for tax (SAF-T), pierwowzór polskiego JPK_VAT. OECD wskazało, że ujednolicony format xml może służyć nie tylko administracji podatkowej, ale także podatnikom i audytorom do wewnętrznej weryfikacji prawidłowości raportowanych danych. Obecnie coraz więcej informacji przedkładanych przez podatników ma format xml, a więc wspomniana e-faktura (faktura ustrukturyzowana), e-sprawozdanie finansowe, zgłoszenie MDR czy deklaracja TPR. Tak ustrukturyzowane dane łatwo się przetwarza.
Technologie najczęściej znajdujące zastosowanie w finansach, to:
Zrobotyzowana Automatyzacja Procesów (ang. Robotic Process Automation, RPA) – technologia, która wykorzystuje programy komputerowe, roboty, które symulują pracę człowieka, celem automatyzacji powtarzalnych procesów biznesowych. RPA jest rozwiązaniem stosowanym do wykonania działań, które są nacechowane powtarzalnością i ograniczoną liczbą wyjątków w regule algorytmu. Roboty logują się do programów, pobierają dane oraz umieszczają je w odpowiednich bazach. Wszystkie te działania odbywają się wirtualnie.
Robotyzacja kognitywna, a więc bardziej rozwinięte narzędzie RPA, wykorzystuje algorytmy wywodzące się z obszaru sztucznej inteligencji, takie jak: przetwarzanie języka naturalnego, analiza tekstu i eksploracja danych, technologie semantyczne oraz uczenie maszynowe. Roboty programowe mogą autonomicznie oceniać i interpretować wiedzę. Ten rodzaj RPA występuje zazwyczaj w połączeniu z narzędziami big data oraz przetwarzaniem w chmurze.
Boty w księgowości zajmują się między innymi: budżetowaniem, fakturowaniem, uzgadnianiem kont, prowadzeniem ksiąg rachunkowych, a także aspektem compliance.
Analityka predykcyjna (ang. Predictive Analytics) obejmuje techniki statystyczne, które analizują bieżące i historyczne fakty w celu przewidywania przyszłych lub w inny sposób nieznanych zdarzeń. Jest ściśle związana z uczeniem maszynowym. W biznesie modele predykcyjne służą identyfikacji zagrożeń i możliwości. Modele wychwytują zależności między wieloma czynnikami, zapewniając wynik predykcyjny – prawdopodobieństwo – oraz wspierając w podejmowaniu decyzji.
Uczenie maszynowe (ang. Machine Learning) – algorytmy uczenia maszynowego budują model matematyczny na podstawie przykładowych danych (zbiór uczący) w celu prognozowania lub podejmowania decyzji, bez bycia zaprogramowanym przez człowieka bezpośrednio do tego celu. Poprawiają się automatycznie poprzez doświadczenie, czyli ekspozycję na dane. Przykładowe zastosowania: wykrywanie zależności funkcyjnych lub nieznanych prawidłowości w danych, formułowanie reguł decyzyjnych, modyfikowanie, uogólnianie i precyzowania danych, przewidywanie trendów, analiza olbrzymich baz danych, których rozmiary, złożoność oraz wymóg ciągłej aktualizacji uniemożliwiają niezautomatyzowaną analizę.
ChatGPT – model językowy AI. Działa on w oparciu o zaawansowany algorytm przetwarzania języka naturalnego, który pozwala na analizę i generowanie tekstów oraz przeprowadzanie rozmów z użytkownikami w sposób niemalże naturalny. Może zapewnić korzyści pod względem wydajności i możliwości analitycznych, podejmowania trafnych decyzji inwestycyjnych, między innymi poprzez szczegółową analizę dużych zbiorów danych, w tym informacji o rynkach finansowych, trendach, notowaniach, wynikach finansowych. Podkreśla się, że tego typu narzędzia nie powinny zastępować ludzkiego myślenia kreatywnego, wiedzy specjalistycznej czy intuicji w podejmowaniu decyzji finansowych. Modele te mogą nie uwzględniać wszystkich czynników wpływających na sytuację finansową.
***
Sztuczna inteligencja to technologia, która może mieć znaczący wpływ na zawody związane z księgowością i finansami. Może poprawić produktywność, efektywność i dokładność przy minimalnym wysiłku człowieka. Usprawnienia polegają na automatyzacji czasochłonnych i powtarzalnych zadań czy przyspieszeniu procesów decyzyjnych w oparciu o analizę danych.
Sztuczna inteligencja w finansach może pomóc w redukcji kosztów – poprawić wydajność procesów zarządzania inwestycjami poprzez automatyzację zadań i ograniczenie błędów ludzkich, a także wewnętrznych oszustw. Może wesprzeć w skuteczniejszym zarządzeniu ryzykiem, ulepszeniu strategii finansowej, zwiększeniu produktywności i przyspieszeniu wyników biznesowych. Generatywna sztuczna inteligencja umożliwia podejmowanie właściwszych decyzji w oparciu o dane historyczne i trendy rynkowe, identyfikując wzorce i anomalie często pomijane przez tradycyjne metody analizy.
Pojawia się obawa, ze AI zastąpi pracowników w sektorze finansowym. Nie ma bezpośrednich dowodów na to, że księgowi tracą pracę na rzecz sztucznej inteligencji. Wydaje się, że sztuczna inteligencja ma szansę wyręczyć, ale nie zastąpić ludzką inteligencję. Istotne jest, aby specjaliści nauczyli się pracować ze sztuczną inteligencją, a także rozwijali umiejętności takie jak intuicja czy inteligencja emocjonalna.
Istnieją też inne zagrożenia i wyzwania związane z wykorzystaniem AI w finansach. Dotyczą one kwestii etycznych, ryzyka awarii systemu, błędów w algorytmach, prywatności i bezpieczeństwa danych, a także odpowiedzialności. Wyzwaniem jest stworzenie systemu AI z dokładnymi przewidywaniami, które zależą między innymi od dostępu do znacznej ilości danych wysokiej jakości, co wymaga nakładów finansowych i czasu.
W ostatnim czasie obserwuje się stały wzrost użycia technologii, a podejście do jej rozwijania i poszukiwania nowych sposobów na korzystanie z niej nastraja pozytywnie.
Leave a Reply