Gartner: temper hoge verwachtingen van GenAI in finance sector

Gartner-experts bespreken AI in de financiële sector tijdens de Gartner CFO & Finance Executive Conference 2024 in september in Londen.

De Gartner Hype Cycle voor Finance AI en Advanced Analytics toont de toonaangevende innovaties die de financiële wereld verder innoveert. Deze Hype Cycle biedt CFO's de huidige stand van zaken van belangrijke AI- en geavanceerde analysetechnieken die relevant zijn voor de financiële wereld, en helpt hen technologische roadmaps af te stemmen op de bedrijfsstrategie. Hoewel veel van de gepresenteerde innovaties vandaag de dag al beschikbaar zijn en veel worden gebruikt, zijn andere toekomstgericht en bieden ze de grootste belofte voor de toekomst. CFO's kunnen deze Hype Cycle gebruiken om een ​​roadmap voor financiële transformatie te maken die op korte termijn waarde oplevert en tegelijkertijd voorbereid is op de toekomst.

"Op het hoogtepunt van opgeblazen verwachtingen in financiën staat generatieve AI (zie afbeelding 1)", aldus Mark D. McDonald, senior director analyst bij Gartner Finance Practice. "Een reeks openbaar beschikbare generatieve AI (GenAI)-tools heeft de afgelopen twee jaar enorme publiciteit gegenereerd voor de technologie, maar naarmate financiële functies deze technologie omarmen, vinden ze deze mogelijk niet zo transformatief als verwacht."

Figuur 1: Hype Cycle voor financiële AI en geavanceerde analyses, 2024

Bron: Gartner (augustus 2024)

Temper verwachtingen rondom GenAI in de financiële wereld

Hoewel Gartner-experts voorspellen dat GenAI-tools in de toekomst teleurstellend zullen zijn in de financiële sector, betekent dit niet dat de technologie niet nuttig zal zijn in de financiële sector. Integendeel, GenAI heeft verschillende toepassingen voor financiële professionals, maar ze zijn misschien niet zo transformatief als veel financiële leiders nu denken. GenAI gebruikt tekst als bron, dus voor taken die tekstanalyse vereisen, zoals contractanalyse, blinkt het uit.

"Financiële functies kunnen GenAI ook gebruiken om dingen te doen die ze nu niet doen", aldus McDonald. "Bijvoorbeeld het vergelijken van een binnenkomende leveranciersfactuur met de onderhandelde prijs om te controleren of de kosten overeenkomen met de overeengekomen prijzen."

“De belangrijkste sterke punten van GenAI in financiën zijn de gemakkelijke toegang en het gebruiksgemak. Met veel leveranciers die privé in-house GenAI-oplossingen aanbieden, is het inzetten van dergelijke tools grotendeels een kwestie van werknemers leren hoe ze het moeten gebruiken en onder welke omstandigheden het een betrouwbare oplossing is.”

Data

Als het echter gaat om taken die gebaseerd zijn op numerieke data, zullen financiële functies moeten vertrouwen op andere AI-technieken: met name verschillende toepassingen van machine learning. Machine learning kan financiële professionals helpen met taken zoals het voorspellen van inkomsten of het vinden van fouten in grote hoeveelheden data.

"Machine learning kan ook helpen met nieuwe, geavanceerdere methoden om onze financiële resultaten te analyseren, trends te detecteren die anders gemist zouden kunnen worden", aldus McDonald. "Een van de belangrijkste voordelen van machine learning is dat financiële leiders de kwaliteit van de output van het algoritme kunnen kwantificeren, wat kan dienen als bewijs voor controleerbare transacties."

Het gebruik van machine learning vereist echter wel wat nieuwe vaardigheden. Financiële organisaties beginnen het citizen data science-model te gebruiken, dat financiële professionals een subset van de data science-capaciteit en de vaardigheden leert om fundamentele data science-technieken te gebruiken.

Samengestelde AI

Composite AI bevindt zich in de Innovation Trigger-fase van de Hype Cycle en verwijst naar de gecombineerde toepassing van verschillende AI-technieken om de efficiëntie van het leren te verbeteren en zo het niveau van kennisrepresentaties te verbreden.

"Naarmate AI-adoptie in financiële functies volwassener wordt, zal het duidelijk worden dat geen enkele AI-techniek een wondermiddel is", aldus McDonald. "AI-technieken combineren is veel effectiever dan alleen vertrouwen op heuristiek of een volledig datagestuurde aanpak."

De groeiende afhankelijkheid van AI voor besluitvorming drijft organisaties richting samengestelde AI, omdat de meest geschikte acties beter kunnen worden bepaald door regelgebaseerde en optimalisatiemodellen te combineren — een combinatie die vaak prescriptieve analyses wordt genoemd. Kleine datasets of de beperkte beschikbaarheid van data hebben organisaties er ook toe aangezet om meerdere AI-technieken te combineren.

Agent-based modeling is de volgende golf van samengestelde AI. Een samengestelde AI-oplossing bestaat uit meerdere agenten, die elk een actor in het ecosysteem vertegenwoordigen. Door deze agenten te combineren tot een "zwerm" wordt het mogelijk om gemeenschappelijke situatiebewustzijn, meer globale planningsoptimalisatie, responsieve planning en procesveerkracht te creëren, aldus Gartner.