Vier acties nodig voor succesvolle AI-toepassingen in finance

Alleen investeren in tijd en geld is onvoldoende om snel en succesvol AI-toepassingen te realiseren op financiële afdelingen van organisaties. Vier vormen van gedrag bij implementatie zijn belangrijk voor het succes van AI-initiatieven op het gebied van financiële toepassingen, zo stelt Gartner.

"Het gebruik van AI op financiële afdelingen staat nog in de kinderschoenen: de meerderheid is pas in de afgelopen twee jaar begonnen", meent Jacob Joseph-David, directeur onderzoek bij Gartner Finance. “De meerderheid slaagt er ook niet in om de verwachte opbrengsten van dergelijke projecten snel te realiseren.”

Vanwege deze nog vroege fase van AI in financiële toepassingen, ontbreekt het CFO's aan een duidelijke definitie van en strategie voor succes. Om CFO's te ondersteunen, identificeerde Gartner vier cruciale acties voor het succes van financiële AI.

"De afdelingen die deze vier acties uitvoeren, vinden gemiddeld twee keer zoveel AI-use cases als degenen die ze niet uitvoeren", vervolgt Joseph-David. "Dit vertaalt zich in betere bedrijfsresultaten, zoals nieuwe productlijnen, maar ook in resultaten van de financiële afdeling, zoals grotere nauwkeurigheid en kortere procestijden."

1. Huur extern AI-specifiek talent in

Over het algemeen zijn er drie opties om talent met AI-vaardigheden en expertise binnen te halen: nieuw talent inhuren, huidig talent bijscholen of talent lenen van de IT-afdeling. Organisaties die hun talentstrategieën richten op het inhuren van buiten AI-geschoold personeel, hebben een significant grotere kans om leidend te worden op financieel AI-gebied. Toch ziet ongeveer de helft van de financiële organisaties bijscholing als hun primaire talentstrategie.

AI-specifiek personeel brengt onschatbare ervaring mee in het werken met de nuances van AI, waardoor de organisatie traagheid bij het werken met AI-toepassingen kan overwinnen en de technische leercurve verkort. Omgekeerd: hoewel het bijscholen van financieel personeel misschien minder duur is, lopen organisaties hierbij het risico dat de voortgang wordt vertraagd en dat er meer kans op fouten ontstaat. Bovendien bieden nieuwe AI-specifieke medewerkers de mogelijkheid om verder te gaan dan traditionele processen en denkwijzen door nieuwe ideeën met zich mee te brengen om AI-implementatie te ondersteunen.

2. Investeer in software met ingebouwde AI voor snelle winst

Door software aan te schaffen met ingebouwde AI-mogelijkheden kunnen organisaties gemakkelijker met AI experimenteren en toepassen op meer financiële use-cases; ze kunnen gemakkelijker pilots bouwen voor unieke zakelijke problemen. Het bouwen van interne AI-oplossingen voor alle financiële processen zorgt daarentegen voor veel meer werk en vermindert de bandbreedte van finance-afdelingen om nieuwe pilots of use-cases te verkennen.

3. Experimenteer vroeg en breed met pilots

Top financiële AI-organisaties kiezen in eerste instantie voor een mislukte experimentele benadering van AI-implementatie in plaats van een paar grote weddenschappen te sluiten. Met meer vroege pilots komt er meer gebruik van AI, en de implementatie is sneller omdat de organisatie kan focussen op de meest succesvolle pilots.

Doorgaans onderzoeken de meest succesvolle organisaties nog steeds dezelfde gebruiksscenario's als de minder succesvolle organisaties. De drie meest voorkomende zijn: boekhoudprocessen, backofficeverwerking en cashflow-prognoses. De enige uitzondering is de prognose van klantbetalingen, een gebruiksscenario dat door ongeveer de helft van de toonaangevende organisaties wordt onderzocht, maar door zeer weinig van de minder succesvolle organisaties.

4. Kies een analytische AI-implementatieleider

CFO's moeten de juiste persoon selecteren om AI-implementatie te leiden om AI-voordelen te realiseren. Dit kan bijvoorbeeld het hoofd van financiële planning en analyse (FP&A) zijn, of het hoofd van financiële analyse, die de AI-implementatie leidt in plaats van een controller.

Hoofden van FP&A en finance analytics zijn succesvol in het leiden van AI vanwege hun sterke analytische en data-achtergrond. Ze vertrouwen minder op het begrijpen van traditionele financiële processen en meer op het begrijpen van de complexiteit van AI in een zakelijke omgeving.