Líderes financeiros devem moderar as expectativas em torno da GenAI, diz Gartner

Embora a IA financeira tenha gerado um interesse significativo de CFOs que buscam maximizar recursos e melhorar a eficiência e a tomada de decisões, um hype significativo no mercado provavelmente levará a um período de desilusão com várias tecnologias nesse espaço, de acordo com o Gartner.

O Gartner Hype Cycle for Finance AI and Advanced Analytics apresenta as principais inovações que revolucionam as finanças. Este Hype Cycle fornece aos CFOs o estado atual das principais técnicas de IA e análise avançada relevantes para finanças, ajudando-os a alinhar os roteiros de tecnologia com a estratégia de negócios. Embora muitas das inovações apresentadas estejam prontamente disponíveis e amplamente utilizadas hoje, outras são voltadas para o futuro e apresentam a maior promessa para o futuro. Os CFOs podem usar esse Hype Cycle para criar um roteiro de transformação financeira que agregue valor a curto prazo e, ao mesmo tempo, se prepare para o futuro.

“No auge das expectativas infladas em finanças está a IA generativa”, disse Mark D. McDonald, analista diretor sênior da Prática Financeira do Gartner. “Uma variedade de ferramentas de IA generativa (GenAI) disponíveis publicamente gerou enorme publicidade para a tecnologia nos últimos dois anos, mas como as funções financeiras adotam essa tecnologia, elas podem não considerá-la tão transformadora quanto o esperado”, observou.

Embora os especialistas do Gartner prevejam desilusão com as ferramentas GenAI em finanças no futuro, isso não quer dizer que a tecnologia não será útil em finanças. Pelo contrário, o GenAI tem várias aplicações para profissionais de finanças, mas elas podem não ser tão transformadoras quanto muitos líderes financeiros pensam agora. O GenAI usa texto como fonte, portanto, para tarefas que exigem análise de texto, como análise de contratos, ele se destaca.

“As funções financeiras também podem usar o GenAI para fazer coisas que atualmente não fazem”, disse McDonald. “Por exemplo. comparar uma fatura de fornecedor de entrada com o preço negociado para garantir que as cobranças estejam alinhadas com os preços acordados”, comentou. “Os principais pontos fortes do GenAI em finanças são sua facilidade de acesso e simplicidade de uso. Com muitos fornecedores oferecendo soluções GenAI internas privadas, aproveitar essas ferramentas é em grande parte um caso de ensinar aos funcionários como usá-las e em que circunstâncias é uma solução confiável”, completou.

Quando se trata de tarefas baseadas em dados numéricos, no entanto, as funções financeiras precisarão contar com outras técnicas de IA: principalmente várias aplicações de aprendizado de máquina. O aprendizado de máquina pode ajudar os profissionais de finanças em tarefas como prever receita ou encontrar erros em grandes volumes de dados.

“O aprendizado de máquina também pode ajudar com métodos novos e mais sofisticados de analisar nossos resultados financeiros, detectando tendências que, de outra forma, poderiam ser perdidas”, disse McDonald. “Um dos principais benefícios do aprendizado de máquina é que os líderes financeiros podem quantificar a qualidade da saída do algoritmo, o que pode servir como evidência para transações auditáveis”, explicou.

O uso do aprendizado de máquina exigirá algumas novas habilidades, no entanto. As organizações financeiras estão começando a empregar o modelo de ciência de dados do cidadão que ensina aos profissionais de finanças um subconjunto da capacidade de ciência de dados e as habilidades para empregar técnicas fundamentais de ciência de dados.

Composite AI

A Composite AI está no estágio de gatilho de inovação do Hype Cycle e refere-se à aplicação combinada de diferentes técnicas de IA para melhorar a eficiência do aprendizado para ampliar o nível de representações de conhecimento.

“À medida que a adoção da IA amadurece nas funções financeiras, ficará claro que nenhuma técnica de IA é uma panacéia”, disse McDonald. “Combinar técnicas de IA é muito mais eficaz do que confiar apenas em heurísticas ou em uma abordagem totalmente orientada por dados”, afirmou.

A crescente dependência da IA para a tomada de decisões está levando as organizações a uma IA composta, porque as ações mais apropriadas podem ser melhor determinadas combinando modelos baseados em regras e de otimização – uma combinação muitas vezes chamada de análise prescritiva. Pequenos conjuntos de dados, ou a disponibilidade limitada de dados, também levaram as organizações a combinar várias técnicas de IA.

A modelagem baseada em agentes é a próxima onda de Composite AI. Uma solução de IA composta é composta por vários agentes, cada um representando um ator no ecossistema. A combinação desses agentes em um “enxame” permite a criação de consciência da situação comum, otimização de planejamento mais global, agendamento responsivo e resiliência de processos.