Na de ontdekking van röntgenstralen vond Wilhelm Röntgen er een opmerkelijke toepassing voor: fluoroscopen, apparaten waarmee schoenmaten konden worden gemeten. Schoenenwinkels gebruikten dit decennialang, totdat het in de tweede helft van de 20e eeuw werd verboden vanwege zorgen over stralingsgevaar. En of het achteraf gezien nu zo’n nuttige toepassing bleek? Het gebruik van een meetlint was simpeler en sneller.
Dit is een sprekend voorbeeld van een situatie waarin niet goed werd gekeken naar de manier waarop of de plek waar technologie waarde kan toevoegen. Precies hoe veel financiële afdelingen momenteel met AI omgaan. Daardoor wordt AI vaak ingezet op plekken waar het niet de meeste impact kan maken, wat zowel duur als inefficiënt is. Maar zal AI dan als de fluoroscoop van finance eindigen?
Evaluaties van AI-toepassingen
Financiële teams verkennen dus al wel enthousiast de mogelijkheden van AI voor zaken als fraudebestrijding, detectie van onregelmatigheden, klantenservice, het automatisch invullen van declaratieformulieren en de verwerking van facturen. Maar in deze processen is zorgvuldigheid cruciaal en daarom vereist elke AI-toepassing gedetailleerde evaluaties. Er zijn namelijk meer dan genoeg grijze gebieden die om aandacht vragen. Hoe weet een bedrijf bijvoorbeeld of AI gegevens wel correct en ethisch verwerkt? Is er een risico dat AI persoonsgegevens lekt? Kunnen de financiële afdelingen garanderen dat hun AI-systemen geen fouten maken die leiden tot (financiële) schade? Door zulk soort vragen te blijven stellen, weet je zeker dat je het optimale uit je AI-toepassing haalt.
Zwarte zwanen
Het is ook belangrijk om met een reële blik naar AI te kijken. Zo hopen veel finance professionals op toepassingen op het gebied van predictive finance. Dat is op dit moment nog niet mogelijk, maar de technologie ontwikkelt zich snel. AI kan al wel waarschuwen voor problemen die je kunt zien aankomen, zoals terugkerende trends of patronen. Maar onverwachte en zeldzame gebeurtenissen – ook wel ‘zwarte zwaan-scenario’s’ genoemd – herkent AI niet. Deze vallen buiten het bereik van de technologie.
Het is dus duidelijk dat AI nog steeds niet in staat is om taken volledig over te nemen en altijd menselijk toezicht vereist. De vraag is dan: is het wel kosteneffectief als AI-toepassingen een menselijke ‘poortwachter’ nodig hebben?
Early adopter én cautious cat
Het antwoord is niet eenduidig: soms wel, soms niet. Het vinden van een balans tussen het opdoen van concurrentievoordeel als early adopter en de kat uit de boom kijken totdat AI-toepassingen zich in een verder gevorderd stadium bevinden, is de sleutel tot succes.
Wat betekent dat in de praktijk? Organisaties moeten alles op alles zetten om de basis van AI te beheersen. Denk aan het verbeteren van de datakwaliteit en de eerste integraties op orde krijgen; zodat ze vervolgens klaar zijn voor grootschalige AI-initiatieven. Wanneer organisaties dit zijn, is het belangrijk om niet direct op de eerste hype in te springen, maar na te gaan waar er binnen de organisatie sprake is van tekortkomingen of problemen. Wanneer dat duidelijk in beeld is, kun je bepalen welke AI-toepassing hiervoor de beste oplossing kan zijn. Zo voorkom je onnodige kosten en risico’s.
Voorzichtige vreugde
Oftewel: voorkom dat je met de finance afdeling enkel AI gebruikt omdat anderen dit ook doen. Finance is juist de plek waar AI het meeste verschil kan maken wanneer je een sterke basis, een duidelijk doel en een weloverwogen strategie hebt. Alleen zo garandeer je succesvolle AI-toepassingen op de lange termijn. En eindigt het niet als de fluoroscoop, die in 1999 door Time Magazine werd uitgeroepen tot een van de slechtste ideeën van de 20e eeuw.
