Για τις εμπορικές επιχειρήσεις το όφελος δεν είναι μόνο η πρόληψη ζημιών
Η Τεχνητή Νοημοσύνη (Τ.Ν.) δεν είναι άλλη μια «μόδα» που ήρθε για να… περάσει για το οικονομικό τμήμα της κάθε επιχείρησης. Είναι ταυτόχρονα μια «ασπίδα» έναντι της απάτης, αλλά την ίδια στιγμή είναι και ένας μοχλός επιχειρησιακής απόδοσης.
Στις ηλεκτρονικές πληρωμές, τα συστήματα βαθμολόγησης κινδύνου της Τ.Ν. μπορούν να εντοπίζουν ανωμαλίες σε χιλιοστά του δευτερολέπτου (!), αξιοποιώντας ιστορικά πρότυπα αγορών, συμπεριφορικά σήματα και συμφραζόμενα. Η Mastercard, για παράδειγμα, «σκανάρει» σχεδόν 160 δισ. συναλλαγές τον χρόνο με το σύστημα «Decision Intelligence», ενώ το 2024 ανακοίνωσε ότι οι ενισχύσεις με… γενετική Τ.Ν. ανεβάζουν τον ρυθμό εντοπισμού απατών κατά μέσο όρο περίπου κατά 20%.
Η Τεχνητή Νοημοσύνη (ChatGPT-5) αναφέρει ότι το τραπεζικό «case» της Danske Bank είναι διδακτικό: Μεταβαίνοντας από κανόνες σε βαθιά μάθηση, η Τ.Ν. πέτυχε μείωση ψευδώς θετικών κατά 60% (με προοπτική έως 80%) και αύξηση των «αληθινών» ευρημάτων κατά 50%, κέρδος το οποίο μεταφράζεται σε λιγότερη «τυφλή» δουλειά και γρηγορότερες παρεμβάσεις.
Στο ηλεκτρονικό εμπόριο, σύμφωνα με την Τ.Ν., η PayPal αξιοποίησε γραφικές τεχνικές (node2vec) και αυτοματοποιημένη δημιουργία χαρακτηριστικών («Driverless Artificial Intelligence») για να αυξήσει την ακρίβεια ανίχνευσης σε δύσκολες περιπτώσεις συμπαιγνίας αγοραστών – πωλητών. Στην περίπτωση αυτή υπήρξε κατά 6% άμεση βελτίωση σε μοντέλα που «δουλεύονταν» επί δεκαετία. Με ποια λογική επιτυγχάνεται αυτό; Ενώνοντας I.P., διευθύνσεις, συσκευές και συμπεριφορές, η Τ.Ν. αποκαλύπτει δίκτυα που δεν φαίνονται με «γυμνό μάτι»!
Στο σημείο αυτό σημειώνεται ότι για κάθε εμπορική επιχείρηση το όφελος δεν είναι μόνο η πρόληψη των ζημιών. Κάθε ψευδώς «θετική σημαία» είναι και μια χαμένη πώληση ή μια άσκοπη τριβή με τον πελάτη. Τα σύγχρονα μοντέλα Τ.Ν. μειώνουν αυτά τα «φρένα», διατηρώντας την εμπειρία ομαλή, ενώ εντοπίζουν καταχρηστικές αντιστροφές χρέωσης και οργανωμένες απάτες. Η Mastercard, για παράδειγμα, περιγράφει «real-time scoring», με απόκριση περίπου 50 ms, ώστε οι ύποπτες συναλλαγές να μπλοκάρονται προτού γίνουν ζημιές.
«ΚΛΕΙΔΙΑ»
Τα «κλειδιά» της επιτυχίας μέσα από τη χρήση της Τ.Ν. συνοψίζονται στα εξής: α) Ποιοτικά, ενιαία δεδομένα (ERP, PSPs, CRM), β) υβριδική αρχιτεκτονική, γ) συνεχή τροφοδότηση με «ετικετοποιημένα» αποτελέσματα και δ) ανθρώπινη εποπτεία για διαφάνεια και δικαιοσύνη.
Είναι χαρακτηριστική η μετάβαση από τους στατικούς κανόνες σε μια δυναμική βαθμολόγηση κάθε συναλλαγής. Τα νεότερα μοντέλα Τ.Ν. μπορούν να «βλέπουν» τις σχέσεις μεταξύ λογαριασμών, συσκευών και διευθύνσεων, ακόμα και μοτίβα πληκτρολόγησης (συμπεριφορικά βιομετρικά), ώστε να διαχωρίζουν το ασυνήθιστο από το ύποπτο, χωρίς να «πνίγουν» νόμιμες αγορές. Στελέχη της αγοράς τονίζουν την προληπτική αξία της χρήσης Τ.Ν. για την προστασία από απάτες. Γίνεται εντοπισμός συμβιβασμένων καρτών και ύποπτων εμπόρων γρηγορότερα, προτού, δηλαδή, να υπάρξει ζημιά.
Η άλλη πλευρά αξιοποίησης της Τεχνητής Νοημοσύνης είναι η εταιρική απάτη και οι καταχρηστικές αντιστροφές χρέωσης. Συγκεκριμένα, η Τ.Ν. χαρτογραφεί δίκτυα συναλλαγών και αποκαλύπτει «σμήνη» που μοιράζονται IP/διευθύνσεις/συσκευές, αλλά και ανωμαλίες σε ροές τιμολογίων/επιστροφών, ώστε να ενεργοποιούνται οι απαραίτητοι έλεγχοι νωρίς.
Πολύ απλά η Τ.Ν. ενσωματώνεται στη ρουτίνα της οικονομικής διαχείρισης ως ένα εργαλείο πρόβλεψης κινδύνων και όχι σαν ένα «μαύρο κουτί». Ποιο είναι το αποτέλεσμα; Λιγοστεύουν οι απώλειες, γίνονται γρηγορότερες οι εγκρίσεις και το οικονομικό τμήμα της επιχείρησης λειτουργεί προγνωστικά, συνδέοντας άμυνα κατά της απάτης με ταμειακό σχεδιασμό και αυτοματοποίηση.
Από τα excel στις προβλέψεις ρευστότητας με τον «ψηφιακό συνεργάτη»
Για τους Chief Financial Officers (CFOs) η πρόβλεψη ταμειακών ροών είναι κρίσιμη για κάθε επιχείρηση. Η Τεχνητή Νοημοσύνη μπορεί, όμως, να δώσει λύσεις, όχι μαγικές, αλλά σίγουρα να διευκολύνει.
Συγκεκριμένα, τα μοντέλα Τ.Ν. συνδυάζουν ιστορικές εισπράξεις/πληρωμές, εποχικότητα, όρους πιστώσεων, ρυθμό τιμολόγησης, status παραγγελιών και παραδόσεων, ακόμα και εξωτερικά σήματα (τιμές ενέργειας, αργίες, καμπάνιες, μακροοικονομικούς δείκτες), ώστε να παράγουν βραχυπρόθεσμες και μεσοπρόθεσμες προβλέψεις οι οποίες ανανεώνονται συνεχώς. Με ενσωματωμένους agents, οι ομάδες treasury «τραβούν» αυτόματα υπόλοιπα από τράπεζες/ERP, ενοποιούν νομίσματα και θυγατρικές, τρέχουν σενάρια «what-if» και λαμβάνουν ειδοποιήσεις για αναμενόμενα πλεονάσματα ή ελλείμματα προτού φανούν στο ταμείο.
Σε οργανωτικό επίπεδο, η PwC συνοψίζει, σύμφωνα με την Τ.Ν., για παράδειγμα, το όφελος των agents σαν μέσο «ξεκλειδώματος» χρόνου, ταλέντου και δεδομένω και -όπου υπάρχει ώριμη υποδομή- αναφέρει έως 90% ταχύτερους κύκλους και έως 40% βελτίωση ακρίβειας/ταχύτητας πρόβλεψης. Στη μετεξέλιξή της, η Τ.Ν. στα οικονομικά έχει γίνει mainstream, με βάση τα εξής δεδομένα: Σαφές όραμα για τις περιπτώσεις χρήσης, καθαρά/ενιαία δεδομένα και αυστηρή προτεραιοποίηση. Φυσικά, είναι δεδομένο ότι όλα τα μοντέλα Τεχνητής Νοημοσύνης δεν αποδίδουν το ίδιο.
Τι προτείνει, λοιπόν, η Τ.Ν. (το μοντέλο ChatGPT-5) στους επικεφαλής των οικονομικών τμημάτων: «Μεθοδολογικά, ξεκινήστε με rolling forecast 13 εβδομάδων και ”κορμό δεδομένων” που ενώνει ERP – CRM – TMS – PSPs – τράπεζες. Τα χαρακτηριστικά που τροφοδοτούν τα μοντέλα Τ.Ν. περιλαμβάνουν εποχικότητα, pipeline πωλήσεων, όρους DSO/DPO, προωθητικές ενέργειες, επιστροφές, ακόμα και καιρικά/τοπικά γεγονότα. Χρησιμοποιούνται συνδυασμοί κλασικών μοντέλων (ARIMA/Prophet), gradient boosting και LSTM, συχνά κερδίζει υβριδικό σμήνος (ensemble). Η ανίχνευση ανωμαλιών ”καθαρίζει” outliers από καθυστερήσεις, credit memos ή μερικές πληρωμές, ενώ η τμηματοποίηση πελατών (risk buckets) επιτρέπει διαφοροποιημένες υποθέσεις είσπραξης».
Η διακυβέρνηση μιας επιχείρησης είναι κρίσιμη, επίσης, σύμφωνα με την Τ.Ν. Το ChatGPT-5 προτείνει τα εξής: «Ορίστε μετρικές σφάλματος (MAPE/MAE), εφαρμόστε back-testing και προσέγγιση champion-challenger, θεσπίστε thresholds για alerts και κανόνες ανθρώπινης έγκρισης. Δημιουργήστε ”playbooks” ενεργειών ρευστότητας (π.χ., επιτάχυνση εισπράξεων, αναδιαπραγμάτευση όρων, χρηματοδότηση αποθεμάτων) και μετρήστε αντίκτυπο σε cash conversion cycle, forecast bias/variance και ταχύτητα μηνιαίου κλεισίματος. Επενδύστε σε αλλαγή κουλτούρας: εκπαίδευση χρηστών, διαφάνεια χαρακτηριστικών, audit trail αποφάσεων. Αποφύγετε τα κλασικά λάθη, κακή ποιότητα δεδομένων, διαρροή πληροφοριών μεταξύ train/test, ”μαύρα κουτιά” χωρίς επεξηγησιμότητα». Με αυτά στη θέση τους, η Τ.Ν. παύει να είναι ένα εντυπωσιακό gadget και γίνεται ένας αρκετά αξιόπιστος συμπαίκτης λήψης αποφάσεων, που μειώνει την αβεβαιότητα, προλαμβάνει πιέσεις ρευστότητας και απελευθερώνει χρόνο της οικονομικής διεύθυνσης για στρατηγική και ανάπτυξη.
Πώς επιτυγχάνονται αυτοματοποιημένη λογιστική και τιμολόγηση
Η αυτοματοποίηση της λογιστικής ωριμάζει με συνδυασμό OCR (οπτική αναγνώριση χαρακτήρων) και Τ.Ν. Ετσι μπορεί να πετυχαίνει: ανάγνωση τιμολογίων, εξαγωγή πεδίων, τριπλή αντιστοίχιση με εντολές αγοράς και παραλαβές (3-way match) και αυτόματη καταχώριση στο ERP (σύστημα επιχειρησιακού σχεδιασμού).
Σε μεγάλους οργανισμούς έχουν καταγραφεί μειώσεις χρόνου επεξεργασίας τιμολογίων κατά περίπου 70% και «straight-through» διεκπεραίωση άνω του 50%, αποδεσμεύοντας ανθρώπινους πόρους από επαναληπτικά tasks. Παράλληλα, πλατφόρμες ΜμΕ (για παράδειγμα, Xero, QuickBooks) προτείνουν λογαριασμούς/επαφές για τραπεζικές κινήσεις και «μαθαίνουν» από τους κανόνες συμφωνίας.
Για παράδειγμα, σύμφωνα με την Τ.Ν., η Thermo Fisher ανέφερε 70% ταχύτερη επεξεργασία περίπου 824.000 τιμολογίων ανά έτος, 53% straight-through και περίπου 85% ακρίβεια, χάρη σε «AI document understanding» και αντιστοίχιση με παραγγελίες. Στις μικρομεσαίες επιχειρήσεις (ΜμΕ) η Xero προβλέπει λογαριασμό ανά επαφή όταν η απλή αντιστοίχιση αποτυγχάνει, ενώ τα νεότερα «AI-powered bank feeds», του QuickBooks βελτιώνουν κατηγοριοποίηση και συμφωνία.
Για να αποδώσει στην πράξη, το ChatGPT-5 προτείνει τα εξής «βήματα»: α) Ορίστε όρια ανοχής (π.χ. ±2%), β) κλιμακώστε εξαιρέσεις για ανθρώπινο έλεγχο, γ) ενεργοποιήστε κανόνες ανίχνευσης διπλοεγγραφών, έλεγχο ΦΠΑ/IBAN και επικύρωση προμηθευτών (vendor master), δ) διατηρήστε πλήρες audit trail (πριν/μετά, confidence score, έκδοση μοντέλου), ε) ευθυγραμμίστε με πολιτικές SOX/ΕΛΠ και τοπικές απαιτήσεις ηλεκτρονικής τιμολόγησης/PEPPOL και στ) μετρήστε συστηματικά straight-through rate, χρόνο κύκλου, ποσοστό εξαιρέσεων και λάθη κωδικοποίησης GL και ξεκινήστε με πιλοτικό «shadow mode». Παρακολουθήστε drift/υποβάθμιση μοντέλων και εκπαιδεύστε τους χρήστες ώστε να εξηγούν και να διορθώνουν τις εισηγήσεις της Τ.Ν.
Απαραίτητοι οι έλεγχοι και η ανθρώπινη εποπτεία
Οι επικεφαλής των οικονομικών τμημάτων στις επιχειρήσεις θα πρέπει φυσικά να γνωρίζουν ότι η ταχύτητα της Τεχνητής Νοημοσύνης κρύβει κινδύνους.
Η Τ.Ν. μπορεί να προβεί σε… μεροληψίες, εξετάζοντας ιστορικά δεδομένα, υπερευαισθησία σε γεωγραφίες/ομάδες ή να θέσει αυστηρά όρια στην κρίση της, που αυξάνουν το ενδεχόμενο άδικων απορρίψεων. Πώς αντιμετωπίζεται αυτό το πρόβλημα; Η λύση είναι υβριδική: Αξιοποίηση της Τεχνητής Νοημοσύνης για απόκτηση ταχύτητας από τη μία πλευρά και άνθρωποι οι οποίοι την εποπτεύουν από την άλλη.
Είναι ενδεικτικό ότι όσο η χρήση της Τ.Ν. «ωριμάζει» τόσο αρκετοί αναλυτές προειδοποιούν για «agent-washing» και έργα χωρίς σαφή αξία, τα οποία καταλήγουν να εγκαταλείπονται. Αρα για να έχει αξία και αποτέλεσμα η αξιοποίηση της Τεχνητής Νοημοσύνης απαιτείται να υπάρχουν αυστηρή προτεραιοποίηση εργασιών και διαρκείς μετρήσεις του έργου και του αποτελέσματος.
Εάν, για παράδειγμα, ένα πιλοτικό πρόγραμμα χρήσης της Τεχνητής Νοημοσύνης δεν μειώνει τις απάτες ή δεν βελτιώνει το «cash conversion cycle» (τον κύκλο μετατροπής μετρητών, έναν οικονομικό δείκτη που «μετρά» πόσες ημέρες χρειάζεται μια επιχείρηση για να μετατρέψει την επένδυσή της σε αποθέματα και άλλους πόρους σε ταμειακές ροές από πωλήσεις), τότε κάτι δεν γίνεται σωστά. Ετσι, χρειάζεται επανασχεδιασμός ή διακοπή. Η Τεχνητή Νοημοσύνη αποδίδει τα μέγιστα και μειώνει τα λάθη της μόνο όταν εντάσσεται σε καθαρά δεδομένα και μόνο όταν έχει σαφείς ρόλους.
ΑΠΟ ΤΗΝ ΕΝΤΥΠΗ ΕΚΔΟΣΗ (29 ΑΥΓΟΥΣΤΟΥ 2025)
