Wiedza

Jak organizacje wykorzystują AI w rachunkowości — lekcje z realnych wdrożeń

AI w rachunkowości przestało być zapowiedzią — największe firmy i sieci audytorskie świata już je wdrożyły. Ale prawdziwa wartość studiów przypadku nie leży w odpowiedzi „co potrafi AI”, tylko w odpowiedzi „kiedy wdrożenie się udaje”. Zebrałem te przypadki w monografii; poniżej pięć wniosków, które z nich płyną.

Kiedy pisałem monografię o sztucznej inteligencji w rachunkowości, najciekawszy nie okazał się rozdział o tym, co AI potrafi — lecz rozdział ze studiami przypadku. Bo dopiero realne wdrożenia w wielkich organizacjach pokazują to, czego nie widać w broszurze dostawcy: że o powodzeniu nie decyduje samo narzędzie. Poniżej pięć wniosków, każdy zakotwiczony w konkretnym przypadku.

1. Automatyzacja: dokumenty i transakcje na skalę

Najbardziej namacalny obszar to przetwarzanie dokumentów i transakcji. Uber zautomatyzował fakturowanie i operacje finansowe za pomocą robotyzacji procesów i AI, drastycznie redukując pracę ręczną i błędy. Cognizant — dla klienta produkcyjnego — użył AI-owego OCR do przetworzenia tysięcy faktur od dostawców, skracając czas i podnosząc dokładność. Podobnie IBM wpiął AI w obsługę zobowiązań handlowych korporacyjnego klienta.

Wniosek: AI radzi sobie z nieustrukturyzowanymi dokumentami — fakturami w dziesiątkach formatów — i przenosi mechaniczną część pracy z tygodni na godziny. To najłatwiejszy próg wejścia, o wyraźnym zwrocie.

2. Audyt: od próby do całości i od „po fakcie” do „na bieżąco”

Tu zmiana jest głębsza niż automatyzacja. KPMG wdrożyła AI w sprawozdawczości i audycie w — jak opisuję w monografii — ponad 140 rynkach, konfigurując algorytmy tak, by uwzględniały różne krajowe standardy i przepisy i automatycznie sygnalizowały problemy zgodności. Efektem było przejście od retrospektywnego próbkowania do proaktywnej identyfikacji ryzyka: audyt przestaje być tylko weryfikacją przeszłości, a staje się ciągłym procesem.

Jeszcze wymowniejszy jest pilotaż EY, w którym AI ponownie przeanalizowało audyty uznane już za zakończone i zgodne — i w dwóch na dziesięć zbadanych spraw wykryło poważne nieprawidłowości, które ludzcy audytorzy przeoczyli. To pokazuje AI jako dodatkową linię obrony jakości, a nie zastępstwo audytora.

Wniosek: AI potrafi zbadać 100% transakcji, nie próbkę, i robić to na bieżąco. Zmienia to samą metodykę zapewnienia wiarygodności.

3. Nadużycia wykrywane w czasie rzeczywistym

Mastercard wdrożył system generatywnej AI do wykrywania nadużyć, monitorujący transakcje w czasie rzeczywistym i wychwytujący wzorce oszustw natychmiast. To modelowy przykład przewagi AI tam, gdzie liczą się skala i subtelność sygnału: człowiek nie przejrzy każdej transakcji, algorytm — tak, i uczy się na przeszłych przypadkach.

Wniosek: kontrola przenosi się z okresowej na ciągłą. Nadużycie ma szansę zostać złapane w chwili, w której powstaje, a nie przy zamknięciu roku.

4. AI jako asystent — „drugi pilot”

Nie każde wdrożenie to automatyzacja procesu; część to wsparcie profesjonalisty. Deloitte uruchomił dla audytorów asystenta („DARTbot”), który pomaga błyskawicznie nawigować po standardach rachunkowości i przywoływać właściwe przepisy na żądanie. Bank of America — jak referuję w monografii — obsłużył chatbotem „Erica” ponad dwa miliardy interakcji z klientami, wykorzystując przetwarzanie języka naturalnego do obsługi zapytań.

Wniosek: sprawdza się model „co-pilota” — AI prowadzi rutynową nawigację po danych i przepisach, a człowiek koncentruje się na osądzie i decyzji. AI odciąża, nie wyręcza z odpowiedzialności.

5. Transformacja całej funkcji finansowej

Najdalej idzie przypadek Unilever, gdzie AI objęło rachunek kosztów, sprawozdawczość zarządczą, a nawet cele ESG. Skutkiem nie była sama automatyzacja, lecz zmiana roli: funkcja finansowa stała się analitycznym partnerem biznesu, a nie działem przetwarzającym dokumenty.

Wniosek: największa wartość AI w rachunkowości nie leży w cięciu kosztów rutyny, lecz w awansie roli — od księgowego rejestrującego przeszłość do analityka i doradcy współkształtującego decyzje.

Wspólny mianownik: to nie narzędzie, to przeprojektowanie systemu

Gdy zestawić te przypadki, uderza jedno: udane wdrożenia nie różniły się lepszym modelem AI — różniły się tym, co je otaczało. KPMG i Unilever wdrożeniu AI towarzyszyły dużymi inwestycjami w szkolenia i nowe role (analitycy danych, specjaliści AI w zespołach finansowych) oraz w uporządkowanie danych. Wszędzie tam, gdzie AI zadziałało, wcześniej zbudowano fundament:

• ład danych — jedno źródło prawdy, jakość pilnowana u źródła, zintegrowane systemy;
• zarządzanie zmianą — przeprojektowane procesy, nowe kompetencje, oswojony zespół;
• człowiek w pętli — nadzór, kolejka wyjątków, jasna odpowiedzialność za decyzje.

Firmy, które potraktowały AI jako projekt transformacyjny, wygrały; te, które potraktowały je jak instalację kolejnego programu — nie. Sama dostępność narzędzia AI to nie to samo co korzyść z niego.

Morał

Studia przypadku mówią to samo, co teza o AI w controllingu: sztuczna inteligencja jest mnożnikiem jakości systemu, który już masz. Wielkie firmy nie odniosły sukcesu dlatego, że kupiły AI, lecz dlatego, że wcześniej — albo przy okazji — uporządkowały dane, procesy i role. Narzędzie było łatwą częścią; trudną i decydującą była architektura.

Projektujemy i porządkujemy systemy rachunku kosztów, controllingu i sprawozdawczości tak, żeby były gotowe na sztuczną inteligencję — z jednym modelem danych, uzgodnionymi miarami i jakością pilnowaną u źródła. Bo różnica między „kupiliśmy AI” a „AI realnie u nas działa” rozstrzyga się w systemie, nie w licencji.