<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1316592211688349&amp;ev=PageView&amp;noscript=1">

Tekoälyn täysi potentiaali jää vielä hyödyntämättä taloushallinnossa

Tekoälyn täysi potentiaali jää vielä hyödyntämättä taloushallinnossa

Taloushallinto on säilynyt häkellyttävän muuttumattomana viime vuosikymmenet. Paperipinoista on siirrytty toki exceleihin ja kirjanpito- ja laskunhallinnan ohjelmiin, ja työ on sitä myöten tehostunut. Mutta näin maallikon näkökulmasta taloushallinnon peruspilarit ovat säilyneet muuttumattomina: huolehditaan siitä, että laskut kohdistetaan oikein, maksetaan oikeilla viitteillä, ei sorruta huijauslaskuihin ja tuotetaan tietoa siitä, miten yrityksen rahat kuluvat ja miten sillä menee.

 Samaan aikaan puhutaan tekoälystä, keinoista, joilla koneet voisivat alkaa tekemään niille aiemmin vaikeita, aiemmin vain ihmisten kontolla olleita töitä. Termi tekoäly on vähän harhaanjohtava, koska kyse ei toki ole ihmisen tavoin ajattelevasta tai tietoisesta koneesta.

Kun puhumme tekoälystä, puhumme kirjosta erittäin tehokkaita algoritmeja, jotka voivat automatisoida tehtäviä, joita ei vielä 10-20 vuotta olisi mitenkään voitu tehdä koneella.

Tekoälyalgoritmi pystyy “oppimaan”, miten tietty prosessi toimii ja noudattamaan sitä, löytämään sääntöjä isoista datamassoista ja sopeutumaan muutoksiin, joita yrityksen toiminnassa ja toimintatavoissa jatkuvasti tulee.

On kuitenkin oikeastaan mahdotonta puhua taloushallinnon tulevaisuudesta ja tekoälystä puhumatta samalla kahdesta muustakin asiasta: softaroboteista ja digitalisaatiosta yleensä. Parhaimmastakaan tekoälystä kun ei ole iloa, jos prosesseja ei ole digitalisoitu eikä niitä olla valmiita kehittämään. Toisaalta softarobotiikka on tärkeä välivaihe kehitettäessä näitä prosesseja pidemmälle.

 

Robotiikasta rajapintoihin

Taloushallinnossa on edelleen valtavasti työtä, jota joudutaan tekemään käsin vain siksi, että osasta ketjua puuttuvat järkevät työkalut. Mietitäänpä vaikka ALV-ilmoituksia: periaatteessa yksinkertaisia tehdä, mutta parhaimmillaankin ne pitää jättää käsin verkkopalvelun kautta koneluettavassa formaatissa.

ALV-ilmoitukset ovat deterministisiä: ne eivät vaadi kovin ihmeellisiä laskutoimituksia, kun oikea data on saatavilla. Hyvä tapa ratkoa tämänkaltaisten ongelmien automatisointia on softarobotiikka, jossa ohjelma vaikkapa täyttää lomakkeet ihmisen puolesta ja poistaa ”tyhmää” työtä. Silti on syytä muistaa, että softarobotiikka on lupauksistaan huolimatta monessa paikassa vain laastari, ja se voi osoittaa kohdan, jossa olisi syytä saada aidot rajapinnat.

Miettikääpä, jos valtio tarjoaisi ALV-ilmoituksille aidon koneellisen rajapinnan, API:n, johon yrityksen järjestelmä kytkeytyisi suoraan? Taloushallinnon järjestelmät voisivat tällöin tehdä ilmoitukset automaattisesti kenenkään puuttumatta.

Robotiikka onkin parhaimmillaan silloin, kun se yhdistetään aitoon yritykseen parantaa ja virtaviivaistaa prosesseja, ja sen avulla voidaan havainnoida mitkä prosessin osat voisi oikeastaan kokonaan siirtää koneen tehtäväksi.

Täysin säännelty vai luova ja oppiva?

Olemme edelleen huiman kaukana pitkälle automatisoidusta tai edes digitalisoidusta taloushallinnosta. Laskuprosessin digitalisointi puhtaan sääntöpohjaisilla menetelmillä vaatii erittäin raskaita ja tiukkoja prosesseja ja sääntöjä, joiden noudattaminen itsessään tuo kustannuksia. Silti tiukoimmassakin prosessissa kohdataan poikkeuksia ja erikoistapauksia, joiden ratkomiseen tarvitaan ihmisen luovuutta. Tällaiset puhtaan sääntöpohjaiset, perinteiset ohjelmistot ja algoritmit vaativat erittäin selviä pelisääntöjä eivätkä ymmärrä poikkeustilanteita.

Oppivien algoritmien aikakaudella meillä on vihdoin keinoja automatisoida osa näistä vaikeammistakin tapauksista myös prosesseissa, joissa on enemmän pelivaraa.

 Algoritmit, softarobotiikka ja muut modernit teknologiat helpottavat nyt prosessien yksinkertaistamista ja nopeuttamista. On todennäköistä, että tehokkaimmin taloushallinto toimii, kun prosessi ei ole kiveen hakattu, mutta sen tehokasta toimintaa tuetaan teknologialla ja epävarmuutta sietävillä algoritmeilla.

 

Ennusteet ja reaaliaikainen data

Ehkä isoin muutos, jota koko taloushallinto tulee kohtaamaan, on yrityksen lukujen ja prosessien muuttuminen reaaliaikaisiksi. Tämä ei ole ihan helppo eikä nopea muutos, mutta se on jo alkanut.

Yritysten toiminnan seuranta on perustunut siihen, että lukuja saadaan ja kerätään jälkikäteen, niitä koostetaan ja niistä tehdään säännöllisin väliajoin raportteja. Tämä tarkoittaa että kriittinenkin info tulee usein myöhässä ja toisaalta ennusteiden tekeminen on hankalaa.

Tulevaisuudessa yhä enemmän yrityksen toimintaan liittyvästä datasta - tehdyt tunnit, kaupat, lähetetyt ja maksetut laskut - saadaan kuitenkin kerättyä reaaliaikaisesti tai lähes reaaliaikaisesti. Tilinpäätöksiä voidaan valmistella jossain määrin etukäteen, mutta vielä olennaisemmin tärkeitä tunnuslukuja voidaan seurata jatkuvasti ja tehtyjen muutosten vaikutus nähdä nopealla aikataululla.

 

 ”Datan laadun ja tarkkuuden parantuminen tarkoittaa, että myös ennusteita voi tehdä jatkossa paremmin.”

 

Tätä kaikkea voi tehdä myös ilman koneoppimista, mutta mielenkiintoiseksi tämän puolen tekee, kun ennusteisiin voidaan yhdistää vaikkapa julkista dataa ja lähteä tekemään arvioita ja ennusteita yrityksen ajantasaisesta ja muusta datasta yhdistettynä.

 

 

Automatisoidut petosyritykset lisääntyvät, kyky estää niitä paranee

Kun järjestelmät automatisoituvat, rajapintoja aukeaa ulospäin ja yhä enemmän laskentaa siirtyy suoraan koneelle. Samalla hakkerointi lisääntyy. Kannattaa huomata, että tämä pätee kaikkeen muutokseen, eikä ole minkään yksittäisen teknologian ominaisuus: aina kun toimintatavat muuttuvat, löydetään uusia tapoja yrittää “pelata” järjestelmää.

Nykyisellään esimerkiksi feikkilaskut ovat yritysten ostoreskontraa häiritsevä elementti, ja toisaalta niitä osataan myös tunnistaa melko hyvin. Kuten spämmiä, tietokoneet oppivat tunnistamaan myös virheellisiä laskuja. Vaikka petosyritykset monipuolistuvat, samaan aikaan myös keinot paljastaa ja estää niitä muuttuvat. Pitää siis ymmärtää, että tämä ei ole niinkään uhka, vaan yksi osoitus maailman muuttumisesta.

Kun tietoturvaan ja virheiden tai väärinkäyttöyritysten paljastamiseen muistetaan ja osataan panostaa, niiden osuus parhaimmillaan pienenee. Hyvä käytännön esimerkki on luottokorttien valvonta: nykyään osataan tunnistaa korttien epätyypillinen käyttö, jolloin voidaan reaaliaikaisesti varmistaa vaikkapa puhelinsoitolla, että kortti on edelleen oikeissa käsissä.

Reaktiivisesta proaktiiviseen, kvartaalikatsauksista ennusteisiin

Toistaiseksi taloushallinnossa eletään vielä reaktiivista aikaa, ja moni työkalu ei tue moderneimpia ja automatisoituja työtapoja. Tiedonsiirto on eräajomuotoista, ei reaaliaikaista ja prosesseissa on paljon käsityötä.

Tekoälystä on hyötyä eniten silloin, kun prosessista riittävän iso osa on jo digitalisoitu. Meidän on helppo tehdä automaattista tiliöintiä, kun laskut tulevat standardoidussa, koneluettavassa muodossa tai helppoa lähteä etsimään saapuneille maksusuorituksille vastinparia, kun meillä on koneelle ymmärrettävässä muodossa tallessa lähteneet laskut. Toisaalta tekoälyn eri sovelluksista, kuten kuvan- ja tekstintunnistuksesta, on hyötyä myös silloin kun vasta lähdetään digitalisoimaan prosessia: esimerkiksi paperilaskuja jo nyt digitalisoidaan ainakin osittain automatisoidusti ja tämän tavan osumatarkkuus paranee vielä teknologian kehittyessä.

Olennaista on kuitenkin miettiä prosessin ja taloushallinnon toimintojen kehittämistä kokonaisuutena - mikä on oikeasti tarpeen ja mitkä työvaiheet ovat turhia tai ainakin automatisoitavissa? Mistä ennusteista olisi eniten hyötyä ja miten taloushallinnossa päästään entistä ajantasaisempaan toimintamalliin?

Pitkällä tähtäimellä tavoite ei voi olla vähempää kuin kaiken rutiinityön siirtäminen automaattisiin järjestelmiin ja painopisteen siirto analyysiin, ennusteisiin ja kokonaiskuvan hahmottamiseen – saumattomaan yrityksen toiminnan tukemiseen.


Tekoäly muuttaa taloushallinnon osaajien työtä. Katso kiinnostava keskustelu aiheesta: 

New Call-to-action

Aiheet: Tulevaisuuden työAI

Uusimmat kirjoitukset

Aihealueet

Toimialat

New Call-to-action