Kao što je Ben Franklin slavno rekao, u životu su sigurne samo dvije stvari: smrt i porezi. Mi bismo tvrdili da bi se AI trebao dodati toj listi. Kako modeli velikih jezika (LLM) nastavljaju napredovati, AI se sve više uvlači u sve aspekte poslovanja, od marketinga do glasovnih agenata i profesionalnih usluga u cjelini. Bilo da se radi o PWC-ovoj najavi o ulaganjima od milijardu dolara u AI rješenja, ili Reutersovom izdvajanju od 8 milijardi dolara za AI sporazume i razvoj, firme su željne da se pozicioniraju kao lideri na tržištu u implementaciji ove nove tehnologije — naročito one koje opslužuju računovodstveno tržište.
Ovo ne bi trebalo nikoga iznenaditi. Knjigovodstvo, računovodstvo, priprema poreza i revizija su oblasti koje obiluju formulama i ponavljajućim zadacima koji bi imali veliku korist od efikasnosti i uštede vremena koje generativna AI može ponuditi. A postoje i stvarni, kvantitativni trendovi koji čine ovaj trenutak posebno ključnim za računovodstvene firme da se okrenu AI i mašinskom učenju. Za početak, 75% ovlaštenih računovođa (CPA) moglo bi otići u penziju u narednih 10 godina. Istovremeno, profesija privlači sve manje novih ljudi, a broj studenata u SAD-u koji završavaju računovodstvene studije opada. To znači da će u narednim godinama biti daleko manje stručnjaka koji će moći odgovoriti na postojeću potražnju klijenata — a firme se već sada bore da održe korak.
Srećom, generativna AI se pojavila, i tokovi rada u korporativnim financijama i računovodstvu trebali bi imati velike koristi od njenih mogućnosti. Međutim, važno je biti precizan o tome gdje tačno ovaj novi talas AI baziranih na LLM-ovima može pomoći. U svojoj suštini, LLM-ovi su najbolji u radu s prirodnim jezikom. Oni su odlični u sažimanju istraživanja, odgovaranju na pitanja i pružanju informacija koje prompteru omogućuju da dođe otprilike 70% do konačnog rezultata. Ono što im nedostaje (za sada!) je sposobnost obavljanja složenih proračuna i kvantitativnih analiza — dvije ključne vještine za računovodstvenu profesiju.
Uprkos tome, računovodstveni tokovi rada i dalje su spremni za disruptivne promjene: industrija je ispunjena visoko plaćenim stručnjacima koji provode mnoge sate sedmično unoseći podatke iz različitih izvora kako bi davali preporuke na osnovu prepoznavanja obrazaca stečenih kroz godine obrazovanja i profesionalnog iskustva. Iako postoje mnoge nijansirane podspecijalnosti unutar oblasti finansija i računovodstva (npr. knjigovodstvo, priprema poreza, revizija, outsourcing CFO funkcija) kao i specifične potrebe u određenim sektorima, identificirali smo nekoliko ključnih poslova koji su prisutni u većini, ako ne i u svim oblastima. Ključna razlika u mnogim slučajevima bit će u relativnom naglasku na jedan aspekt posla u odnosu na druge (npr. knjigovodstvo se više fokusira na unos podataka, dok davanje poreznih savjeta zahtijeva složenu analizu i izvještavanje). Također, mnogi od ovih tokova rada primjenjuju se i na interne računovodstvene funkcije i na vanjske računovođe.
Evo kako vidimo ključne zadatke koje treba obaviti:
Prikupljanje i unos podataka
Finansijski stručnjaci i računovođe moraju prikupljati podatke iz mnogih različitih izvora — bankovnih izvadaka, glavne knjige, platformi za omogućavanje trgovine, alata za obračun plaćanja i potraživanja, poslovnih sistema evidencije, itd. — kako bi konsolidirali pokazatelje performansi i riješili sve kontradiktorne unose. Ova ručna usporedba unosa iz različitih izvora podataka poznata je kao “usaglašavanje” i obično zahtijeva doprinos različitih timova unutar kompanije (npr. pojedinaca koji odobravaju fakture ili upravljaju određenim odnosima s dobavljačima). Usaglašavanje je razlog zbog kojeg mala preduzeća troše prosječno 15 sati sedmično na računovodstvene zadatke i zašto veće kompanije plaćaju čitave timove podrške kroz outsourcing poslovnih procesa (BPO).
Prije uvođenja LLM-ova, napredak u oblasti otvorenog bankarstva (vođen od strane kompanija kao što su Plaid) i univerzalnih API-ja kao što je Rutter (koji normalizuje transakcije iz trgovinskih, računovodstvenih i platnih podataka) već je olakšao računovođama automatski unos podataka potrebnih za usaglašavanje. Međutim, s LLM-ovima, timovi sada mogu koristiti softver za ekstrakciju podataka vođen LLM-om kako bi izvlačili podatke iz nestrukturiranih formata datoteka kao što su ugovori, računi i fakture. Ovo ima dalekosežne implikacije kako u poslovnim, tako i u malim i srednjim preduzećima. U poslovnom okruženju, podaci relevantni za finansijski tim konačno mogu biti centralizovaniji, a kombinacija snažne pretrage LLM-a i funkcija podudaranja čini usaglašavanje, provjeru grešaka i identifikaciju uslova mnogo lakšim. U kontekstu malih i srednjih preduzeća, umjesto da šalju e-mail Becky iz nabave ili Slack poruku Ryanu iz FP&A da bi shvatili zašto upis u QuickBooks-u ne odgovara stvarnom iznosu novca koji je izašao iz Mercury računa, računovođe bi mogle interagirati s AI kopilotom obučenim na elektronskim komunikacijama i ugovorima kompanije kako bi brže riješile problem. Štoviše, softver bi mogao generisati i trag revizije da prati svoj rad — temeljni dio računovodstva. Na primjer, Basis nudi kopilota koji omogućava ovo podudaranje između obaveza i gotovine koja je napustila banku. Klarity pomaže poslovnim klijentima da automatizuju tokove rada vezane za pregled i ekstrakciju različitih tipova dokumenata.
Istraživanje
Istraživanje je prirodna upotreba za LLM-ove u računovodstvu. Veliki dio posla računovođa je odrediti kako treba klasificirati, prijaviti i na kraju oporezovati određene stavke prihoda i rashoda. Neki troškovi, kao što su dobrotvorni prilozi, mogu biti podobni za porezne olakšice, dok drugi, kao što su troškovi istraživanja i razvoja, mogu kvalificirati za porezne kredite. Računovodstveni i porezni timovi rade s raznim kodovima i standardima: porezni zakoni (koji mogu značajno varirati po jurisdikciji), kodifikacija računovodstvenih standarda (pravila kao što je ASC 606, koji pokriva priznavanje prihoda), SEC prijave (sažeci značajnih računovodstvenih politika), prethodni radni papiri i čak dokumenti od hiljadu stranica koje su objavile velike računovodstvene firme o različitim temama (npr. tehničko računovodstvo).
Prije generativne AI, praktičari su trebali pretraživati ključne riječi kroz sve ove baze podataka ili, češće, provjeriti PDF priručnik ili poslati e-mail kolegi da odgovore na svoja pitanja i donesu odluke. Ali u post-LLM svijetu, specijalizirani kopiloti — obučeni na gore spomenutim skupovima podataka i svim presedanima koje oni postavljaju — trebali bi biti u stanju da odgovore na ova pitanja odlučno. Vremenom, mogu se obučiti i na prosudbene odluke koje su specifične za određenu firmu ili stručnjaka. Postoje mnoge startup kompanije koje nude rješenja u ovom spektru. SPRX i Neo.tax, na primjer, specijaliziraju se za porezne olakšice vezane za istraživanje i razvoj, dok Materia pomaže u pružanju boljih smjernica i ubrzanom istraživanju.
Generiranje izvještaja i prijava
Nakon što praktičari kategoriziraju podatke svojih klijenata, sljedeći korak je analiza tih podataka i izrada internih i eksternih izvještaja. Ovi izvještaji mogu se kretati od unosa u glavnu knjigu za sistem upravljanja poslovnim resursima (ERP) do kontrolnih lista za reviziju i tehničkih računovodstvenih memoranduma za potrebe poreznih prijava. Veći dio ovog posla sada se može automatizirati. Na primjeru poreza, iako genAI možda nije nužan za popunjavanje rubrika na šablonskom obrascu za podnošenje poreza, može biti izuzetno koristan kada je u pitanju pisanje sažetaka. Sve profesionalne usluge firmi obično pokušavaju to raditi na jedinstven način, bilo da je riječ o formatu njihovih dokumenata, sintaksi njihove korespondencije ili tonu njihovog izlaganja. LLM-ovi se lako mogu obučiti da sažimaju informacije u stilu određene firme (ili čak određenog partnera) i generiraju izvještaje spremne za reviziju i kontrolne liste za klijente koje izgledaju identično onima koje su prethodno ručno pripremali.
Usluge za klijente i savjetovanje
Pružanje analiza, podrške i savjeta je vjerojatno područje u kojem generativna AI može dodati najviše nove vrijednosti u računovodstvu. Zaposlenici koji rade s klijentima imaju prilično jasne zadatke: sažimaju ključne performanse za svoje klijente (bilo da su to interni klijenti, u slučaju interne finansijske funkcije, ili eksterni klijenti, u slučaju računovodstvenih firmi), odgovaraju na ad hoc pitanja i pružaju savjete za optimizaciju financija i poreza. Uvođenje generativne AI u ovu jednadžbu je posebno interesantno na dva načina:
U razgovorima s računovodstvenim firmama, jedna tema je posebno iskočila: računovođe stalno traže načine da svoje odnose s klijentima pretvore iz godišnjih, transakcijskih tačaka koje se fokusiraju na poreznu sezonu u kontinuirane angažmane usmjerene na optimizaciju poslovanja tokom cijele godine. Ako računovođe mogu mjesečno generirati kvalitetne uvide za svoje klijente na skali koristeći alate generativne AI, klijenti bi mogli smatrati da su dodatni savjeti dovoljno dobri da za njih plate više. Ovo je posebno relevantno za računovodstvene firme koje opslužuju startupove i mala i srednja preduzeća, koja vjerovatno nemaju sofisticirane interne financijske funkcije i kojima bi redovnija financijska analiza dobro došla. Kompanija Black Ore pomaže računovodstvenim firmama da oslobode vrijeme automatizacijom redundantnih procesa pripreme poreza kako bi se praktičari mogli posvetiti savjetovanju klijenata s većom dodanom vrijednošću.
Da bi postigli gore navedeno, računovođe će trebati pristup fino podešenim modelima koji mogu kombinirati detalje specifične za industriju (npr. porezne zakone i politike) s kvantitativnim mogućnostima (npr. izračunavanje ključnih poslovnih metrika, omjera i slično). Dok opšti LLM-ovi izvrsno obavljaju mnoge pisane zadatke potrebne za tok rada računovođe, i mogu čak obavljati dio potrebnih proračuna putem alata poput Code Interpreter-a, oni su još uvijek daleko od toga da sve to spoje (i osiguraju da preporuke budu u skladu s važećim zakonima!). Ovo predstavlja jasnu priliku za startup kompanije koje žele razviti fino podešene modele obučene na skupovima podataka specifičnih za industriju. Pitanje će biti kako će dobiti potrebne podatke kada počinju od nule.
I