Finance zit vol repetitief werk, vaak handmatig uitgevoerd. Reconciliaties, rapportages en allerlei berekeningen om activa te waarderen, zijn onderdeel van het dagelijks werk. Maar de afgelopen jaren is de AI-storm op komen zetten.
We worden voortdurend bestookt door kranten en sociale media met beloftes over de manier waarop werk geautomatiseerd wordt met AI. Het lijkt logisch om AI toe te passen voor routinetaken en het grootste deel van financiële werkzaamheden te automatiseren. Als iemand wiens werk het is om manieren te vinden om deze processen te automatiseren, denk ik hier elke dag over na. En de waarheid is dat AI gewoon een ánder instrument in onze gereedschapskist is, en je het alleen moet gebruiken als dat passend is.
Gewoon, een script
Niet elk probleem heeft AI nodig als oplossing. Soms is een taak zó repetitief en voorspelbaar dat we die kunnen automatiseren met een set duidelijke regels die niet al te vaak veranderen. Gewoon, via een script met vaste regels, die consistent, snel en begrijpelijk zijn.
In Excel, maar ook in software-apps kom je al een heel eind met dit soort automatisering, bijvoorbeeld voor het ophalen en verwerken van gegevens, verplaatsen van documenten en uitvoeren van standaard Net Asset Value-berekeningen (NAV). Zodra je de juiste informatie hebt, zijn de daadwerkelijke NAV-berekeningen altijd hetzelfde, dus laten we deze taak overlaten aan een voorspelbaar script.
Machine learning
Maar hoe zit het met taken waarbij het simpelweg niet volstaat om te werken met regels? Bijvoorbeeld omdat ze te talrijk of te complex zijn, of omdat ze in de loop van de tijd veranderen? Dit soort problemen wordt meestal aangepakt door menselijke experts. Als je in zo’n situatie een macro of code zou schrijven, zou iemand (ook een menselijke expert) die functie voortdurend moeten bijwerken, als het überhaupt mogelijk is om die in de eerste plaats te schrijven.
Hier kan machine learning (ML) ons helpen, mits je data van hoge kwaliteit hebt. Gelukkig laten we in de financiële sector vaak een schoon dataspoor achter voor auditdoeleinden. Dat maakt onze sector zeer geschikt voor ML-inzichten.
Een praktisch voorbeeld is het labelen van kastransacties. Elke transactie bevat signalen, zoals omschrijvingen, tegenpartijen en historische patronen, die aangeven hoe zij moet worden geboekt. Decennialang deden accountants dit handmatig, en daardoor beschikken we nu over grote datasets met correct gelabelde transacties. Wij hebben daarom modellen getraind om het labelen voor ons te doen, waarbij accountants de resultaten controleren. Daardoor verbetert het systeem in de loop van de tijd.
Machine learning zelf is niet nieuw, maar de combinatie van financiële data van hoge kwaliteit en moderne rekenkracht maakt het nu mogelijk om het effectief toe te passen in dagelijkse financiële workflows.
Moderne AI
En hoe zit het dan met ‘de AI’ waar iedereen het eigenlijk over heeft? De large language models (LLM’s) en het omringende ecosysteem van technologieën, zoals vision-language-modellen, agents en vectordatabases?
Technisch gezien hadden we het labelen van kastransacties ook met LLM’s kunnen oplossen. Maar dat zou veel duurder zijn en minder betrouwbaar. Bovendien is het daarmee onmogelijk om problemen op te sporen, dus dat is duidelijk geen goede match. Taken waarbij precisie en consistentie van het grootste belang is, zoals het meeste boekhoudkundige werk, kun je dus beter niet aan LLM’s overlaten.
Maar waar blinken LLM’s dan wel in uit? Hoewel ze langzamer zijn, zijn deze modellen aanzienlijk beter in het extraheren van informatie uit documenten dan traditionele Optical Character Recognition-technieken (OCR), vooral bij complexe lay-outs of bij teksten in handschrift. Naast documentverwerking kan AI ook ons dagelijks werk ondersteunen, bijvoorbeeld door vergaderingen te transcriberen en samen te vatten of door mijn techteam te helpen snel toegang te krijgen tot kennis via geavanceerde taalmodellen.
Professionals versterken, niet vervangen
Financiële operaties automatiseren is mijn dagelijkse werk bij AssetCare, waar we het juridische en administratieve werk voor beleggingsfondsen verzorgen. Voor elke taak of elk probleem waar onze beleggingsadministrateurs en fondsaccountants mee te maken krijgen, bekijken we welke instrumenten we tot onze beschikking hebben. Meestal betekent dit dat we hun werk ondersteunen, zodat zij de vervelende routineklussen kunnen overslaan en zich kunnen richten op taken die menselijke expertise vereisen en vaak meer voldoening geven.
Het is niet altijd meteen duidelijk welke aanpak de juiste is. Daarvoor moeten we de beperkingen van de nieuwste technologie goed begrijpen, met hulp van experts uit het vakgebied. Maar dat is precies wat mijn werk boeiend en leuk houdt.
Houd het hoofd koel
Ik zou je willen adviseren om je niet te laten meeslepen door de hype, maar de fascinerende ontwikkelingen rond AI met een nuchtere blik te volgen, en vervolgens te beoordelen welke mogelijkheden ze voor jouw werk bieden. Laten we de juiste instrumenten voor de juiste taak gebruiken.
Archie Bumbieris is AI-engineer bij AssetCare. AssetCare ondersteunt fondsbeheerders bij de administratie van hun fondsen en investeerders via zijn eigen fundtech-platform. AssetCare maakt deel uit van het expertpanel van Investment Officer.
