ЗАСТОСУВАННЯ ТЕХНОЛОГІЙ ШТУЧНОГО ІНТЕЛЕКТУ В КОРПОРАТИВНОМУ ФІНАНСОВОМУ МЕНЕДЖМЕНТІ: ПРИКЛАДНИЙ АСПЕКТ

Анотація

У статті досліджено проблематику інтеграції технологій штучного інтелекту (ШІ) та алгоритмів машинного навчання (МН) у системи корпоративного фінансового менеджменту підприємств реального сектора економіки. В умовах макроекономічної нестабільності та високої волатильності ринків традиційні інструменти фінансового контролінгу й планування, зокрема електронні таблиці та базові модулі ERP-систем, поступово стають недостатніми для своєчасного ухвалення обґрунтованих управлінських рішень. Ці традиційні підходи переважно спираються на ретроспективний аналіз і детерміновану лінійну екстраполяцію, що може обмежувати здатність корпоративного менеджменту обробляти значні масиви неструктурованої інформації (Big Data) та виявляти приховані нелінійні взаємозв’язки. Відповідно, зростає наукова і практична потреба в переході від реактивного фінансового моніторингу до проактивного предиктивного управління. Основною метою дослідження є обґрунтування практичної корисності інструментів ШІ та визначення можливостей їх застосування в операційній діяльності фінансових менеджерів.

Методологічну основу дослідження становлять методи аналізу і синтезу, систематизації, порівняльного аналізу, якісного контент-аналізу та вивчення корпоративних кейсів, представлених у відкритих джерелах.

Установлено, що практична цінність штучного інтелекту в корпоративних фінансах може проявлятися насамперед у 3 ключових напрямах. Першим є прогнозування ліквідності та запобігання касовим розривам. Використання таких архітектур нейронних мереж, як довга короткочасна пам’ять (LSTM), дає підприємствам змогу аналізувати грошові потоки як складні часові ряди та адаптувати фінансові прогнози до макроекономічних коливань і внутрішніх виробничих циклів, що сприяє виявленню ризиків ліквідності до виникнення касового розриву. Іншим напрямом є управління дебіторською заборгованістю та скоринг контрагентів. Інтеграція технологій обробки природної мови (NLP) і машинного навчання забезпечує інтелектуальний скоринг у режимі реального часу, безперервний моніторинг інформаційного середовища та адаптивне управління кредитними лімітами, сприяючи зниженню ризику виникнення безнадійної заборгованості. Ще одним напрямом є фрод-моніторинг і внутрішній аудит. ШІ може посилювати аудиторську функцію завдяки забезпеченню безперервного аудиту та використанню алгоритмів виявлення аномалій і нейронних мереж-автокодувальників для ідентифікації багатовимірних відхилень і зниження ймовірності фінансових втрат, спричинених внутрішніми загрозами або фішинговими атаками.

Незважаючи на значний потенціал ШІ, підтверджений сучасними дослідженнями, у статті окреслено суттєві інфраструктурні виклики, які можуть перешкоджати його широкому впровадженню в корпоративному секторі. До таких бар’єрів належать низька якість первинних історичних даних, що описується принципом «сміття на вході – сміття на виході», психологічні та управлінські труднощі, пов’язані з проблемою «чорного ящика», а також значні інвестиційні обмеження щодо розвитку ІТ-інфраструктури та залучення фахівців із data science.

Подальші дослідження доцільно спрямувати на розроблення доступних та адаптивних моделей машинного навчання для підприємств малого і середнього бізнесу, а також на підвищення пояснюваності фінансових рішень, ухвалених із використанням ШІ.