Systemy AI do budżetowania brzmią przekonująco na slajdach prezentacyjnych. W praktyce bywa inaczej.
Firma produkcyjna z Wrocławia, 2022 rok
Zarząd zdecydował się na wdrożenie narzędzia opartego na uczeniu maszynowym do prognozowania kosztów operacyjnych. Dane historyczne obejmowały trzy lata, co wydawało się wystarczające. Problem polegał na tym, że te trzy lata to był okres pandemii. Model nauczył się zachowań, które nie miały żadnego przełożenia na normalną działalność. Prognozy były systematycznie zaniżone o kilkanaście procent przez pierwsze dwa kwartały użytkowania.
Agencja marketingowa, która pominęła etap walidacji
Wdrożono system, uruchomiono go i zaczęto traktować jego wyniki jako dane do raportowania zarządczego. Nikt nie sprawdził, czy model w ogóle działa poprawnie na danych tej konkretnej firmy. Dopiero po sześciu miesiącach okazało się, że algorytm ignorował sezonowość przychodów, ponieważ dane treningowe nie były odpowiednio oznaczone. Decyzje budżetowe podjęte w tym czasie trzeba było korygować ręcznie.
Co łączyło te przypadki
Nie był to problem z technologią. Był to problem z założeniem, że narzędzie AI zastąpi myślenie o danych. W obu przypadkach zabrakło osoby, która rozumiałaby jednocześnie logikę biznesową firmy i sposób działania modelu. Wdrożenie systemu AI do prognozowania bez takiego pomostu między działem finansowym a zespołem technicznym to przepis na kosztowne nieporozumienia.
Wniosek praktyczny
Przed uruchomieniem systemu warto przez minimum trzy miesiące uruchamiać go równolegle z dotychczasowym procesem budżetowania i porównywać wyniki ręcznie. To nudne. Ale oszczędza znacznie więcej czasu niż późniejsze naprawianie błędów.