Większość dyrektorów finansowych, z którymi rozmawiałem przez ostatnie dwa lata uruchomiła już przynajmniej jeden projekt z obszaru sztucznej inteligencji. Niemal każda duża organizacja ma za sobą co najmniej jeden pilotaż: chatbot obsługujący zapytania dostawców, model kategoryzujący faktury albo narzędzie do automatycznej ekstrakcji danych z dokumentów. Problem w tym, że większość tych projektów zatrzymuje się na tym etapie, generując koszty zamiast efektów.
Projekt Nanda, działający w ramach MIT Media Lab, we wstępnych wynikach raportu z 2025 r. szacował, że aż 95 proc. wdrożeń generatywnej AI (GenAI) nie przynosi zakładanego zwrotu z inwestycji (ROI). Przede wszystkim wiele firm nie ma punktu odniesienia sprzed wdrożenia, ponieważ nie zdefiniowały one wskaźników sukcesu, ani nie wyizolowały efektu AI od innych zmian w organizacji.
W kontraście do tego stoją implementacje w finansach. Według raportu KPMG z bieżącego roku, 71 proc. liderów tych działów wskazuje, że wdrożenia w planowaniu budżetu, sprawozdawczości i analizie biznesowej spełniają lub wręcz przekraczają oczekiwany ROI. Zarówno szersza, jak i węższa grupa implementacji opiera się na tej samej technologii – różnica między nimi leży w podejściu.
Pilot to nie strategia
Większość dyrektorów finansowych podejmuje decyzję o wdrożeniu AI na podstawie szczątkowej analizy. Zazwyczaj ktoś w ich organizacji zaproponował narzędzie, przeprowadził test na wycinku procesu, a obiecujące wyniki skłoniły do podjęcia przedsięwzięcia. Przeważnie jednak nikt wcześniej nie określa jaki konkretny problem dany projekt ma rozwiązać, ani jak zmierzyć jego skuteczność na przestrzeni czasu. W efekcie wybrane narzędzie działa, ale w izolacji.
Przykładowo, faktury są dostarczane szybciej, ale wciąż trafiają do tej samej kolejki ręcznej obsługi, bo system nie jest zintegrowany z ERP. Być może chatbot odpowiada na pytania dostawców, ale każdy nietypowy przypadek nadal obsługuje człowiek, bo nie zdefiniowano które wyjątki faktycznie należy przekazać ludziom. W ten sposób nieraz gromko ogłoszone wdrażanie AI, w rzeczywistości sprowadza się do drogiego eksperymentu – a to nie jedyny sposób, w który to zjawisko kumuluje koszty.
Większe koszty ukryte w cieniu
Coraz częściej wyłania się problem poważniejszy niż stagnacja projektu: niekontrolowane wdrożenia sztucznej inteligencji. Branża zna to zjawisko jako shadow AI. Wynika ono zasadniczo z frustracji pracowników ograniczeniami oficjalnych narzędzi lub z chęci wydajniejszego działania. To skłania ich do sięgania po zewnętrzne modele i aplikacje AI, zwłaszcza GenAI na własną rękę.
Takie niezarządzane narzędzia zwiększają ryzyko cybernetyczne i sprawiają, że trudniej ograniczać potencjalne straty. IBM podlicza, że każdy wyciek spowodowany przez shadow AI w 2025 r. kosztował średnio o 670 tys. dolarów więcej niż standardowe naruszenie. W Polsce, wg. PwC, 80 proc. pracowników formalnie nie może korzystać z narzędzi GenAI – a nawet 69 proc. z nich i tak to robi. Taka decentralizacja przekłada się na nakładające się subskrypcje, nieużywane licencje i całkowity brak widoczności co do tego, czy inwestycje w AI w ogóle przekładają się na wyniki.
AI w finansach jak ryba w wodzie?
Działy finansowe są szczególnie podatne na podobny dryf, np. w obszarze Source-to-Pay (od zamówienia zakupowego – ang.: PO – po płatność dla dostawcy). Większość firm ma już jakiś system ERP i narzędzia do obsługi faktur, które KSeF w dużej mierze standaryzuje. Wyzwanie przeniosło się na pliki towarzyszące: załączniki, dowody dostaw, protokoły odbioru i inne korespondencje potwierdzające zasadność płatności. Ich obsługa, w tym dopasowanie do właściwego PO, weryfikacja zgodności lub kodowanie kosztowe, generuje dodatkową, ręczną, podatną na błędy pracę.
Badania Ardent Partners pokazują, że firmy z najlepiej działającymi procesami zakupowymi mają 4,6 razy niższe koszty operowania i 3 razy wyższy wskaźnik powiązania faktur z zamówieniami niż przeciętne organizacje. Liderów wyróżniają trzy kluczowe czynniki, które pozwalają na skuteczną automatyzację finansów, wychodzącą poza etap pilotażu.
Po pierwsze, zanim wdroży się AI, należy zmierzyć, jak proces działa teraz – ile czasu zajmuje obsługa jednej faktury, jaka część z nich trafia do wyjątków lub ile wynosi koszt błędu w kodowaniu. Bez tej wiedzy nie ma punktu odniesienia, ani możliwości udowodnienia, że cokolwiek się poprawiło.
Po drugie, zakres wdrożenia musi obejmować cały cykl: od ekstrakcji danych z plików towarzyszących, przez dopasowanie do PO, obsługę wyjątków, kontakt z dostawcami, zatwierdzanie po księgowość. AI wbudowana tylko w jeden etap nie skraca cyklu, ale przenosi wąskie gardło o jeden krok dalej.
Po trzecie, wdrożeniu musi towarzyszyć model zarządzania, określający poziom pewności, na którym AI działa autonomicznie, gdzie wymagana jest ludzka decyzja, kto ją podejmuje – bez tych reguł nie ma audytowalności, która jest filarem zaufania. Tylko w oparciu o nią dział finansowy może zredukować ręczną weryfikację. Ta kwestia jest jednocześnie najczęściej pomijanym elementem projektów AI.
Stopnie automatyzacji
Implementacja sztucznej inteligencji powinna polegać na stopniowym przechodzeniu przez kolejne etapy. Dopiero po przejściu niższych stopni powinno się wejść na wyższe, którymi dzisiaj są agenty AI. Mogą one np. samodzielnie rozwiązywać wyjątek fakturowy i księgować go w ERP.
Organizacje, które osiągają wysokie wskaźniki przetwarzania faktur bez ręcznej interwencji, tzw. touchless rate, projektują procesy tak, by wiedzieć jakie dane i reguły agent AI wziął pod uwagę oraz kiedy przekazał sprawę człowiekowi. Kluczem jest system, który sprawnie klasyfikuje dokumenty i daje kontrolerowi pełną widoczność. W ten sposób ma się pewność, które faktury mogą być obsłużone w pełni automatycznie, które muszą trafić do człowieka czy z ilu etapów składa się weryfikacja.
Więcej zaufania, mniej tokenów
Finanse to obszar, w którym AI może przynosić wymierne, szybkie rezultaty, pod warunkiem, że wdrożenie ma odpowiednie fundamenty. Nie chodzi o wybór samego narzędzia, tylko wyznaczenie problemu do rozwiązania oraz optymalizację całego cyklu, wyznaczenie mierników sukcesu i mechanizmów zarządzania, które dają kontrolerowi pewność działania.
W ten sposób buduje się zaufanie, a nie kolejną warstwę do sprawdzenia. To z kolei pozwala na skalowanie, które w przeciwieństwie do eksperymentowania tworzy wartość biznesową.
Aleksander Kania, RVP i Country Leader w UiPath Poland
O UiPath
UiPath (NYSE: PATH) jest liderem w dziedzinie orkiestracji biznesowej i automatyzacji, któremu organizacje z całego świata powierzają przekształcanie złożoności działalności w inteligentne i bezpieczne operacje, w których agenci AI analizują, roboty wykonują zadania, a ludzie kierują procesami. Powstały z myślą o nowoczesnych przedsiębiorstwach i najbardziej regulowanych branżach na świecie, UiPath integruje automatyzację, orkiestrację, sztuczną inteligencję i testowanie w ramach kontrolowanych, skalowalnych procesów. Umożliwia wprowadzanie innowacji w tempie adekwatnym do biznesu, zapewniając jednocześnie kontrolę i zgodność z przepisami, których wymagają liderzy przedsiębiorstw. Więcej informacji można znaleźć na stronie www.uipath.com.
Kontakt dla mediów: