Hyöty vai hype — AI taloushallinnon ohjelmistoissa

Artikkeli heijastelee omia ajatuksiani käytännönläheisesti katsoen markkinoinnin ja hypetyksen taakse. Lopussa otan hieman enemmän vapauksia joitakin  tulevaisuuteen suuntautuvia ideoita pohdiskellessani.

Aloitetaan tarkastelemalla, mitä tekoäly taloushallinnossa ja taloushallinnon ohjelmistoissa oikeastaan on.

Tekoälyä vai "vain" automaatiota?

Tekoälyn määrittelyn vaikeus

Nykyään tuntuu usein siltä, että termiä tekoäly käytetään varsin vapaasti ja jopa yksinkertaiset automaatiologiikat ohjelmistoratkaisuissa nimetään "AI-sitä-sun-tätä". Voin kuvitella, että todelliset tekoälyammattilaiset (joihin en itse kuulu) saattavat olla vähintäänkin hieman ärsyyntyneitä tästä trendistä. AI-hypen tuoma noste on kuitenkin myös mahdollisuus positiiviselle kehitykselle. Onhan automaatio ollut taloushallinnon ohjelmistoissa jo pitkään kulmakivenä ja nyt se saa ansaitusti uutta tuulta purjeisiin.

Taloushallinnon automaatio Pohjoismaissa

Taloushallinnon ohjelmistomarkkinat Pohjoismaissa ovat jo varsin kypsät sekä ratkaisujen käytön että saavutetun automaatiotason suhteen. Monille pohjoismaisille yrityksille automaatio on ollut arkipäivää yli kahden vuosikymmenen ajan. Jopa pienet ja keskisuuret yritykset käyttävät edistyneitä ratkaisuja taloushallinnossa: sähköisten laskujen osuus on korkea, suurin osa aineistoista käsitellään digitaalisessa muodossa, ja valtaosa kirjanpitoprosessista laskutietojen tallentamisesta kirjaamiseen ja lopullisiin merkintöihin on automatisoitu. Manuaalisen työn osuus alkaa olla pieni.

Mielenkiintoista onkin, että joissakin Pohjoismaiden ulkopuolisissa maissa tämä vanha ja arkipäiväinen automaatio esiintyy nyt nimen "tekoälykirjanpito" alla. Oikeasti kyseessä on kuitenkin vain ihmisten määrittämä sääntöpohjainen automaatio.

Tekoälyn ja automaation ero

Koneet ovat kaukana tietoisuuden tilasta. Missä siis kulkee raja tavanomaisen sääntöpohjaisen automaation ja tekoälyn välillä? En väitä omaavani täydellistä tai lopullista vastausta kysymykseen, mutta esitän oman näkemykseni erottelusta.

Taloushallinnon kontekstissa pidän jotakin "tekoälynä" tai "koneoppimispohjaisena" verrattuna sääntöpohjaiseen automaatioon, kun ratkaisu kykenee soveltamaan kehittynyttä automaatiologiikkaa tiettyyn tilanteeseen ilman ihmisen tekemää ennakkokonfigurointia. Vaikka algoritmi, joka lopulta automatisoi tietyn tilanteen onkin ihmisen luoma, tekoäly- tai koneoppimisjärjestelmä voi soveltaa erilaisia automaatiologiikoita erilaisten syötteiden ja tilanteiden perusteella. Jos siis tietokonealgoritmi on tarpeeksi kehittynyt käsittelemään useita automaatiologiikoita ilman ihmisen ennalta tekemää konfigurointia, se täyttää "tekoälyn" tai "koneoppimisen" määritelmän, eikä ole pelkkää sääntöpohjaista automaatiota.

Esimerkki: tekoäly vs. automaatio

Tarkastellaan tekoälyn ja automaation eroa esimerkin avulla: "Jos ostolaskussa on tietty arvo 'X' tai se tulee toimittajalta 'Y', käytä kirjauksessa arvoja A ja B; muuten jätä kirjauskentät tyhjiksi." Jos tämä sääntö on ennakkoon konfiguroitu, se on mielestäni tavanomaista automaatiota. Jos taas kukaan ei ole konfiguroinut tätä sääntöä, mutta sitä voidaan silti soveltaa tähän ja useisiin samankaltaisiin mutta eri tilanteisiin, sitä voidaan pitää "koneoppimisena."

Tekoäly ja taloushallinnon ohjelmistot: nykyinen tilanne

Todellisuus vs. hype

Onko tekoäly ja koneoppiminen edes todellisuutta tämän hetken taloushallinnon ohjelmistoissa tai ERP-ratkaisuissa? Vastaus on kyllä. Kannattaa kuitenkin olla varovainen. Pelkästään se, että jotain nimetään tekoälyksi, ei välttämättä tarkoita, että se todella on sitä. Yksi tämän artikkelin tavoitteista on, että se auttaa sinua tekemään perustellun ja itsenäisen arvion eri tilanteissa.

Laajalti käytetty esimerkki tekoälyn sovellutuksista on samanlainen kuin se, jota käytin jo aiemmin. Sitä kutsutaan usein tekoälykirjauksiksi tai joksikin vastaavaksi, toimittajasta riippuen. Yleensä se toimii analysoimalla, miten oikeat ihmiset kirjaavat laskuja. Se poimii jopa monimutkaisia logiikoita näistä inhimillisistä toimista ja soveltaa niitä tuleviin laskuihin. Lyhyesti sanottuna kone oppii ihmiskäyttäjältä ja alkaa toimimaan ilman, että käyttäjän tarvitsee tehdä mitään.

Jotkut sovellutuksista ovat jopa erittäin kehittyneitä ja ne käyttävät huipputason tekoälyteknologioita, kuten neuroverkkopohjaista oppimista. Parhaimmillaan ne kykenevät ammentamaan oppinsa erittäin monimutkaisista käyttäjälogiikoista. Toiset taas eivät ole yhtä kehittyneitä.

Samankaltaisia logiikoita käytetään myös jo laskutietojen tallentamisessa eri formaateista tai laskukuvista. Tekoälyä käytetään laajasti myös petosten havaitsemisessa, talousennusteissa ja -raportoinnissa, riskienhallinnassa ja monilla muilla taloushallinnon ja toiminnanohjauksen alueilla.

Tekoälyn hyödyt verrattuna sääntöpohjaiseen automaatioon

Monissa taloushallinnon ohjelmistoissa ja ERP-ratkaisuissa tekoäly tekee jo merkittävän osan työstä. Vaikka se ei olekaan täysin autonominen, voi se monissa tilanteissa "määrittää automaatio-logiikat" ihmiskäyttäjän puolesta ja auttaa analysoimaan valtavia määriä dataa. Tämä johtaa merkittävään ajansäästöän, korkeampaan automaatioasteeseen sekä mahdollisuuteen saada enemmän hyötyä käytössä olevasta datasta.

Tosielämän esimerkkejä

Esimerkki A: Manuaalisen laskujen käsittelyn korkeat kustannukset

Keskikokoinenkin yritys voi vastaanottaa tuhansia laskuja kuukaudessa. Laskuista osa tulee PDF-tiedostoina sähköpostitse, tai jopa perinteisesti paperisena. Tyypillisesti yrityksen kirjanpitohenkilöstö syöttää laskutiedot manuaalisesti taloushallintojärjestelmään ja lisää tarvittavat kirjaustiedot (kuten verokoodit, kustannuspaikat ja muut dimensiotiedot) ennen kuin lasku voidaan käsitellä. Tämä tehtävä voi viedä useita minuutteja per lasku jopa kokeneelta ammattilaiselta. Laskujen määrän ollessa suuri, mahdolliset virheet ja näkyvyysviiveet saattavat aiheuttaa merkittäviä kokonaiskustannuksia.

Esimerkki B: Tehokkuuden parantaminen sääntöpohjaisella automaatiolla

Edellistä esimerkkiä edistyneempi yritys hyödyntää sääntöpohjaista automaatiota laskujensa käsittelyssä. Yrityksessä on luotu toimittajakohtaisia malleja, jotka käyttävät OCR-tekniikkaa laskutietojen automaattiseen tallentamiseen PDF-tiedostoista. Lisäksi yrityksessä on määritetty sääntöjä tiettyjen toimittajien laskujen käsittelyyn tietyllä tavalla. Tämä toimii niin kauan kuin tilanteet ovat tarpeeksi yksinkertaisia sääntöpohjaiselle automaatiolle.

Verrattuna perinteiseen menetelmään, yrityksen ostoreskontraprosessi on huomattavasti tehokkaampi ajansäästön ollessa noin 50 %, virheiden määrän vähentyessä 50 % ja maksatuksen ja hallinnan parantuessa 50 %. Kuitenkin aina kun yritys lisää uuden toimittajan, tapahtuu joku muutos, tai käsillä on normaalia monimutkaisempi tilanne, tarvitaan edelleen manuaalista eli inhimillistä tekemistä.

Esimerkki C: Prosessitehokkuuden maksimointi AI-tuetulla automaatiolla

Kolmanneksi tarkastellaan yritystä, joka käyttää tekoälyä sääntöpohjaisen automaation lisäksi. Tässä asetelmassa ei tarvitse konfiguroida toimittajakohtaisia laskujen tallennusmalleja, sillä tekoäly mukautuu automaattisesti tallentamaan suurimman osan laskutiedoista. Suurempi osa laskuista voidaan kirjata ja käsitellä automaattisesti ilman, että käyttäjien tarvitsee ennalta määrittää sääntöjä.

Tekoälypohjainen automaatio alkaa toimia välittömästi ja tulee tehokkaammaksi käsiteltyjen laskujen määrän kasvaessa. Tekoälyä hyödyntävät yritykset voivat saavuttaa jopa kaksinkertaisen prosessitehokkuuden verrattuna pelkästään sääntöpohjaiseen automaatioon luottaviin yrityksiin.

AI ja taloushallinto — mitä seuraavaksi?

Tilanne nyt ja tulevaisuuden trendejä

Vaikka joitakin aitoja taloushallinnon tekoälysovelluksia on jo markkinoilla, niitä hyödyntää maailmanlaajuisesti pääasiassa vain pieni määrä edelläkävijäyrityksiä. Toisessa ääripäässä useimmat yritykset luottavat edelleen paperilaskuihin ja manuaalisiin prosesseihin, erityisesti Pohjoismaiden ja esimerkiksi Latinalaisen Amerikan kaltaisten pakollisen verkkolaskutuksen alueiden ulkopuolella.

Yhä useammat yritykset kuitenkin ottanevat jatkossa asteittain käyttöön vähintään perustason tekoälysovelluksia taloushallinnon tehostamiseksi. Samaan aikaan edelläkävijät jatkavat uusien tekoälysovellusten kokeilua ja erilaisten innovaatioiden testaamista. Sovellusten laajamittainen käyttöönotto riippuu niiden menestyksestä ja hyödyllisyydestä sekä erilaisista sääntelytekijöistä.

Pitkän aikavälin visio taloushallinnolle

Pitkällä aikavälillä taloushallinnon ja ERP-sovellusten voidaan odottaa muuttuvan merkittävästi tekoälyn ottaessa edistysaskeleita. Taloushallinnon automaatio lisääntyy, jolloin henkilöstö voi keskittyä enemmän poikkeamien käsittelyyn ja lisäarvoa tuottaviin tehtäviin. Taloushallinnon ydinprosessit tulevat olemaan jopa 90 % automatisoituja, mikä muuttaa henkilöstön roolia, mutta ei poista asiantuntijuuden tarvetta.

ERP-järjestelmien muutos

Tekoäly mullistanee paitsi ERP-sovellukset, myös - ja ehkä ennen kaikkea - niiden taustalla olevat liiketoimintaprosessit. Tämä muutos voi radikaalistikin muuttaa tapaa, jolla liiketoimintaa harjoitetaan.

Tekoäly voi jopa mahdollistaa tilanteen, jossa merkittävä osan liiketoimintatoimista tapahtuu verkostomaisesti dataverkkojen sisällä. Näissä verkoissa tekoäly voisi tunnistaa optimaaliset kumppanit, helpottaa tehokkaasti transaktioita ja sopimusten tekemistä, tukea tilaus-/toimitusprosesseja ja tarjota turvallisen väylän raakatietoihin perinteisiä kirjanpito- ja laskutusautomaation ratkaisuja varten APIen kautta.

Tämä visio on puhtaan spekulatiivinen, mutta se korostaa avoimen suhtautumisen merkitystä mitä tulee tekoälysovelluksiin.

Käytännön vinkkejä tekoälyn ja taloushallinnon yhteiseen tulevaisuuteen

1. Aseta selkeät tavoitteet. Ymmärrä tekoälyn potentiaalinen merkitys ja määrittele yrityksen tavoitteet sen ja automaation hyödyntämiselle.
2. Pysy ajan tasalla. Varmista, että joku yrityksessäsi seuraa tekoälyn kehitystä, vaikka tavoitteet eivät olisikaan suuria.
3. Kokeile ja opi. Kokeile eri yhteyksissä ja hae tukea tekoälyratkaisujen toimittajilta. Testaa ja opi aluksi yksinkertaisilla työkaluilla ja skenaarioilla.
4. Laita data järjestykseen. Valmistele yrityksen datan käyttökelpoisuus tulevaisuutta ja tekoälyä varten. 

Nämä toimet eivät vielä tee kenestäkään tekoälyn pioneeria, mutta ne auttavat  pysymään mukana kehityksessä ja rakentamaan valmiutta nopeaan reagointiin tilaisuuden niin vaatiessa tai mahdollisuuden avautuessa. Toimet ovat myös melko vähäriskisiä, sillä mikään niistä ei vaadi suunnattomia resursseja.

Onhan sekin nimittäin mahdollista, että tekoäly osoittautuu pelkäksi hypeksi. Suurin riski on kuitenkin jättäytyä katselemaan kun muut tekevät työn ja odotella kutsua valmiiksi katettuun pöytään. Onneksi useimmat meistä kuulunevat ryhmään, joka on uteliaasti valmis näkemään, mitä tekoälyrintamalla seuraavaksi tapahtuu.