De financiële sector zit vol repetitief werk dat vaak handmatig wordt uitgevoerd. Reconciliaties, rapportages en diverse berekeningen om assets te waarderen, maken deel uit van de dagelijkse werkzaamheden. Tegelijkertijd stak de afgelopen jaren de AI-storm flink op.
Via kranten en sociale media krijgen we voortdurend te horen dat AI ons werk volledig zal automatiseren. Daardoor lijkt het logisch om AI vooral in te zetten voor routinetaken. Ik denk daar dagelijks over na, omdat het mijn werk is om processen te automatiseren. Juist daarom zie ik AI niet als de oplossing, maar als één van de tools in onze gereedschapskist: waardevol, zolang je het inzet waar het echt past.
Gewoon, een script
Niet elk probleem vraagt om AI als oplossing. Soms is een taak zó repetitief en voorspelbaar dat we die kunnen automatiseren met een set duidelijke regels die nauwelijks veranderen. Gewoon via een script met vaste regels: consistent, snel en begrijpelijk.
In Excel en in veel softwareapplicaties kom je al een heel eind met dit soort automatiseringen. Denk bijvoorbeeld aan het ophalen en verwerken van gegevens, het verplaatsen van documenten of het uitvoeren van standaard Net Asset Value-berekeningen (NAV). Zodra de juiste informatie beschikbaar is, verlopen de NAV-berekeningen altijd op dezelfde manier. Daarom kun je deze taak beter overlaten aan een voorspelbaar script.
Machine learning
Maar hoe zit het met taken waarbij werken met vaste regels simpelweg niet volstaat? Bijvoorbeeld omdat de regels te talrijk of te complex zijn, of omdat ze in de loop van de tijd veranderen? Dit soort problemen wordt meestal opgelost door menselijke experts. Als je in zo’n situatie een macro of een script zou schrijven, zou iemand dat voortdurend moeten aanpassen. Vaak is het zelfs lastig om zo’n oplossing überhaupt te formuleren.
Hier komt machine learning (ML) in beeld. ML kan krachtige inzichten opleveren, maar er zit wel een belangrijke voorwaarde aan: het werkt alleen goed met kwalitatief hoogwaardige data. Gelukkig laten we in de financiële sector vaak een schoon dataspoor achter, bijvoorbeeld vanwege audit- en compliancevereisten. Dat maakt onze sector bijzonder geschikt voor toepassingen van ML.
Machine learning zelf is niet nieuw. Maar de combinatie van financiële data van hoge kwaliteit en moderne rekenkracht maakt het vandaag de dag mogelijk om ML effectief toe te passen in dagelijkse financiële processen.
Een praktisch voorbeeld is het labelen van cashstransacties. Elke transactie bevat signalen, zoals omschrijvingen, tegenpartijen en historische patronen, die aangeven hoe deze moet worden geboekt. Decennialang deden accountants dit handmatig. Daardoor beschikken we nu over grote datasets met correct gelabelde transacties. Op basis daarvan hebben we modellen getraind die het labelen voor ons uitvoert, waarna accountants de resultaten controleren. Zo verbetert het systeem zich geleidelijk.
Moderne AI
En hoe zit het met “de AI” waar iedereen het tegenwoordig over heeft: Large Language Models (LLM’s)?
Technisch gezien hadden we het labelen van cashtransacties ook met LLM’s kunnen oplossen. Maar dat zou aanzienlijk duurder en minder betrouwbaar zijn. Bovendien is het daarmee praktisch onmogelijk om fouten te analyseren. Kort gezegd: niet de juiste tool voor die taak. Het is dus duidelijk geen goede match. Voor taken waarbij precisie en consistentie cruciaal zijn, zoals boekhoudkundig werk, zijn LLM’s meestal niet de juiste keuze.
Waar blinken LLM’s dan wél in uit? Hoewel ze langzamer zijn, kunnen deze modellen informatie uit documenten halen op een manier die traditionele Optical Character Recognition-technieken (OCR) nooit volledig konden, zeker bij complexe lay-outs of handgeschreven teksten. Daarnaast kan AI ons dagelijkse werk op verschillende manieren ondersteunen. Denk bijvoorbeeld aan het transcriberen en samenvatten van vergaderingen, of het sneller toegankelijk maken van belangrijke kennis voor technische teams.
Professionals versterken, niet vervangen
Dit brengt ons terug bij een van onze oorspronkelijke ambities: financiële operaties automatiseren. Dat is mijn dagelijkse werk bij AssetCare, waar we het juridische en administratieve werk voor beleggingsfondsen verzorgen. Bij elke taak of elk probleem waar onze analisten en fund accountants mee te maken krijgen, kijken we welke tools we kunnen inzetten.
In de praktijk betekent dit vooral dat we ze efficiënter laten werken, zodat ze de vervelende routineklussen kunnen overslaan en zich kunnen richten op taken die menselijke expertise vereisen en bovendien vaak meer voldoening geven. Vaak is het hierbij niet meteen duidelijk wat de juiste aanpak is. Daarom probeer ik samen met experts goed te begrijpen wat deze nieuwe technologie wel en niet kan. Juist die zoektocht maakt mijn werk zo boeiend.
Houd het hoofd koel
Mijn advies is om je niet te laten meeslepen door de hype. Kijk met een nuchtere blik naar de ontwikkelingen rond AI en bepaal vooral wat daarvan voor jouw werk echt van waarde is. Het gaat er uiteindelijk om dat je voor elke taak het juiste hulpmiddel inzet.
Archie Bumbieris is AI-engineer bij AssetCare. AssetCare ondersteunt fondsbeheerders bij de administratie van hun fondsen en investeerders via haar eigen fundtech-platform. AssetCare maakt deel uit van het expertpanel van Investment Officer.
