Sztuczna inteligencja w finansach i controllingu – co naprawdę się zmienia na naszych oczach?

Sztuczna inteligencja oraz automatyzacja zmieniają finanse, controlling i edukację zawodową w tych obszarach. Jednak dziś kluczowe nie jest pytanie „jakie narzędzia wdrożyć?”, lecz to jak się na tą nową rzeczywistość sprawnie przygotować. Jaką rolę mają pełnić finanse, jakich kompetencji realnie potrzebują firmy, co automatyzacja zabiera, a co tworzy oraz jak działać między możliwościami technologii a bezpieczeństwem własnych danych czy ograniczeniami regulacyjnymi?

Poniżej przedstawiamy wnioski z wystąpienia Jacka Kaczmarka CFO PFR TFI SA podczas 19. Zjazdu Użytkowników Systemu EURECA, poświęcone trendom w finansach i controllingu związanym z wykorzystaniem sztucznej inteligencji. Pretekstem do wystąpienia była premiera wersji 4.0 systemu EURECA, który jesienią 2025 po raz pierwszy został wyposażony w moduł AI/ML.

Spis treści:
Od raportowania do partnerstwa biznesowego
Klasyczny model finansów i controllingu
Sztuczna inteligencja zmienia strukturę pracy
Krytyczne myślenie i rozwiązywanie problemów
CIMA jako przykład tego, jak „ułożona” jest ścieżka kompetencji
Dane jako fundament
Jak zadbać o odpowiednie uprawnienia?
Bezpieczeństwo, regulacje i „Black Box”
Praktyka wdrożeń
Konkrety z codziennej pracy
Modele językowe i dobór narzędzia
Polska perspektywa
Kto się uczy wcześniej, działa szybciej
Nowoczesne finanse

AI w finansach i controllingu – od raportowania do partnerstwa biznesowego

AI staje się nieodłącznym elementem w finansach i controllingu. Współczesny controlling coraz trudniej sprowadzić do funkcji „sprawozdawczo-kontrolnej”. Raportowanie pozostaje ważne, ale samo w sobie nie tworzy wartości, jeśli nie prowadzi do decyzji. Dlatego rośnie znaczenie podejścia, w którym finanse realnie wspierają biznes: pomagają rozumieć liczby, tłumaczą ich konsekwencje i proponują działania. Rola finansów nie polega już wyłącznie na raportowaniu i kontroli. Dziś funkcja finansowa musi ewoluować w kierunku współzarządzania organizacją.

Klasyczny model finansów i controllingu

Problem klasycznego modelu finansów i controllingu polega na tym, że łatwo wpaść w rolę „wskazywania błędów”: pokazywania przekroczeń budżetu, odchyleń czy spadków wskaźników – bez przejścia na poziom rozmowy o tym, co z tym zrobić. Partnerstwo biznesowe zaczyna się dopiero wtedy, gdy finanse rekomendują podjęcie decyzji i ewentualne scenariusze.

W praktyce ta rola wymaga trzech zdolności:
• zrozumienia mechaniki biznesu – marży, płynności, rynków, produktów i tego, gdzie powstaje wartość,
• szybkiej identyfikacji ryzyk i trendów – zanim staną się widoczne w sprawozdaniach okresowych,
• prowadzenia rozmowy o decyzjach – zamiast skupiania się na samych odchyleniach.

To nie jest drobna zmiana w obowiązkach – to zmiana całego podejścia. Finanse przestają być zapleczem informacyjnym. Stają się uczestnikiem decyzji strategicznych. W tym modelu controlling nie jest „oddzielony od strategii”. Jeżeli finanse nie przesuną się w stronę analizy scenariuszowej, modelowania decyzji i identyfikacji ryzyk strategicznych, zostaną zepchnięte do roli administratora systemów. Nowe narzędzia i większa dostępność danych sprawiają, że finanse mogą wcześniej widzieć symptomy problemów (np. spadek marży, narastanie ryzyka płynności na wybranych rynkach) i wskazywać działania wyprzedzające, a nie tylko opisywać skutki.
W kontekście zmiany roli finansów i controllingu szczególnie trafnie oddaje to następująca wypowiedź Jacka Kaczmarka:

„…jak ktoś jest po stronie finansów, to on widzi wcześniej marżę, płynność, rynki i to, co się zaczyna dziać w biznesie, i dlatego powinien być bliżej decyzji, a nie tylko bliżej raportu.”

Sztuczna inteligencja zmienia strukturę pracy w finansach: znika „poziom podstawowy”

Sztuczna inteligencja i automatyzacja nie tylko usprawniają procesy – one realnie zabierają miejsca pracy w finansach. Najmocniej uderzają w początkowe stanowiska pracy w finansach, które można zautomatyzować: role oparte na powtarzalnym przetwarzaniu danych, przygotowywaniu raportów, wsparciu księgowym czy operacjach dających się opisać krok po kroku. To właśnie te stanowiska są dziś zastępowane coraz częściej. Jednocześnie rośnie zapotrzebowanie na wysoko wynagradzane, bardzo zaawansowane kompetencje – na ludzi, którzy potrafią projektować procesy, zarządzać danymi, rozumieć technologię i przekładać liczby na decyzje strategiczne.

Największa zmiana nie dotyczy jednak samego faktu automatyzacji, ale tego, co dzieje się z modelem rozwoju zawodowego. Przez lata wyglądało to podobnie w większości organizacji: absolwent zaczynał od prostych zadań operacyjnych, z czasem nabierał samodzielności, a dopiero później przechodził do analizy i wspierania decyzji. Jeżeli proste zadania znikają, bo przejmuje je technologia, znika również naturalna „szkoła rzemiosła”, która budowała kompetencje.

W praktyce oznacza to, że firmy potrzebują ludzi, którzy potrafią wejść na wyższy poziom szybciej – bez kilkuletniego etapu wykonywania podstawowych czynności. Ma to też bardzo konkretne konsekwencje menedżerskie: kiedy część pracy można zautomatyzować, w zespole tej samej wielkości zmniejsza się zapotrzebowanie na role wykonujące dotąd manualne procesy. Pojawia się więc pytanie nie tylko o koszty, ale przede wszystkim o ludzi: co zrobić z kompetencjami, które były potrzebne wczoraj, a jutro będą potrzebne w mniejszym zakresie?

W praktyce odpowiedzią nie jest samo „wdrożenie technologii”. Odpowiedzią jest przeprojektowanie ról:
• przesunięcie części osób do pracy analitycznej,
• przekwalifikowanie i rozwój kompetencji,
• zmiana proporcji między pracą operacyjną a interpretacją danych.

Dopóki automatyzacja nie jest wdrożona, zespoły nadal muszą wykonywać pracę ręcznie. Po wdrożeniu rośnie natomiast znaczenie doświadczenia, rozumienia biznesu i umiejętności łączenia informacji z różnych źródeł – prawdopodobnie właśnie tego technologia jeszcze nie „załatwia” sama, choć trudno dziś jednoznacznie stwierdzić, czy, kiedy i na ile sobie z tym poradzi.

Krytyczne myślenie i rozwiązywanie problemów jako kompetencje „na wejściu”

Jeśli znika poziom podstawowy, to kompetencje, które kiedyś budowało się latami, muszą pojawić się wcześniej. Rynek pracy w finansach coraz mniej premiuje odtwórczość, a coraz bardziej premiuje umiejętność rozwiązywania problemów. Krytyczne myślenie, analiza, zdolność łączenia faktów – to staje się wymaganiem już na wejściu.

Jednocześnie w wielu przypadkach polski system edukacji rozwija te umiejętności późno lub wcale. W praktyce tworzy to lukę: organizacje chcą juniorów zdolnych do analizy i rekomendowania, a część programów kształcenia kładzie nacisk na takie umiejętności dopiero pod koniec ścieżki.

Z punktu widzenia finansów i controllingu ma to kluczowe znaczenie, bo ta praca często nie jest „stałym zestawem zadań”. W erze AI kompetencją kluczową staje się zdolność krytycznej oceny generowanych wyników. Krytyczne myślenie przestaje być przewagą — staje się minimalnym standardem zawodowym. Przykładowo w szybko rosnącej organizacji inwestycyjnej dzień potrafi przynieść temat nieplanowany: przejęcie, projekt, konieczność szybkiego przeglądu danych czy nagłą szczegółową weryfikację spółki. Wtedy nie wystarcza umiejętność wykonania standardowego raportu – potrzebna jest gotowość do działania w niepewności, zadaniowość, szybkość analizy i zdolność do ułożenia problemu.

Dlatego w rekrutacji do ról finansowych i controllingowych coraz większą rolę powinny odgrywać elementy, które badają sposób myślenia: zadania nietypowe, sprawdzające umiejętność dochodzenia do wniosków, a nie tylko wiedzę z rachunkowości czy biegłość w narzędziach. To szczególnie ważne, jeśli finanse czy controlling mają być realnym partnerem biznesu, a nie tylko funkcją zamykającą miesiąc czy przygotowującą prognozę wyników rocznych.

CIMA jako przykład tego, jak „ułożona” jest ścieżka kompetencji

W świecie, w którym wymagania wobec finansistów rosną, coraz większego znaczenia nabierają systemy rozwoju kompetencji, które uczą nie tylko „wiedzy”, ale też sposobu jej praktycznego zastosowania. Certyfikacja w ramach CIMA (Chartered Institute of Management Accountants) jest doskonałym przykładem podejścia skoncentrowanego na rachunkowości zarządczej, analizie danych i strategicznym partnerstwie z biznesem, a nie wyłącznie na poprawności ewidencyjnej.

Zmiana jest o tyle istotna, że ma charakter systemowy. Międzynarodowe organizacje certyfikujące, w tym CIMA, redefiniują profile kompetencyjne, przesuwając akcent z rachunkowości operacyjnej w stronę analizy danych, technologii oraz zdolności do krytycznego myślenia i podejmowania decyzji. W strukturze kompetencyjnej CIMA w filarze Enterprise pojawia się wprost obszar „zarządzanie finansami w cyfrowym świecie”, co pokazuje, że technologia i cyfryzacja stały się integralnym elementem roli finansów. To sygnał, że redefinicja zawodu jest faktem.

„Lata temu pracowałem w ubezpieczeniach. Globalny rynek to biliony dolarów, z czego około połowa to ubezpieczenia komunikacyjne. Gdy pojawiła się Tesla, zaczęliśmy rozmawiać o tym, że jeśli faktycznie pojawią się samochody autonomiczne, rynek OC i AutoCasco po prostu zniknie, bo odpowiedzialność za wypadki przejmą producenci technologii. Muszą więc Państwo zacząć obserwować w swoich branżach, czy gdzieś na horyzoncie nie pojawia się coś, co „wywraca Państwu stolik”, na którym dzisiaj budujecie Państwo marżę.” – wskazuje Jacek Kaczmarek.

W tej logice kluczowa pozostaje jednak etyka i profesjonalizm. W finansach – szczególnie w decyzjach inwestycyjnych i projektach wysokiej wagi – etyka działa jak bezpiecznik. To zabezpieczenie przed naciskami, konfliktami interesów i próbami „wpływania” na ocenę projektu. W kontekście AI ma to dodatkowy wymiar: im więcej automatyzacji i rozwiązań trudnych do wytłumaczenia, tym większe znaczenie ma odpowiedzialność człowieka i standardy postępowania.

Dane jako fundament: AI w finansach i controllingu jest „tak dobre, jak dane”

Wiele firm zaczyna rozmowę o AI w finansach i controllingu od narzędzi. Tymczasem kluczowym warunkiem sukcesu jest jakość i uporządkowanie danych. AI może wspierać decyzje tylko wtedy, gdy dane są spójne, kompletne i mają odpowiednią strukturę. AI nie działa w próżni. Jej skuteczność zależy bezpośrednio od jakości, spójności i ładu danych w organizacji.

Przy rozmowie o wykorzystaniu AI w finansach ważne jest też realistyczne spojrzenie na to, co decyduje o jej skuteczności. Jacek Kaczmarek w swoim wystąpieniu mówił:

„…sztuczna inteligencja jest tak dobra, jak dobre są dane, na których pracuje — jak one są ułożone, opisane i jaką mają granularność.”

Docelowy scenariusz jest kuszący: menedżer zadaje pytanie w języku naturalnym o marżę klienta, wynik projektu, udział w rentowności w danym kwartale – a agent AI zwraca odpowiedź. Żeby to było możliwe, dane muszą być:
• ułożone w odpowiedniej granularności, czyli poziomie szczegółowości, z jakim są rejestrowane i analizowane (np. klient, produkt, rynek),
• opisane spójnymi definicjami,
• powiązane logicznie.

Jak zadbać o odpowiednie uprawnienia?

Szczególnie trudnym wyzwaniem są uprawnienia. W klasycznych systemach analitycznych uprawnienia można ustawić warstwą OLAP (On-Line Analytical Processing – przetwarzanie analityczne online) lub mechanizmami dostępowymi tak, by użytkownik widział tylko „swój” fragment danych. Przy AI ten temat staje się bardziej wymagający: trzeba zaprojektować architekturę w taki sposób, aby model nie zwracał odpowiedzi wykraczających poza uprawnienia użytkownika – nawet jeśli użytkownik zapyta o to wprost.
W praktyce oznacza to, że AI w controllingu nie zaczyna się od promptów, tylko od fundamentów:
• ułożenia modelu danych,
• zapewnienia jakości i spójności źródeł,
• zaprojektowania zarządzania dostępem,
• oraz świadomego określenia, do jakich pytań i procesów AI może być dopuszczona.

Warto zaznaczyć, że w systemie EURECA mechanizm AI działa w całości na serwerze klienta. Dzięki temu analizy dużych zbiorów danych (w tym analiza anomalii czy prognozowanie) nie wymagają wypuszczania ich do chmur publicznych czy nieznanych przestrzeni. Bezpieczeństwo i poufność danych są zapewnione i pozostają w pełni zachowane. Dzięki temu użytkownicy mogą korzystać z funkcji AI w kontrolowanym środowisku.

Bezpieczeństwo, regulacje i „Black Box”: wdrożenia AI w finansach i controllingu nie są neutralne

Rozwój sztucznej inteligencji jest dziś elementem globalnej rywalizacji technologicznej między Stanami Zjednoczonymi, Chinami i Europą, co ma wpływ również na obszar finansów i controllingu. Tempo innowacji, podejście do regulacji oraz dostęp do kapitału są odmienne w każdej z tych jurysdykcji. Na rynku konkurują potężni gracze oferujący coraz bardziej zaawansowane modele, relatywnie niską barierę wejścia i szybkie wdrożenia w chmurze.

Ta dostępność tworzy ogromne możliwości dla działów finansów i controllingu — ale jednocześnie przenosi punkt ciężkości decyzji na kwestie bezpieczeństwa danych, ekspozycji na ryzyka oraz zgodności z regulacjami.

W organizacjach regulowanych, które działają w sektorach objętych szczególnym nadzorem prawnym i instytucjonalnym, wdrożenia AI w finansach i controllingu nie są „neutralnym usprawnieniem”. Pojawiają się dodatkowe warstwy wymagań: bezpieczeństwo informacji, zgodność regulacyjna, kontrola nad lokalizacją danych i nad tym, kto ma do nich dostęp.

W praktyce oznacza to m.in. konieczność rozważenia, czy dane mogą być przetwarzane w chmurze publicznej, jakie zabezpieczenia muszą być zastosowane oraz jak ograniczyć ryzyko, że dane „popłyną” poza akceptowalne jurysdykcje. W sektorze finansowym jest to szczególnie wrażliwe z perspektywy nadzoru i procedur.

Drugi istotny problem to zaufanie do wyników modeli. Część rozwiązań działa jak „Black Box”: generuje odpowiedź, ale trudno wyjaśnić, na jakiej podstawie. W controllingu i finansach „wynik” bywa niewystarczający – decyzja musi być do obrony, a w wielu sytuacjach trzeba umieć uzasadnić ją przed audytem, zarządem, akcjonariuszem czy regulatorem.

Nie jest to podejście antytechnologiczne. To raczej konieczność świadomego wdrażania: finanse muszą rozumieć ograniczenia modeli, bo w praktyce to one często odpowiadają za zgodność, ryzyko i kontrolę.

W finansach szczególnie ważne jest też pytanie o to, czy można zaufać temu, co podpowiada model.

„…część tych rozwiązań to jest taki black box — coś wypluwa, ale trzeba wiedzieć, czy można temu zaufać i czy jesteśmy w stanie tę decyzję obronić.” – wskazuje Jacek Kaczmarek.

Praktyka wdrożeń: liczenie kosztów procesów i podejście „cost–benefit”

Najbardziej racjonalne podejście do wdrożeń AI w finansach zaczyna się od policzenia kosztów procesów. W firmach usługowych, w tym w takiej, w której pracuje Jacek, szczególnie ważne jest to, że dominującym kosztem są wynagrodzenia – dlatego analiza procesów ma bezpośrednie przełożenie na ekonomię wdrożenia. Jeżeli proces generuje duże nakłady pracy, automatyzacja może przynieść realny zwrot.

Przykładowo, do obszarów o wysokich nakładach pracy w firmie Jacka (usługowej z sektora inwestycji) należą m.in.:
• tworzenie umów inwestycyjnych,
• due diligence,
• podsumowania komitetów inwestycyjnych,
• analiza wniosków,
• opisywanie faktur,
• wyszukiwanie zapisów w regulacjach i procedurach (przy liczbie ok. 150 procedur do spełnienia).

Następnie trzeba przełożyć to na język technologii. Jeśli dokumenty nie są zdigitalizowane i „przetworzone” (np. są zapisane jako obrazy), AI nie ma na czym pracować. Stąd pojawia się warstwa OCR i infrastruktury: koszt serwera, wydajność (np. liczba stron możliwych do przetworzenia w miesiącu), skala archiwum (liczba stron), a także ryzyko i koszt błędów, które automatyzacja może ograniczyć.

Dopiero po takim policzeniu koszt-korzyść wdrożenie staje się decyzją biznesową, a nie „projektem technologicznym”. W controllingu to bardzo ważna różnica: AI nie jest celem, tylko narzędziem poprawy efektywności i redukcji ryzyka, a controlling musi umieć wskazać priorytety i mierzyć efekty.

Konkrety z codziennej pracy: komentarze do raportów, faktury, KSeF i workflow

W praktyce nie trzeba zaczynać od najbardziej zaawansowanych modeli. Dużą wartość dają zastosowania „codzienne”, które zdejmują z zespołu czasochłonną pracę i ograniczają błędy.

Do takich zastosowań należą m.in.:
• tworzenie komentarzy do raportów na bazie punktów wejściowych, które wcześniej wymagały ręcznego dopracowywania (przy zachowaniu konieczności oceny jakości przez człowieka),
• automatyzacja obiegu faktur poprzez wdrożenie robota rejestrującego faktury – szczególnie tam, gdzie proces jest powtarzalny i ma duży wolumen,
• wykorzystanie zmian systemowych jako impulsu do automatyzacji, zamiast traktowania ich jako „kolejnego obowiązku”.

W tym kontekście ważnym tematem jest wprowadzenie KSeF. Zmiana regulacyjna może stać się okazją do usprawnienia procesu księgowania i obiegu dokumentów – np. poprzez wdrożenie workflow zintegrowanego z systemem księgowym. Kluczowe jest tu myślenie procesowe: skoro organizacja i tak musi przejść przez zmianę, warto wykorzystać ją do uporządkowania przepływu danych i ograniczenia ręcznej pracy.

Modele językowe i dobór narzędzia: „zależy, do czego”

Nie istnieje jedno narzędzie, które rozwiąże wszystkie problemy finansów. Dobór modelu zależy od zastosowania – inne potrzeby ma analiza finansowa, inne prawo, inne przetwarzanie dokumentów, a jeszcze inne komunikacja czy klasyfikacja zgłoszeń.

W praktyce oznacza to konieczność:
• zdefiniowania procesu i problemu (co dokładnie ma się zmienić),
• dopasowania narzędzia do rodzaju danych i zadania,
• uwzględnienia języka (szczególnie przy pracy na polskich dokumentach),
• zapewnienia kontroli nad danymi, bezpieczeństwa i kompetencji użytkowników.
Bez takiej logiki organizacje łatwo wpadają w pułapkę: wdrażają narzędzie „bo AI”, ale bez jasnego procesu, miernika efektywności i modelu ryzyka.

Wybór odpowiedniego modelu językowego zależy od konkretnego zastosowania. Do finansów i analiz biznesowych sprawdzą się modele globalne, takie jak BloombergGPT, GPT-4o czy Claude 4, przystosowane do pracy z dużymi wolumenami danych i specjalistyczną terminologią. Jeśli zależy nam na obsłudze języka polskiego, warto rozważyć polskie modele takie jak: PLLuM (Polish Large Language Universal Model) lub Bielik.

Polska perspektywa: Bielik oraz PLLuM – lokalne modele i przykłady zastosowań

W kontekście języka polskiego oraz kontroli nad danymi rośnie znaczenie modeli rozwijanych lokalnie. Dla wielu organizacji kluczowe jest, by rozwiązanie dawało możliwość działania w zgodzie z europejskimi wymogami (w tym RODO), a także by mogło być instalowane w kontrolowanym środowisku infrastrukturalnym.

Bielik to projekt społeczny, w ramach którego informatycy i specjaliści AI rozwijają oraz trenują polski model językowy. Zamiast polegać wyłącznie na zagranicznych rozwiązaniach, polskie przedsiębiorstwa mogą testować Bielika i wdrażać go na własnej infrastrukturze. Oznacza to zarówno wkład w rozwój polskiego modelu, jak i pełną kontrolę nad danymi – bez konieczności przekazywania ich poza organizację czy poza Polskę. Takie podejście umożliwia skalowanie rozwiązania wraz z potrzebami biznesowymi, przy zachowaniu zgodności z wymogami RODO.

Zakres zastosowań Bielika jest szeroki. Wśród nich pojawiają się m.in.:
• chatboty i zarządzanie wiedzą,
• generowanie i korekta treści,
• wsparcie tworzenia i rozwoju oprogramowania,
• compliance i zarządzanie ryzykiem,
• obsługa wniosków oraz klasyfikacja dokumentów i wiadomości.

Przykłady wdrożeń

W praktyce model znajduje zastosowanie w instytucjach finansowych i administracji publicznej.

W PeKaO SA wykorzystywany jest do analizy treści i klasyfikacji danych — przetwarza opinie klientów pod kątem empatii (na co klienci zwracają uwagę, co chwalą, a co wymaga poprawy), weryfikuje ponad 1,5 mln dokumentów kwartalnie, analizuje tysiące rozmów telefonicznych oraz transakcji dziennie pod kątem ryzyka i nieprawidłowości. To pokazuje skalę operacyjną, w jakiej AI może dziś funkcjonować.

W Centrum Usług Informatycznych we Wrocławiu model zastosowano do wspierania analizy dokumentów i identyfikacji kluczowych zapisów. System automatycznie wyszukuje i podsumowuje najważniejsze elementy umów. W przypadku dużej liczby kontraktów generuje większą część treści, pozostawiając specjalistom końcową weryfikację. Takie podejście ogranicza ryzyko błędów – np. nieprawidłowych kwot w umowach czy rozbieżności między kontraktami a fakturami.

Kolejnym obszarem jest korekta i upraszczanie języka. W Credit Agricole wykorzystuje się narzędzie polCA, oparte na modelu Bielik, które automatycznie koryguje i upraszcza teksty zgodnie z zasadami prostego języka, wspierając jasną i przejrzystą komunikację z klientami.

Z kolei serwis Proste Pismo to publicznie udokumentowane narzędzie do upraszczania oficjalnych dokumentów i pism, przygotowane we współpracy Poznańskiego Centrum Superkomputerowo-Sieciowego, językoznawców z Uniwersytetu im. Adama Mickiewicza oraz Urzędu Miasta Poznania. Narzędzie wykorzystuje moduł sztucznej inteligencji, w tym polski model Bielik, do analizy tekstu i sugerowania uproszczeń, dzięki czemu język urzędowy staje się bardziej przystępny i zrozumiały dla szerokiego grona odbiorców.

To pokazuje, że przetwarzanie dużych wolumenów danych w praktyce staje się elementem procesów, a nie jedynie projektem pilotażowym.

Bielik pokazuje, że polska inicjatywa AI może łączyć bezpieczeństwo danych, zgodność regulacyjną, skalowalność i realne zastosowania biznesowe i administracyjne.

Sztuczna inteligencja w finansach jako przewaga konkurencyjna: kto się uczy wcześniej, działa szybciej

Sztuczna inteligencja w finansach buduje przewagę tam, gdzie skraca czas dochodzenia do wniosków i poprawia jakość decyzji. Przewaga konkurencyjna nie wynika z samego wdrożenia narzędzi AI. Wynika z umiejętności ich włączenia w proces decyzyjny organizacji.

Organizacje, które uporządkują dane, zbudują kompetencje i jasno zdefiniują odpowiedzialność za wykorzystanie algorytmów, będą podejmować decyzje szybciej i trafniej – wskazuje Jacek Kaczmarek.

Pozostali będą reagować na zmiany, zamiast je współtworzyć. Organizacje, które wcześniej zaczną korzystać z AI, szybciej uczą się nowych sposobów pracy: przygotowują materiały sprawniej, analizują dane szybciej, a przez to mogą podejmować decyzje w krótszym cyklu.

W praktyce przewaga wynika z trzech elementów:
• lepszej informacji (szybciej dostępnej i lepiej ustrukturyzowanej),
• większej wydajności (więcej analizy na tych samych zasobach),
• lepszego zarządzania ryzykiem (wcześniejsze wykrywanie nieprawidłowości i trendów).

Jednocześnie pojawia się ryzyko „technologicznego przeskoku”, który potrafi zmienić zasady gry w branży. W takim świecie controlling – jeśli ma dobre dane i odpowiednie procesy – może pełnić rolę systemu wczesnego ostrzegania: dostrzegać symptomy zmian i pomagać reagować, zanim problem stanie się krytyczny.

Nowoczesne finanse

Nowoczesne finanse i controlling coraz częściej opierają się na danych, rozumieniu biznesu i formułowaniu rekomendacji. AI nie jest dodatkiem, który wystarczy „wdrożyć” – wymaga uporządkowanych danych, zaprojektowania bezpieczeństwa, świadomości regulacyjnej oraz zespołu o odpowiednich kompetencjach. Nieumiejętne wdrożenie AI, bez przygotowania danych i procesów, to realne ryzyko, które może prowadzić do nieosiągnięcia spodziewanych rezultatów. Jednak jeszcze większym zagrożeniem jest pozostanie przy dotychczasowym modelu działania. Operacyjność będzie w coraz większym stopniu automatyzowana, a pytanie nie brzmi, czy finanse powinny się zmienić, lecz czy zdążą zrobić to wystarczająco szybko.

W praktyce AI zmienia finanse i rachunkowość w kilku kluczowych obszarach: przetwarza dane w czasie rzeczywistym, automatyzuje procesy, wykrywa oszustwa, wspiera prognozowanie finansowe, poprawia efektywność operacyjną a także pomaga w optymalizacji portfeli i cen.

Jednocześnie praktyka pokazuje, że nie trzeba zaczynać od wielkich projektów. Rozsądną drogą jest wybór procesów powtarzalnych i kosztownych, policzenie ich realnego kosztu, zbudowanie uzasadnienia cost-benefit i wdrażanie etapami. Takie podejście zwiększa efektywność, ogranicza ryzyka i przesuwa finanse w stronę roli, która dziś nabiera kluczowego znaczenia: partnera biznesowego, który widzi więcej, rozumie konsekwencje i pomaga podejmować lepsze decyzje.

Moduł AI systemu EURECA, udostępniony klientom w IV kwartale 2025 roku właśnie podczas 19. Zjazdu Użytkowników Systemu, automatycznie wykrywa anomalie w dużych zbiorach danych. Ułatwia to szybką analizę i sprawniejsze reagowanie na zmiany. Przykładowo zamiast ręcznie przeglądać 5 000 wierszy, controller może od razu skupić się na 5 wierszach, które wymagają szczególnej uwagi. Dzięki temu decyzje podejmowane są szybciej, a pojawiające się okazje można lepiej wykorzystać.