Afrozy Ara szerint az AI-projektek 95%-a nem hoz mérhető eredményt

Az AI-forradalom elképesztő tempóban száguld, ám a ragyogó képességek és a világ megváltoztatásának ígérete mögött egy önmagának okozott problémát rejt a szektor: a költségvetési fejleményeket túlszárnyaló, ám mérhető új értékeket alig termelő AI-projektek. Miközben az Nvidia piaci kapitalizációja meghaladta a 5 ezer milliárd dollárt, és a KPMG szerint az amerikai cégek 93%-a tervez AI-t bevezetni a pénzügyi szektorban a következő 18 hónapban, a valós eredmények elmaradnak a várakozásoktól. A MIT kutatása szerint a vállalati AI-pilóták 95%-a nem hoz mérhető P&L hatást, a Cambridge 2026-os jelentése pedig azt mutatja, hogy bár a cégek 81%-a bevezeti az AI-t, csupán 14%-uk tartja azt transzformatívnak.

Afrozy Ara, a LuminaData alapító vezérigazgatója, aki maga is több mint egy évtizedes tapasztalattal rendelkezik vállalati tanácsadásban, más szemszögből látja a problémát. Nem AI-kutatói háttérrel rendelkezik, hanem a technológia működtetésének valós kihívásaival szembesült olyan szervezetekben, ahol a bonyolult folyamatokat és a belső tudást kell kezelni. Ez formálta az alapvető tételét: „Az AI-adaptáció nem AI-transzformáció – ez a megkülönböztetés, amit a piac még nem tett meg, és ennek elmulasztása óriási költségekkel jár.”

Kapcsolódó: OpenAI bevételi növekedés

A koordinációs probléma

Ara szerint a szervezetek növekedése csak a leglassabb koordinációs pont sebességével haladhat. Ezek a pontok pedig egy lassabb világhoz készültek, ahol a kézbeadások és a tulajdonosi határok feltételezik a lassú változást. „A szervezetek nem egyének – mondja Ara –, hanem közös cél felé koordináló emberek. Megosztott megértésre van szükségük, és eredményeket kell látniuk együtt, nem csak gyorsabban dolgozó egyénekként a saját szilánkjaikban. Itt ütközik falba az adaptáció.”

Kapcsolódó: dráguló AI modellek

A valós folyamatok és a tribal knowledge

A pénzügyi csapatoknál gyakran találkozni olyan helyzetekkel, ahol a munkafolyamat több pontján bevezetett eszközök külön-külön jól működnek, de a pontok közötti folyamat manuális és dokumentálatlan marad, ami értékvesztést eredményez. „Láttam olyan order-to-cash folyamatokat, ahol a kifizetések automatizáltak, a jelentések szépek, a dashboardok AI-generáltak, mégis emelkedik a DSO negyedévről negyedévre. Még ha az eszközök működnek is, a folyamat közöttük törött, és a végén gyönyörű kimenetek születnek egy hibás bemeneti láncból.”

Kapcsolódó: AI-ügynökök elfogadása

A LuminaData megoldása

A LuminaData AI-transzformációs platformot kínál pénzügyi műveletekre, különös tekintettel az order-to-cash és record-to-report munkafolyamatokra. A FinEdge LLM-et használja, amely GAAP, SOX, ASC 842 és IFRS 16 adatokon lett kiképezve. A platform két fő termékből áll: a Lumina Discover feltérképezi a csapat valós munkafolyamatait, beleértve a kézbeadásokat és a dokumentálatlan szabályokat, mérhető alapvonalakat hozva létre. Ezt követi a Lumina Activate, amely a redizájnolt munkafolyamat szabályalapú komponenseire helyez pénzügyi AI-ügynököket, kezelve az egyeztetést, számlázást és lízingkönyvelést, auditálható dokumentációval. Ara szerint a siker kulcsa a Discover és az Activate szekvenciális használata, mivel az aktiváció felfedezés nélkül vezet a piaci kudarcok 95%-ához.

Kapcsolódó: AI kódgyártás gyorsulása

Ara hangsúlyozza, hogy a termékek csak a történet felét jelentik. „Az ügynök kezeli a szabályalapú munkát. De a legtöbb AI-bevezetés azért vall kudarcot, mert senki sem vizsgálta meg a folyamatot, amelybe az ügynököt bevezették. Nem lehet automatizálni egy hibás folyamatot.” A Cambridge 2026 Global AI in Financial Services Report szerint a cégek 81%-a bevezet AI-t, de csak 14%-uk tartja transzformatívnak, ami rávilágít a szervezeti koordináció fontosságára.

Kapcsolódó: buddhista AI-értékek