Machine Translated by Google

McKinsey direto

IA generativa em finanças:

Encontrando o caminho para insights

mais rápidos e profundos

As tecnologias de IA generativa podem automatizar tarefas demoradas para profissionais de

finanças, mas será que elas são confiáveis para fornecer as respostas certas?

Este artigo é um esforço colaborativo de Steve Eklund, Lisa Kaufman, Avani Kaushik, Andrii Kurdiuk, Jan Svoboda e
Edward Woodcock, representando pontos de vista da Prática de Operações da McKinsey.

©Getty Images

Janeiro de 2023
Machine Translated by Google
Os líderes empresariais estão entusiasmados com a IA
generativa (gen AI) e com o seu potencial para
aumentar a eficiência e eficácia de funções
corporativas, como finanças. Uma pesquisa de maio de
2023 com cerca de 75 CFOs de grandes organizações
descobriu que quase um quarto (22%) estava investigando
ativamente os usos da geração de IA nas finanças,
enquanto outros 4% estavam buscando projetos-piloto da
tecnologia.
Esse entusiasmo foi temperado por preocupações
com segurança, privacidade, precisão, direitos
autorais e manipulação social. No caso das finanças,
onde os dados numéricos e a precisão das operações
matemáticas são fundamentais, existe também a
preocupação com a possibilidade de os sistemas de
geração de IA produzirem informações imprecisas ou
enganosas, um fenómeno conhecido como
“alucinação”.
Desenvolvendo um assistente financeiro
usando IA generativa
Uma empresa europeia de bens de consumo
desenvolveu recentemente um assistente gen AI de prova
de conceito para profissionais de finanças e usuários
equipe incluía membros seniores do departamento financeiro
empresariais. A nova ferramenta foi construída em cerca de seis semanas
por uma equipe de cientistas de dados, engenheiros e
especialistas em finanças. Ele permite que os usuários façam
perguntas sobre o desempenho financeiro em
linguagem cotidiana e recebam rapidamente respostas que
os auxiliam na compreensão e interpretação dos dados.
Este exercício de prova de conceito foi apenas o primeiro
passo da empresa na aplicação da IA genérica na função
financeira, mas oferece várias lições úteis para
organizações que procuram capturar os benefícios destas
tecnologias enquanto gerem os riscos.
1. Comece com alto impacto, voltado para dentro
casos de uso.
Os projetos-piloto Gen AI devem resolver problemas
significativos para a organização sem criar novos. Isso
requer um alto grau de controle
sobre os dados que alimentarão o modelo e
um design que minimize os desafios de segurança ou o
potencial de uso indevido de dados. Nesse caso, a empresa
escolheu um único conjunto de dados interno e um grupo de
usuários que já o conhecia.
2 IA generativa em finanças: encontrando o caminho para insights mais rápidos e profundos
A prova de conceito foi projetada para abordar um ponto
importante para o negócio. Os analistas financeiros
ficavam muitas vezes sobrecarregados com pedidos de
informação dos gestores, e os gestores ficavam frustrados
porque poderia levar vários dias para obter respostas a
perguntas relativamente simples. A resolução desse
problema ajudou a criar interesse e entusiasmo pela
tecnologia de IA de geração (Quadro 1).
2. Reúna as ferramentas e capacidades certas para o trabalho
Uma gama diversificada de soluções de geração de IA está
disponível, desde opções locais até soluções baseadas
em nuvem, e a escolha da implantação deve refletir a
sensibilidade dos dados e os requisitos específicos do caso
de uso. Aproveitar a infraestrutura digital e de TI existente
pode reduzir o tempo de desenvolvimento e também
garantir que as soluções de geração de IA integrem os fluxos
de trabalho existentes com o mínimo de interrupção.
Após alinhar-se com sua pilha de tecnologia preferida, a
empresa montou uma equipe multifuncional altamente integrada
para conduzir o processo de desenvolvimento.
Além de cientistas de dados e engenheiros de TI, essa
equipe, que ajudou a moldar o design e atuou como
superusuários durante as fases de desenvolvimento e teste. A
contribuição deles foi fundamental para garantir que a nova
ferramenta atendesse aos requisitos de qualidade, confiabilidade
e usabilidade da organização.
3. Coloque os humanos no circuito e mantenha-os lá
A empresa também prestou atenção significativa ao
design da interface do usuário, mantendo uma estrutura
consistente e “aparência” para
fornecer uma experiência de usuário direta e simplificada.
Uma solicitação inicial dos usuários foi a capacidade de detalhar
rapidamente os dados financeiros para obter as informações
de que precisavam. Para facilitar isso, a ferramenta oferece
visualização gráfica instantânea dos resultados, para que
a equipe possa absorver e interpretar rapidamente suas respostas.
Todos os dados também são disponibilizados em formato
tabular que pode ser compartilhado
com outras ferramentas analíticas.
Durante o desenvolvimento, a empresa recrutou um grupo
de superusuários de sua função financeira como testadores de
produtos. Eles foram incentivados a aplicar
Machine Translated by Google

Web <2024>
<Gen-AI-in-nance>
Exposição
Exposição <1> 1
de <1>

O assistente
com financeiro
O assistente gen AI gen
financeiro ajudaAIos usuários
ajuda a interrogar
os usuários dados financeiros
a interrogar dados financeiros com
velocidade e precisão.
velocidade e precisão.
Exemplos ilustrativos

Copiloto de SG&A da Geração AI Copiloto de SG&A da Geração AI

Qual é o OPEX total por país para 2021 Quais são os impulsionadores do elemento de custo total em

na Região 1? País A para 2021?

O OPEX total por país para 2021 em Os impulsionadores do elemento de custo total no país A
A região 1 é a seguinte: para 2021 são os seguintes:

Opex total por país, Drivers de elementos de custo total,

Região 1, 2021 País A, 2021

Total Total
despesas operacionais, despesas operacionais,

€ €

ABCD 123456
País Driver de elemento de custo

Ver explicação Ver explicação

Fonte: dados financeiros Fonte: dados financeiros

Envie uma mensagem… Envie uma mensagem…

McKinsey & Companhia

a ferramenta em situações do mundo real e para avaliar
e fornecer feedback sobre sua confiabilidade e
usabilidade.
Os usuários comuns também desempenham um
papel central na garantia de qualidade e no
gerenciamento de riscos do modelo. Inicialmente, eles
recebem orientações claras sobre os tipos de perguntas que
podem fazer e como formulá-las. Além disso, para facilitar
a verificação e validação dos resultados, o modelo foi
concebido para gerar uma explicação em linguagem
simples dos cálculos subjacentes a cada conjunto
de resultados que produz.
4. Aproveite os pontos fortes da geração AI
Embora a geração AI seja uma solução poderosa para
muitas tarefas, outras tecnologias podem ser mais
adequadas para alguns elementos da solução geral. Ao
projetar soluções que transferem funções que podem
ser tratadas independentemente da geração de IA para
outras tecnologias, as organizações podem melhorar a
estabilidade e o desempenho das ferramentas que constroem.
Uma limitação dos grandes modelos de linguagem
(LLMs) que sustentam muitos sistemas modernos de
IA de geração é a inumeração. Esses sistemas foram
projetados para operar em linguagem natural, não para
realizar cálculos precisos, e foi observado que lutam
cálculos. As equipes de engenharia estão trabalhando
arduamente para resolver essa limitação. Uma abordagem
é construir um modelo híbrido, usando o LLM de forma a
aproveitar seus pontos fortes e outras ferramentas de
dados para realizar manipulações matemáticas. Para sua
prova de conceito, a empresa usou o sistema gen AI para
traduzir as solicitações dos usuários em consultas ao banco
de dados e, em seguida, entregou o trabalho de cálculo
a uma plataforma dedicada de análise de dados (Quadro 2).
A saída do sistema analítico é repassada para a plataforma
de IA, que usa esses dados para produzir diversos produtos
finais, incluindo um resumo de texto dos resultados, um
resumo da metodologia de cálculo e o código de computador
usado para criar a visualização gráfica.
5. Otimize os prompts
A equipe por trás do assistente de IA também teve muito
cuidado para minimizar a oportunidade de erro e
alucinação, projetando os prompts usados para acionar o
sistema de geração de IA. Prompts mais curtos e simples
incentivam grandes modelos de linguagem a produzir
resultados mais previsíveis. Eles também são mais eficientes,
uma vez que a carga de trabalho computacional de um
sistema gen AI está intimamente relacionada ao
número de “tokens” de linguagem que ele manipula em
cada interação. Para o assistente financeiro, a equipe
dividiu o trabalho em três interações distintas,

com problemas matemáticos. cada um tratado separadamente pelo modelo gen AI:

IA generativa em finanças: encontrando o caminho para insights mais rápidos e profundos 3

Machine Translated by Google

Anexo 2

A plataforma gen AI fornece a interface para dados financeiros, mas não

A plataforma
realiza gensubjacentes.
cálculos AI fornece a interface para dados financeiros, mas não
realizar cálculos subjacentes.

Exemplo ilustrativo

Interface de usuário Geração IA Geração IA Interface de usuário

Gestão de dados

Quais Mecanismo de IA de geração Base de dados Transformações da geração AI

países tinham transforma o retorna esses dados facilmente

o mais alto pergunta do usuário relevante informação interpretada
gasto indireto em instruções dados • Resuma os resultados
em 2022? para o banco de dados • Visualize números
• Explicar a lógica

McKinsey & Companhia

traduzir a pergunta do usuário em uma consulta de dados,

manter a qualidade e gerenciar riscos em escala. Estes podem
gerar um resumo e uma explicação e criar uma visualização.
incluir mecanismos contínuos de monitorização e auditoria
para avaliar o comportamento do sistema de IA,
garantindo que esteja alinhado com as diretrizes éticas
A empresa desenvolveu exemplos de prompts eficazes para
estabelecidas. Equipes multifuncionais de especialistas em IA,
interagir com o sistema, além de materiais de orientação
especialistas em ética e consultores jurídicos devem avaliar
e treinamento para ajudar os usuários a gerar os seus
modelos e aplicações de IA em busca de possíveis
próprios. Esses materiais de formação foram outra preconceitos ou preocupações éticas. Após o sucesso de suas finanças
oportunidade para enfatizar a importância do ser
Como prova de conceito, a empresa de bens de consumo está
humano, lembrando aos utilizadores a sua responsabilidade de
agora a explorar estruturas de governação adequadas que apoiarão
verificar os pressupostos na linguagem das suas
a implementação mais ampla de ferramentas de IA gen.
consultas e por trás dos resultados de cada interação.

6. Construa um ambiente de teste robusto

O ajuste fino de um modelo de geração de IA é um processo

A IA generativa já está a mudar a forma como os
altamente iterativo. A capacidade de testar e validar
profissionais realizam o seu trabalho na função financeira e não
rapidamente é fundamental para um desenvolvimento bem-
só. Para aproveitar os benefícios destas novas e excitantes
sucedido. Para conseguir isso, a equipe construiu um conjunto
tecnologias e, ao mesmo tempo, controlar os riscos, as
abrangente de testes automatizados, que funcionava usando
empresas devem investir no desenvolvimento de software e
uma lista de consultas de alta prioridade fornecidas por analistas
nas capacidades de ciência de dados. E precisarão de construir
financeiros seniores. Este teste foi executado após cada
estruturas robustas para gerir a qualidade dos dados e a
atualização do modelo durante o desenvolvimento, com os
engenharia de modelos, a interação homem-máquina e a
resultados utilizados para posterior refinamento e operação. ética. No entanto, como mostram estes exemplos de casos, estas

7. Implementar sistemas de governação eficazes
À medida que as empresas passam de projectos-piloto
para a adopção generalizada de ferramentas de IA genérica,
necessitarão de quadros de governação apropriados para
tecnologias
pode acelerar e permitir o acesso a áreas críticas
informações de negócios, dando aos tomadores de decisão
humanos as informações para fazer escolhas ponderadas e
oportunas.

Steven Eklund é sócio do escritório da McKinsey em Stamford, onde Edward Woodcock é especialista sênior; Lisa Kaufman é
especialista no escritório de Londres; Avani Kaushik é especialista no escritório do sul da Califórnia; e Andrii Kurdiuk é cientista de
dados sênior no escritório de Londres, onde Jan Svoboda é sócio associado.

Direitos autorais © 2024 McKinsey & Company. Todos os direitos reservados.

4 IA generativa em finanças: encontrando o caminho para insights mais rápidos e profundos