تحليل السيناريوهات والتنبؤ المتجدد بالذكاء الاصطناعي: محاكاة ماذا-لو يثق بها مديرك المالي فعلاً

اطرح السؤال على نموذج لغوي مرتين، وقد تحصل على إجابتين مختلفتين. لا بأس بذلك حين تطلب منه تلخيص رسالة بريد إلكتروني. لكنه عيب مُسقِط حين تسأله عن وضع سيولتك في مارس إذا تأخر عميل رئيسي في السداد 45 يوماً وارتفعت أسعار الصلب 12%.

هذا هو التوتر الصامت الكامن وراء كل عرض ترويجي للتنبؤ المدعوم بالذكاء الاصطناعي. العرض التوضيحي مبهر بحق: تكتب سؤالاً بلغة عربية بسيطة، فتشاهد ألف سيناريو ماذا-لو يُحتسب في ثوانٍ، وتحصل على رسم بياني. تظهر المشكلة في المرة الثانية التي تشغّله فيها، أو في اللحظة التي يطلب فيها مديرك المالي: “أرني كيف توصّلت إلى هذا الرقم.” التنبؤ الذي لا يستطيع إعادة إنتاج نفسه ليس تنبؤاً. إنه هلوسة لمرة واحدة بإخراج متقن.

الخبر السار أن السرعة حقيقية وتستحق الاقتناء. الحل ليس التخلي عن نمذجة السيناريوهات بالذكاء الاصطناعي، بل أن تكون دقيقاً بشأن أي جزء من المنظومة يقوم بالتفكير وأي جزء يقوم بالحساب.

أين يتفوق الذكاء الاصطناعي فعلاً هنا

كان تحليل السيناريوهات محكوماً بحجم العمل اليدوي. فبناء حالة ماذا-لو واحدة جديدة في جدول بيانات (تغيير ثلاثة افتراضات، وإعادة ربط المعادلات، والتأكد من أن شيئاً لم يتعطّل) قد يلتهم فترة ظهر بكاملها. لذا كانت الفرق تنمذج ثلاثة سيناريوهات: الأساس، والصاعد، والهابط. لكن الواقع يحوي أكثر من ثلاثة.

الذكاء الاصطناعي يبدّد هذه التكلفة. صِف المحرّك الذي تريد تعديله: DSO، أو معدل التسرّب، أو مدخلاً من المواد الخام، أو توقيت التوظيف، فيستطيع النظام توليد عشرات التباديل وتنبؤاً متجدداً يتحدّث كلما وردت الأرقام الفعلية. وفي تخطيط السيولة على وجه الخصوص، حيث قد يكون الفارق بين “وضع سليم” و”إخلال بالتعهدات” بضعة أسابيع من فروق التوقيت، فإن امتلاك سيناريوهات كثيرة بدل ثلاثة يمثّل قفزة حقيقية. هذا الجزء من الوعد صامد.

المشكلة ليست أبداً في سرعة الحساب، بل في ما إذا كان بإمكانك الوقوف خلف النتيجة.

شرطان لن يتنازل عنهما أي مدير مالي

التنبؤ الذي سيضعه القائد المالي فعلاً أمام مجلس إدارة أو بنك يجب أن يجتاز معيارين. ومعظم أدوات الذكاء الاصطناعي لا تجتاز أياً منهما افتراضياً.

يجب أن يكون قابلاً لإعادة الإنتاج. المدخلات ذاتها تعطي الإجابة ذاتها في كل مرة. وهنا تحديداً يفشل النموذج اللغوي الخام، لأنه يولّد نصاً معقولاً بدل احتساب نتيجة ثابتة. تشغيلان، رقمان مختلفان، وها أنت الآن تشرح تبايناً لا تستطيع تفسيره. قابلية إعادة الإنتاج ليست ميزة كمالية في المالية، بل هي رسم الدخول، وفي ألمانيا تتشابك مع مبدأ Nachvollziehbarkeit ضمن GoBD، أي اشتراط أن يكون أي رقم قابلاً للتتبّع من قِبل طرف ثالث خبير.

يجب أن يكون مرتبطاً بخط أساس صحيح فعلاً. السيناريو ليس سوى تحويل لنقطة انطلاق. وإذا كانت نقطة الانطلاق (إيراداتك الحالية، ووضع سيولتك الحقيقي، وتكاليفك المُلتزَم بها) لا تتطابق مع دفتر الأستاذ، فكل سيناريو مبني عليها يكون خاطئاً في الاتجاه ذاته. سريع، واثق، وخاطئ. نطرح النسخة الكاملة من هذه الحجة في جودة البيانات تتفوق على النموذج، لكن النسخة المختصرة: خط أساس رديء يعني سيناريوهات رديئة، مهما بلغ ذكاء النموذج.

الحل: سيناريوهات حتمية على نموذج مُسوّى

إليك البنية التي تجعل التنبؤ بالذكاء الاصطناعي قابلاً للدفاع عنه. وهي تقوم على تقسيم نظيف للعمل.

الذكاء الاصطناعي يفسّر الطلب وينسّق العملية. تسأل، بلغة بسيطة: “ماذا يحدث لمدى السيولة (runway) إذا أجّلنا توظيفات الربع الثالث شهرين وتأخر أكبر عملائنا إلى net-60؟” يستنتج النموذج أي محرّكات تقصد وأي سيناريو يجمّع. هذا عمل لغوي، والنماذج اللغوية بارعة فيه.

أما الحساب فيجري عبر محرّك حتمي، لا عبر النموذج. الحساب الفعلي (تطبيق التوقيت المؤجَّل، وإعادة تجديد التنبؤ، وإعادة احتساب منحنى السيولة) يجري في محرّك حساب يُنتج المُخرَج ذاته للمُدخَل ذاته في كل مرة دون استثناء. النموذج اللغوي لا يقوم بالحساب أبداً. إنه يسلّم المعاملات إلى المحرّك ويُبلغ بما أعاده المحرّك. هذا الخيار التصميمي وحده هو ما يحوّل “إجابة مختلفة في كل تشغيل” إلى “نتيجة قابلة لإعادة الإنتاج، عند الطلب”.

وكل ذلك يستقر على خط أساس مُسوّى: نموذج مالي واحد مبني من بياناتك المحاسبية والمالية المتصلة، ومطابق لدفتر الأستاذ. الحالة الأساسية ليست رقماً تذكّره الذكاء الاصطناعي، بل هي وضعك الحقيقي، مُسوّى إلى المصدر.

والثمرة أن كل رقم في كل سيناريو يعود إلى أمرين: خط الأساس المُتحقَّق منه الذي انطلق منه، ومسار الحساب الموثَّق الذي أنتجه. شغّله مجدداً الأسبوع المقبل بالافتراضات ذاتها فتحصل على الإجابة ذاتها. وسلّمه إلى مدقّق فيستطيع تتبّع السلسلة. هذا هو الفرق بين رقم تدافع عنه ورقم تتمنى ألا يشكّك فيه أحد. وهو المبدأ ذاته الكامن وراء إبقاء عمل المحاسبة بالذكاء الاصطناعي قابلاً للتتبّع وفق GoBD، الذي نتناوله في الذكاء الاصطناعي في المحاسبة: الحفاظ على قابلية التتبّع وفق GoBD رغم الذكاء الاصطناعي ذي الصندوق الأسود.

أين تكمن الحدود الصادقة

هذا النهج لا يجعل التنبؤات صحيحة، بل يجعلها قابلة لإعادة الإنتاج وللتتبّع، وهذا ادعاء مختلف وأكثر قابلية للتحقّق. افتراضاتك قد تظل خاطئة. فإذا افترضت معدل تسرّب 5% وكان فعلياً 9%، فإن المحرّك الحتمي سيحتسب الإجابة الخاطئة بأمانة. ما تحصل عليه هو القدرة على أن ترى بالضبط أي افتراض دفع النتيجة، وتغيّره، وتعيد التشغيل، بدل أن تتجادل حول ما إذا كانت الأداة قد احتسبت الحساب بشكل صحيح.

وهناك أيضاً تكلفة انضباط. فخط الأساس المُسوّى يعني أن الاتصال الأمامي ببياناتك المحاسبية يجب أن يُصان، لا أن يُهيَّأ مرة واحدة ثم يُنسى. هذا عمل حقيقي. لكنه عمل كنت تؤدّيه أصلاً على نحو رديء في جداول البيانات؛ وهنا يُنجَز مرة واحدة ويُعاد استخدامه عبر كل سيناريو.

الخلاصة

تحليل السيناريوهات بالذكاء الاصطناعي يستحق التبنّي، فالقدرة على نمذجة عشرات حالات ماذا-لو وتجديد تنبؤك تلقائياً مكسب حقيقي مقارنةً بطقس الأساس/الصاعد/الهابط. لكن السرعة بلا قابلية لإعادة الإنتاج فخ، وقابلية إعادة الإنتاج تأتي من البنية لا من أمر توجيهي أفضل. ضع الحساب في محرّك حتمي، وثبّت كل شيء على خط أساس مُسوّى، فيصبح الذكاء الاصطناعي الذي يعلوها شيئاً يوقّع عليه المدير المالي بالموافقة.

هذا المقال جزء من ركيزتنا حول الذكاء الاصطناعي في المالية للفرق الألمانية: نماذج جاهزة لـ GoBD وقانون الذكاء الاصطناعي. وإذا أردت أن ترى السيناريوهات الحتمية تعمل على أرقامك المُسوّاة، احجز عرضاً توضيحياً.