Umelá inteligencia pre finančné tímy: Ako zabezpečiť, aby vaše finančné procesy obstáli aj v budúcnosti

Umelá inteligencia (AI) zásadným spôsobom zmenila spôsob fungovania podnikov – a tempo týchto zmien sa zrýchľuje. Spoločnosti vo všetkých odvetviach už neostávajú len pri skúmaní potenciálu umelej inteligencie, ale prechádzajú k jej zavádzaniu do kľúčových finančných procesov.

Autor: Qvalia | Aktualizované v júni 2026 | Čas čítania: 18 minút

Žijeme v ére generatívnej umelej inteligencie, ktorá je poháňaná neurónovými sieťami založenými na transforméroch a mechanizmami pozornosti, ktoré umožňujú systémom umelej inteligencie spracovávať obrovské množstvá údajov, identifikovať zložité vzory a vykonávať špecializované úlohy s vysokou presnosťou. Súčasné špičkové modely vytvárajú text, kód, obrázky, zvuk a video – a riešia viacstupňové problémy spôsobmi, ktoré boli ešte pred pár rokmi nedosiahnuteľné.

Ďalšou významnou oblasťou – na ktorej sa už intenzívne pracuje – je agentická umelá inteligencia: autonómne systémy, ktoré nielen reagujú na podnety, ale aj plánujú, konajú a vykonávajú zložité pracovné postupy s minimálnym zásahom človeka. Krátkodobá konkurenčná výhoda spočíva v tom, že sa dokážeme vyrovnať s tým, čo je k dispozícii už teraz.

Čo zostáva nemenné pri každom vývoji umelej inteligencie: tí, ktorí disponujú čistými, štruktúrovanými a dostupnými údajmi, z nich ako prví získajú hodnotu. Správa údajov nie je nudnou nevyhnutnou podmienkou pre umelú inteligenciu – je to základ, na ktorom sa buduje výhoda umelej inteligencie.

Algoritmy umelej inteligencie sú len tak užitočné, ako sú údaje, na ktorých sú trénované. Organizácie, ktoré majú k dispozícii ľahko dostupné a kvalitné údaje, sú v ideálnej pozícii na to, aby mohli zavádzať najnovšie nástroje umelej inteligencie – a ťažiť z budúcich pokrokov hneď, ako sa objavia. Údaje sa stávajú jedným z najcennejších aktív podnikov a práve prostredníctvom správy údajov zabezpečíte, že sa táto hodnota plne zúročí.

V tejto príručke sa zameriavame na to, prečo je správa dát pripravená na budúcnosť základom pre úspešné využívanie súčasných aj budúcich systémov umelej inteligencie. Nadchnúť sa pre umelú inteligenciu je jednoduché; dôležité je však zaviesť správne procesy už teraz, aby ste boli pripravení tieto systémy uviesť do prevádzky. Stručne povedané: pripraviť sa na umelú inteligenciu.

Ako sme sa dostali od počiatkov výpočtovej techniky až k ére, v ktorej umelá inteligencia dokáže zvládnuť širokú škálu úloh vo finančnom sektore aj mimo neho? Hoci je lákavé vnímať umelú inteligenciu ako nedávnu inováciu, v skutočnosti ide o výsledok desaťročí výskumu a vývoja.

Oblasť výskumu umelej inteligencie sa naplno rozbehla po druhej svetovej vojne. Vedci a vizionári, ako napríklad Alan Turing a John McCarthy, rozpoznali potenciál využitia strojov na automatizáciu úloh, analýzu údajov a vytváranie podložených predpovedí. Počiatočný záujem o umelú inteligenciu podnietil významný pokrok v oblasti výpočtovej techniky a hoci sa umelá inteligencia ukázala ako náročnejšia úloha, než sa pôvodne predpokladalo, postupný pokrok postupne odhaľoval, čo všetko je možné dosiahnuť.

Každá éra umelej inteligencie sa vyznačuje vývojom spôsobu, akým sa stroje učia a spracúvajú údaje. Vo finančnom sektore sa tento vývoj zameriaval na spracovanie štruktúrovaných údajov s cieľom trénovať algoritmy na konkrétne úlohy – čo je prirodzené, keďže finančné procesy neustále generujú práve tento typ údajov.

Modely a techniky umelej inteligencie majú čoraz väčší vplyv na finančný sektor a ponúkajú sofistikované nástroje na analýzu transakčných údajov, kmeňových údajov, účtovných záznamov a mnohého ďalšieho. Tu sú kľúčové technológie, ktoré sa dnes vo finančnom sektore využívajú.

Modely strojového učenia (ML). Modely učenia s dohľadom, ako je regresná analýza, predpovedajú budúce trendy na základe údajov z minulosti. Modely učenia bez dohľadu, ako je zhlukovanie, zoskupujú údaje do zmysluplných skupín na účely analýzy zákazníkov a profilovania rizík.

Modely hlbokého učenia. Neurónové siete – vrátane hlbokých neurónových sietí (DNN), konvolučných neurónových sietí (CNN) a rekurentných neurónových sietí (RNN) – sú veľmi účinné pri rozpoznávaní zložitých vzorov, vďaka čomu sú vhodné na odhaľovanie podvodov, analýzu správania zákazníkov a prediktívnu analýzu.

Large jazykové modely a modely na logické uvažovanie. Veľké jazykové modely (LLM) spracúvajú a generujú text podobný ľudskému, čo umožňuje analýzu finančných dokumentov, automatizované poradenstvo a kontrolu zmlúv. Modely na logické uvažovanie – vytrénované na viacstupňové logické myslenie – sú vhodné na analýzu audítorských dôkazov, posudzovanie daňovej situácie a modelovanie zložitých scenárov, kde je presnosť dôležitejšia ako rýchlosť.

Agentné systémy umelej inteligencie. Systémy umelej inteligencie navrhnuté tak, aby autonómne vykonávali postupnosti akcií, používali nástroje a komunikovali s externými systémami. Vo finančných operáciách môžu agentné systémy riadiť pracovné toky od začiatku až do konca – od prijatia faktúry cez riešenie výnimiek až po platbu – pod ľudským dohľadom v stanovených kontrolných bodoch.

Spracovanie prirodzeného jazyka (NLP). Používa sa na analýzu finančných dokumentov, správ a komunikácie s cieľom získať informácie, vykonať analýzu sentimentu alebo automatizovať interakcie v rámci zákazníckeho servisu.

Rozhodovacie stromy a náhodné lesy. Vhodné pre klasifikačné a regresné úlohy, ako sú napríklad úverové skóre, hodnotenie rizika a segmentácia zákazníkov.

Modely analýzy časových radov. Modely typu ARIMA slúžia na prognózovanie finančných ukazovateľov a analýzu časových vzorov na finančných trhoch a v peňažných tokoch.

Učenie s posilnením. Využíva sa v algoritmickom obchodovaní na vývoj stratégií, ktoré maximalizujú výnosy na základe historických údajov a údajov v reálnom čase.

Modely na detekciu anomálií. Identifikujú extrémne hodnoty alebo nezvyčajné vzory vo finančných transakciách, ktoré by mohli naznačovať podvod alebo chyby v údajoch.

Modely založené na grafoch. Účinné pri odhaľovaní zložitých vzťahov a sietí – napríklad pri odhaľovaní podvodnej činnosti prostredníctvom analýzy sietí transakcií.

Voľba modelu závisí od konkrétnej finančnej aplikácie, dostupnosti údajov a požadovanej presnosti. Skutočné finančné systémy umelej inteligencie zvyčajne kombinujú viacero prístupov.

Spoločnosti pôsobiace v oblasti finančných služieb aktívne skúmajú, ako môže umelá inteligencia priniesť pridanú hodnotu ich prevádzke. Zameriavanie sa na najnovší algoritmus však nebude stačiť, ak sú údaje, s ktorými pracuje, nekvalitné, nestruktúrované alebo nekonzistentné. Algoritmy sú prázdne škrupiny – aby boli užitočné, potrebujú kvalitné údaje.

Pozornosť by sa nemala sústrediť len na technológiu, ale aj na to, ako pripraviť údaje a sprístupniť ich pre súčasné aj budúce aplikácie – a ako zabezpečiť, aby fungovali v spolupráci s obchodnými partnermi. Údaje, ktoré sú dnes správne zaznamenané a spracované, môžu slúžiť takmer na akúkoľvek budúcu potrebu.

Normalizácia údajov zahŕňa usporiadanie a štandardizáciu štruktúrovaných údajov (tabuľky, databázy) aj neštruktúrovaných údajov (e-maily, súbory PDF) do jednotného formátu, ktorý zlepšuje ich použiteľnosť a umožňuje ich analýzu. Štruktúrované údaje sú nevyhnutné pre súčasné aj budúce algoritmy umelej inteligencie. Premena neštruktúrovaných údajov na štruktúrované formáty zostáva prioritou pre každú organizáciu, ktorá chce ťažiť z výhod nástrojov umelej inteligencie.

Príklady nestruktúrovaných údajov vo finančnom sektore:

Príklady štruktúrovaných údajov vo finančnom sektore:

Vytvorenie a udržiavanie procesu spracovania údajov – získavanie hodnotných údajov z nestruktúrovaných formátov a ich premena na štruktúrované údaje – je pre každú organizáciu pripravenú na umelú inteligenciu kľúčové.

Dokonca aj ten najlepší algoritmus umelej inteligencie nie je ničím iným ako prázdnou škrupinou, ak za ním nestojú kvalitné údaje. Procesy neustále generujú údaje a súčasné aj budúce algoritmy umelej inteligencie sa z týchto údajov budú učiť, aby mohli svoje úlohy vykonávať presne a efektívne.

Nie sú dôležité len akékoľvek údaje: kvalita, množstvo a rozmanitosť údajov určujú efektívnosť umelej inteligencie pri zefektívňovaní prevádzky. Komplexné postupy správy údajov kladú dôraz na to, aby sa údaje medzi obchodnými partnermi vymieňali vo forme elektronických obchodných správ. V prípade potreby je nevyhnutné nestruktúrované údaje očistiť alebo previesť do štruktúrovaných formátov. Rovnako dôležité je prekonanie izolovaných dátových ostrovov – pri presúvaní údajov medzi systémami a procesmi si nemôžete dovoliť stratu kvality ani kontinuity.

Dáta je potrebné vnímať ako strategický kapitál – rovnako cenný ako ľudské zdroje alebo fyzické vybavenie. Spoločnosti, ktoré k dátam pristupujú týmto spôsobom, si budujú kumulatívnu konkurenčnú výhodu v súvislosti s neustálym vývojom umelej inteligencie.

Strategická hodnota nespočíva len v trénovaní nových algoritmov, ale aj v tom, že umožňuje nepretržité trénovanie čoraz presnejších modelov. Zamyslite sa nad tým, ako spoločnosť Google už od svojich počiatkov uplatňovala dlhodobé uvažovanie o dátach a ukladala údaje z vyhľadávania a máp, ktoré síce nemali okamžitú hodnotu, ale vedela, že budú mať hodnotu neskôr. Vaša súčasná stratégia správy dát by mala odrážať rovnaký prístup: dnešné dáta slúžia technologickému pokroku zajtrajška.

Vaše podnikové údaje majú veľkú hodnotu nielen interne, ale aj externe – pre vašich obchodných partnerov. Výmena údajov medzi obchodnými partnermi je kľúčová pre udržanie toku štruktúrovaných a kvalitných údajov. Sme svedkami vzniku ekosystémov zameraných na zdieľanie a využívanie údajov medzi podnikmi a vládnymi inštitúciami: ide o infraštruktúru pre digitálny obchod.

Firmy tradične využívali služby siete s pridanou hodnotou (VAN , VAN) na odosielanie a prijímanie obchodných správ, ako sú elektronické faktúry a elektronické objednávky, s využitím štandardov EDI. Nové technológie – vyvinuté s ohľadom na štandardizáciu a širokú konektivitu – výrazne zjednodušili prístup pre firmy všetkých veľkostí.

Peppol (Pan European Public Procurement Online) je iniciatíva zameraná na štandardizáciu digitálnej komunikácie medzi podnikmi a štátnymi orgánmi. Pre podniky predstavuje významnú príležitosť na začatie zberu štruktúrovaných údajov pre algoritmy umelej inteligencie – a čoraz častejšie aj regulačnú požiadavku.

Peppol je príkladom podnikovej siete: ide o infraštruktúru pre štruktúrované údaje a procesy súvisiace s transakciami. Iné siete a riešenia, ako napríklad EDI ( Electronic Data Interchange ) typu „point-to-point“ a siete s pridanou hodnotou (VAN), využívajú podobný prístup k bezpečnému zdieľaniu údajov medzi podnikmi a vládnymi inštitúciami.

Zavedenie systému Peppol na fakturáciu a zdieľanie dokumentov poskytuje prístup k bohatému zdroju štruktúrovaných údajov. Údaje generované v rámci procesov súvisiacich so systémom Peppol a vymieňané prostredníctvom prístupových bodov majú rovnaké formátovanie a štruktúru vo všetkých podnikoch aj na úradoch, čo prispieva k vytvoreniu spoľahlivého reťazca údajov, ktorý poháňa algoritmy umelej inteligencie dnes aj v budúcnosti.

Externé požiadavky na štruktúrované údaje zo strany vlád, dodávateľov a zákazníkov už teraz predstavujú hnaciu silu investícií do správy údajov. Počet vládnych nariadení rastie a tento trend sa nezastaví. Aj regióny a podniky vyžadujú klasifikáciu údajov v rámci takých rámcov, ako je Continuous Transaction Controls (CTC). Výmena údajov podľa zavedených štandardov, ako je Peppol, zaradí vašu spoločnosť medzi cenné a dôveryhodné články v rozvíjajúcom sa reťazci údajov.

Zákon EÚ o umelej inteligencii – platný od augusta 2024 a postupne zavádzaný v rokoch 2025–2026 – je prvým komplexným predpisom o umelej inteligencii na svete. Má priamy vplyv na spoločnosti poskytujúce finančné služby, ktoré využívajú umelú inteligenciu, a akákoľvek stratégia pripravenosti na umelú inteligenciu ho musí zohľadňovať.

Zákon zaraďuje aplikácie umelej inteligencie do jednotlivých úrovní rizika. Do kategórie vysokého rizika patrí viacero aplikácií bežne používaných vo finančných službách, medzi ktoré patria:

Čo v praxi znamená zaradenie do kategórie vysokého rizika: Systémy umelej inteligencie v týchto kategóriách musia pred nasadením prejsť posúdením zhody, viesť podrobnú technickú dokumentáciu, zaviesť mechanizmy ľudského dohľadu, zaregistrovať sa v databáze EÚ pre umelú inteligenciu a splniť požiadavky na transparentnosť.

To nie je prekážkou pri zavádzaní umelej inteligencie – ide o rámec na zabezpečenie súladu s predpismi, ktorý odmeňuje organizácie s vyspelým riadením údajov. Spoločnostiam, ktoré už investovali do štruktúrovaných údajov, auditových stôp a jasnej genealógie údajov, bude dodržiavanie požiadaviek zákona EÚ o umelej inteligencii pripadať podstatne jednoduchšie ako tým, ktoré začínajú od nuly.

Prístup zameraný na dáta pri budovaní odolného podniku je kľúčový pre zabezpečenie budúcnosti správy dát. Dnešné dáta môžu slúžiť technologickému pokroku zajtrajška – avšak len vtedy, ak ich od začiatku správne zaznamenávate a štruktúrujete.

Údaje v reálnom čase, ktoré sa nepretržite dodávajú do algoritmov umelej inteligencie, umožňujú získavať aktuálne informácie a predpovede. To si vyžaduje prechod od dávkových procesov k nepretržitým procesom, aby sa podporila spätná väzba pre algoritmy umelej inteligencie. Procesy v reálnom čase umožňujú podniku spravovať a analyzovať transakcie v okamihu ich uskutočnenia, čo vedie k zmierňovaniu rizík, predpovediam a ad hoc zmenám.

Ako príklad toho, ako digitalizácia a štandardizované údaje menia proces, si vezmime reláciu typu „ punchout “:

Štandardizácia údajov predstavuje súbor procesov a nástrojov, ktoré vašim tímom umožňujú konzistentne zaznamenávať a spracovávať údaje v rámci celej organizácie – a to vďaka tomu, že sa všade dodržiavajú rovnaké konvencie označovania a formátovania. Štandardy tiež slúžia ako podklad pre metadáta – údaje o vašich údajoch –, ktoré opisujú, odkiaľ pochádzajú, kedy boli upravené a aký majú vzťah k iným záznamom. Tieto metadáta sa stávajú kľúčovými pri trénovaní modelov umelej inteligencie alebo pri audite rozhodnutí umelej inteligencie.

Peppol BIS – formátový štandard používaný v rámci siete Peppol – je vynikajúcim príkladom štandardizácie údajov vo veľkom meradle. Štandardný kód produktov a služieb Organizácie Spojených národov (UNSPSC) ponúka široko používanú taxonómiu na štandardizáciu údajov o produktoch a službách, pričom poskytuje rámec pre kategorizáciu, ktorý zvyšuje prevádzkovú efektívnosť a umožňuje analýzu naprieč organizáciami.

Rastúcim problémom, s ktorým sa podniky potýkajú, je neusporiadanosť dát – dáta sú roztrúsené a izolované v súkromných a verejných cloudoch, aplikáciách SaaS a okrajových zariadeniach, pričom sa často líšia formátovaním, spôsobom ukladania a kontrolou prístupu. Neusporiadanosť dát výrazne brzdí akékoľvek využitie umelej inteligencie, dokonca aj jednoduchú analýzu.

Riešenie tohto problému si vyžaduje komplexnú správu údajov – komplexný proces riadenia presnosti, dostupnosti a bezpečnosti údajov v celej organizácii. Program správy údajov stanovuje, ako by sa malo s údajmi nakladať počas celého ich životného cyklu: zber, ukladanie, využívanie a likvidácia. Dôkladná správa údajov tiež zabezpečuje vytvorenie auditových stôp a dokumentácie potrebnej na dosiahnutie súladu so zákonom EÚ o umelej inteligencii.

Izolované procesy vedú k izolovaným dátam a oboje bránia efektívnemu nasadeniu umelej inteligencie. Integrácia rôznych IT systémov a nástrojov SaaS zabraňuje neusporiadanému rozrastaniu dát a poskytuje nástrojom umelej inteligencie aj zamestnancom prehľad o celom dátovom prostredí. Medzioddelová spolupráca zvyšuje nielen množstvo, ale aj kvalitu podnikových dát.

Spolupráca však nie je len vnútropodniková: partneri, zákazníci a obchodné siete, ako je Peppol, vytvárajú úplne nový spôsob B2B transakcií, komunikácie a výmeny dokumentov – a štruktúrované údaje, ktoré z týchto transakcií vyplývajú, pripravujú vašu spoločnosť na to, aby mohla rýchlo ťažiť z nových vývojových trendov v oblasti umelej inteligencie.

Na spustenie projektu v oblasti umelej inteligencie vo finančnom sektore je potrebný medziodborový tím, ktorý zabezpečí, aby projekt bol v súlade s obchodnými cieľmi, bol technicky realizovateľný a spĺňal právne a regulačné požiadavky – vrátane zákona EÚ o umelej inteligencii. Medzi kľúčové pozície zvyčajne patria:

Order-to-cash (O2C) a „ purchase-to-pay “ (P2P) patria medzi najvhodnejšie procesy na implementáciu umelej inteligencie. Zahŕňajú viacero krokov, medzioddelovú spoluprácu a často sa spoliehajú na manuálne úlohy, ktoré znižujú efektívnosť. Hoci automatizácia už znížila objem niektorých opakujúcich sa úloh, umelá inteligencia – a čoraz viac aj agentná umelá inteligencia – má obrovský potenciál na ďalšiu transformáciu týchto pracovných postupov.

Dynamické posudzovanie úverovej bonity. Umelá inteligencia kombinuje údaje z rôznych zdrojov – trhové trendy, platobnú históriu, vzorce transakcií – na účely dynamického posudzovania úverovej bonity. Vďaka schopnostiam samoučenia sa tieto posudky časom stávajú presnejšími, čo pomáha firmám znižovať úverové riziká spojené s prijatými objednávkami.

Účtovníctvo s využitím umelej inteligencie. Účtovníctvo založené na umelej inteligencii využíva rozsiahle súbory údajov – záznamy o transakciách, aktualizácie právnych predpisov, vzorce výdavkov – s cieľom zvýšiť presnosť a zefektívniť finančné procesy. Automatizáciou úloh náchylných na chyby, ako sú zosúlaďovanie účtov, spracovanie faktúr a výpočty daní, umelá inteligencia znižuje riziko manuálnych chýb a zároveň sa neustále zdokonaľuje prostredníctvom strojového učenia.

Podpora rozhodovania a analytika. Kategorizácia údajov založená na umelej inteligencii premieňa surové finančné údaje na praktické informácie tým, že ich inteligentne klasifikuje a usporadúva z rôznych zdrojov, ako sú faktúry, transakcie a účtovné záznamy. Rozpoznávaním vzorov a súvislostí umelá inteligencia umožňuje hlbšiu analýzu a odhaľuje trendy, ktoré by inak zostali nepovšimnuté.

Učiace sa pracovné postupy. Na rozdiel od automatizácie založenej na pravidlách sa umelá inteligencia neustále učí z nových údajov, rozpoznáva vzory a v priebehu času zdokonaľuje svoje reakcie. Systémy umelej inteligencie typu „agent“ sú teraz schopné autonómne a s čoraz väčšou presnosťou spravovať pracovné postupy s vysokým počtom výnimiek – spory s dodávateľmi, schvaľovacie procesy či žiadosti o úverové limity od zákazníkov.

Neustále prognózovanie peňažných tokov. Schopnosť umelej inteligencie integrovať širokú škálu údajov – od aktuálnych úrokových sadzieb a kolísania kurzov až po vek faktúr a platobné správanie zákazníkov – umožňuje neustále aktualizované prognózy peňažných tokov namiesto periodických momentálnych snímok viazaných predovšetkým na správy o tržbách.

Odhaľovanie a prevencia podvodov. Podvody v procese O2C môžu byť mimoriadne nákladné: tovar sa môže odoslať ešte predtým, ako sa podvodná transakcia odhalí. Umelá inteligencia nepretržite analyzuje interné systémy a externé údaje o podvodoch s cieľom identifikovať nezvyčajné vzory a označiť transakcie na kontrolu ešte pred ich realizáciou.

Riadenie úverov na základe správania. Umelá inteligencia dokáže analyzovať komunikačné vzory a nálady, čím získava hlbší vhľad do platobného správania zákazníkov, čo slúži ako podklad pre rozhodnutia o schválení úveru a platobné dohody na základe stanovených kritérií.

Do roku 2026 sa oblasť umelej inteligencie posunula ďalej, než mnohí analytici predpovedali ešte pred pár rokmi. Niekoľko špičkových modelov v súčasnosti preukazuje široké schopnosti uvažovania naprieč rôznymi oblasťami, čo vedie popredné laboratóriá zaoberajúce sa umelou inteligenciou k tomu, aby hlásili dosiahnutie míľnikov v oblasti všeobecnej umelej inteligencie (AGI) – hoci definície zostávajú sporné a v tejto oblasti prebieha diskusia o tom, čo „všeobecná inteligencia“ skutočne znamená. Praktická diskusia sa posunula od otázky, či k AGI vôbec dôjde, k tomu, čo príde po nej, a ako zosúladiť čoraz výkonnejšie systémy s obchodnými cieľmi.

V oblasti finančných operácií nie je najvýznamnejším prelomovým vývojom filozofický míľnik, ale praktický: agentná umelá inteligencia pre finančné tímy. Systémy umelej inteligencie, ktoré autonómne vykonávajú viacstupňové finančné pracovné postupy – komplexné spracovanie faktúr, riadenie výnimiek dodávateľov, simulácia scenárov peňažných tokov – sa dnes vo veľkom rozsahu nasadzujú v popredných finančných oddeleniach. Práve tu sa umelá inteligencia mení z nástroja na zvýšenie produktivity na prevádzkovú infraštruktúru.

Multimodálna schopnosť – spracovanie a generovanie textu, obrázkov, údajov, zvuku a videa v rámci jediného modelu – je dnes základnou vlastnosťou všetkých hlavných špičkových systémov umelej inteligencie. Pre finančné tímy to znamená, že jediný pracovný postup umelej inteligencie dokáže spracovať naskenovanú zmluvu, extrahovať kľúčové podmienky, porovnať ich s databázou a označiť nezrovnalosti – úlohy, ktoré predtým vyžadovali viacero špecializovaných systémov. Otázkou už nie je, či vaša umelá inteligencia dokáže spracovať viacero typov údajov, ale či vaša dátová infraštruktúra dokáže tieto údaje poskytovať v čistom stave.

V súčasnosti sa vo veľkej miere využíva osobitná trieda modelov umelej inteligencie, ktoré sú vycvičené na viacstupňové logické uvažovanie a majú osobitný význam pre finančný sektor. Tieto modely systematicky prechádzajú jednotlivými krokmi riešenia problému, než poskytnú odpoveď, vďaka čomu sú vhodné na analýzu audítorských dôkazov, posudzovanie daňovej situácie, preskúmavanie zložitých zmlúv a finančné modelovanie založené na scenároch – teda na úlohy, pri ktorých je istá, ale nesprávna odpoveď horšia ako pomalšia, ale správna odpoveď.

Pri každom posune v schopnostiach umelej inteligencie platí jedna skutočnosť: najdôležitejším faktorom, ktorý určuje, ako rýchlo vaša organizácia začne ťažiť z nových systémov umelej inteligencie, je kvalita a dostupnosť vašich údajov. Správa údajov pripravená na budúcnosť – štruktúrovaná, štandardizovaná, riadená a zdieľaná prostredníctvom sietí, ako je Peppol – zaručuje, že vaša spoločnosť bude pripravená poskytovať vysokokvalitné údaje akémukoľvek budúcemu systému umelej inteligencie.