Hoe AI treasury verandert

Inzichten binnen Treasury Operations - interview met Konstantin Khorev, interim Treasury Manager

Kunstmatige intelligentie (AI) heeft een grote impact in alle sectoren, en corporate treasury is daarop geen uitzondering. Om te onderzoeken hoe AI effectief kan worden toegepast in treasury, spraken we met Konstantin Khorev, een financiële en technologische expert met uitgebreide ervaring op dit gebied. Op basis van zijn tijd bij verschillende handelsbedrijven en bredere rollen in deze sector, biedt Konstantin een insidersblik op wat er echt nodig is om AI in treasuryprocessen te brengen. Met een PhD in wiskunde en een sterke achtergrond in technologie, data-analyse en systeemintegratie, loopt Konstantin voorop in AI-gedreven treasury-innovatie.

De business case

Een vooraanstaande industriële speler heeft AI niet alleen omwille van innovatie in zijn treasury-activiteiten geïntegreerd, maar ook vanwege de tastbare voordelen.

Van idee tot implementatie: Een complete reis

De toepassing van AI in treasury begint niet met technologie, maar met een duidelijke zakelijke behoefte. Het Treasury-team identificeerde prognoses als het gebied met het meeste potentieel voor AI-gestuurde verbetering, met name voor middellange tot lange termijn cashflow- en FX-exposureprognoses. Konstantin legt uit: "Betrouwbare prognoses ondersteunen een betere liquiditeitsplanning en risicobeheer. Of je nu grote werkkapitaalcycli of volatiele valutaposities beheert, betere zichtbaarheid betekent betere controle."

De AI-reis verliep volgens een gestructureerd end-to-end proces:

Detectie van businesscases - Het voorspellen van de cashflow na de korte termijn is cruciaal in kapitaalintensieve sectoren zoals de handel in grondstoffen. Terwijl kasposities op korte termijn doorgaans voorspelbaar zijn op basis van bekende schulden en vorderingen, vormt de zichtbaarheid op middellange en lange termijn een uitdaging. AI is zeer geschikt om dit probleem aan te pakken.
Gegevens verzamelen en opschonen - Konstantin benadrukt dat geen enkel model, hoe geavanceerd ook, slechte invoer kan compenseren.
Initiële gegevensanalyse en zoeken naar modellen - Het team testte zowel parametrische als niet-parametrische modellen om de beste pasvorm te vinden.
Back-testing - Pas na uitvoerig testen werden de modellen voorbereid voor één model, FX exposure forecasting, is volledig operationeel, terwijl het andere, Accounts receivable forecasting, nog aan back-testing onderhevig is.
Inzet - De modellen zijn ontworpen met het oog op eenvoud. Ze draaien lokaal op een standaard laptop en voeren de resultaten uit naar Excel voor eenvoudig gebruik in BI-dashboards en treasury-systemen. Er was geen zakelijke behoefte om ze dieper in de IT te verankeren.

Een belangrijk inzicht is dat er geen gespecialiseerde hardware, complexe software of groot team nodig was.

Dit was een eenmansactie, haalbaar dankzij sterke technische vaardigheden en krachtige open-source bibliotheken. De echte uitdaging lag echter ergens anders.

"Horizontale afstemming is net zo belangrijk als technische implementatie", benadrukt Konstantin. Treasury moest de afhankelijkheid van het model van upstream gegevenskwaliteit communiceren en nauw samenwerken met het senior management, IT en de bedrijfsteams om te zorgen voor adoptie en succes op de lange termijn.

Lessen uit de implementatie van AI: een handleiding voor treasurer

Konstantin deelt verschillende lessen uit deze en andere AI-implementaties in treasury:

Begin met een echt bedrijfsprobleem. AI om de AI levert zelden waarde op. Ons doel was het verbeteren van de nauwkeurigheid van cashprognoses en het inschatten van FX-risico's, niet het demonstreren van technologie.
Over de kwaliteit van gegevens valt niet te onderhandelen. Als je invoergegevens afkomstig zijn van systemen die niet gecontroleerd worden door treasury of slecht gestructureerd zijn, dan lijdt de betrouwbaarheid van het model daaronder.
Vertrouwen van belanghebbenden is essentieel. AI introduceert een 'black box'-effect dat wenkbrauwen kan doen fronsen. Door de logica van het model uit te leggen en gebruikers er vanaf het begin bij te betrekken, hebben we geholpen bij het opbouwen van
Moderne AI-modellen kunnen worden gebouwd met Python, open-source bibliotheken en een laptop. De bottleneck is expertise, niet hardware.
Itereren We hebben niet gewacht op een perfecte omgeving. De modellen verbeterden door gebruik, feedback en verfijning.

Tastbare bedrijfswaarde

De implementatie van AI heeft meerdere KPI's verbeterd. Voor cashprognoses:

Ongebruikte kasmiddelen daalden, waardoor kapitaal vrijkwam voor handel
Gemiste handelskansen als gevolg van onzekerheid over liquiditeit werden verminderd
Tevredenheid management verbeterd, hoewel moeilijker te kwantificeren

Bij FX-risico is de effectiviteit van de afdekking beter meetbaar en consistenter geworden.

Voor elk handelsbedrijf in grondstoffen telt elke cent. Het optimaliseren van de cashflow en risicoblootstelling door middel van AI is niet alleen een technische winst. Het is een concurrentievoordeel", zegt Konstantin.

Andere mogelijkheden voor AI in treasury

Naast het voorspellen van kasstromen en FX-exposure kan AI ook andere belangrijke treasuryfuncties verbeteren:

Fraudedetectie en risicobeheer. Machine learning-algoritmen kunnen anomalieën in betalingen en transacties detecteren en zo potentiële fraude in realtime identificeren.
Geautomatiseerde afstemming. AI-oplossingen kunnen transacties in meerdere rekeningen en systemen matchen, waardoor de reconciliatietijd drastisch wordt verkort.
Dynamisch liquiditeitsbeheer. AI kan de liquiditeitstoewijzing optimaliseren op basis van real-time kasposities, waardoor het rendement toeneemt en inactief kasgeld tot een minimum wordt beperkt.

"Deze toepassingen laten zien dat AI niet alleen een theoretisch concept is. Het is actief bezig met het verbeteren van treasury-activiteiten", voegt Konstantin toe.

Vooruitkijken: AI in treasury tegen 2030

Konstantin ziet een toekomst voor zich waarin AI volledig is ingebed in treasury workflows. "Tegen 2030 zullen we AI-gestuurde autonome cashmanagementoplossingen en AI-gestuurde besluitvorming zien. Treasury management systemen zullen natuurlijke taalverwerking (NLP) bevatten, waardoor treasurers er conversatie mee kunnen hebben. In plaats van handmatig gegevens in te voeren, kunnen treasurers hun TMS simpelweg de opdracht geven om hun FX-exposure af te dekken met behulp van specifieke instrumenten, waarna het systeem de taak uitvoert."

De integratie van generatieve AI zal een andere game-changer zijn. "Hoewel treasury vandaag niet de primaire focus is voor AI-ontwikkelaars, kunnen we verwachten dat AI complexe waarderingen, handelsfinanciering en andere taken zal automatiseren. AI-gestuurde assistenten zullen de handmatige werklast aanzienlijk verminderen, waardoor treasurers zich kunnen richten op strategische initiatieven."

Naleving van regelgeving zal ook samen met AI evolueren. "Nu AI steeds meer wordt toegepast, zullen toezichthouders meer transparantie eisen. Treasurers zullen ervoor moeten zorgen dat AI-modellen uitlegbaar zijn en voldoen aan de evoluerende regelgevingsnormen."

Laatste gedachten: AI omarmen in treasury

Konstantin geeft treasurers die overwegen over te stappen op AI praktisch advies. "Begin klein maar denk groot. Focus op quick wins om waarde aan te tonen, maar heb altijd een langetermijnvisie voor hoe AI je treasuryfunctie kan transformeren."

Hij benadrukt voor treasurers dat AI een enabler is, geen vervanging. "AI is er niet om treasurers te vervangen. Het is er om hen te versterken. Degenen die AI omarmen zullen een strategische voorsprong krijgen in een wereld die steeds meer door data wordt gedreven."

AI is niet langer een futuristisch concept. Het geeft vandaag vorm aan de toekomst van treasury. Naarmate meer treasury-teams AI toepassen, zal de rol van technologie in corporate finance zich blijven uitbreiden en ontwikkelen.

Download pdf