איך בונים מודל AI פיננסי שאפשר לסמוך עליו

הרגע שבו כולם מפסיקים לסמוך על AI

כל מי שעובד בכספים הגיע לרגע הזה. אתה מבקש מ-AI לבנות תחזית, מודל, ניתוח מהיר. הוא מחזיר עמוד שלם של מספרים שנראים סבירים לגמרי. פריסה נקייה, ניסוח בטוח, הכל מסתדר.

ואז אתה עוצר. כי אין לך שום דרך לדעת אם משהו מזה נכון.

הרגע הזה — מספרים על מסך בלי דרך לבדוק אותם — הוא הסיבה שרוב אנשי הכספים ויתרו בשקט על AI לכל דבר שבאמת חשוב. במקצוע שלנו, תשובה שאי אפשר לאמת גרועה מאין תשובה. אם השם שלך על הדוח שהולך להנהלה, "ה-AI אמר ככה" זו לא הגנה.

מנהלת FP&A שפתרה את זה

מנהלת FP&A בחברת פארמה בנתה כל חודש את אותו מודל פיננסי בעבודה ידנית. actuals היסטוריים בקובץ אחד, הנחות בקובץ שני, לוחות הלוואות, תחזיות מכירות, procurement, עלויות חודשיות — כל אחד בקובץ נפרד, וכולם צריכים להתחבר לדוח תלת-דוחי אחד עקבי. אחר כך הבדיקות. אחר כך הפורמט. אחר כך הגרסה שעולה למעלה.

לפי ההערכה שלה, זה בלע קרוב לארבעים שעות בחודש. יותר משבוע עבודה מלא, כל חודש, על עבודה הכרחית אבל כמעט לחלוטין מכנית. זה לא היה ניתוח. זו הייתה הרכבה.

היא כבר ניסתה AI קודם. כמו רבים מאיתנו, היא ביקשה מהמודל לעזור לבנות את זה, ונתקלה בדיוק בקיר שתיארנו למעלה. הפלט נראה מקצועי, נשמע בטוח. אבל היא לא יכלה לסמוך עליו כי היא לא יכלה לעקוב אחריו. היא לא יכלה לפתוח מספר ולראות מאיפה הוא הגיע. אז היא חזרה לעבודה ידנית — כי לפחות שם היא ידעה כל נתון.

זו הנקודה שרוב האנשים עוצרים בה. היא לא עצרה.

השינוי שהפך הכל

מה שהשתנה אצלה לא היה כלי טוב יותר או פרומפט חכם יותר. זה היה שינוי במה שהיא ביקשה מה-AI לעשות.

AI לא צריך לתת לך את התשובה. הוא צריך לבנות את המערכת שמייצרת את התשובה — מערכת שאפשר לפתוח, לעקוב אחריה, ולהגן עליה.

לעולם לא המספר. תמיד המודל.

כשאתה מבקש מ-AI מספר, אתה מקבל משהו שאתה חייב לקחת על אמון. כשאתה מבקש ממנו לבנות מודל, אתה מקבל משהו שאפשר לפתוח, ללחוץ פנימה, ולעקוב אחורה עד המקור.

זה משנה את מה שאתה בודק, וכדאי להבין למה AI היה בלתי אמין מלכתחילה. שיעור הטעויות מעולם לא היה הבעיה. אנליסט ג׳וניור מוסר לך קובץ שאפשר ללחוץ בו פנימה; AI מוקדם מסר לך פסקה, ואי אפשר לבדוק משהו בלי תיעוד עבודה. יש גם קצב. ג׳וניור מביא מודל אחד בשבוע, ואחרי שנה אתה יודע איפה הוא נוטה לטעות. AI מביא מודל מוגמר תוך שתי דקות, בלי היסטוריה שתגיד לך איפה לחפש. קריאה מדוקדקת לא מתאימה לקצב הזה. בדיקה שרצה לבד — כן.

זה מה ש"מודל שבודק את עצמו" אומר בפועל. הבדיקות יושבות בתוך הקובץ ורצות מחדש בכל פעם שמשהו זז.

חשוב להיות מדויקים לגבי מה הן מכסות. Assets = Liabilities + Equity ו-Cash from cash flow statement = Cash on balance sheet הן זהויות חשבונאיות, אז הן תופסות שגיאות בקישור ובמבנה: הפניה שבורה, שורה שמזינה את הדוח הלא נכון, תקופה שלא מתגלגלת קדימה. הן לא יתפסו שיעור צמיחה שהוחל על השורה הלא נכונה, או פריט היסטורי שמופה לחשבון הלא נכון.

מודל יכול להיות מאוזן לחלוטין ועדיין טעות. וזה בדיוק למה העבודה עדיין צריכה מוח פיננסי שמפקח עליה.

האתגר האמיתי: יכולת ביקורת

מספר בודד אפשר לבדוק — לפתוח את המקור, למצוא את השורה, להשוות. זה לוקח דקה. הבעיה היא שמודל מכיל מאתיים כאלה, והדקה הזו משולמת לכל מספר בנפרד.

יכולת ביקורת משנה את החשבון. כל מספר נושא איתו את חישוביו, אז בדיקת מספר בודד יורדת מדקה לכמה שניות, והדיוק מפסיק להיות שאלה של סבלנות. זה גם עונה לבודק שחוזר בעוד חצי שנה, כשכבר שכחת את הפרטים.

מספר בלי חישובים אי אפשר לבקר. מודל — כן.

אז המטרה היא לא "לגרום ל-AI לתת לי את המספר הנכון". המטרה היא "לגרום ל-AI לבנות לי משהו שבו כל מספר ניתן לעקוב אחורה למקור, כל הנחה כתובה, וכל זהות חשבונאית מתבררת בעצמה". כשיש לך את זה, אתה לא צריך לסמוך על ה-AI. אתה סומך על הבדיקות. ובדיקות הן משהו שאנשי כספים סומכים עליו כבר מאה שנה.

שלב 1: לחבר את Claude למקום שבו הנתונים חיים

לפני שבונים מודל, ה-AI צריך לראות את הנתונים האמיתיים. לא עותק שהודבק בצ'אט — הקבצים בפועל, במקום שבו הם באמת נמצאים.

אז הצעד הראשון היה לחבר את Claude ל-Drive, איפה שנתוני הכספים כבר ישבו: אותם קבצים, תחת אותן הרשאות שכבר היו קיימות. זה נתן למודל גישה ל:

• דוחות כספיים היסטוריים
• נתוני הלוואות ואשראי
• תוכניות השקעה
• תחזיות מכירות
• נתוני procurement
• פירוט עלויות חודשי

והכי חשוב — עוד קובץ אחד שרוב האנשים מדלגים עליו: גיליון הנחות קבוע. כל הנחה שהמודל מורשה להשתמש בה, כתובה במקום אחד, בבעלות שלך.

זה חשוב יותר ממה שזה נשמע. רוב החוויות הרעות עם AI מגיעות בדיוק מהפער הזה. למודל חסר קלט, אז הוא ממלא את החור במשהו סביר, ואתה אף פעם לא מגלה איזה מספר הוא המציא. תן לו את ההנחות במפורש ואין חור למלא.

דבר אחד שכדאי לסגור לפני שמחברים כלום: אילו קבצים מותר להם לצאת מהמערכות שלכם, לאיזו סביבה, ומי מאשר את זה. בחברה מפוקחת זו שיחה קצרה עם IT ועם compliance, ולדלג עליה הופך כל מה שבהמשך ללא רלוונטי.

שלב 2: בונים Skills פעם אחת

הצעד השני היה בניית סט קטן של Skills ב-Claude — הוראות שניתנות לשימוש חוזר, שמלמדות את המודל איך היא רוצה שהעבודה תיעשה, כדי שלא תצטרך להסביר מחדש בכל פעם.

זו הסיבה השקטה לכך שהזמן החודשי ירד כל כך. החשיבה הקשה קורית פעם אחת, וכל מודל אחר כך יורש אותה.

שני Skills נושאים את רוב המשקל:

Skill אחד מלמד את Claude איך לבנות את המודל — המבנה, הקישור, הפורמט, ההיגיון החשבונאי.

Skill שני מלמד את Claude איך לאמת אותו — הבדיקות שחייבות לעבור לפני שמשהו נחשב גמור.

בונים את אלה פעם אחת, בקפידה, ויש לך את הסטנדרטים שלך מקודדים בתוך הכלי. מאז ואילך הסטנדרט נוסע איתך.

חשוב לשמור על ההפרדה ברורה, כי כאן אנשים מתבלבלים. ה-Skill הוא הכלל הקבוע: איך בונים מודל ומה חייב לעבור כדי שייחשב גמור. הפרומפט הוא העבודה של אותו חודש: אילו נתונים, איזו תקופה, איזה פלט. את ה-Skill כותבים פעם אחת. הפרומפט משתנה בכל פעם.

שלב 3: הפרומפט שבונה מודל שבודק את עצמו

הפרומפט הבא בנוי כדי ליצור מודל תלת-דוחי מלא ב-Excel. שווה לראות איך הוא מורכב, כי המבנה הוא כל העניין.

ראשית, מגדירים תפקיד והקשר. מתחילים באמירה למודל מי הוא: "אתה אנליסט פיננסי בכיר." זה נשמע שולי. זה לא. הענקת תפקיד והקשר מעלה מיד את איכות התוצאה, כי היא מסגרת כל החלטה שמגיעה אחריה.

שנית, מתארים את נתוני הקלט ואיפה הם נמצאים. אומרים בבירור מה הם הקלטים ובדיוק איפה הם יושבים — דוחות היסטוריים בגיליון 1, הנחות בגיליון 2. כשהמודל יודע איפה הנתונים האמיתיים, הוא מפסיק להמציא. רוב ה-hallucination בעבודה פיננסית מגיע מהמודל שממלא פער שהשארת פתוח.

Claude מחובר לגיליון, עם ה-Income Statement בנוי עד 2030. עמודות התחזית הן נוסחאות המונעות מלשונית ההנחות, לא מספרים מוקלדים.

שלישית, מגדירים את הפלט בדיוק. אילו לשוניות. אופק של חמש שנים. איזה מבנה. לא משאירים את הצורה של התוצר למקרה.

רביעית, מפרקים את הדרישות לסעיפים לוגיים עם כותרות, במקום לשפוך הכל לפסקה אחת ארוכה. המודל עוקב אחרי בקשה מובנית הרבה יותר באמינות מאחרי קיר טקסט.

חמישית, וזה החלק הכי חשוב בעולם הכספים — מציינים את כל הבדיקות החשבונאיות במפורש. Assets = Liabilities + Equity. Cash from cash flow statement = Cash on balance sheet. ומבקשים מהמודל לדווח סטטוס "OK / NOT OK" לכל אחת.

הסטטוס הזה חייב להיות נוסחה בקובץ, לא שורה בצ'אט. אם Claude עונה "כל הבדיקות עברו", זו עוד טענה שאי אפשר לאמת. אם הוא כותב את זה לתוך תא, הבדיקה נשארת בגיליון ורצה מחדש לבד בכל פעם שמשהו משתנה:

=IF(ROUND(B15-B30,0)=0,"OK","NOT OK")

הבדיקה פשוטה: מוחקים את השיחה, פותחים את המודל בחודש הבא, שוברים הנחה בכוונה. התא צריך להתהפך ל-NOT OK לבד. אם אתה צריך לשאול את ה-AI אם המודל עדיין מאוזן — בנית את הדבר הלא נכון.

שישית, מוסיפים כלל איטרציה: לא למסור את המודל עד שכל הבדיקות עוברות. הוראה אחת זו מכריחה את המודל למצוא ולתקן את השגיאות של עצמו לפני שהוא מוסר את הקובץ.

שביעית, מפרטים best practices — קידוד צבעים, איך לטפל בהפניות מעגליות, מוסכמות פורמט. דברים קטנים שמפרידים בין מודל שאפשר למסור למישהו לבין כזה שאי אפשר.

שמינית, נותנים דוגמאות נוסחה קונקרטיות, כמו משפט IF ספציפי, כדי להראות את התבנית הרצויה. פירוט מנצח תיאור.

תשיעית, סוגרים עם דרישה סופית אחת שמקשרת הכל: קובץ אחד מקושר לחלוטין, שבו שינוי הנחה אחת זורם דרך כל הדוחות.

כל זה יחד הוא מיני-specification. תפקיד, קלטים, פלטים, כללים, ובדיקות. זה ההבדל בין פרומפט שמייצר מודל שימושי לפרומפט שמייצר ניחוש שנראה יפה.

איך המודל הגמור נראה

ה-Balance Sheet, עם בדיקת האיזון רצה לאורך השורה התחתונה. כל שנה קוראת BALANCED כי השורה הזו היא נוסחה חיה שמשווה סך נכסים מול התחייבויות ועודף, לא הערה שמישהו הקליד פעם אחת.

לשונית הבדיקות. כל טסט בשורה שלו, כל שנה בעמודה שלה: זהות ה-balance sheet, cash from cash flow מול cash on balance sheet, גלגול רווח נצבר, התאמת לוח החוב, התאמת net income בין דוחות. מתחת — ההפרשים בפועל, כך שכשל מספר לך כמה הוא רחוק ולא רק שהוא נכשל. הבדיקה הראשית קוראת OK רק כשכל בדיקה בודדת עוברת.

לשונית ההנחות, עם תרחישי base, worst ו-best זה לצד זה, ותרחיש אחד מסומן כפעיל. משנים כאן את שיעור צמיחת ההכנסות וכל שלושת הדוחות זזים, וכל בדיקה בלשונית הקודמת רצה מחדש.

כל מה שאפשר להסביר בנוסחה, הקובץ מסביר בעצמו. כל מספר היסטורי חוזר למקור. כל מספר תחזית חוזר לנוסחה ולהנחה מפורשת. כל הנחה יושבת במקום אחד עם השם שלך עליה. מה שנשאר לך הוא להגן על ההנחות עצמן — זה החלק של העבודה ששווה את הזמן שלך.

זו יכולת ביקורת, וזה כל המשחק.

התוצאה

מארבעים שעות בחודש בעבודה ידנית, לבניית אותו מודל מחדש, בלי יכולת לסמוך על AI לאף חלק ממנו — לכ-ארבע שעות בחודש על אותו מודל.

(המספר הזה הוא הערכה אישית שלה, לא benchmark. המספרים שלכם יהיו תלויים בנתונים ובתהליך שלכם.)

ארבע השעות האלה הן ריענון נתונים, עדכון גיליון ההנחות, הרצת הבנייה, קריאת מה שהבדיקות מדווחות, ופרשנות התוצאה. מה שנעלם זו ההרכבה, לא השיפוט.

השעות הן לא החלק הכי חשוב. מה שבאמת השתנה — היא שמרה כל פיסת שיפוט שחשובה: ההנחות, התרחישים, הפרשנות, ומסרה את עבודת ההרכבה שמעולם לא הייתה זקוקה לבן אדם מלכתחילה.

היא הפסיקה להיות מי שמרכיבה את המודל. היא הפכה למי שמפרשת אותו.

הדבר האחד שכדאי לזכור

אל תבקשו מ-AI את התשובה. בקשו ממנו לבנות את המערכת שמייצרת את התשובה — עם נתוני המקור מחוברים, ההנחות כתובות, והבדיקות החשבונאיות רצות בתוך הקובץ.

ברגע שעושים את המעבר הזה, הדבר שעצר את הכספים מ-AI — "אני לא יכול לסמוך על מה שאני לא יכול לאמת" — מפסיק להיות המכשול. כי אף אחד לא מבקש מכם לסמוך על שום דבר.

זו הדרך לבנות מודל AI שבודק את עצמו. לא צריך לכתוב קוד כדי לעשות את זה. כן צריך לדעת איך נראה מודל נכון — וזה החלק שאי אפשר למסור לאף אחד אחר.

הצעד הבא

הצעד הבא שלך הוא לעוד מידע, תוכן ומדריכים לפני כולם. הירשם לבלוג שלי.