AI dalam Pengurusan Perbendaharaan: Kecairan, FX dan Pembayaran

Oleh Jane Ha · Dikemas kini 11 Oktober 2026

AI dalam pengurusan perbendaharaan ialah penggunaan pembelajaran mesin dan model bahasa untuk meramal tunai dan kecairan, mengukur pendedahan pertukaran asing, menyaring pembayaran bagi penipuan dan mengetatkan modal kerja, manakala kakitangan perbendaharaan kekal berkuasa atas pembiayaan, lindung nilai dan pelepasan wang. Perbendaharaan ialah tempat yang baik untuk AI kerana datanya berangka dan bercop masa. Ia juga tempat di mana jawapan yang salah paling sukar dipulihkan, kerana tunai yang telah meninggalkan bank sudah hilang.

Panduan ini ditujukan kepada bendahari, CFO, pengawal kewangan (controller) dan pengarah kewangan yang sedang memutuskan di mana AI wajar berada dalam fungsi perbendaharaan dan kawalan apa yang mesti disertakan. Untuk pandangan seluruh fungsi, mulakan dengan AI dalam kewangan dan perakaunan dan hab perancangan, AI dalam FP&A. Untuk mekanik peramalan, baca ramalan aliran tunai dengan AI.

Fakta Utama

• Dalam AFP Payments Fraud and Control Survey 2026 (465 pengamal perbendaharaan, dijalankan pada Januari 2026), 76% organisasi A.S. mengalami cubaan atau penipuan pembayaran sebenar pada 2025, 74% terjejas oleh penjejasan e-mel perniagaan (BEC), dan cek ialah kaedah yang paling disasarkan pada 58%, diikuti debit ACH (30%) dan wayar (25%) (AFP).
• Dalam tinjauan AFP yang sama, hanya 17% organisasi menggunakan AI untuk memerangi penipuan pembayaran (AFP).
• Internet Crime Report 2025 FBI merekodkan 24,768 aduan penjejasan e-mel perniagaan dengan kerugian yang dilaporkan sebanyak $3,046,598,558, meningkat daripada $2,770,151,146 pada 2024 (FBI IC3).
• Dalam Treasury Benchmarking Survey 2026 AFP (425 respons, dijalankan pada Mei 2026), peramalan tunai dan kecairan merupakan keutamaan perbendaharaan tertinggi (63%) sekaligus aktiviti yang paling mencabar (49%) (AFP).
• Dalam tinjauan yang sama, polisi AI dan teknologi baru muncul mencatat skor 2.9 daripada 5, yang terendah antara semua bidang polisi yang diukur, dan 38% menamakan pengurusan peluang dan risiko AI sebagai cabaran ketara (AFP).
• Dagangan pertukaran asing global mencecah $9.6 trilion sehari pada April 2025, meningkat 28% daripada 2022, dengan dolar A.S. berada di satu pihak dalam 89% dagangan (BIS).

Apa yang Dilakukan oleh AI dalam Perbendaharaan

Perbendaharaan mempunyai empat tugas yang boleh disentuh oleh AI: mengetahui berapa banyak tunai yang akan anda ada, mengetahui risiko mata wang dan kadar yang anda tanggung, menghantar pembayaran dengan selamat, dan tidak mengikat modal kerja lebih daripada yang perlu. AI menyumbang dalam tiga cara. Ia meramal daripada sejarah (analitik ramalan pada data bank dan lejar). Ia menandakan apa yang nampak salah (pengesanan anomali pada pembayaran dan baki). Dan ia merangka atau meringkaskan (model bahasa yang menukar laporan kedudukan menjadi taklimat pagi).

Apa yang tidak seharusnya dilakukannya, sekurang-kurangnya tanpa penyeliaan, ialah memindahkan wang atau mengikat syarikat pada sesuatu lindung nilai. Angka AFP menunjukkan mengapa titik permulaan penting: pasukan perbendaharaan menilai kematangan polisi AI mereka sendiri sebagai yang paling lemah antara bidang polisi mereka, sementara percubaan penipuan menimpa tiga daripada empat organisasi. Alat tiba lebih pantas daripada buku peraturan di sekelilingnya.

Di Mana AI Membantu, Mengikut Fungsi Perbendaharaan

Contoh Sebenar Mengikut Fungsi

Ramalan kecairan. Seorang bendahari yang mengendalikan 14 akaun bank merentasi lima negara membina semula ramalan 13 minggu secara manual setiap Isnin daripada hamparan yang dihantar oleh pasukan kewangan serantau. Model peramalan mengambil baki bank harian serta akaun belum terima dan belum bayar yang terbuka, menghasilkan garis dasar dan julat, serta menunjukkan wilayah mana yang paling kerap tersasar. Bendahari menghabiskan hari Isnin pada kesilapan itu, bukan pada mengumpul fail. Ramalan aliran tunai dengan AI membincangkan pilihan model dan pengukuran ketepatan secara mendalam. Peramalan tunai ialah bidang yang dipanggil paling sukar oleh pemimpin perbendaharaan sendiri, jadi ia sasaran pertama yang semula jadi.

Pendedahan FX. Sebuah syarikat mengeluarkan invois dalam euro, membayar pembekal dalam yen dan membiayai subsidiari dalam dolar Singapura. Data untuk mengira pendedahan bersih berada dalam tiga sistem. Lapisan AI membaca invois dan pesanan belian yang terbuka, memetakannya kepada mata wang dan tarikh penyelesaian, serta mengemas kini laporan pendedahan bersih setiap hari. Keputusan lindung nilai kekal pada bendahari dan polisi lindung nilai. Bagi gambaran skala, peranan dolar penting: ia berada di satu pihak dalam 89% dagangan FX global pada April 2025, jadi pendedahan kepada dolar jarang dapat dielakkan, hanya boleh diurus.

Saringan penipuan pembayaran. Penjejasan e-mel perniagaan berfungsi dengan memujuk seseorang menghantar pembayaran ke akaun bank yang telah diubah. Data aduan FBI bagi 2025 mengira 24,768 kes sedemikian dan kerugian dilaporkan melebihi $3 bilion. Model yang menilai setiap pembayaran keluar berbanding sejarah pembekal (nombor akaun baharu, jumlah luar biasa, masa yang ganjil) boleh menahan sebahagian kecil yang wajar diberi panggilan telefon. Ia tidak akan menangkap segala-galanya, dan ia harus berada di sebelah, bukan menggantikan, panggilan balik manusia ke nombor yang diketahui. Hanya 17% responden AFP menggunakan AI terhadap penipuan pembayaran, jadi kebanyakan firma masih bergantung pada semakan manual.

Modal kerja. Model AI yang membaca sejarah pembayaran meramal pelanggan mana yang akan membayar lewat dan pembayaran pembekal mana yang boleh dianjak beberapa hari tanpa melanggar terma. Hasilnya kelihatan dalam modal kerja: lebih sedikit kekurangan mengejut, penggunaan diskaun bayaran awal yang lebih baik. Inputnya datang daripada akaun belum terima dan akaun belum bayar, sebab itulah perbendaharaan harus hadir di meja apabila proses itu diautomasikan.

Keperluan Kawalan: Apa yang Mesti Benar Sebelum AI Menyentuh Tunai

Kawalan klasik perbendaharaan wujud kerana seorang individu yang mempunyai akses kepada wang ialah risiko. AI menambah jenis pelaku baharu yang juga boleh tersilap, atau dimanipulasi. Kekalkan perkara ini.

Pengasingan tugas. Individu atau sistem yang menyediakan pembayaran tidak boleh menjadi yang meluluskannya, dan tiada seorang pun daripada mereka boleh menukar butiran bank pembekal sendirian. Ejen AI yang merangka kelompok pembayaran ialah penyedia. Jangan beri ia hak kelulusan, dan jangan benarkan satu akaun perkhidmatan mencipta sekaligus melepaskan.

Kelulusan pelepasan pembayaran. Setiap pembayaran di atas ambang anda memerlukan pelulus manusia yang mempunyai maklumat untuk berkata tidak: jumlah, benefisiari, sejarah perubahan pada akaun dan skor risiko AI beserta sebab-sebabnya. Pelulus yang hanya melihat tanda hijau belajar mengkliknya. Ini kawalan human-in-the-loop (manusia dalam kitaran), dan ia hanya berfungsi apabila orang itu mempunyai masa yang sebenar dan kuasa yang sebenar.

Perubahan butiran bank. Anggap sebarang perubahan pada akaun benefisiari sebagai berisiko tinggi. Wajibkan pengesahan bebas menggunakan butiran hubungan yang sudah ada dalam fail, bukan yang terdapat dalam permintaan. Inilah pertahanan terhadap penjejasan e-mel perniagaan, dan AI menjadikan e-mel penipuan lebih meyakinkan, jadi kawalan ini lebih penting.

Pengawasan model. Beri setiap model seorang pemilik, tujuan yang didokumenkan, data yang digunakannya, keputusan ujian dan log perubahan. Lakukan ujian balik (backtest) ramalan berbanding tunai sebenar mengikut jadual dan tetapkan toleransi yang mencetuskan semakan. Rekodkan apa yang disyorkan model dan apa yang dilakukan manusia.

Had akses dan data. Model memerlukan akses baca kepada baki dan transaksi. Ia jarang memerlukan akses tulis kepada portal perbankan. Jauhkan bukti kelayakan API untuk permulaan pembayaran daripada sebarang alat yang juga membaca e-mel atau dokumen, dan jauhkan data bank yang sensitif daripada chatbot awam yang tidak diluluskan.

Pelan sandaran. Ketahui cara perbendaharaan beroperasi jika alat itu salah atau tidak tersedia: ramalan manual, senarai semak saringan manual, seorang yang dinamakan yang boleh menghentikan automasi.

Cara Melancarkan AI dalam Perbendaharaan, Langkah demi Langkah

1. Mulakan dengan kerja baca sahaja. Peramalan, pelaporan pendedahan dan ringkasan kedudukan harian tidak dapat memindahkan wang. Ia membina kepercayaan dan mendedahkan masalah data dengan murah.
2. Petakan data. Senaraikan suapan bank, modul ERP, data TMS dan hamparan. Baiki kod akaun yang tidak sepadan, pihak lawan pendua dan rekod pembekal yang usang dahulu; kesediaan data kewangan membincangkan perkara yang perlu disemak.
3. Tetapkan garis dasar ketepatan hari ini. Rekodkan sejauh mana ramalan semasa anda tersasar mengikut ufuk (minggu depan, bulan depan, suku tahun depan). Tanpa garis dasar, anda tidak dapat tahu sama ada model membantu.
4. Jalankan secara selari. Biarkan model meramal bersama proses sedia ada selama sekurang-kurangnya dua atau tiga kitaran dan bandingkan baris demi baris.
5. Tambah saringan sebagai penanda, bukan penyekat. Biarkan model penipuan menimbulkan penahanan untuk disemak sebelum anda membenarkannya menahan apa-apa secara automatik. Jejaki positif palsu, kerana pasukan yang dibanjiri amaran berhenti membacanya.
6. Tuliskan peraturan kelulusan. Siapa meluluskan apa, pada ambang mana, dengan maklumat apa di skrin. Minta audit dalaman membacanya sebelum pelancaran.
7. Jalankan projek rintis pada satu entiti atau satu wilayah. Ukur ralat ramalan, amaran yang ditimbulkan, penipuan disahkan yang berjaya ditangkap, jam yang dijimatkan dan insiden.
8. Semak setiap suku tahun. Lakukan ujian balik, semak semula hak akses dan sahkan manusia masih melakukan semakan.

Kesilapan Lazim

• Menganggap ramalan sebagai fakta. Model memberikan anggaran pusat dan julat. Rancang pembiayaan mengikut julat.
• Data bank sampah masuk. Tunai yang salah dikelaskan dalam lejar menghasilkan ramalan yang sentiasa salah ke arah yang sama.
• Memberi kunci kepada ejen. Hak permulaan pembayaran pada akaun perkhidmatan AI meruntuhkan pengasingan tugas menjadi satu bukti kelayakan.
• Keletihan amaran. Saringan yang menandakan sebahagian besar pembayaran akan diabaikan. Laraskan ambang bersama penyemak.
• Tiada polisi. Penanda aras AFP mendapati polisi AI sebagai bidang paling tidak matang dalam perbendaharaan. Tulis peraturan sebelum projek rintis, bukan selepas insiden pertama.
• Melangkau pemantauan model. Tingkah laku pembayaran pelanggan beralih selepas pergerakan kadar atau kejutan pasaran, dan model yang dilatih pada bulan yang tenang akan hanyut. Jalankan semula ujian balik mengikut jadual.
• Naratif berhalusinasi. Model bahasa yang meringkaskan kedudukan tunai boleh menyatakan angka yang salah dengan fasih. Bekalkan angka kepadanya dan minta ia memetiknya, bukan meminta ia mengingatinya.

Apa yang Perlu Diukur

• Kualiti ramalan: ralat mengikut ufuk, bias (sentiasa tinggi atau rendah) dan bahagian minggu dalam toleransi.
• Hasil kecairan: baki tunai terbiar, penggunaan kemudahan kredit dan kos pinjaman jangka pendek.
• Penipuan dan kawalan: pembayaran yang ditahan, kerugian yang disahkan berjaya dicegah, kadar positif palsu dan masa untuk menyelesaikan penahanan.
• Proses: jam yang dihabiskan untuk menghimpunkan kedudukan tunai dan bahagian pengecualian yang ditutup pada hari yang sama.

Langkah Seterusnya

Jika anda hanya melakukan satu perkara suku tahun ini, tetapkan garis dasar ketepatan ramalan tunai semasa anda dan letakkan model di sebelahnya dalam mod baca sahaja. Kemudian baca ramalan aliran tunai dengan AI untuk pembinaannya, AI dalam FP&A untuk menghubungkan perbendaharaan dengan perancangan, dan gambaran keseluruhan AI dalam kewangan untuk tadbir urus yang lebih luas. Tuliskan peraturan kelulusan dan perubahan bank sebelum mana-mana alat menghampiri kitaran pembayaran.