Miks tehisintellekt ei suuda endiselt teha kvaliteetset ettevõtte hindamist

Iga paari kuu tagant ilmub uus AI-mudel, millel on laiem kontekstiaken, teravam loogika ja võime analüüsida terveid andmeruume sekunditega. Tundub ahvatlev järeldada, et ettevõtte väärtuse hindamine – üks enim hindamisoskust ja tunnetust nõudvaid finantsvaldkondi – on lõpuks valmis automatiseerimiseks. Sööda mudelile finantsandmed ette, küsi numbrit ja saad kaitstava vastuse.

Reaalsus on aga veidi keerulisem.

AI erapoolikus ettevõtte väärtuse hindamisel

Hindamist tellitakse harva tühja koha pealt. Ettevõtte müügiks valmistuval asutajal, investorile pitchi tegeval juhtkonnal või tehingut kaaluval omanikul on tavaliselt juba mingi number peas, ning suured keelemudelid on treenitud olema pigem koostööaltid kui skeptilised. Kuuldes veenvat lugu („meie kliendikaotus on ajutine“, „konkurent lahkus turult, seega võtame nende tulu endale“), võtab mudel seda üldjuhul puhta kullana, sest tal puudub eluline kogemus ja vaist isekate argumentide läbinägemiseks.

Veelgi hullem on see, et asi ei piirdu esimese vastusega. Kui tulemus ei sobi, saab tellija mudeliga edasi vaielda, muutes eeldusi ja survestades, ning mudel võtab igat vastuväidet uue infona, millega kohanduda, mitte kaitse õiget vastust. M&A tehingut ette valmistav inimnõustaja suudab pinge all oma seisukohale kindlaks jääda, kas juba seetõttu, et tema nimi seisab selle numbri taga. AI-l midagi sarnast pole – erapoolikus ei ole siin ühekordne viga, vaid läbirääkimine, mida tellija saab pidada oma võiduni.

Andmete kvaliteet: miks täpsed numbrid ei taga õiget hinnangut

Teine probleem on sama kahjulik ja palju vähem nähtav: ettevõtte hindamine on täpselt nii hea kui selle aluseks olevad andmed, ning AI ei suuda kontrollida nende täielikkust ega tõelevastavust. Ta ei „haista“, et esitlusest on puudu suurtest klientidest sõltuvuse risk või et raamatupidamisse on peidetud tehing seotud osapoolega. Erinevalt inimeksperdist, kes lisab märke „seda punkti ei sain kontrollida“, vastab mudel alati sama enesekindlalt, hoolimata sisendi puudulikkusest.

Minevik vs. tulevik: kui finantsnäitajad ei näita tegelikku seisu

Isegi kui numbrid on täpsed, näitavad need vaid ettevõtte minevikku, mitte hetkeseisu. Due diligence käigus selgub sageli, et ettevõte on keset suuri muutusi – uued seadmed, kolimine, ümberkorraldused – mis moonutavad ajutiselt finantsnäitajaid, andmata tegelikku pilti pikaajalisest väärtusest. Kasumi kukkumine uude tootmisesse investeerimise tõttu on hoopis teine lugu kui kasumi kukkumine äri kahanemise tõttu. Vastupidine olukord on sama levinud: suurepärane aasta, mis tuleneb peamiselt ühekordsest varade müügist, kaob koos selle väärtusega, kui see number eemaldada.

AI on tõeliselt osav ebatavaliste kõrvalekallete märkamises – näiteks:

• tuludest kiiremini kasvavad nõuded ostjate vastu;

• seletamatud marginaalimuutused;

• laenukoormusega võrreldes ebaloogiliselt madalad intressikulud.

Ta ei suuda aga astuda järgmist sammu: küsida juhtkonnalt selgitusi, koguda puuduvat konteksti ja hinnata, mida vastus tulevaste rahavoogude jaoks tegelikult tähendab.

Väikeettevõtte (SME) hindamine ja võrreldavate ettevõtete otsing

Lõhe „üldiselt võimeka“ ja „konkreetsel juhul usaldusväärse“ AI vahel käriseb veelgi laiemaks, kui liigume eemale suurtest, hästi dokumenteeritud ettevõtetest. Enamik sellest, mida mudel äritegevuse kohta „teab“, pärineb suurte avalike ettevõtete andmetest. Nišiturul tegutsev väike- või keskmise suurusega ettevõte (SME) pole samamoodi esindatud, ja mudelil puudub võime seda lahknevust märgata. Ta eeldab kergekäeliselt, et kasvutempo on jätkusuutlik, või et kulubaas kasvab samamoodi nagu kümme korda suuremal firmal – sest see muster on tema treeningandmetes lihtsalt domineeriv.

Samal põhjusel valmistavad ka avatud AI-ülesanded praktikas pettumust. Paludes mudelil M&A tehingu jaoks iseseisvalt leida võrreldavaid ettevõtteid (comparables), pakub ta pealtnäha usutavaid nimesid, mis süvenemisel paika ei pea. Andes talle aga eeltöötatud nimekirja ja paludes sealt parimad kandidaadid reastada, on tulemus märgatavalt parem. See õppetund kehtib laiemaltki – AI on palju tugevam valikute tegemisel kellegi teise seatud piirides kui avatud otsingul, kus tal puudub usaldusväärne viis eristada tõelist infot millestki, mis vaid näib asjakohane.

Miks ettevõtte hindamine on rohkem kui üks number

Isegi kui kõik eelnev – täiuslikud andmed, erapoolikuse puudumine, selgelt piiritletud ülesanne – oleks lahendatud, jääb alles sügavam probleem. See on ilmselt ka raskeimini lahendatav, sest see pole üldse seotud tehisintellekti võimekusega: enamik inimesi ei tea, mida nad küsima peaksid.

Ettevõtte müügiks valmistuv asutaja, kes küsib „kui palju mu ettevõte väärt on“, saab palju pinnapealsema tulemuse kui see, kes küsib „mida maksaks strateegiline ostja, arvestades meie kliendikontsentratsiooni, ja kus on ruumi läbirääkimisteks“. Seda teist küsimust küsib vaid inimene, kellel on juba suur osa sellest teadmistepagasist, mida tööriist peaks asendama.

Hindamine kui diagnoos, mitte vaid arv

See on oluline, sest ettevõtte hindamine pole M&A tehingu kontekstis sageli vaid number, vaid diagnoos: milles on ettevõte tugev, kus haavatav, kuidas potentsiaalne ostja andmeid loeb ja millised on olnud sarnased tehingud turul. See diagnostiline kiht, koos oskusega hinnata vastaspoole läbirääkimispositsiooni ja anda nõu, millal endale kindlaks jääda, on just see, mida klient vajab hetkel, mil hindamisel on läbirääkimistel või vaidluses reaalne kaal. Kui on vaja numbrit lihtsalt esitluse slaidi jaoks, on AI täna ilmselt õige tööriist. Ent hetkel, mil number peab tehingu läbirääkimistel vett pidama, ta seda enam ei ole.

Kus AI ettevõtte hindamisel tõeliselt aitab

See kõik ei tähenda, et AI-l poleks ettevõtte väärtuse hindamise protsessis oma kohta – tema roll on lihtsalt kitsam, kui turundusjuttudest näib. AI on suurepärane mehaanilisel tasandil:

• jooksutab kümneid stsenaariume ja tundlikkusanalüüse lühikokkuvõtte kirjutamise ajaga;

• leiab pikkades finantsmudelites ja dokumentides vastuolusid;

• koostab mustandeid, kui sisulised otsused on juba tehtud;

• reastab inimese poolt eelnevalt koostatud lühinimekirju (näiteks võrreldavaid ettevõtteid).

Prudentia lähenemine: AI kui tööriist, mitte otsustaja

Prudentias kasutame tehisintellekti kogu oma hindamisprotsessi vältel just nendeks ülesanneteks – kiirem iteratsioon, laiem stsenaariumite testimine, kiiremad esialgsed mustandid. Ent iga meie koostatud hindamine põhineb endiselt meeskonna enda tehtud taustakontrollil (due diligence), meie koostatud nimekirjadel ning inimnõustajal, kes otsustab, millised eeldused peavad tegelikult paika, millised on vaid kliendi soovunelmad, ja mida see number eelseisvate läbirääkimiste jaoks tegelikult tähendab.

AI teeb protsessi kiiremaks. Kuid ta ei muuda selle vahelejätmist veel turvaliseks.