Když model počítá správně, ale závěr je zavádějící: limity AI při oceňování podniků
Oceňovací model může být formálně správný, výpočetně bezchybný a na první pohled přesvědčivý. Přesto může vést k hodnotě, která neodpovídá ekonomické realitě.
Článek se věnuje rizikům automatizace a využití umělé inteligence při oceňování podniků, přičemž zdůrazňuje, že technická správnost výpočtu nezaručuje správnost výsledného závěru. Klíčovým argumentem je, že oceňovací modely slepě přebírají vstupní data a předpoklady, aniž by je kriticky přezkou... více
Právě v tom spočívá jedno z hlavních rizik automatizace a využívání umělé inteligence při oceňování podniků. Moderní nástroje dokážou rychle zpracovat data, sestavit finanční model a vytvořit výstup, který působí odborně a objektivně. Rychlost ani technická přesnost však správnost závěru nezaručují.
Oceňování podniků není pouze matematické cvičení. Výsledná hodnota nevzniká pouhým dosazením čísel do modelu, ale volbou vstupních dat, jejich úpravou, použitými předpoklady a tím, zda odpovídají účelu ocenění, standardu hodnoty a ekonomické realitě společnosti. Automatizace může proces zefektivnit, nemůže však nahradit odborný úsudek.
Správný výpočet nemusí znamenat správný závěr
Automatizovaný model pracuje s daty, která mu jsou poskytnuta. Pokud jsou neúplná, zkreslená nebo bez kritického posouzení převzatá z podkladů managementu, model je nezpochybní. Pouze je zpracuje a promítne do výsledné hodnoty.
Typickým příkladem je finanční plán společnosti. Management může vycházet z optimistických očekávání, předpokládat růst tržeb bez dostatečné opory v trhu nebo podhodnotit budoucí investiční potřeby. Model tyto předpoklady zapracuje korektně, přestože jejich základ může být problematický. Podobné riziko vzniká i při práci s historickými daty, pokud nejsou očištěna o mimořádné vlivy.
Největší chybou tak často není to, co model počítá, ale to, co model předpokládá.
Zdánlivá přesnost může být zavádějící
Oceňovací modely pracují s parametry, které působí velmi přesně. Diskontní míra je stanovena na desetiny procentního bodu, cash flow je rozpracováno po jednotlivých letech a terminální hodnota vychází z přesného vzorce. Takový výstup může vytvářet dojem vysoké spolehlivosti.
Výsledná hodnota však může být citlivá i na malé změny předpokladů. Ilustrativně lze uvést situaci, kdy model pracuje s dlouhodobým růstem peněžních toků ve výši 3 % ročně a hodnota podniku vychází na 100 mil. Kč. Při růstu 4 % může výsledná hodnota vzrůst na 120 mil. Kč. V obou případech je výpočet formálně správný. Rozdíl nevzniká v matematice, ale v předpokladu.
AI a riziko falešné objektivity
S rostoucím využíváním AI se objevuje i další riziko: falešný dojem objektivního přezkumu. V praxi se lze setkat se situací, kdy klient nechá znalecký posudek analyzovat automatizovaným nástrojem, který následně identifikuje údajné nedostatky nebo rozpory.
Takové posouzení však zpravidla vychází pouze z textu, který má nástroj k dispozici. Nemusí znát účel ocenění, přesné zadání, rozsah dostupných podkladů, komunikaci s objednatelem ani specifické okolnosti případu. Posudek tak může být označen jako problematický nikoli kvůli skutečné chybě, ale proto, že je hodnocen bez kontextu.
AI tedy může pomoci odhalit formální nesrovnalosti nebo nejasné formulace. Neměla by však být zaměňována za odborný přezkum znaleckého závěru.
Role znalce zůstává rozhodující
Úkolem znalce není pouze sestavit model a dopočítat hodnotu. Jeho role spočívá především v posouzení vstupních dat, volbě metody, nastavení předpokladů a zasazení výsledku do ekonomického a právního kontextu.
Automatizace může znalce významně podpořit. Nemůže jej však nahradit. Čím přesvědčivěji model působí, tím důležitější je rozumět tomu, na čem jeho výsledek skutečně stojí.
Ing. Michal Řezáč
Business Valuation Analyst
Ing. Tomáš Dvořák
Business Valuation Manager
Equity Solutions Appraisals s.r.o. - znalecká kancelář
Ovocný trh 573/12
110 00 Praha 1
tel: +420 222 314 447
e-mail: info@eqsa.cz
© EPRAVO.CZ – Sbírka zákonů, judikatura, právo | www.epravo.cz
