AI genopbygger rapporteringscyklussen

Før Andrew Lokenauth grundlagde TheFinanceNewsletter.com og BeFluentInFinance.com, havde han direktør- og VP-roller inden for finans hos flere velkendte banker. I dag er han en opinionsleder inden for finansielle discipliner med mere end 3 millioner følgere.

Vi talte med Andrew for at få en fornemmelse af, hvad AI gør ved branchen — risiciene og fordelene. Her er, hvad han fortalte os.

Automatisering før AI blev et modeord

Jeg begyndte min karriere hos Citi og arbejdede derefter hos Goldman Sachs, AIG, JPMorgan og Signature Bank i roller inden for FP&A, strategisk finansiering, investor relations og virksomhedsudvikling. Jeg automatiserede finansielle arbejdsgange med Python, SQL og VBA længe før AI blev et emne. Hos Goldman forkortede jeg rapporteringscyklusserne for resultatopgørelsen med flere dage. Hos Signature Bank byggede jeg systemer, der reducerede ledelsens tid fra data til indsigt fra flere dage til under 24 timer. Da generativ AI opstod, føltes det ikke forstyrrende. Det føltes som det naturlige næste skridt i det arbejde, jeg allerede havde udført i næsten to årtier.

Efter at have forladt den institutionelle finanssektor grundlagde jeg TheFinanceNewsletter.com og BeFluentInFinance.com, hvor jeg skriver om finans og teknologi for mere end 100.000 nyhedsbrevsabonnenter og over 3 millioner følgere på sociale medier. Min indsigt i dette emne har været omtalt i Forbes, CNBC, Wall Street Journal og Business Insider. Jeg bliver ved med at skrive om det af samme grund, som jeg oprindeligt blev interesseret i det: Det meste af samtalen er stadig for teoretisk, for leverandørdrevet og for langt fra den måde, finans faktisk fungerer på i praksis.

Jeg driver også en rådgivningsvirksomhed på deltidsbasis, hvor jeg fungerer som ekstern CFO og COO for højvækst-startups og mellemstore virksomheder med en omsætning på mellem $1M og $5M.

Sådan ændrer AI den månedlige rapportering

Den største ændring i mit arbejde i løbet af de seneste 12 måneder har været at erstatte statiske månedlige rapporteringspakker med et AI-drevet FP&A-lag, der ligger oven på en kundes centrale økonomisystemer. Det henter data fra regnskabssoftware, CRM og lønsystemer og kører løbende automatiserede afvigelsesanalyser.

Før dette brugte et økonomiteam månedens første fem til syv arbejdsdage på at indsamle data, afstemme dem og formatere en præsentation, der allerede var forældet, da ledelsen så den. Nu er den samme indsigt tilgængelig inden for få timer, hvor AI håndterer dataaggregering og registrering af afvigelser, mens et menneske gennemgår resultatet med henblik på kontekst og vurderinger.

Resultatet har været ensartet på tværs af opgaver:

• De månedlige afslutningscyklusser forkortes med cirka 30 til 40 %.
• Udarbejdelsen af bestyrelsespræsentationen går fra cirka 3 dage til under 6 timer.
• Fejlraterne falder, fordi færre manuelle trin betyder færre manuelle fejl.
• Økonomiteams flytter deres fokus fra dataindsamling til egentlig forretningsanalyse.
• Kvaliteten af beslutninger i hele virksomheden forbedres, fordi CFO'en kan analysere sine økonomiske data i realtid.

Teknologien er ikke kompliceret. Det, de fleste teams mangler, er viljen til at redesigne arbejdsgangen.

En AI-drevet arbejdsgang til afslutning og rapportering

Her er en trinvis gennemgang af arbejdsgangen for afslutning og rapportering:

1. Automatiseret dataudtræk via Fivetran: En planlagt datapipeline henter data fra regnskabssoftware, CRM og lønsystemet til en ren, centraliseret database hver 24. time.
2. AI-drevet afstemning og markering af afvigelser via BlackLine: AI-laget sammenligner faktiske tal med budgettet for hver større regnskabspost, markerer afvigelser over de definerede tærskler og genererer en forklaring i almindeligt sprog på hver markering.
3. Menneskelig gennemgang: Den økonomiansvarlige gennemgår alle markerede poster, tilføjer forretningsmæssig kontekst og beslutter, hvad der skal eskaleres. Vedkommende får hjælp af FloQast AI til kommentarer om udsving.
4. Dashboard og narrativt resultat via Datarails: En formateret bestyrelsespakke og ledelsesresumé genereres automatisk ud fra de gennemgåede data og er klar til distribution.

Det, der tidligere tog 3 dage, tager nu 4 til 6 timer.

Eksempler fra den virkelige verden på, hvordan AI hjælper og skader månedsrapporteringen

Andrews tanker

Et resultat, der ser overbevisende ud, er ikke det samme som et pålideligt resultat.

Her er et eksempel. Jeg arbejdede med en fintechvirksomhed i serie B, hvor vi implementerede et AI-drevet system til overvågning af pengestrømme, som markerede en risiko ved kundekoncentrationen seks uger, før den blev til et likviditetsproblem.

Modellen opfangede et mønster i aldersfordelingen for tilgodehavender, som en menneskelig kontrollant havde overset under de foregående månedslukninger. Den ene opdagelse var mere værd end hele implementeringsomkostningen.

På den negative side havde jeg en kunde, hvis AI-genererede prognose afveg med 15 til 20 % i måneder med store udsving i faktureringen. Modellen var trænet på historiske mønstre, der ikke afspejlede et nyligt skift i omsætningssammensætningen. Resultatet så gennemarbejdet og overbevisende ud, og ingen udfordrede det, før CFO'en opdagede afvigelsen på et bestyrelsesmøde.

Et resultat, der ser overbevisende ud, er ikke det samme som et pålideligt resultat.

AI ejer "hvad" — mennesker ejer "hvad så"

De aktiviteter, der egner sig bedst til AI, er dem med klare regler, historiske mønstre og høj gentagelsesgrad. Jeg bruger AI til:

• Kørsel af prognosemodeller
• Afvigelsesanalyse
• Scenariemodellering af pengestrømme
• Registrering af anomalier
• Rutinemæssig rapportering

Der, hvor mennesker fortsat er involveret, er i beslutninger om kapitalallokering, vurderinger af risici, kontraktforhandlinger, kommunikation med investorer, fortolkning af regler og alt, der kræver forståelse af forretningskontekst, som ikke findes i dataene. En model kan markere, at jeres likviditetsforbrug accelererer. Den kan ikke fortælle jer, at årsagen er et forholdsproblem mellem stifterne eller en sælger, der bevidst holder salgspipelinen kunstigt nede.

Den mentale model, jeg bruger, er denne: AI ejer "hvad", mennesker ejer "hvad så".

Det er en af de mest praktiske måder at tænke integration af AI i økonomifunktionen på. Den ene uden den anden er ufuldstændig, og begge fejlsituationer (for meget eller for lidt automatisering) koster organisationer reelle penge.

Hvorfor overautomatisering og overdreven tillid til AI er store risici for økonomiteams

AI medfører mange gevinster. Men bagsiden er også reel.

AI skaber en falsk følelse af sikkerhed, når de underliggende data ikke er rene. Jeg har set økonomiteams stole på AI-genererede afvigelsesrapporter uden at stille spørgsmål ved kvaliteten af kildedataene, og det skaber en reel risiko.

Der er også en fælde ved overautomatisering: Når man fjerner menneskelig gennemgang fra for mange trin, mister man den institutionelle viden, der opdager det, modeller ikke kan se.

Jeg mener, at branchen har brug for mere ærlig rapportering om dette og mindre leverandørhype.

Hvor AI kommer til kort

Når det gælder finans, kommer AI til kort på tre primære områder.

For det første forventede jeg, at AI ville være længere fremme inden for fortolkning af compliancekrav og regulatoriske vurderinger. I mine år hos Signature Bank og Amalgamated Bank byggede så meget af arbejdet med finansiel kontrol på nuancerede vurderinger: at læse regulatorisk vejledning, forudse tilsynsmyndighedernes forventninger og vide, hvornår et tal teknisk set består, men stadig bør markeres. AI-værktøjer kan i dag finde relevante regler og opsummere vejledningsdokumenter. Men de kan ikke genskabe den dømmekraft, der kommer af mange års arbejde over for tilsynsmyndigheder.

For det andet gælder det generering af revisionsspor og forklarlighed i komplekse finansielle arbejdsgange. Da jeg stod for investorrelations hos Signature Bank for en institution på over $110B, havde hvert tal, der indgik i en SEC-indberetning, en resultatkonference eller en regulatorisk indberetning, et dokumenteret revisionsspor og en tydelig menneskelig ejer. AI-genererede resultater, især dem, der produceres af systemer baseret på store sprogmodeller, har sjældent en ræsonneringskæde, der ville tilfredsstille en tilsynsmyndighed eller ekstern revisor. Resultatet kan være korrekt, men man kan ikke altid dokumentere arbejdsgangen på den måde, et compliance-miljø kræver.

Og for det tredje virksomheder i tidlig fase med en rodet datainfrastruktur. AI-pakken forudsætter, at dataene er forholdsvis rene og sammenkoblede. Det har de fleste startups ikke. Lad os se nærmere på det.

Hvorfor ethvert AI-initiativ bør begynde med en datarevision

Andrews tanker

Datakvalitet er den virkelige flaskehals. Ikke modellen, ikke værktøjet, ikke leverandøren…Ethvert AI-initiativ bør begynde med en datarevision, ikke et værktøjsvalg.

Datakvalitet er den virkelige flaskehals. Ikke modellen, ikke værktøjet, ikke leverandøren. Jeg gik ind i mit første AI-understøttede finansprojekt med en forventning om, at den svære del ville være teknologien. Det var den ikke. Den svære del var at opdage, at virksomhedens finansielle data lå i tre forskellige systemer, som ikke talte sammen, med uensartede navngivningskonventioner og flere måneders manglende registreringer. Vi brugte omkring 60% af projektets tidsplan på datarensning, før AI-værktøjerne kunne gøre noget nyttigt.

Ethvert AI-initiativ bør begynde med en datarevision, ikke et værktøjsvalg. Du skal vide, hvilke data du har, hvor de ligger, hvor rene de er, og om de er strukturerede nok til, at en model kan lære af dem. Det ene skridt ville spare uger med omarbejde og nulstille ledelsens forventninger langt tidligere.

Den gamle model var at ansætte flere mennesker for at skabe mere indsigt. Den nye model er at opbygge en bedre datainfrastruktur og derefter lade AI mangedoble det eksisterende teams output. Det er en anderledes beslutning om kapitalallokering, og de fleste finansledere har endnu ikke truffet den.

Hvordan finansielle teams ændrer sig på grund af AI

Den største ændring, jeg har set i teams, er en sammenpresning af laget af junioranalytikere. Opgaver, der tidligere krævede 2 til 3 analytikere til dataudtræk, afstemninger og grundlæggende afvigelsesanalyse, kan nu håndteres af et AI-lag med én person, der fører tilsyn med resultatet. Det betyder ikke altid, at antallet af medarbejdere falder. Oftere bliver det samme antal medarbejdere omplaceret til arbejde med højere værdi: forretningspartnerskaber, scenarieanalyse, investorkommunikation og strategisk planlægning.

Profilen for en stærk finansmedarbejder er også under forandring. De bedste mennesker, jeg leder efter nu, er ikke kun dygtige til regnskab eller finansiel modellering. De forstår, hvordan man arbejder med AI-resultater, ved, hvornår man kan stole på en model, og hvornår man bør udfordre den, og de kan kommunikere finansiel indsigt klart til interessenter uden for finansfunktionen. Denne kombination af finansiel stringens, AI-kompetencer og kommunikationsevner er sjælden lige nu og berettiger en højere løn.

Hvad CFO'er skal lære for at trives i det næste årti

De CFO'er, der trives i det næste årti, vil se meget anderledes ud end dem, der trivedes i det foregående årti. De tekniske finansfærdigheder (modellering, rapportering, compliance) vil i stigende grad være grundlæggende færdigheder, der håndteres af AI. De færdigheder, der kendetegner fremragende CFO'er, vil være dømmekraft, kommunikation, strategisk tænkning og evnen til at lede gennem tvetydighed.

Mit råd er at investere i de færdigheder, som AI ikke kan efterligne. Opbyg stærkere relationer til virksomhedsledere. Forbedr din evne til at kommunikere økonomisk indsigt til målgrupper uden for økonomifunktionen. Udvikl ægte strategisk dømmekraft, ikke kun færdigheder inden for økonomisk analyse. Det er disse kompetencer, der vil definere CFO'er i verdensklasse i en AI-understøttet fremtid.

Fire skridt, som enhver CFO bør tage

Fire ting, jeg ville sige til enhver CFO lige nu:

For det første skal du gennemføre en datarevision, før du gør noget andet. Du skal vide, hvor dine økonomiske data befinder sig, hvor rene de er, og om de er strukturerede nok til, at en model kan arbejde med dem.

For det andet skal du begynde med én arbejdsgang. De CFO'er, jeg har set få succes med AI, vælger den proces i deres funktion, der skaber flest problemer og gentager sig mest — som regel den månedlige regnskabsafslutning eller bestyrelsespræsentationen — og redesigner derefter arbejdsgangen, før de automatiserer den. Den rækkefølge er vigtig. Opbyg arbejdsgangen på papir, før du opbygger den i et værktøj. Dokumentér hvert trin i den proces, du vil automatisere, identificér hvilke trin der er regelbaserede (AI-klare), og hvilke der kræver dømmekraft (kræver menneskelig involvering), og opbyg derefter løsningen i overensstemmelse hermed.

For det tredje skal du definere kontrolpunkter for menneskelig gennemgang, før du går i drift. Alle AI-resultater i en økonomisk arbejdsgang bør have en ansvarlig person, som godkender dem.

For det fjerde skal du måle udgangspunktet, før du går i gang. Hvis du ikke ved, hvor lang tid din nuværende regnskabsafslutning tager, eller hvad din nuværende prognosefejl er, kan du ikke dokumentere, at AI har gjort det bedre.

Disse fire skridt lyder ligetil, og det er de også. Men de fleste organisationer springer to eller tre af dem over, fordi de er ivrige efter at komme i gang med teknologien. Det er her, de fleste skuffelser opstår.

Følg med

Du kan følge Andrew Lokenauths arbejde på LinkedIn, YouTube og hans personlige hjemmeside. Du kan også besøge The Finance Newsletter og hans BeFluentInFinance.com.

Der kommer flere ekspertinterviews på The CFO Club!