Teknisk økonomidirektør siger, at økonomiledere misforstår AI’s økonomiske indvirkning

Ashok Manthena er CFO og chef for AI i økonomifunktionen hos ChatFin.ai. Han er også forfatter og forsker med fokus på anvendelse af AI i økonomifunktioner.

I dette interview fortalte Ashok, hvordan økonomiledere skal gribe AI-transformationen an i deres organisationer.

Fra AI-analyse til AI-eksekvering

Jeg hedder Ashok Manthena og er forsker og praktiker med fokus på anvendelse af AI i økonomifunktioner. Mit arbejde omfatter centrale økonomifunktioner, herunder AP/AR, controllerprocesser som månedsafslutning, FP&A og skat.

Jeg har arbejdet med store virksomheder gennem hele min karriere, og i dag arbejder jeg med en bred vifte af virksomheder — fra mellemstore organisationer til virksomheder med en omsætning på flere hundrede millioner til over en milliard dollars. Disse organisationer varierer på tværs af brancher, teknologistakke og ERP-systemer, hvilket tilføjer flere lag af kompleksitet — især hvad angår cybersikkerhed.

Mit fokus er på, hvordan AI kan bevæge sig fra analyse til eksekvering, automatisere arbejdsgange, forbedre nøjagtigheden og gøre det muligt for økonomiteams at arbejde med større hastighed og kontrol.

Hvorfor CFO'er skal arbejde for en gradvis implementering af AI

Mange CFO'er — især i mellemstore og store virksomheder, selvom det også gælder bredere — antager, at deres AI-transformation vil være et stort skift fra den ene dag til den anden, hvor AI hurtigt overtager processer fra dag ét. Det er ikke praktisk gennemførligt.

I større organisationer er økonomifunktionerne afgørende for driften af virksomheden og må ikke forstyrres. Derfor skal implementeringen af AI være langt mere velovervejet og gradvis, end folk forventer. Det bør enhver CFO erkende.

Ashok deler

Mange CFO’er antager, at deres AI-transformation vil være et stort skift fra den ene dag til den anden, hvor AI hurtigt overtager processer fra dag ét. Det er ikke praktisk gennemførligt.

I enhver transformation er det menneskelige element afgørende. Modstand mod forandring og ordentlig forandringsledelse kræver seriøs opmærksomhed — og det gælder især ved en AI-transformation. I sidste ende er et menneske ansvarligt for resultatet; nogen står altid til ansvar for det. Derfor må vi ikke overse eller tage den menneskelige side af implementeringen af AI let.

En topstyret tilgang fungerer bedst. Når økonomiledere aktivt driver implementeringen af AI, identificerer, hvor teams bruger deres tid og kræfter, og arbejder for målrettede forbedringer, accelererer implementeringen. Dette ledelsesdrevne fokus på operationelle flaskehalse får AI-initiativer til at skabe resultater.

Hvordan AI påvirker en virksomheds bundlinje

Når AI implementeres på en gennemtænkt måde, har jeg set fordelene på flere områder.

Der har været betydelige omkostningsreduktioner samt mindre afhængighed af manuelle ressourcer, fordi mange processer nu kører automatisk.

Og derudover har vi set et mere meningsfuldt skift — mennesker og teams kan nu gøre ting, de tidligere ikke kunne på grund af manglende tid eller kapacitet. I stedet for kun at fokusere på rutineopgaver bruger de mere tid på arbejde, der direkte påvirker virksomhedens bundlinje.

Når det er sagt, mener jeg, at mange misforstår den økonomiske påvirkning. De indledende omkostningsbesparelser fra automatisering viser sig hurtigt, men flader lige så hurtigt ud. Det vigtigste er at beskytte forretningskontinuiteten, minimere risikoen for forstyrrelser og forbedre virksomhedens samlede resultater. I store økonomiorganisationer kan selv små forstyrrelser have en uforholdsmæssigt stor økonomisk påvirkning, så en langsommere og kontrolleret implementering bevarer værdien bedre end aggressive omkostningsbesparelser.

Efterhånden som teams eksperimenterer, identificerer de, hvilke anvendelsesområder der reelt skaber ROI — ikke kun ved at reducere arbejdsindsatsen, men også ved at forbedre nøjagtighed, kontrol og beslutningstagning. Det er her, den reelle økonomiske gevinst kommer fra.

Sådan ændrer AI grundlæggende AR-arbejdsgange

Jeg har været en del af transformationer på tværs af næsten alle CFO-funktioner.

Lad os tage håndtering af AR-indbakken som eksempel. Traditionelt bruger teams betydelig tid på at kommunikere med kunder, besvare forespørgsler og følge op på udestående fakturaer. Selvom tidligere metoder automatiserede dele af dette, har AI-agenter gjort det langt enklere og mere effektivt.

Arbejdsgangen begynder, når agenten læser fakturaer, identificerer forfaldne og kommende poster og anvender jeres politikker og betalingsbetingelser. Den sender automatisk påmindelser om forfaldne fakturaer og periodiske opgørelser, der dækker alle åbne og kommende saldi. Når en kunde svarer, henter agenten de relevante data, bekræfter afsenderens identitet og svarer med de korrekte oplysninger.

Vi testede det i nogle uger for at sikre nøjagtigheden, før vi satte det i produktion. Nu er det stort set en proces uden manuel indgriben, som grundlæggende ændrer, hvordan AR-arbejdsgangen fungerer.

Hvorfor budgettering og prognosticering ikke kan automatiseres fuldt ud

Ashok deler

AI påvirker budgettering mindre end andre funktioner. Det bygger i høj grad på dømmekraft, kontekst og forretningsintuition.

AI påvirker budgettering mindre end andre funktioner. Det bygger i høj grad på dømmekraft, kontekst og forretningsintuition. AI kan hjælpe med dataindsamling og dele af budgetarbejdsgangen, men vi har endnu ikke fuldt ud løst, hvordan menneskelige input effektivt kombineres med AI-drevne indsigter på dette område.

Det samme gælder prognosticering. Det er fortsat en velovervejet vurdering snarere end et fuldt automatiseret resultat, og jeg tror, det vil fortsætte sådan i nogen tid.

På et konsolideret finansniveau er det vanskeligt udelukkende at stole på maskinlæring, fordi signalet ofte er begrænset, og forudsigelserne måske ikke er pålidelige nok. Det er her, menneskelig dømmekraft stadig spiller en afgørende rolle — forståelse af forretningskonteksten og nuancerne samt udarbejdelse af velinformerede antagelser.

Så til budgettering og prognosticering benytter vi strukturerede, parameterstyrede modeller, der anvender kendte variabler og forretningslogik, så resultaterne er deterministiske og nemme for økonomiteams at validere, i stedet for prognoser, der udelukkende er drevet af maskinlæring. Og vi har mennesker med i processen.

Til resten af økonomidriften, såsom afstemninger, AP, AR, rapportering og afslutningsaktiviteter, bruger vi AI-agenter. De håndterer dataindlæsning, matchning, kommunikation og udførelse af arbejdsgange.

Hvorfor AI ikke ændrer analyseprocessen

AI har heller ikke leveret den effekt på analyseområdet, som jeg forventede.

AI har gjort disse processer hurtigere, men den har ikke konsekvent skabt grundlæggende nye indsigter ud over det, økonomiteams allerede udledte.

Resultaterne er ofte bedre præsenteret og hurtigere at generere, men den grundlæggende forståelse af virksomheden har ikke ændret sig væsentligt — i hvert fald ikke for os.

Sådan vil økonomifunktionen ændre sig i de kommende år

Fremover vil AI ændre finansværktøjer fra en samling separate værktøjer til mere ensartede, integrerede systemer. Der vil opstå nye softwarekategorier, og denne ændring vil påvirke, hvordan organisationer designer økonomisystemer og anvender teknologi. Organisationer bør begynde at tænke over det nu.

AI ændrer økonomifunktionen, ikke gennem én enkelt ændring, men på tværs af arbejdsgange, teams, systemer og beslutningstagning.

Vi er stadig meget tidligt i AI-transformationen, og mange ubekendte faktorer er fortsat til stede, især inden for områder som kapitalallokering. Selvom AI nu kan udføre mange opgaver selvstændigt, er mit råd derfor, at økonomiledere holder fast i den endelige vurdering – baseret på forretningsviden, branchekontekst og erfaring.

Følg med

Du kan følge Ashok Varmas rejse på LinkedIn.

Der kommer flere ekspertinterviews på The CFO Club!