AI medfører den største ændring af CFO-rollen i 20 år

I sin karriere har Brad Wolfe haft tre CFO-stillinger i NASDAQ-virksomheder. Nu er han grundlægger af Wolfe Packs Consulting, hvor han støtter PE-støttede virksomheder i det lavere mellemsegment. Han underviser også på flere universiteter.

Vi satte os sammen med ham for at forstå, hvordan AI ændrer CFO-rollen. Her er, hvad han fortalte os.

Hvad dette øjeblik med AI-transformation kræver

Jeg brugte første halvdel af min karriere på at udføre det arbejde, som de fleste CFO'er delegerer. Tre CFO-stillinger i NASDAQ-virksomheder, over 80 M&A-transaktioner og over 50 implementeringer af virksomhedssystemer inden for ERP, CRM, fakturering og datalagring. Baggrund fra PwC, JD og en MBA fra Kellogg. Jeg har siddet over for revisionsudvalg, underskrevet 302-certificeringerne og afsluttet handler, hvor datakvaliteten gjorde mig tilstrækkeligt utilpas til at genforhandle prisen.

Min grund til at være her er enkel: Jeg så AI blive overdraget til de forkerte mennesker. Ikke fordi teknologifolk er inkompetente — det er de ikke — men fordi de spørgsmål, AI rejser, ikke er teknologiske spørgsmål. De handler om kapitalallokering. De handler om ansvar. Det er de spørgsmål, der allerede lander på CFO'ens bord, når AI's resultat er forkert, og nogen attesterer det, der blev produceret.

Jeg driver nu Wolfe Packs Consulting, hvor jeg arbejder med PE-støttede virksomheder i det lavere mellemsegment. Min grundlæggende tese er, at CFO-rollen — eller COFO-rollen, som jeg kalder den, når det operationelle mandat er integreret — er den eneste ledelsesposition, der allerede ejer den finansielle model, kontrollerne, certificeringsansvaret og relationen til bestyrelsen. AI-styring har ikke brug for en ny titel. Den eksisterende rolle skal gøre krav på området opstrøms for resultatet.

Det er mit fokus. Og det er, hvad dette øjeblik kræver.

At opbygge det, der er nødvendigt

Jeg arbejder som driftspartner og CFO indlejret i PE-støttede virksomheder i det lavere mellemsegment. Den typiske opgave er en virksomhed med en omsætning på mellem 20 millioner og 500 millioner dollars, støttet af en sponsor, som enten netop har afsluttet handlen eller er 12 til 18 måneder inde i ejerperioden og indser, at økonomifunktionen ikke er bygget til det, der kommer bagefter.

Kompleksiteten varierer, men mønstret er ensartet: Strukturer med flere enheder, ofte et resultat af opkøbsaktivitet, hvor økonomiteams, der er designet til en driftsmodel for én virksomhed, nu samtidig skal levere konsolideret rapportering, integrationsregnskab og AI-klar dataarkitektur. Ingen fælles serviceinfrastruktur. Rapporteringen lever i regneark. CFO'erne er teknisk kompetente, men operationelt overvældede.

Min rolle som COFO er at indtage rollen, opbygge det, der er nødvendigt, og overføre kapaciteten — uanset om det betyder at etablere den finansielle model, fastlægge rækkefølgen for systemarbejdet, eje relationen til bestyrelsen under en overgang eller definere, hvordan AI-styring ser ud i en virksomhed med reel operationel kompleksitet og en sponsor, der ønsker svar, ikke rammeværk.

Jeg arbejder med én opgave ad gangen på det niveau. Resten af min tid bruger jeg på rådgivning, skrivning og undervisning — Northwestern, DePaul, Chicago Kent — fordi afstanden mellem det, CFO-rollen kræver i dag, og det, økonomiledere uddannes til at gøre, er stor nok til at kræve indsats både på praktikerniveau og på talentpipeline-niveau.

Hvordan AI muliggør integreret finansiel modellering

Den mest konkrete ændring, jeg har foretaget det seneste år, er måden, jeg opbygger og vedligeholder den integrerede drifts- og finansielle model på.

Før var modelopbygning en periodisk øvelse. En budgetcyklus producerede en version; en ny prognose opdaterede den; og en håndfuld mennesker forstod modellens logik i Excel. Da et bestyrelsesmøde nærmede sig, var modellen allerede forældet, og fortællingen måtte skjule hullerne.

Nu bruger jeg AI til at vedligeholde en løbende opdateret model, der forbinder operationelle drivkræfter direkte med finansielle resultater — omsætning efter kohorte, antal medarbejdere i forhold til lønomkostninger og leverandørforbrug i forhold til margin pr. forretningsenhed. Jeg genopbygger ikke modellen kvartalsvist. Jeg vedligeholder den som et levende dokument, der kan undersøges i realtid.

Som følge heraf har bestyrelsessamtalerne ændret sig. I stedet for at præsentere et statisk øjebliksbillede og forsvare dets antagelser kan jeg gå ind til et bestyrelsesmøde og køre scenarier i rummet. En sponsor spørger hvad der sker med EBITDA, hvis den største kunde falder fra — svaret er ikke "Jeg vender tilbage til dig." Det findes i modellen, og det er aktuelt.

Denne ændring påvirkede også min måde at tænke på AI-styring. Når ledere træffer beslutninger ud fra en AI-assisteret model, bliver datakvalitet et eksistentielt spørgsmål. Modellen ved ikke, hvad der mangler. Den arbejder ud fra det, der er til stede. Det tvang en disciplin omkring datastyring og procesdokumentation frem, som de fleste virksomheder i det lavere mellemsegment aldrig har haft.

AI skabte ikke dette krav. Den gjorde det dyrt at ignorere.

En AI-drevet arbejdsgang til variansanalyse

Sådan fungerer AI-understøttet afvigelsesanalyse, forbundet med den integrerede drifts- og finansmodel, fra ende til anden.

En dokumenteret proces fra kundeemne til betaling danner fundamentet — hvert indtægtsskabende trin fra den indledende salgsmulighed til indsamling af betaling, kortlagt til de tilhørende systemer. Dette skal være på plads, før AI-laget tilføjes. Uden det mangler modellen proceslogik til validering.

Derfra leverer ERP- og CRM-systemer de faktiske tal til modellen dagligt. AI overvåger indgående data i forhold til forventede mønstre — omsætning pr. kohorte, tidspunkt for betalinger, udgifter pr. kategori sammenholdt med budgettet — og markerer afvigelser, der overskrider de definerede tærskler. Den markerer kun afvigelser, der er statistisk signifikante eller afviger fra modellens antagelser om drivere.

Jeg gennemgår en markering samme dag, som den dukker op. AI'en har allerede sporet afvigelsen tilbage til dens kilde — en bestemt kunde, et bestemt omkostningssted, en bestemt transaktionstype — så gennemgangen er ikke en jagtøvelse. Det er en vurdering: Er dette støj, en tendens eller et kontrolproblem, der kræver eskalering?

Resultatet af gennemgangen indgår direkte i fortællingen til bestyrelsen. Når jeg forbereder mig til et bestyrelsesmøde, redigerer jeg afvigelsesanalysen; jeg opbygger den ikke. Modellen har allerede udarbejdet det første udkast til historien. Min opgave er at validere logikken, anvende den vurdering, der kræver operationel kontekst, og sikre, at jeg kan stå inde for den fortælling, jeg præsenterer.

Det styringslag, der muliggør dette arbejde, omfatter: navngivne dataejere for hvert kildesystem, en dokumenteret eskaleringsvej for modelundtagelser og en tydelig sondring mellem det, AI markerer, og det, CFO'en beslutter. AI træffer ikke afgørelsen. Den fremlægger oplysninger hurtigt nok til, at afgørelsen kan træffes, før problemet vokser.

Anthropics Claude er afgørende for økonomiledere

Claude, Anthropics store sprogmodel, er mit foretrukne værktøj. Ikke fordi den er den eneste kompetente model — det er den ikke — men fordi jeg har fundet den mest nyttig til det arbejde, der betyder noget i en CFO-sammenhæng: ræsonnering i lange tekster, syntetisering af komplekse finansielle og operationelle oplysninger, udarbejdelse af fortællinger på bestyrelsesniveau og arbejde med styringsrammer, der kræver vedvarende logisk konsistens gennem et langt dokument.

Den skaber mest værdi i et specifikt anvendelsesområde: opbygning og vedligeholdelse af masterbriefingen — et levende dokument, der følger alle aktive relationer, indholdstråde, beslutninger om terminologi og åbne punkter på tværs af min rådgivnings- og indholdsplatform. Denne opgave kan ikke rummes i en enkelt prompt. Den kræver en model, der fastholder kontekst, ræsonnerer over afhængigheder og producerer output, der er konsistent med beslutninger, som er truffet tidligere i samme session. Her er forskellen i kvalitet mellem modellerne mest synlig.

Hvorfor CFO'er skal kunne forsvare AI-informerede beslutninger

Brad deler

AI træffer ikke beslutninger om kapitalallokering, vurderinger af indtægtsføring, risikovurderinger på bestyrelsesniveau eller noget, der kræver certificering. Dette forbliver udtrykkeligt menneskeligt…

Men den vigtigere pointe er ikke, hvilke værktøjer jeg holder af, men hvad jeg bruger dem til.

AI informerer afvigelsesanalyser, scenariemodellering, prognoser, mønstergenkendelse i pengestrømme og det første udkast til næsten ethvert analytisk output. Det er områder, hvor datamængden overstiger det, en menneskelig analytiker effektivt kan behandle, og hvor værdien ligger i at synliggøre signalet — ikke i, at et menneske udfører beregningerne.

AI træffer ikke beslutninger om kapitalallokering, vurderinger af indtægtsføring, risikovurderinger på bestyrelsesniveau eller noget, der kræver certificering. Dette forbliver udtrykkeligt menneskeligt — ikke fordi AI ikke kan levere et svar, men fordi svaret medfører juridiske og forvaltningsmæssige konsekvenser, som skal ende hos et navngivet menneske, der kan forsvare det under en kritisk gennemgang.

De fleste CFO'er håndterer i øjeblikket det mellemliggende lag forkert — AI-understøttede resultater, der informerer beslutninger uden et udtrykkeligt ansvar for resultatet. Afvigelsesanalyser, der indgår i en fortælling til bestyrelsen. Pengestrømsprognoser, der driver samtaler om lånebetingelser. Dette er ikke uvæsentligt. Den CFO, der lader AI informere disse resultater uden en styringsarkitektur for datakvalitet, modelvalidering og certificering af outputtet, underskriver en 302 på et tal, som vedkommende ikke fuldt ud kan forklare. Det er ikke et AI-problem. Det er et kontrolproblem.

AI medfører store fordele og store risici

Først de gode resultater.

Det mest synlige er tiden for afslutningscyklussen. Da vi sørgede for at sekvenere dataarbejdet korrekt, før vi implementerede AI-understøttet rapportering, faldt den månedlige afslutningstid markant — i ét tilfælde fra 18 dage til 9. Det er ikke magi; det sker, når dataene er tilstrækkeligt rene til, at automatiseringen kan fungere uden manuel indgriben i hvert trin.

Prognosenøjagtigheden blev forbedret på en anden måde, end jeg havde forventet. Forbedringen lå ikke i præcisionen af tallene, men i hastigheden af revisionerne. Når de faktiske resultater afviger fra planen, identificerer modellen afvigelsen og sporer den til den underliggende drivkraft inden for få timer i stedet for dage. CFO'en står ikke og forklarer en afvigelse på bestyrelsesmødet. CFO'en håndterer allerede reaktionen.

Det vigtigste kvalitative resultat var, at samtalen i bestyrelsen ændrede sig. Når modellen er opdateret, og scenarierne er forberedt på forhånd, stiller den ansvarlige bedre spørgsmål, og CFO'en giver bedre svar. Det ændrer relationen.

Dernæst det dårlige.

AI-succes kræver en god datainfrastruktur

Den mest konsekvente fejl, jeg har set, er at implementere AI oven på et dataproblem, som organisationen ikke vidste, at den havde.

Enhver CFO, der starter et AI-initiativ, tror, at deres data er i rimelig god stand — ERP-systemet har kørt i flere år, kontoplanen er standardiseret, CRM-systemet er udfyldt — men det er næsten aldrig tilfældet. Vurderinger af datakvaliteten afspejler normalt, hvordan dataene ser ud for de personer, der indtastede dem, ikke hvordan de ser ud for en model, der forsøger at bruge dem.

Problemerne har altid været der — inkonsekvent kategorisering, udokumenterede processer, regler for indtægtsføring, som blev aftalt på et bestyrelsesmøde, men aldrig konfigureret i faktureringssystemet, samt kunderegistre med tre versioner af det samme navn. Økonomiteamet lærte at omgå dem. Det kan AI ikke.

AI markerer altså ikke dårlige data. Den behandler dem selvsikkert og producerer output, der ser autoritativt ud. Et økonomiteam, der stoler på outputtet uden at forstå inputtet, er i en farligere situation end et team, der bruger regneark — for med regneark ved nogen i det mindste normalt, hvor ligene er begravet.

Det, jeg har lært, er, at datastyring bør være den første leverance, ikke den forudsætning, som alle principielt er enige om, men i praksis springer over. Det betyder, at man skal kortlægge processen fra kundeemne til betaling, før man vælger et AI-værktøj — hver overdragelse, hvert systemberøringspunkt, hvert sted, hvor data skifter hænder og kan blive fejl­kodet, fejl­defineret eller gå tabt.

Udpeg derefter en navngiven ansvarlig for hvert lag — ikke en afdeling, men en person — og dokumentér, hvordan det korrekte ser ud på hvert trin. Det betyder navngivne ansvarlige for hvert dataområde, dokumenterede definitioner for hver metrik, modellen skal bruge, samt en afstemning mellem det, politikken siger, og det, systemet faktisk gør — før AI-værktøjet vælges, ikke efter det er implementeret.

Omkostningen ved at gøre dette forkert er ikke kun oprydning i dataene. Den omfatter også genoplæring, genvalidering, tab af tillid til outputtet og i nogle tilfælde samtalen om en korrigeret regnskabsaflæggelse. Den omkostning stod ikke i business casen. Det gør den aldrig.

AI mislykkes, medmindre der udpeges ansvarlige

Den anden fejl er forsinket styring — og en manglende vilje til at udpege en ansvarlig.

AI-implementering i økonomifunktionen går oftest i stå, ikke fordi teknologien er forkert, eller implementeringen er kompliceret, men fordi ingen i organisationen har fået tildelt — eller har påtaget sig — myndigheden til at træffe de beslutninger, som AI-implementering kræver.

Når organisationen indser, at den har brug for dokumenteret dataansvar, navngivne godkendere og en eskaleringsvej for modelundtagelser, er AI allerede indlejret i arbejdsgange, som ingen fuldt ud forstår. Det er betydeligt vanskeligere og dyrere at eftermontere styring end at opbygge den før implementeringen.

Hvem definerer, hvordan dataene skal se ud, før modellen behandler dem? Hvem godkender undtagelserne, når modellen producerer et output, der ikke stemmer overens med politikken? Hvem er ansvarlig, når den AI-understøttede analyse indgår i en beslutning, der viser sig at være forkert?

Det er ikke teknologiske spørgsmål. Det er spørgsmål om myndighed. Og i de fleste organisationer bliver de besvaret på samme måde som alle andre ubehagelige spørgsmål om myndighed: med et udvalg.

Hvorfor AI kommer til kort i leverandøranalyse og -strategi

AI har ikke leveret varen inden for analyse af leverandørkontrakter og indkøbsindsigt. Løftet var, at AI ville afdække besparelsesmuligheder, der var skjult i kontraktvilkårene, identificere dobbeltforbrug og markere ugunstige fornyelsesbetingelser, før de trådte i kraft. I praksis er de data, der forsyner disse værktøjer, næsten aldrig rene eller komplette nok til at skabe et handlingsanvisende output.

Kontrakter ligger i PDF-filer med uensartet formatering, leverandørregistre har tre versioner af det samme leverandørnavn, og forbrugskategoriseringen, som skulle have været standardiseret, blev det aldrig i praksis. AI producerer en rapport, der kræver manuel validering, hvilket tager længere tid, end den oprindelige analyse ville have gjort.

Jeg ser det samme mønster overalt: Værktøjet fungerer i demonstrationen, fordi vi forberedte demonstrationsdataene. Det leverer under forventning i produktionen, fordi vi ikke forberedte produktionsdataene.

Hvordan AI omformer økonomiteams og behovet for kompetencer

Brad deler

Traditionelle økonomiteams blev bygget op omkring medarbejderantal … AI automatiserer en betydelig del af det arbejde.

AI ændrer økonomiteamets sammensætning på måder, som de fleste organisationsdiagrammer endnu ikke har indhentet.

Traditionelle økonomiteams blev bygget op omkring et medarbejderantal, der omfattede en controller, et team af revisorer, en eller to FP&A-analytikere og en CFO, der ledede dem alle. Denne struktur forudsatte, at mennesker udførte repetitive opgaver i stort volumen: lukning af regnskaberne, afstemning af konti, udarbejdelse af afvigelsesrapporter og vedligeholdelse af budgetmodellen.

AI automatiserer en betydelig del af dette arbejde. Spørgsmålet er ikke, om medarbejderantallet ændrer sig. I stedet skal organisationer erkende, at økonomifunktionen nu omfatter fire forskellige kategorier, som hver især kræver forskellig ledelse, styring og omkostningsstruktur: medarbejdere, AI-agenter, kontrahenter og konsulenter.

De fleste økonomiorganisationer anvender alle fire uden at anerkende forskellen. En AI-agent, der behandler fakturaer, er ikke en medarbejder. Den har ikke en meningsfuld leder. Den har en person, der ejer processen — en person, der definerer dens parametre, validerer dens output og er ansvarlig for forkert behandling. Organisationer skal udpege denne ejer. Det har de fleste organisationer ikke gjort.

Jeg ser sammensætningen af kompetencer ændre sig: transaktionsarbejde i stort volumen flyttes til agenter. Det resterende menneskelige arbejde kræver dømmekraft, kontekst og ansvarlighed — CFO'en, der godkender outputtet, controlleren, der ved, hvor ligene er begravet i dataene, og analytikeren, der forstår, hvorfor modellen producerer et tal, der ikke stemmer overens med virkeligheden i virksomheden.

De mest effektive økonomiteams om tre år vil være dem, der bevidst redesigner deres arbejdsstyrkearkitektur nu — ikke dem, der reducerer medarbejderantallet og håber, at agenter vil udfylde tomrummet.

Hvordan AI har udvidet CFO'ernes mandat

Mange mener, at CFO-rollen bliver mindre. AI automatiserer regnskabsafslutningen, afstemningen, afvigelsesanalysen og det første udkast til bestyrelsesberetningen. Det nødvendige medarbejderantal for at drive en økonomifunktion falder. Argumentet giver sig selv.

Men jeg mener, at rollen bliver større, og at de CFO'er, der forstår det, er dem, der kommer til at definere, hvordan rollen ser ud det næste årti.

Her er hvorfor. AI automatiserer standardarbejdet. Det, den ikke kan automatisere, er den ansvarlighedsstruktur, der gør outputtet anvendeligt — den styringsarkitektur, der afgør, om AI'ens output kan certificeres, den kapitalallokeringsmæssige dømmekraft, der afgør, hvilket scenarie man skal handle på, bestyrelsesrelationen, der gør anbefalingen troværdig, og SOX 302-underskriften, der sætter et menneskenavn på konsekvensen, når noget går galt.

Alt dette koncentreres højere oppe i organisationen. Det betroede rådgivningsniveau i økonomifunktionen — CFO'en, der ejer den integrerede model, styrer AI-outputtet og bærer det ledelsesmæssige ansvar — bliver ikke mindre vigtigt. Det bliver mere betydningsfuldt, i takt med at mængden af AI-genereret output, der kræver menneskelig certificering, vokser.

CFO'er, der vil miste terræn, har bygget deres identitet op omkring arbejde, der bliver automatiseret. CFO'er, der vil vinde terræn, gør krav på mandatet opstrøms for outputtet — datastyring, procesarkitektur og AI-styring som en kapitalfunktion — før en anden udfylder tomrummet.

Dette øjeblik er ikke en trussel mod CFO-rollen. Det er den største udvidelse af mandatet, rollen har set i tyve år. De fleste CFO'er har endnu ikke bemærket det.

Hvorfor CFO'er skal ændre deres fokus nu

Så, mit råd? Tre ting, i rækkefølge efter vigtighed.

1. Tag ejerskab over arkitekturen først. Den CFO, der venter på, at et AI-værktøj afslører dataproblemer, er allerede bagud. Datastyring, procesdokumentation og systemtilpasning er forudsætninger, ikke biprodukter. Hvis du ikke ved, hvem der ejer hvert dataområde, hvad politikken for indtægtsføring siger i faktureringssystemet, og hvordan din proces fra kundeemne til betaling fungerer fra start til slut, er du ikke klar til at implementere AI. Du er klar til at finansiere den oprydning, der følger efter en mislykket implementering.
2. Tag ejerskab over mandatet opstrøms for resultatet. AI-styring lander på CFO'ens bord, uanset om CFO'en har bedt om det eller ej. Certificeringsrisikoen under SOX 302, bestyrelsens spørgsmål om modelrisiko og beslutningerne om kapitalallokering i forbindelse med kontrakter med AI-leverandører – alt dette hører allerede funktionelt under CFO'en. Den CFO, der behandler AI som et IT-problem, opgiver frivilligt det område, der definerer den næste version af rollen. Den CFO, der ejer den integrerede drifts- og finansmodel, processen fra kundeemne til betaling og den styringsarkitektur, der gør resultatet certificerbart, overlever ikke bare dette øjeblik. Bestyrelsen og investoren vil støtte sig til denne CFO, efterhånden som indsatsen bliver højere.
3. Byg ikke din professionelle identitet op omkring arbejde, der bliver automatiseret. Regnskabsafslutningen, kreditorbogholderiet, afstemninger og grundlæggende rapportering – det hele bliver standardiseret. Den CFO, der udelukkende har opbygget sin troværdighed omkring at gennemføre regnskabsafslutningen, vil opleve, at denne troværdighed udhules hurtigere, end stillingsbeskrivelsen ændrer sig. Det arbejde, der vokser i værdi, er det arbejde, der ikke kan standardiseres: dømmekraft i forbindelse med kapitalallokering, tillid på bestyrelsesniveau, styringsarkitektur og evnen til at certificere, at det, modellen har produceret, er noget, du er villig til at lægge navn til.

Dette øjeblik er ikke en trussel mod CFO-rollen. Det er en udvidelse af mandatet. De CFO'er, der ser det sådan, vil definere, hvordan rollen ser ud i det næste årti.

Følg med

Du kan følge Brad Wolfes arbejde på LinkedIn og læse mere om Wolfe Packs Consulting.

Der kommer flere ekspertinterviews på The CFO Club!