AI omformer økonomiteamets kompetencer

Christian Wattig er grundlæggeren af Inside FP&A, en onlinekursusplatform, der lærer økonomiteams at træffe bedre forretningsbeslutninger. Han har undervist ledere hos blandt andre Google, Merck, Lowe’s og Discover og har også haft økonomistillinger hos Procter & Gamble, Unilever og Squarespace.

Vi satte os ned med ham for at forstå, hvilke kompetencer der kræves af økonomiledere, nu hvor AI kan håndtere så meget af arbejdet. Her er, hvad han fortalte os.

Ledelse af FP&A

Jeg er FP&A-ekspert, skaber af onlinekurser og virksomhedstræner. Mine fysiske programmer har rustet økonomiteams hos Google, Merck, Lowe’s, Discover og mange andre til at træffe bedre forretningsbeslutninger. Jeg leder også FP&A-certificeringsprogrammet på Wharton School ved University of Pennsylvania og deler indsigter på LinkedIn og i mit ugentlige nyhedsbrev.

Før jeg grundlagde min onlinekursusplatform, Inside FP&A, tilbragte jeg over et årti hos Procter & Gamble og Unilever, hvor jeg ledede FP&A- og regnskabsteams på tværs af globale markeder. Før det kom jeg med i hurtigt voksende teknologivirksomheder, blandt andet ved at hjælpe Squarespace med at blive børsnoteret og forberede virksomhedens første finansielle fortælling til Wall Street-analytikere.

Sådan bør AI bruges i FP&A

Christian deler

Du har ikke længere brug for et datavidenskabsteam eller dyr software for at opbygge en algoritmisk prognose. ChatGPT, Claude og Gemini er fantastiske til at opbygge statistiske prognoser.

AI bør bruges til dit første udkast til analyse og modelopbygning.

”Første udkast” er det afgørende begreb her. Folk fortæller mig, at de troede, AI ville overtage 95 % af deres modelleringsopgaver, men det kræver mere tid at gennemgå outputtet, hvis man vil opbygge stærke finansielle modeller, og det eliminerer en stor del af tidsbesparelsen.

Det er også godt til prognoser baseret på tidsserieanalyse. Du har ikke længere brug for et datavidenskabsteam eller dyr software for at opbygge en algoritmisk prognose. ChatGPT, Claude og Gemini er fantastiske til at opbygge statistiske prognoser. Alt, hvad du skal gøre, er at give dem historiske data og bede dem om at oprette Python-kode, der kører en ARIMA-model i Excel.

Og her er andre måder, jeg bruger AI i FP&A hver dag:

• Afvigelsesanalyse: Opbyg drivertræer, der forklarer afvigelser.
• Forberedelse til samarbejde med forretningspartnere: Gå ind til møder velforberedt, så du kan indsamle de rigtige oplysninger fra partnerne.
• Budgetgennemgange: Identificer risici og muligheder i en forretningspartners budget uden at skade relationen.
• Finpudsning af rapporter: Fortæl historien bag tallene
• Bestyrelsespræsentationer: Forudse vanskelige spørgsmål, før de bliver stillet

Find eksempler på prompts til hver af disse anvendelser her.

Nogle opgaver skal dog fortsat udføres af mennesker:

• Dybdegående analyse
• Samarbejde med forretningspartnere
• Påvirkning
• Afvejning af kompromiser

Hvorfor afvigelser i AI-prognoser bestemmes af inputtene

For nogle år siden, da jeg ledede et FP&A-team i en stor forbrugsvarevirksomhed, vedligeholdt jeg prognosen for arbejdskapitalen. Det var en enorm prognose med dusinvis af delprognoser for poster og divisioner, som blev lagt sammen til virksomhedens samlede tal. Fordi den var så kompleks og tidskrævende, valgte vi den til for første gang at afprøve en maskinlæringstilgang.

Vi outsourcede udviklingen af AI-modellen til en ekstern part. Da vi modtog den nye models første resultater og en måned senere sammenlignede dem med de faktiske tal, var vi begejstrede. Prognosens nøjagtighed var markant bedre end vores tidligere resultater. Jeg var sikker på, at projektet ville blive en stor succes, indtil ledelsesteamet ønskede en forklaring på den resterende afvigelse mellem maskinlæringsmodellens forudsigelser og de faktiske resultater.

Jeg anede ikke, hvordan jeg skulle besvare det spørgsmål, fordi jeg ikke havde været involveret i opbygningen af modellen. Jeg kontaktede den dataanalytiker, der var ansvarlig for modellen hos tredjeparten. Jeg gik til det på samme måde, som jeg ville analysere en afvigelse fra en traditionel Excel-baseret prognosemodel: Jeg bad ham forklare, hvordan modellen fungerede, så jeg kunne identificere, hvad der kunne forårsage afvigelsen. Han sagde: "Vi bruger en samling af forskellige maskinlæringsalgoritmer. De konkurrerer mod hinanden hver måned, og den bedst præsterende model laver prognosen. Vi bruger specifikt maskinlæringsalgoritmer som DeepAR fra Amazon, Temporal Fusion Transformer fra Google samt traditionelle algoritmer som Holt-Winters og modeller for autoregressivt integreret glidende gennemsnit. Samlingen omfatter i alt 12 forskellige algoritmer, der konkurrerer mod hinanden. Vi bagtester hver af dem og vælger derefter den med den højeste nøjagtighed.”

Jeg forstod ikke mere end halvdelen af det, han sagde, så jeg fulgte op med: “Okay, hvorfor tror du, at der stadig er en så betydelig afvigelse mellem de faktiske resultater og modellens forudsigelser?” Han svarede, at han ikke havde nogen idé, fordi han ikke forstod vores virksomhed.

Situationen var, at jeg ikke forstod, hvordan maskinlæringsmodellen fungerede, og dataanalytikeren ikke forstod, hvordan virksomheden fungerede. Hvordan kunne vi forklare en afvigelse her? Jeg brainstormede forskellige løsninger på problemet. Skulle vi invitere dataanalytikeren ind på vores kontor, så vi kunne forklare, hvordan virksomheden fungerer? Skulle vi bede nogen på vores team om at tage et kursus i maskinlæring og datalogi? Var det overhovedet muligt at lære dette uden at tage en uddannelse i matematik eller datalogi?

Det tog et stykke tid, men til sidst indså jeg, at jeg så helt forkert på problemet. Faktisk forsøgte jeg helt at løse det forkerte problem. Med maskinlæring forklarer man ikke afvigelser ved at pege på fejl i selve modellen. De mest avancerede algoritmer kaldes “sorte boks-modeller” af en grund — selv de forskere, der har bygget dem, forstår nogle gange ikke de konklusioner, de når frem til. Jeg indså, at det hele handler om inputtet. Skrald ind, skrald ud.

For at forklare afvigelser med maskinlæring skal vi undersøge, om de datapunkter, vi tilfører modellen, er korrekte og tilstrækkelige. Den bedste måde at gøre det på er at kombinere eksperimenter med en tilgang, der kaldes “bagtest”. Med AI-modeller kan du lade, som om det seneste år endnu ikke er indtruffet, og bede modellen om at udarbejde en prognose. Hvis det for eksempel er maj 2026, kan jeg bede AI-modellen om at prognosticere 2025 ved at tilføre historiske data fra 2020 til 2024. Derefter kan du med det samme sammenligne, hvor tæt den er på de faktiske resultater, justere datapunkterne og teste igen.

I sidste ende indså vi, at prognosenøjagtigheden blev markant forbedret, da vi tilførte modellen yderligere data fra vores lagerstyringssystemer – datapunkter, vi aldrig tidligere havde overvejet, fordi det ville have gjort vores traditionelle regnearksbaserede modeller endnu mere komplekse.

Hvorfor CFO'er skal standardisere processer, før de implementerer AI

AI løser ikke ødelagte finansprocesser. Det skalerer dem.

Jeg har set tilstrækkeligt mange finansteams tage ny teknologi i brug til at vide, hvordan det foregår. Værktøjerne forstærker det, der allerede findes – uanset om det er godt eller skidt.

Hvis din afvigelseskommentar i dag er et rod, f.eks. fordi alle analytikere skriver den forskelligt, der ikke er enighed om tærskelværdierne, og der ikke findes en ensartet struktur — så vil AI producere det samme rod på tværs af alle omkostningssteder, flydende og hurtigt. Hvis din model ikke har nogen dokumentation eller navngivningsstandarder, vil AI hjælpe dig med at ødelægge den med større selvsikkerhed. Hvis din prognose svinger 20 % fra den ene måned til den næste uden en klar forklaring på drivkræfterne, vil AI fortsætte med at få den til at svinge, blot med bedre formatering.

De finansteams, jeg ser få reel værdi ud af dette, er ikke dem med den mest avancerede opsætning. Det er dem, der allerede vidste, hvordan noget godt så ud. De havde skabeloner. De havde en fungerende definition af “nyttig”. De havde udført det utaknemmelige arbejde med at standardisere, før de overhovedet bad AI om at gøre noget.

Hvorfor finansteams skal bruge Greg Brockmans metode til promptskrivning

Mange finansteams har svært ved at få gode resultater fra deres AI-værktøjer, fordi deres prompts er for korte eller ikke specifikke nok. De behandler AI, som om det var en Google-søgning.

Jeg anbefaler altid Greg Brockmans metode til at stille spørgsmål til ræsonneringsmodeller:

1. Mål
2. Outputformat
3. Advarsler
4. Kontekst

Med denne tilgang opnår teams konsekvent bedre resultater.

Sådan bør CFO'er gentænke rekrutteringen i AI-æraen

Christian deler

Vær opmærksom på overmod, værktøjsfokuseret tænkning, svag kommunikation og fraværet af afvejninger. Disse tre øvelser hjælper dig med at vurdere de egenskaber, jeg nævnte ovenfor.

CFO'er er nødt til at gentænke deres processer for screening af jobansøgere. AI-æraen kræver andre færdigheder.

Traditionelt fokuserer ledere på hastighed i regneark, færdigheder i Excel og kvaliteten af rapportskrivning. Men AI automatiserer alle disse opgaver. Se i stedet efter følgende:

• Dømmekraft under usikkerhed
• Forretningskommunikation
• Systemtænkning
• Læringshastighed
• Dataforståelse

Når du interviewer kandidater til en hvilken som helst rolle, kan du prøve følgende:

• Giv kandidaterne en kort, plausibel AI-genereret forklaring på en afvigelse eller en opsummering af resultater. Spørg dem, hvad der er tvivlsomt, og hvad der skal verificeres. Bed dem derefter om at omskrive den til nogle få punkter til en leder.
• Bed kandidaten om at give dig de første fem spørgsmål, de ville stille, hvis de skulle forklare, hvorfor omsætningsprognosen var forkert — og hvorfor.
• Fortæl kandidaten, at du forventer pres på marginerne og usikker efterspørgsel i næste kvartal. Bed kandidaten om at definere tre scenarier, angive de vigtigste drivkræfter og anbefale, hvad der skal gøres nu.

Vær opmærksom på overmod, værktøjsfokuseret tænkning, svag kommunikation og fraværet af afvejninger. Disse tre øvelser hjælper dig med at vurdere de egenskaber, jeg nævnte ovenfor.

Hvorfor strategiske færdigheder og dyb analyse er det, der betyder noget nu

Finansafdelinger skal vide, hvad de optimerer efter.

Når de frigør al den tid med AI, vil seniorledere forvente, at de skaber værdi på en anden måde — ved at blive strategiske partnere og levere dybdegående analyser. Det forventes, at de forbinder punkterne mellem operationelle målepunkter og økonomiske resultater for at komme med konkrete anbefalinger til, hvordan virksomheden bør udnytte muligheder eller mindske risici.

Med andre ord skal de opkvalificere sig inden for de strategiske finansfærdigheder på højere niveau, som AI ikke kan håndtere. Det er den eneste måde at få en plads ved bordet i en AI-understøttet fremtid.

Følg med

Følg Christian Wattigs arbejde på LinkedIn. Og lær af ham på hans YouTube, eller se hans platform med onlinekurser, Inside FP&A.

Flere ekspertinterviews kommer snart på The CFO Club!