ClickUps økonomidirektør: Du stiller de forkerte spørgsmål om kunstig intelligens

Dan Zhang er CFO hos ClickUp, en AI-produktivitetsvirksomhed før børsnotering, hvor forholdet mellem agenter og mennesker er større end én til én.

Vi satte os ned med Dan for at høre, hvor finansledere skal rette deres opmærksomhed. Her er, hvad hun fortalte os.

De mest sigende tal

Jeg er Dan Zhang, CFO hos ClickUp, en AI-produktivitetsvirksomhed før børsnotering. Jeg har ansvaret for økonomi, regnskab, personale/HR og juridiske forhold og hjælper virksomheden med at nå større skala gennem kapitalallokering, strategisk beslutningsstøtte og forberedelse til en børsnotering.

Jeg leder hele økonomifunktionen: FP&A, virksomhedstransaktioner, regnskab og aftalefunktion. Regnskab alene omfatter virksomhedsregnskab, teknisk regnskab, omsætningsregnskab, løn, skat og indkøb. Vi har kompleksiteten fra en funktion, der er klar til en børsnoteret virksomhed, men vi driver den bevidst slankt.

Vi passerede 300 millioner dollars i ARR sidste år, og vi vokser hurtigt. Vi betjener over 200.000 kunder og 30 millioner brugere globalt med omkring 1.000 medarbejdere fordelt på seks juridiske enheder.

Men her er det tal, jeg finder mest sigende for, hvor vi befinder os: Forholdet mellem vores agenter og mennesker er nu over én til én. Alle på mit team arbejder sammen med flere AI-agenter, og forholdet bliver hele tiden større. Vores team består af menneskerne, der ejer dømmekraften, og agenterne, der udfører arbejdet under dem.

Spørg, om arbejdet er klar til AI – ikke omvendt

De fleste virksomheder spørger, om AI er klar. Vi vendte spørgsmålet om: Er arbejdet klar til AI?

Når du bryder ned, hvad en økonomifunktion laver, befinder det meste sig i det, jeg kalder "midten". I den ene ende sker igangsættelsen: at formulere spørgsmålet og fastsætte målet. Den endelige vurdering sker i den anden ende: beslutningen og godkendelsen. Alt derimellem – indsamling, afstemning, udarbejdelse og formatering – er arbejde i midten. Det er dér, AI hører hjemme. Mennesker ejer begyndelsen og slutningen. AI driver midten.

Vi traf konkrete beslutninger på baggrund af dette. Vi gennemførte procesminedrift på tværs af vores arbejdsgange for at finde ud af, hvor arbejdet i midten foregår, i stedet for at gætte. Vi automatiserede afslutningsprocessen og gennemfører den hurtigere med 40 % færre medarbejdere. Jeg byggede min egen agentstak, herunder en kontekstagent, der bærer min institutionelle viden, og en beslutningsagent, der udfordrer min tænkning, før jeg fremlægger den for bestyrelsen.

I sidste ende handler det ikke om, hvad du byggede, men om hvilke beslutninger du har truffet anderledes på grund af det. Den rolle, du ikke besatte. Afslutningen, du forkortede. Det tal, du stolede hurtigere på. Den kontrolsårbarhed, du ikke ville have opdaget uden AI.

Det er transformationen.

Hvorfor økonomimodeller bør bygges sammen med Claude

Vi ændrede måden, vi bygger modeller på. Nu bygger vi alle nye modeller sammen med Claude, ligesom når man oplærer en ny analytiker.

Det er smertefuldt i begyndelsen. Jeg har hørt klagerne: "Det ville gå hurtigere, hvis jeg bare byggede den selv." Ja. For dig. I dag. Men ikke for teamet og heller ikke næste år.

At bygge sammen lukker de to huller, som alle FP&A-teams har.

1. Institutionel viden: Den viden, der sidder fast i hovedet på nogen eller i et skrøbeligt regneark, som ingen har lyst til at røre ved, er ikke længere et problem. Når du bygger sammen med AI, er dokumentation ikke noget, man tager sig af bagefter; den er selve opbygningen. Vi registrerer alle antagelser.
2. Hastighed i scenarieanalyser: Det plejede at tage dage at besvare lederens Slack-besked klokken 1 om natten: "Hvad sker der med toplinjen og likviditeten, hvis jeg flytter X til marketing og fastholder Y medarbejdere?" Nu tager det sekunder. Planlægningsværktøjer har lovet dette i årevis, men aldrig leveret, fordi problemet aldrig var modellens mekanik. Det var konteksten – hvordan alting hænger sammen. Når en central intelligens har den kontekst, kan ledere køre uendelige scenarier undervejs.

Hvorfor økonomiteams skal kodificere deres viden til Claude-færdigheder

Dans tanker

Den gamle drejebog siger, at vi skal bemande frontlinjen. Det gør vi ikke. Vi bygger superagenter, der orkestrerer disse specialiserede færdigheder, underagenter, der utrætteligt udfører opgaverne, og en arbejdsgang med en menneskelig afsluttende kontrollant, der er ansvarlig for kvaliteten af AI’ens arbejde. Ansvaret overføres aldrig til maskinen.

Vores regnskabschef har bygget 27 Claude-færdigheder. 27 kodificerede, ekspertskrevede drejebøger, der aggressivt automatiserer forberedelseslaget: afstemninger, afslutningstrin og forberedelse på enhedsniveau. Hver enkelt er dokumenteret, gentagelig og i stand til at overleve, at ophavsmanden forlader virksomheden.

Her er grunden til, at det betyder noget. Vi tilføjer enheder og nye forretningsaktiviteter. Den gamle drejebog siger, at vi skal bemande frontlinjen. Det gør vi ikke. Vi bygger superagenter, der orkestrerer disse specialiserede færdigheder, underagenter, der utrætteligt udfører opgaverne, og en arbejdsgang med en menneskelig afsluttende kontrollant, der er ansvarlig for kvaliteten af AI'ens arbejde. Ansvaret overføres aldrig til maskinen.

Hvis en CFO vil kopiere én ting, så kopier dette: Få din bedste ekspert til at kodificere sin viden til færdigheder, læg et orkestreringslag ovenpå, og placér et navngivet menneske til sidst. Skab incitamenter for dine bedste eksperter, så de belønnes for de automatiseringer, de bygger.

Hvorfor kontrol nu er en egenskab ved systemet

Mere menneskelig berøring er ikke lig med mere kontrol.

Jeg voksede op med den opfattelse, at kontrol betød, at mennesker gennemgik alt. AI tvang mig til at indrømme, at dette var teater oven på et skrøbeligt system. Udokumenterede regneark, antagelser, der lever i folks hoveder, og risiko for nøglepersoner overalt. Jeg får stadig opkald fra min gamle virksomhed om et regneark, jeg byggede, et år efter at jeg forlod den. Det er ikke et kontrolmiljø. Det er en gidselsituation, som vi alle har normaliseret.

Kontrol er nu blevet en egenskab ved systemet, ikke ved antallet af medarbejdere, der berører det. Input er låst. Systemet logger alle agentens handlinger og knytter dem til et arbejdsgangs-id. Antagelser er eksplicitte, og scenarier kan genskabes. Mine revisorer kan bede om revisionssporet. De kunne aldrig revidere det, der foregik i nogens hoved.

Mennesker forlod ikke kontrolsystemet. De flyttede hen, hvor de altid hørte til: undtagelseslaget og den afsluttende gennemgang, med navngivne og ansvarlige personer. Færre berøringspunkter, som hver især bærer reel vægt, i en funktion, hvor 99 % nøjagtighed fuldstændig rammer ved siden af.

Hvorfor AI er udkastet, ikke beslutningen

Hvad angår, hvad AI kan håndtere, bruger jeg tre regler:

1. AI håndterer aggressivt forberedelse, syntese og overvågning.
2. Et menneske tager altid det sidste skridt, hvis det ændrer et regnskab eller flytter likviditet.
3. Hvis det kræver dømmekraft under tvetydighed eller en person, der er ansvarlig for resultatet, er det menneskets opgave, fordi AI's output er et udkast, ikke en beslutning. Jeg ejer resultatet 100 %.

Så for eksempel:

• Prognoser: AI-drevne og menneskeejet. Vi bygger hver FP&A-model sammen med AI. Antagelserne er dokumenterede, logikken er eksplicit, og intet lever i én persons hoved eller i et skrøbeligt regneark.
• Afvigelsesanalyse: Min mest AI-afhængige aktivitet. En analytikeragent arbejder på live-data, markerer uregelmæssigheder og udarbejder et udkast til forklaringen. Mennesker flytter sig fra transaktionslaget til undtagelseslaget. Jeg ønsker ikke, at mit team gennemgår hver eneste linje. Jeg ønsker, at de gennemgår hver eneste uregelmæssighed, som systemet identificerer.
• Likviditetsstyring: AI laver prognoser, afstemmer og overvåger den. Men én regel har ingen undtagelser: En agent må aldrig igangsætte en likviditetsudbetaling. Agenter har kun læseadgang til regnskaber. Aggressiv i forberedelsen, forsigtig i gennemgangen.
• Budgettering: AI udarbejder konsolideringen og BvA'en. Mennesker håndterer afvejningerne.

Mønsteret på tværs af alle disse aktiviteter er, at AI opnår autonomi i etaper. Observer, anbefal, og indfør derefter afgrænset automatisering med fulde revisionsspor. Mennesker fokuserer dér, hvor de overgår maskinen: dømmekraft, ansvarlighed og ny kontekst fra den virkelige verden. Jo hurtigere vi automatiserer, desto vigtigere bliver dømmekraft. Hastighed uden dømmekraft er bare hurtigere fejl.

Hvorfor økonomiledere skal skabe pres i beslutninger om ressourcer

Nu vi taler om budgetlægning, har jeg skabt pres i alle beslutninger om ressourcer.

Folk elsker at ansætte, men det meste af tiden ansætter de til ødelagte processer og kalder det skalering. Derfor skal der indføres et ansættelsesfilter. Ledere skal dokumentere AI-arbejdsgangen, før de øger bemandingen.

Det er en mere smart version af nulbaseret budgetlægning. Hvis arbejdsgangen efter en grundig test reelt stadig kræver et menneske, så er det fint – ansæt. Men hvis du aldrig skaber presset, finder du aldrig ud af, hvor meget du kan stramme op.

Hvorfor økonomiledere skal være på vagt over for "autonome" økonomiværktøjer

Dans tanker

Håndfri, fuldt autonom økonomistyring findes endnu ikke…Enhver, der sælger dig autonom økonomistyring, sælger dig en demo.

Den største forskel mellem hype og virkelighed er automatisering fra ende til anden. Den findes ikke. Håndfri, fuldt autonom økonomistyring findes endnu ikke.

Og jeg vil gå endnu længere: Selv Anthropics eget produktteam fortæller deres økonomiteam det samme. Fuld automatisering findes ikke, heller ikke internt i den virksomhed, der bygger de mest avancerede modeller. Hvis laboratoriet, der laver modellen, ikke vil føre sine egne bøger håndfrit, bør du heller ikke gøre det.

Enhver, der sælger dig autonom økonomistyring, sælger dig en demo.

Hvordan AI påvirker kapacitet og hastighed

De største positive virkninger, jeg ser, er:

• Effektivitet: Før AI brugte mit FP&A-team 80 % af sin tid på mekaniske opgaver. Rensning af data, formatering af rapporter og indsættelse af tal i præsentationer. Kun 20 % gik til syntese og formidling. Det forhold er vendt på hovedet, og det er branchens standard.
• Bemanding: Ledere, der proaktivt byggede arbejdsgangen, fjernede 50 % af fremtidige ansættelser. Vi reducerede den nuværende bemanding med 15 %, primært inden for standardiseret, procesintensivt arbejde i fælles servicefunktioner.
• Kapacitetsmangedobling: En leder inden for virksomhedsudvikling gik fra at arbejde med 1-2 aftaler om måneden til 6-8 samtidigt. Én person, ingen nye ansættelser. Agenten gjorde tragten bredere; den menneskelige medarbejder håndterede den sidste del.
• Scenarier med højere hastighed: Dette er det tydeligste før-og-efter-eksempel. Som jeg sagde, gik det ledelsesspørgsmål kl. 1 om natten, "Hvad sker der med toplinjen og likviditeten, hvis jeg flytter X til marketing og fastholder Y medarbejdere?", fra dage til sekunder.
• Konsolidering af leverandører: Intern software bygget på Claude har allerede fjernet flere poster til værktøjer, herunder automatisering af månedsafslutning, indkøb og sagsstyring. Indtil videre har vi sparet et sekscifret beløb på leverandørudgifter.

Den negative virkning var AI-slop-skatten. Men fejltilstanden var ikke AI-fejl; det var mennesker, der sendte AI-output videre uden gennemgang. Sjusk fra økonomiafdelingen udhuler langsomt tilliden, og det udbrænder dine bedste medarbejdere hurtigst. Intet provokerer en A-spiller som at læse et dokument uden noget menneskeligt input.

Løsningen var kulturel. Jeg skal lede og holde mit team ansvarligt. De skal vide, at jeg læser alt, hvad de lægger foran mig.

Hvorfor økonomiledere først skal fokusere på arbejdsgangens grundlag

Der er forskel på at tage AI i brug og på at designe et system.

Mit første år gik med at eksperimentere: bygge legetøj, koble AI på eksisterende arbejdsgange og samle imponerende demoer. Næsten alt var engangsforeteelser. Demoerne døde sammen med deres skabere, prompts levede inde i folks hoveder, og intet byggede videre på noget.

Det, jeg ved nu, er, at fundamentet kommer først. Gør arbejdet forståeligt for AI, før du automatiserer noget. Kodificér viden til færdigheder, fastlås datakilderne, og registrér hver eneste handling. En middelmådig arbejdsgang på et solidt fundament vokser sig stærkere. En genial demo uden noget fundament forsvinder.

Hvis jeg havde fundet ud af det tidligere, kunne jeg have undgået den spildte cyklus: måneder med enkeltstående eksperimenter, der ikke skabte nogen varige aktiver. Jeg kunne også have fået mine færdigheder i at skrive som regnskabschef fra dag ét.

Råd til økonomiledere

Så hvad er mit råd? Byg fundamentet med AI som udgangspunkt. Hold kvaliteten høj, som om regnskaberne afhang af det, for det gør de. Og brug jeres medarbejdere dér, hvor de overgår maskinen: dømmekraft, ansvarlighed og kontakt med den virkelige verden.

Fremtidens organisation er ikke en mindre og billigere version af dagens. Det er et slankere team af topperformere, der arbejder på et niveau, som ikke var muligt før.

Følg med

Du kan følge Dan Zhangs arbejde på LinkedIn.

Der kommer flere ekspertinterviews på The CFO Club!