CFOO siger, at det egentlige AI-projekt er rene data, ikke smart automatisering

Dave Leaver er CFOO hos Mention Me, en B2B SaaS-virksomhed i serie B inden for henvisninger og ambassadørskab.

Vi satte os ned med Dave for at høre, hvor AI skaber den største løftestangseffekt i økonomiarbejdet. Her er, hvad han sagde.

CFO'er bør kunne sætte retningen — ikke bare rapportere om den

Jeg hedder Dave. Jeg er CFOO hos Mention Me, en B2B SaaS-virksomhed i London. Jeg er også medstifter af HP-1, et DTC-mærke drevet af skabere, som jeg bygger op fra bunden.

Min vej var ikke konventionel. Jeg begyndte med at forfølge en karriere inden for professionel sport. Da det ikke lykkedes, uddannede jeg mig til revisor — og flyttede derefter til Sydney for at jagte solen.

Over 20 år senere har jeg arbejdet med rådgivning hos KPMG, FMCG- og ASX-noterede virksomheder, stået for økonomien for berømtheder og opbygget dyb erfaring med VC- og PE-støttede teknologistartups på begge sider af jorden. Jeg har opbygget økonomifunktioner fra bunden, skaleret virksomheder på tværs af kontinenter og haft ansvar for resultatopgørelser på hundredvis af millioner.

Men jeg passede aldrig ind i stereotypen om den kedelige revisor. Jeg elsker enkelhed, og jeg mener, at arbejdet skal være drevet af effekt. Hvis en opgave ikke bringer noget fremad, fjerner jeg den.

Den tilbøjelighed satte mig på kollisionskurs med den traditionelle måde, økonomifunktionen arbejder på. Grundig, præcis og et skridt bagefter virksomheden — så tallene er korrekte, men beslutningerne allerede er truffet, når analysen endelig når frem.

Så da AI kom, tog jeg det til mig — ikke som en trend, der skulle implementeres, men som en måde at fjerne manuelt arbejde på. Jeg bruger mindre tid på at rapportere tal og mere tid på, hvad de betyder, og hvor virksomheden bør bevæge sig hen. De samme systemer, som jeg bruger til at drive mine egne virksomheder, giver mig tal i realtid, bestyrelsesmateriale, der fortæller en historie i stedet for blot at rapportere den, og en slank økonomifunktion, der kan skaleres uden flere medarbejdere.

Jeg mener, at en CFO bør kunne sætte retningen, ikke bare rapportere om den bagefter.

Et slankt team drevet af AI

Mention Me er en B2B SaaS-virksomhed i serie B inden for henvisninger og ambassadørskab, med hovedkontor i London og finansiering fra Octopus Ventures og Eight Roads. Vi sælger til mærker i Storbritannien, Europa og andre steder.

Mit ansvarsområde rækker længere end økonomi alene. Det omfatter økonomi, HR og medarbejdere, strategi og drift — så jeg er lige så tæt på, hvordan vi ansætter og organiserer os, som jeg er på tallene.

Strukturen er slank med vilje. Et lille internt team håndterer kerneopgaverne, mens en ekstern funktion understøtter transaktionsarbejdet. Funktionen drives af AI. Vi har automatiseret rapportering, datastrømme og indledende analyser — arbejde, der tidligere krævede flere hænder. Det giver teamet mulighed for at bruge sin tid på vurderinger frem for produktion.

Jeg har anvendt samme tilgang på min egen rolle. Jeg har opbygget en AI-"stabschef", der hjælper mig med den daglige drift, sorterer min indbakke, markerer, hvad der kræver et svar, opsamler handlinger fra møder og samler det hele i en morgenorientering, så jeg starter hver dag med at vide præcis, hvad jeg skal fokusere på.

Hvor AI udmærker sig, og hvor mennesker er nødvendige

AI står for produktionen, mennesker står for vurderingen — for det meste.

På AI-siden ligger alt, der involverer mønstre, beregninger eller samling. Det omfatter talbehandlingen i prognoser, opbygning af modellen, fremføring af faktiske tal og justering af scenarier. I afvigelsesanalyser er AI fremragende til at identificere bevægelser og finde deres årsag. Den håndterer også likviditetsmodellering, de mekaniske dele af bestyrelsesmaterialet og den første udarbejdelse af kommentarer. Det er grundlæggende det arbejde, der tidligere kunne opsluge hele ugen. AI er hurtigere end mig, bliver ikke træt og laver ikke regnefejl klokken 21.

Mennesker håndterer udtrykkeligt alt, der har konsekvenser eller kræver den kontekst, maskinen mangler. Kapitalallokering — beslutningen om, hvor det næste pund skal placeres — er en vurdering af strategi og risikovillighed, ikke en beregning.

Det samme gælder antagelserne bag enhver prognose: AI kan køre modellen, men det er en menneskelig vurdering, om vi virkelig lander den aftale eller fastholder den pris, og resultatet er kun så godt som den vurdering. Risikovurdering, alt der involverer mennesker, og alt hvad jeg lægger foran bestyrelsen med mit navn på — det er mit ansvar.

Årsagen til denne grænse er enkel. AI er fremragende til at fortælle dig "hvad" og "hvor". Den er langt svagere til "hvorfor", og den har ingen aktier i spillet, når det kommer til "så hvad gør vi ved det?".

Afvigelsesanalyse er det tydeligste eksempel: AI fortæller mig, at tallet har flyttet sig, og peger på årsagen på få sekunder. Hvad vi gør bagefter — det er den del, jeg får min løn for.

Sådan kan månedsafslutningen forkortes fra 10 dage til 3 dage

Jeg har for nylig reduceret tiden til månedsafslutningen fra ti dage til tre.

Før skulle jeg hente tallene, afstemme dem, udarbejde slides, skrive kommentarer og bygge diagrammerne igen — det meste i hånden, hvor en eller to personer håndterede størstedelen. Da bestyrelsespakken nåede frem, beskrev den en situation, der var flere uger forældet.

Jeg automatiserede produktionen og lod mennesker stå for vurderingerne. Nu afslutter vi på tre dage — inklusive bestyrelsespakken og opdaterede prognoser.

Her er processen, fra rå finansdata til en bestyrelsesklar pakke.

1. Processen begynder med data. I stedet for at eksportere tal og indsætte dem i et regneark henter platformen live-data fra kildesystemerne — finansbogen, lønsystemet, salgspipelinen og abonnementsmålingerne — ind i én sammenhængende model. Dette ene trin fjerner det meste manuelt arbejde og fejl ved kopiering og indsættelse.
2. Den strukturerer og kontrollerer dataene: Den standardiserer tallene, markerer automatisk afstemningsproblemer og opdaterer prognosen med faktiske tal i samme arbejdsgang, så det fremadrettede billede aldrig halter efter det rapporterede.
3. Den opbygger resultaterne. Diagrammerne og bestyrelsespakken sammensættes fra denne ene kilde, og AI udarbejder et første udkast til kommentarer om, hvad der har ændret sig, så jeg begynder med et udkast i stedet for en tom side.
4. Mennesket tager over — den del, der betyder noget. Jeg efterprøver fortællingen grundigt og beslutter, hvad bestyrelsen har brug for at høre: hvad der blot er et midlertidigt udsving, hvad der er strukturelt, og hvilken beslutning jeg anbefaler. Maskinen leverer et stærkt udkast på få timer; vurderingen af dets betydning er stadig min.

AI håndterer produktionen fra start til slut, lige indtil det punkt, hvor konsekvenserne begynder. Det er dér, jeg træder til.

Hastigheden og kvaliteten blev forbedret på samme tid. Pakken afspejler, hvor virksomheden er nu, ikke hvor den var for tre uger siden. Fordi jeg ikke længere kæmper med at få tallene på plads, kan jeg bruge tiden på at forme fortællingen, forstå hvad der driver udviklingen, og afgøre hvilke beslutninger der skal præsenteres for bestyrelsen. Kort sagt holdt vi op med blot at rapportere tallene og begyndte at forklare dem.

Fordele og ulemper ved AI i økonomifunktionen

De gode resultater kan måles. Ud over forbedringerne i månedsafslutningen tager scenarieplanlægning nu minutter i stedet for en dag eller to. Og automatiseringen af produktionsarbejdet har sparet over et sekscifret beløb i omkostninger til medarbejdere i økonomifunktionen, som funktionen ellers ville have haft brug for — en besparelse, der betaler for alt det andet.

En mindre åbenlys, kvalitativ gevinst er den tid, jeg har sparet. De timer, jeg tidligere brugte på at samle tal, bruger jeg nu på at fortolke dem, hvilket gør samtalerne med bestyrelsen skarpere og forvandler funktionen fra en rapporteringsfunktion til en beslutningsfunktion.

Men der findes også en reel ulempe. AI tager nogle gange selvsikkert fejl. Den leverer polerede svar, der er subtilt forkerte — en misforstået antagelse, et tal, der ikke stemmer. Dens veltalenhed gør det let at stole på den uden at kontrollere.

Bed den om livsråd, og du vil se det samme i en mere underholdende form: Den er ekstremt selvsikker, er normalt enig med dig, og det er ofte det rene vrøvl.

Udgaven inden for økonomi er bare sværere at opdage. Tidligt i forløbet gav det mig problemer mere end én gang. Jeg har været nødt til at opbygge og indarbejde en disciplin i teamet, hvor AI-output behandles som et første udkast, aldrig som et endeligt svar. Et menneske kontrollerer stadig hvert eneste tal, der præsenteres for bestyrelsen.

Hvorfor CFO'er skal lægge fundamentet, før AI integreres

Dave deler

Datafundamentet er selve projektet, ikke opvarmningen til det… Magien virker først, når det kedelige grundarbejde er udført.

Datafundamentet er selve projektet, ikke opvarmningen til det.

Da jeg begyndte, troede jeg, at det hårde og værdifulde arbejde var AI'en: modellerne, automatiseringen, det intelligente output. Jeg betragtede rensning og sammenkobling af data som en hurtig forberedelse, før det egentlige udviklingsarbejde begyndte. Det var helt forkert.

Grundarbejdet var selve udviklingen. Det meste af indsatsen – og det meste af det, der afgjorde, om det faktisk fungerede – lå i det uglamourøse lag: rene data, en fornuftig struktur og pålidelige forbindelser til kildesystemerne.

Som følge heraf brugte jeg i begyndelsen tid på at bygge intelligente funktioner oven på data, der ikke var klar, og fik et poleret output, som jeg ikke fuldt ud kunne stole på. Det betød, at jeg alligevel måtte gå tilbage og udføre det grundlæggende arbejde bagefter. Hvis jeg havde vidst det, havde jeg gjort det i den modsatte rækkefølge: Få først infrastrukturen på plads, og læg derefter intelligensen ovenpå. Samme destination, halvt så meget spildt arbejde.

Magien virker først, når det kedelige grundarbejde er gjort.

Sådan kan CFO'er forbedre bemandingsplanlægningen med AI

I de fleste virksomheder, og især i SaaS-virksomheder, hvor medarbejdere langt hen ad vejen er den største omkostning, er bemandingsplanlægning stadig et groft værktøj. Disse virksomheder bruger et regneark med stillinger, en ansættelsesplan, der fastsættes ved budgetlægningen, og et tal, som alle betragter som fast, indtil noget tvinger dem til at genoverveje det. Det er mærkeligt, fordi det er den største enkeltstående løftestang, en CFO har kontrol over, men alligevel modellerer de den ofte på den mindst dynamiske måde.

Jeg redesignede vores tilgang til bemandingsplanlægning og gik fra en statisk liste til en drivermodel, der var koblet sammen med resten af planen. I stedet for "vi ansætter tolv personer i år" hedder det "denne rolle udløses af så meget salgspipeline, denne af denne omsætningstærskel ...", så ansættelser forbindes med de forhold, der berettiger dem.

Fordi modellen indgår i den sammenkoblede model, kan jeg justere den live: tilføje en ansættelse, ændre tidspunktet og se den slå direkte igennem på resultatopgørelsen, likviditeten og den økonomiske løbebane.

Som følge heraf holdt bemanding op med at være et årligt gæt og blev i stedet en beslutning i realtid. Når nogen spørger: "Har vi råd til denne ansættelse?", kan jeg svare på mødet – ikke ud fra mavefornemmelsen, men ud fra dens indvirkning på den økonomiske løbebane og tidsplanen. Det gør en af virksomhedens mest afgørende og følelsesladede samtaler til en samtale, der er forankret i tal, her og nu.

Hvorfor Claude er et uundværligt værktøj for CFO'er

Claude er uden tøven mit foretrukne værktøj. Det er ikke et finansværktøj til ét bestemt formål, og det er netop derfor, jeg er så glad for det; det håndterer alt det, som andre værktøjer ikke kan tilpasse sig til.

Helt ærligt forventede jeg mere af standardiserede finansværktøjer, der har tilføjet "AI" til et eksisterende produkt. De fleste af dem er chatbokse oven på den samme software, og de ændrer ikke arbejdet på nogen meningsfuld måde . De udfører én opgave godt – hvis overhovedet.

Men Claude kan det hele. Det bygger modellerne, skriver udkast til bestyrelseskommentarerne, undersøger dataene, skriver analysen og fungerer som den sparringspartner, jeg vender beslutninger med. Det håndterer den brede vifte af opgaver, der fylder min uge, og tilpasser sig det, jeg kaster efter det næste gang.

Den største fejl, CFO'er begår med AI

Her er mit råd:

1. Den største fejl, jeg ser, er, at CFO'er behandler AI som en indkøbsbeslutning — en tolv måneders evaluering, pilotfase og udrulning. Jeg har selv begået den fejl. Når den proces er afsluttet, har værktøjerne allerede ændret sig to gange. Brug det i stedet selv på rigtigt arbejde i denne uge. Du lærer mere om, hvor det hjælper, og hvor det vildleder dig, efter to ugers praktisk brug end fra en leverandørdemonstration.
2. Vent ikke på det perfekte værktøj. Standardmarkedet tilbyder stadig for det meste en chatboks, der er bygget oven på gammel software. Du kan bygge mere, end du tror; barrieren for at skabe dine egne løsninger er faldet drastisk. CFO'er, der kommer foran, vil betragte det som en kompetence, der skal udvikles, frem for en service, der skal købes.
3. Vigtigst af alt: Få den kedelige del på plads. Rene data og velfungerende processer er ikke bare en uinteressant forudsætning for AI; de er hele grundlaget. AI oven på rodede data producerer bare overbevisende nonsens hurtigere. Få fundamentet på plads først.
4. Og hold din dømmekraft central. AI ændrer, hvordan arbejdet udføres, ikke hvem der er ansvarlig for det. Den kompetence, der er vigtigere end nogensinde, er ikke at producere analysen — det er at vide, om den er korrekt, og hvad man skal gøre ved det. Det er stadig jobbet. Det har det altid været.

Følg med

Du kan følge Dave Leavers arbejde på LinkedIn.

Flere ekspertinterviews kommer snart på The CFO Club!