SaaS-direktør for økonomi siger, at AI kun forbedrer den økonomiske dømmekraft, når ledere forbliver en del af arbejdsgangene

Nithin Shetty er CFO hos Scrut Automation, hvor han samtidig fører tilsyn med likviditetsstyring, FP&A, grænseoverskridende compliance og omsætningsoperationer. Han begyndte der, da omsætningen var på $500k ARR, og nu er den på $20M ARR.

I denne samtale fortalte Nithin, hvordan han bruger AI på de rigtige tidspunkter i de rigtige arbejdsgange, så hans dømmekraft og ansvarlighed bevares.

At gå til AI-transformationen som deltager, ikke observatør

Mit navn er Nithin Shetty. Jeg er statsautoriseret revisor og CFO og har brugt det seneste årti på at opbygge økonomifunktioner fra bunden i hurtigt voksende, venturekapitalfinansierede SaaS-virksomheder.

Min rejse blev i mindre grad formet af en lineær karrierevej og i højere grad af gentagen eksponering for kaos i stor skala. Jeg startede med tre virksomheder under min CA-praktik, inden for produktion, FMCG og forsyning af fisk og skaldyr – ikke strategisk, men fordi jeg ikke kunne adskille det at tænke på forretning fra det at drive en. Det instinkt har aldrig forladt mig.

Efter at have kvalificeret mig som CA påtog jeg mig opgaver som deltids- og midlertidig CFO på tværs af fem brancher, herunder produktion, SaaS, mobilitet, medier og EdTech. Hver opgave involverede en presset forretningsmodel, som krævede, at jeg hurtigt skabte økonomisk klarhed og traf afgørende beslutninger på baggrund af ufuldstændige oplysninger. Det er fortsat kernen i det, jeg laver.

I dag er jeg CFO hos Scrut Automation, en SaaS-virksomhed inden for GRC og compliance. I tre år har hele min operationelle kontekst været en virksomhed, der hjælper organisationer med at håndtere risici og automatisere compliance, og AI er nu ved at omstrukturere alle de antagelser, virksomheden blev bygget på. Jeg har fulgt denne forstyrrelse indefra, samtidig med at jeg driver den økonomiske infrastruktur, der finansierer den.

Jeg går ikke til AI-transformationen som observatør. Jeg har oplevet den indefra på virksomhedsniveau og set hvordan AI ændrer produktøkonomi, salgscyklusser, kundernes forventninger og enhedsøkonomi i realtid.

Organisatorisk kompleksitet

Min økonomiorganisation er en del af Scrut Automation, en SaaS-virksomhed i serie B inden for GRC og compliance, der støttes af Lightspeed, MassMutual Ventures og Endiya Partners. Vi voksede fra $500K til $20M ARR på tre et halvt år, hvilket krævede, at økonomifunktionen voksede og blev omstruktureret flere gange inden for én og samme ansættelsesperiode.

Jeg leder en organisation på 20 personer fordelt på fem vertikaler. Det centrale økonomiteam består af 12 personer, støttet af 3 inden for omsætningsoperationer, 2 inden for CS-operationer, 1 inden for juridiske forhold og compliance samt 2 inden for løn og skat. Mine direkte referencepersoner er en økonomicontroller og en leder for FP&A. Selskabssekretariats- og juridiske ydelser håndteres gennem en struktureret fast aftale uden for medarbejderantallet.

Vores operationer har grænseoverskridende kompleksitet. Vi opererer gennem et indisk holdingselskab og et amerikansk datterselskab. Jeg håndterer konsolideret rapportering, transfer pricing, koncerninterne afregninger, afstemning fra US GAAP til Ind AS, compliance i Delaware og indberetning af statsskatter som en del af vores almindelige driftsrytme. Omsætningsindregningen omfatter USD og INR og dækker abonnementsbaseret ARR, professionelle ydelser og brugsbaserede komponenter, struktureret under både Ind AS 115 og ASC 606.

Omfanget gør denne funktion noget usædvanlig for en virksomhed i serie B. Omsætningsoperationer og CS-operationer refererer til økonomifunktionen, ikke af konvention, men fordi jeg var den eneste ejer af resultatdata på tværs af systemerne. Ejerskab over GTM- og kundesundhedsdata gjorde det også operationelt logisk at eje disse funktioner. Denne struktur har bestået og vist sin værdi gennem hver eneste bestyrelsescyklus.

Sådan reducerer AI tiden til udarbejdelse og fortolkning

Før jeg begyndte at bruge AI systematisk, tog økonomisk kommunikation mest tid i min kalender uden tilsvarende at forbedre resultatet. At skrive en bestyrelsesopdatering, et investormemo eller en ledelseskommentar til de månedlige tal krævede, at jeg skiftede kontekst fra analyse til skrivning. Selve udarbejdelsesprocessen tog tid, som burde være gået til den underliggende tænkning.

Jeg begyndte at bruge Claude som et lag til udarbejdelse og fortolkning af økonomisk kommunikation og FP&A-resultater. Jeg færdiggjorde analysen og brugte derefter AI til at strukturere fortællingen, stressteste logikken i min præsentation af tallene og kontrollere, om de underliggende data understøttede min historie. Jeg begyndte også at bruge det til indledende gennemgange af kontrakter og dokumenter, hvilket reducerede tiden fra modtagelsen af et dokument til at have et struktureret sæt spørgsmål klar til den juridiske afdeling.

Som følge heraf ændrede min tidsfordeling sig mærkbart. Udarbejdelsescyklussen for bestyrelseskommunikation er blevet væsentligt kortere. Endnu vigtigere blev kvaliteten af den kritiske gennemgang forbedret, fordi jeg brugte AI til at argumentere imod min egen fortolkning, før jeg præsenterede den. Det afdækkede mangler, som jeg tidligere kun ville have opdaget i mødelokalet.

En månedlig rapporteringsarbejdsgang fra den virkelige verden

Jeg vil beskrive den månedlige rapporteringscyklus til bestyrelsen og investorerne i detaljer. Den består af to forbundne faser: talfasen samt narrativ- og scenariefasen. AI indgår i begge faser, men spiller en forskellig rolle i hver af dem.

Cyklussen begynder, når finanscontrolleren afslutter månedsafslutningen. Derefter har jeg de faktiske tal for omsætning, omkostninger, kontantforbrug og de centrale SaaS-målepunkter: ARR, NRR, burn-multipel og CAC-tilbagebetalingstid. Først gennemgår jeg selv tallene manuelt, før AI bliver involveret. Den rækkefølge er vigtig. Jeg har brug for min egen forståelse af, hvad der skete, før jeg introducerer en ekstern fortolkning, for hvis jeg går til AI først, risikerer jeg at lade mig styre af dens vinkling i stedet for at udvikle min egen.

Efter min indledende gennemgang bruger jeg Claude til at fortolke afvigelser. Jeg giver den de faktiske tal sammenholdt med budgettet, sammenligninger med den foregående periode og de vigtigste bevægelser. Derefter bruger jeg AI til at stressteste min fortolkning af, hvad der drev hver væsentlig afvigelse. På dette tidspunkt spørger jeg ikke, hvad der skete — det ved jeg allerede. I stedet spørger jeg, om min forklaring på, hvorfor det skete, er den mest præcise og fuldstændige version. AI synliggør alternative forklaringer, som jeg måske har overset, og markerer logiske huller i narrativet, før det sendes til bestyrelsen.

Resultatet fra denne fase går direkte videre til scenariemodelleringsfasen. På baggrund af månedens faktiske tal og afvigelsesdrivere opdaterer jeg den aktuelle finansielle model. Derefter bruger jeg AI til at stressteste de fremadrettede forudsætninger. Det er her, jeg udvikler scenarier. Jeg opstiller vækst-, base- og konservative scenarier. Jeg bruger AI til at udfordre de underliggende antagelser for hvert af dem, særligt hvad angår omsætningsudvikling, burn og runway. Her spørger jeg, om bestyrelsen vil finde et hul i nogle af disse scenarier, som jeg ikke allerede har håndteret.

Den sidste fase omfatter udarbejdelsen. Jeg bruger AI til at udarbejde det første udkast til narrativet til bestyrelsen, ledelsens kommentarer og investoropdateringen. Derefter gennemgår og omskriver jeg udkastet flere gange, før jeg færdiggør noget. AI-udkastet fungerer som et udgangspunkt og et strukturelt skelet, ikke som et færdigt produkt. I min omskrivning indarbejder jeg den rette tone, min vurdering af, hvad der skal fremhæves og sættes i kontekst, samt en forståelse af, hvad hver investor har brug for at høre på det pågældende tidspunkt.

Hvorfor CFO'er skal være bevidste om, hvor AI indgår i en arbejdsgang

Jeg er bevidst om, hvor AI indgår i arbejdsgangen. Den kommer før min dømmekraft, ikke i stedet for den. Jeg gennemgår og står til ansvar for hvert eneste resultat. Det har været vigtigt at opretholde den grænse, særligt i rapporteringen til bestyrelsen og investorerne, hvor præcision og ansvarlighed ikke er til forhandling.

Men jeg har ikke en fast liste over AI-opgaver versus menneskelige opgaver. Det handler blot om, hvor omkostningen ved at tage fejl kan håndteres, og hvor den ikke kan.

Hvad angår AI-understøttede opgaver, er de områder, der giver mig størst effekt, fortolkning af afvigelsesanalyser, scenariemodellering og finansiel kommunikation. Afvigelsesanalyse er et godt eksempel. Selve beregningen var aldrig problemet. Problemet var altid hastigheden og kvaliteten af narrativet omkring den: at forstå, hvad tallet faktisk siger, hvad der drev det, og hvad den rette ledelsesreaktion er. AI har forbedret hastigheden og dybden af dette fortolkningslag markant.

Scenariemodellering og stresstest er andre områder, hvor AI gør sig fortjent til sin plads. Jeg bruger den til at stressteste antagelser, generere alternative scenarier, som jeg måske ikke instinktivt ville have valgt, og udfordre modellens logik, før den går videre til CEO'en eller bestyrelsen. Den fungerer som en struktureret djævlens advokat. FP&A-understøttelse og en første gennemgang af kontrakter følger samme logik. Analysearbejde i store mængder, som kan gentages, hvor resultatet indgår i en menneskelig beslutning i stedet for at erstatte den.

Områder, der fortsat udtrykkeligt er menneskelige, omfatter kapitalallokering, vurderinger i forbindelse med kapitalrejsning, kommunikation med bestyrelsen og investorerne i den sidste fase samt enhver beslutning med en relationel eller omdømmemæssig dimension. Lad mig forklare hvorfor.

Kapitalallokering i en virksomhed i Series B-fasen er ikke et matematikproblem. Det er en vurdering af, hvilke satsninger man skal foretage med begrænsede ressourcer, under usikkerhed og med ufuldstændige oplysninger. CFO'en ejer denne vurdering og står til ansvar for den. AI kan modellere scenarier, men den kan ikke påtage sig ansvaret.

Kapitalrejsning er det tydeligste eksempel på et fuldt ud menneskeligt område. Investorrelationer, forhandling af aftalevilkårene, at aflæse stemningen i en aftale og at vide, hvornår man skal presse på, og hvornår man skal holde igen, er ikke noget, jeg ville delegere til AI eller lade AI have stor indflydelse på. Indsatsen er for høj, og variablerne er for menneskelige.

Bestyrelseskommunikationen i sidste led forbliver menneskelig af en anden grund. Jeg har brugt AI til at udarbejde et udkast til og stressteste logikken i min præsentation. Men det, jeg leverer til Lightspeed, MassMutual Ventures og Endiya Partners, er min vurdering af virksomheden og min indramning af risiciene. Det betyder, at min troværdighed står på spil. AI befinder sig tidligere i processen end dette øjeblik, ikke inde i det.

Sådan påvirker AI's begrænsninger økonomiteams

Nithin fremhæver

AI tager selvsikkert fejl på måder, der er sværere at opdage end åbenlyse fejl. En beregningsfejl i et regneark er synlig. En plausibel, men subtilt mangelfuld narrativ fortolkning af en afvigelse er den ikke.

Jeg har allerede gennemgået mange af fordelene ved AI inden for økonomi. På den negative side er her tre ærlige observationer.

AI tager selvsikkert fejl på måder, der er sværere at opdage end åbenlyse fejl. En beregningsfejl i et regneark er synlig. En plausibel, men subtilt mangelfuld narrativ fortolkning af en afvigelse er den ikke. Tidligt opdagede jeg to tilfælde, hvor AI-genererede kommentarer fejlkarakteriserede årsagen til en omkostningsafvigelse på en måde, der ville have været pinlig i en bestyrelsessammenhæng. Det ændrede min tilgang til, hvor grundigt jeg gennemgår AI's output, før det går videre.

Den anden begrænsning er kontekst. AI har ikke nogen organisatorisk hukommelse. Hver gang jeg bruger det, rekonstruerer jeg konteksten fra bunden. For en økonomifunktion, hvor beslutningshistorik, investorrelationer og den strategiske fortælling er dybt kontekstafhængige, er dette en reel begrænsning. Det betyder, at AI fungerer bedst til afgrænsede opgaver med et klart omfang frem for til noget, der kræver en dyb forståelse af, hvordan vi er nået hertil.

Den tredje er implementering i teamet. Det har krævet aktiv ledelse at få et økonomiteam til at bruge AI effektivt i stedet for at undgå det eller stole for meget på det. Tendensen til at indsætte et tal i AI og acceptere outputtet uden at stille spørgsmål til det er en reel risiko, især blandt yngre teammedlemmer. Det har været lige så vigtigt at opbygge de rigtige vaner omkring brugen af AI som selve værktøjerne.

Tre områder, hvor AI ikke bør bruges inden for økonomi

Det område, hvor AI tydeligst har leveret under forventning for mig, er alt, der kræver dømmekraft i forhold til mennesker og relationer.

Tidligt forsøgte jeg at bruge AI til at strukturere og indramme vanskelige samtaler: beslutninger om aflønning, resultatsamtaler med seniormedlemmer af teamet og kommunikation til investorer om manglende målopfyldelse. Outputtet var teknisk sammenhængende, men fuldstændig forkert i praksis. Det var kalibreret til en generisk professionel kontekst, ikke til den specifikke relationshistorik, den enkelte persons personlighed eller de uudtalte dynamikker, der afgør, hvordan sådanne samtaler bliver modtaget. Jeg stoppede helt med at bruge det til den kategori.

Et andet område er fremadskuende risikovurdering i en startupkontekst. AI er fremragende til at identificere risici med historiske fortilfælde og mønstergenkendelse. Det identificerer dårligt de specifikke risici, der er vigtige i en virksomhed med høj vækst, begrænset kapital og hyppige strategiske skift, hvor trusler ofte ikke tidligere er opstået i netop den kombination. Da vi navigerede i virksomhedsskiftet hos Scrut og samtidig håndterede en ny omsætningsprognose, føltes de AI-genererede risikorammer generiske. De reelle risici på det tidspunkt var specifikke for vores investorrelationer, salgsteamets evne til at gennemføre en ændring af segmentet og vores likviditetsforbrug i forhold til tidsplanen for kapitalrejsningen. AI kunne ikke på en nyttig måde fremhæve noget af dette.

Og det sidste område er prognosenøjagtighed i volatile perioder. Folk antager implicit, at AI vil forbedre prognosenøjagtigheden i FP&A. I et stabilt miljø med mange data kan det være rigtigt. I en SaaS-virksomhed i Serie B, der gennemgår et strategisk skifte med et salgsteam i overgang og et produkt i hastig udvikling, er historiske mønstre ikke nyttige. Inputtene er for støjfyldte, og virksomheden ændrer sig hurtigere, end nogen model på en nyttig måde kan lære. AI gav mig flere scenarier, men ikke bedre scenarier, i den periode.

Sådan ændrer økonomiteams sig med AI

Det har ændret, hvad jeg ansætter folk til, uden endnu at ændre, hvor mange jeg ansætter.

Det tekniske niveau for at blive en del af mit økonomiteam er ikke blevet lavere. Men karakteren af de tekniske krav har ændret sig. Jeg fokuserer mindre på, om nogen kan opbygge en model eller udarbejde en afvigelsesanalyse, og mere på, om de kan tænke kritisk over resultater, der ikke er deres egne.

Den specifikke kompetence, jeg nu eksplicit screener for, er produktiv skepsis over for AI: instinktet til at undersøge i stedet for at acceptere. Et teammedlem, der opfatter et sammenhængende AI-resultat som korrekt, er nu en belastning, modsat for to år siden, fordi mængden og sandsynligheden af AI-resultater betyder, at ukritisk accept skaber risiko i stor skala.

Den anden ændring er, at controlleren og FP&A-lederen er rykket tidligere ind i processen. Det indebærer mindre tid på produktion og mere tid på gennemgang, fortolkning og udfordring. Overgangen har ikke været problemfri for alle. Nogle mennesker definerer deres værdi gennem mængden af output, og AI's reducering af behovet for dette output har krævet, at de aktivt forholder sig til, hvordan de ser på deres egne bidrag.

Teamets sammensætning har endnu ikke ændret sig. Talentkravene inden for denne ramme har ændret sig markant.

Hvorfor Claude er en CFO's vigtigste AI-værktøj

Claude er mit foretrukne værktøj. Ikke fordi det er det mest specialiserede værktøj i min værktøjskasse, men fordi det giver den største løftestangseffekt. Alle andre økonomiværktøjer, jeg bruger, understøtter en specifik arbejdsgang. Claude ligger på tværs af dem alle.

Jeg bruger det specifikt til fortolkning af afvigelser og stresstest af scenarier. Disse to aktiviteter ligger i centrum af alle de afgørende økonomisamtaler, jeg har: med CEO'en, med bestyrelsen og med investorer. Muligheden for at udfordre min fortolkning af tallene og stressteste min models antagelser, før disse samtaler finder sted, har forbedret min måde at deltage i dem på.

Det vinder over alle andre værktøjer , fordi det forbedrer min tænkning i stedet for blot at gøre mit output hurtigere. Alle andre værktøjer, jeg bruger, optimerer produktionen. Dette optimerer dømmekraften. I en CFO-rolle betyder den forskel mere end noget effektivitetsmål.

Gør AI CFO'er overflødige?

Nithin fremhæver

Den ubehagelige sandhed er, at AI ikke opdeler CFO’er i relevante og irrelevante. Det fremskynder adskillelsen mellem CFO’er, der reelt tænkte, og CFO’er, der primært producerede. Den forskel fandtes før AI. Den var bare sværere at få øje på.

Det spørgsmål, jeg ville ønske, du havde stillet, er, om AI gør CFO'er mere eller mindre overflødige.

Det almindelige svar er mindre overflødige. AI håndterer det analytiske arbejde, og CFO'en bevæger sig op ad værdikæden, fokuserer på dømmekraft og strategi og bliver mere uundværlig.

Jeg mener, at det kun delvist er rigtigt.

CFO'er, der bliver mindre overflødige, bruger AI til at udvikle skarpere dømmekraft, stærkere relationer til bestyrelsen og dybere strategisk tænkning og investerer i de menneskelige kompetencer, som AI ikke kan efterligne.

CFO'er, der bliver mere overflødige, bruger AI til at producere bedre output uden at udvikle bedre tænkning, forveksler hurtigere analyse med dybere indsigt og lader værktøjet erstatte den intellektuelle stringens, som rollen altid har krævet.

Den ubehagelige sandhed er, at AI ikke opdeler CFO'er i relevante og irrelevante. Det fremskynder adskillelsen mellem CFO'er, der reelt tænkte, og CFO'er, der primært producerede. Den forskel fandtes før AI. Den var bare sværere at få øje på.

Jeg tænker regelmæssigt over det. Det er det spørgsmål, der holder mig ærlig omkring, hvordan jeg bruger disse værktøjer, og hvorfor.

Sådan bør CFO'er navigere i AI-drevne forandringer

Mit råd begynder ubehageligt, så det vil jeg lægge ud med.

De fleste CFO'er vil gribe det her forkert an ved at bevæge sig for langsomt og derefter overreagere. Jeg ser allerede et mønster med langvarig, forsigtig observation efterfulgt af en forhastet implementering uden tilstrækkelig styring, når konkurrencepresset gør passivitet uholdbar. Begge yderpunkter i dette mønster er dyre. Den CFO, der venter for længe, giver afkald på fremdrift inden for produktivitet, talent og strategisk relevans. Den CFO, der skynder sig med at implementere AI i arbejdsgange med høj risiko uden den nødvendige styringsinfrastruktur til at opdage fejl, vil opleve, at den første alvorlige fejl i en bestyrelses- eller investorkontekst vil sætte funktionen betydeligt tilbage.

1. Gå selv ind i arbejdet med det samme. Brug ikke en arbejdsgruppe, uddeleger ikke udforskningen til et yngre teammedlem, og nøjes ikke med at læse om det. For at udvikle en ægte dømmekraft omkring, hvor AI hører hjemme i en økonomifunktion, skal du selv bruge det i reelt arbejde og opleve både dets løftestangseffekt og dets fejlmønstre på egen hånd. En CFO, der ikke personligt har brugt AI til en bestyrelsesopdatering, en afvigelsesanalyse eller en scenariemodel, har intet grundlag for at træffe gode beslutninger om, hvor det skal implementeres i større skala.
2. Fastlæg grænsen eksplicit, før du får brug for det. Definér på forhånd, hvilke beslutninger AI kan bidrage til, og hvilke beslutninger der fortsat udelukkende træffes af mennesker. Lad ikke den grænse forblive implicit. I en økonomifunktion koster en uklar grænse dig dyrt: Bestyrelseskommunikation indeholder subtile fejl, risikovurderinger overser kontekstspecifikke trusler, og beslutninger om kapitalallokering optimerer efter historiske mønstre frem for fremadskuende dømmekraft. Skriv grænsen ned, kommunikér den til dit team, og gennemgå den jævnligt, efterhånden som værktøjerne udvikler sig.
3. Betragt implementering af AI som et spørgsmål om teamets kompetencer, ikke om værktøjer. Adgang til AI-værktøjer vil ikke være den begrænsende faktor i de fleste økonomifunktioner; det vil teamets dømmekraft og evne til at bruge dem godt være. Yngre teammedlemmer risikerer at blive for afhængige og acceptere AI-output uden at stille spørgsmål til det. Det skaber en kvalitetsrisiko i netop de arbejdsgange, hvor du søger effektivitet. At opbygge de rigtige vaner – instinktet til at udfordre AI-output frem for at validere det – er et ledelsesproblem, der kræver aktiv opmærksomhed.
4. Dette råd er specifikt rettet mod CFO'er i virksomheder i kraftig vækst eller virksomheder med venturekapital i ryggen. Dine investorer holder øje med, hvordan du tænker om AI, ikke kun med hvordan din virksomhed bruger det. En CFO, der kan tale flydende og konkret om integration af AI i økonomifunktionen, herunder hvor det ikke har fungeret, signalerer en operationel professionalisme, der betyder noget i bestyrelsesrelationer og ved den næste kapitalrejsning. Ukonkret begejstring for AI er lige så skadelig som uvidenhed om det.
5. Og de fleste CFO'er vil modsætte sig dette råd. AI's indtog mindsker ikke betydningen af menneskelig dømmekraft i økonomiledelse; det øger den. Efterhånden som AI overtager mere analytisk arbejde og skrivearbejde, bliver det, der udelukkende forbliver menneskeligt, mere synligt og får større konsekvenser. Relationel intelligens, ansvarlighed, evnen til at aflæse rummet på et bestyrelsesmøde, dømmekraften til at vide, hvornår modellen tager fejl, selv når den ser rigtig ud. AI automatiserer ikke disse kompetencer; det forstærker deres betydning netop fordi alt omkring dem bliver automatiseret. CFO'er, der trives i denne situation, vil investere i disse menneskelige kompetencer, samtidig med at de integrerer AI i deres arbejdsgange.

Følg med

Du kan følge Nithin Shettys arbejde på LinkedIn.

Der kommer flere ekspertinterviews på CFO-klubben!