AI-agenter gør ingen forskel uden ibrugtagning

Sibaranjan Patnaik er økonomi- og strategidirektør i den Indien-baserede GCC-enhed hos en stor teknologivirksomhed. Med 16 års erfaring har han arbejdet på tværs af roller inden for både regnskab og FP&A, hvilket har givet ham en omfattende forståelse af, hvordan økonomifunktioner fungerer.

Vi talte med Sibaranjan for at høre om de interne økonomiagenter, han er ved at bygge — og hvorfor AI-succes defineres af de mennesker, der tager teknologien i brug. Her er, hvad han sagde.

Den teknologiske transformation af økonomifunktionen finder endelig sted

Jeg hedder Siba — økonomi- og strategidirektør med omkring 16 års erfaring.

Jeg begyndte inden for regnskab, bevægede mig over i FP&A, og den rejse på tværs af begge sider af funktionen har givet mig et fuldstændigt billede af, hvordan økonomifunktionen fungerer i hverdagen — ikke kun planlægnings- og prognoselaget, men også den transaktions- og rapporteringsmotor, der ligger nedenunder.

I dag er mit ansvarsområde udvidet ud over økonomi — jeg leder teknologiteams, indtægtsfunktioner og flere vertikaler samtidig og fungerer lige så meget som tværfunktionel leder som økonomileder. Denne bredde ændrer den måde, man tænker på transformation — man holder op med at se det som et økonomiproblem og begynder at se det som et organisatorisk problem.

Set i bakspejlet synes jeg næsten, det er komisk: Gennem hele min karriere har jeg hørt om teknologidrevet transformation af økonomifunktionen. Bedre værktøjer. Smartere systemer. Excels død. Alligevel forblev den grundlæggende arbejdsgang den samme i alle de roller, jeg trådte ind i — uanset om det var hos en stor FMCG-virksomhed, en global detailhandelsvirksomhed eller en GCC-enhed. Hent dataene, afstem dem, opbyg modellen, formatér præsentationen, send den videre. Excel, hver gang.

Vi havde oversigter, der var bygget på manuelle dataudtræk. Vi havde planlægningsværktøjer, som stadig krævede, at nogen holdt øje med antagelserne. Teknologien fandtes i afgrænsede områder, men transformationen indtraf aldrig helt.

Det, der er anderledes nu — og det siger jeg som en person, der er skeptisk over for hypen omkring økonomiteknologi — er, at AI, specifikt agentisk AI, er det første, jeg har brugt, som reelt ændrer den underliggende arbejdsgang og ikke kun præsentationslaget. Jeg bruger det i dag til at automatisere kommentarer, fremskynde scenarieanalyser og håndtere det gentagne analytiske arbejde, der tidligere optog det meste af en arbejdsuge for et hold.

For første gang i min karriere føler jeg oprigtigt, at den lovede transformation endelig bevæger sig i den rigtige retning. Og det er det, jeg forsøger at bringe ind i samtaler, når jeg vejleder unge økonomiprofessionelle — for muligheden for at komme foran udviklingen er her nu.

Brug af AI til at arbejde på et højere strategisk niveau

Jeg arbejder for en moden, børsnoteret organisation med globale aktiviteter. Jeg vil ikke dele specifikke oplysninger offentligt — jeg vil gerne gøre det klart, at det, jeg deler her, udelukkende er mine personlige observationer — men jeg kan sige, at jeg leder en økonomiorganisation inden for en GCC-struktur i Indien. Det betyder, at vi er et strategisk leverancecenter for en langt større global funktion.

Kompleksiteten er reel; vi laver mere end administrativ behandling. Holdet dækker FP&A-, indtægts- og teknologifunktioner og arbejder på tværs af flere vertikaler med betydelige tværfunktionelle afhængigheder. I dette miljø afvejer vi hele tiden global standardisering over for lokale realiteter i udførelsen.

Set fra et transformationsperspektiv er GCC-enheder i Indien historisk blevet betragtet som omkostningscentre — opbygget med henblik på effektivitet, ikke indflydelse. Jeg forsøger i høj grad at ændre denne opfattelse, både internt og i den måde, holdet ser sig selv på. Som økonomipartner for en global forretningsenhed i en GCC skal man arbejde på samme strategiske niveau som alle andre i hovedkvarteret. AI er en stor del af den måde, vi lukker dette hul på.

Hvorfor omfattende AI-ændringer i økonomifunktionen kræver tålmodighed

Jeg har ikke et fuldt implementeret ende-til-ende AI-drevet økonomiarbejdsgangssystem i drift i produktionen i dag. Jeg ville være skeptisk over for enhver, der hævder at have det i stor skala, med kontrolforanstaltninger, i en reguleret, børsnoteret virksomhed. Jeg har en klar retning, et sæt produktivitetsværktøjer, der reelt ændrer måden, jeg og mit team arbejder på hver dag, samt en række agenter på forskellige stadier af udvikling og test.

På produktivitetssiden bruger jeg AI-værktøjer dagligt til at udarbejde kommunikation, opsummere lange rapporter, strukturere analyser, forberede mig til forretningsgennemgange og gennemgå scenarier hurtigere, end jeg kunne på egen hånd. Det er ikke glamourøse anvendelsesområder, men den samlede tidsbesparelse er reel, og værktøjerne har ændret kvaliteten af min deltagelse i samtaler.

Mine nuværende fremskridt er mere ambitiøse. Jeg arbejder hen imod en arbejdsgang, hvor agenter håndterer de mekaniske dele af den månedlige afslutningscyklus — datakonsolidering, markering af afvigelser og generering af kommentarer — mens mennesker træder ind på gennemgangs- og vurderingsniveauet. Arkitekturen findes, og testningen er i gang. Det tager tid at få det rigtigt og sikre, at de rette kontrolforanstaltninger er på plads.

Jeg deler dette som et arbejde under udvikling i stedet for at fremstille det som noget færdigt, fordi jeg mener, at økonomifaget allerede har nok mennesker, der sælger slutmålet. Det nyttige er at høre, hvordan rejsen ser ud i realtid — hvad der fungerer, hvad der stadig skal afklares, og hvad der er sværere end forventet.

Det er dér, jeg står. Jeg bygger omhyggeligt, bevæger mig støt fremad og venter ikke på perfektion, før jeg går i gang.

Sådan forbedrer AI afvigelseskommentarer

En nylig ændring, jeg har foretaget, handler om afvigelseskommentarer. Alle økonomiteam gør det. Hver måned uden undtagelse sætter nogen sig ned og skriver to til tre sider, der forklarer, hvorfor de realiserede tal lå over eller under planen. Linje for linje. I teorien er det vigtigt arbejde, men i praksis er omkring 80 % af det mekanisk. Tallene findes allerede. Afvigelserne er allerede beregnet. Det, der tager tid, er at omsætte dataene til sætninger, som en interessent uden for økonomifunktionen kan læse og handle på.

Før vi ændrede dette, brugte en erfaren analytiker det meste af en dag alene på kommentarerne. Ikke fordi vedkommende var langsom — men fordi det reelt tog så lang tid at gøre det ordentligt på tværs af flere omkostningssteder og forretningsområder. Og da arbejdet var færdigt, gennemgået og formateret, var tidsvinduet for den samtale, det skulle understøtte, allerede blevet smallere.

Jeg byggede en agent til at håndtere det første udkast. Den henter tallene, identificerer de væsentlige afvigelser og genererer strukturerede kommentarer i et klart forretningssprog. Analytikerens opgave er nu at gennemgå, forfine og tilføje vurderingslaget — den kontekst, som kun et menneske med forretningsindsigt kan bidrage med.

Det påvirker hastigheden, men det ændrer også kvaliteten af samtalen. Når din analytiker ikke er udmattet af at skrive, møder vedkommende op til gennemgangsmødet med fokus på, hvad afvigelsen betyder for næste kvartal — ikke kun på, hvad der skete sidste måned. Det var den ændring, jeg ønskede. Én dags mekanisk skrivearbejde kan blive til to timers tænkning.

En ramme for det, der forbliver menneskeligt

Min ramme er enkel: Hvis det er mekanisk, så automatisér det. Hvis det kræver vurdering, så lad et menneske håndtere det. Det er det hele.

Det lyder indlysende, men de fleste økonomiteam arbejder ikke på den måde. Mennesker udfører mekanisk arbejde og kalder det analyse. AI-værktøjer står ubenyttede på hylden, fordi ingen tydeligt har defineret grænsen.

AI håndterer datakonsolidering, afstemninger, markering af afvigelser, kommentarer i første udkast, opdateringer af prognosemodeller, når forudsætninger ændrer sig, standardiserede rapportpakker og pengestrømsprognoser baseret på historiske mønstre. Det er gentagelige, regelbaserede opgaver i stort volumen. Mennesker bør ikke længere bruge væsentlig tid på dem. En agent gør det hurtigere, mere konsekvent og uden den træthed, der sniger sig ind mod slutningen af en afslutningscyklus.

Mennesker håndterer alt, der kræver kontekst, relationer og vurdering. Hvad betyder denne afvigelse for virksomheden? Bør vi omfordele kapital til dette initiativ eller vente på grund af markedsforholdene? Hvad er den rigtige måde at præsentere denne risiko for ledelsen på? Er denne prognose troværdig i sin retning, eller tilpasser vi blot et tal til et mål? AI kan kvalificere alle disse samtaler; den kan ikke tage ejerskab over dem.

Her trækker jeg grænsen: AI giver mit team information hurtigere og i bedre form end før. Men beslutningen — og ansvaret for den — ligger hos personen. Jeg forsøger ikke at omgå en begrænsning; det er sådan, det er designet.

Sådan forbedrer AI økonomiteamets effektivitet og selvtillid

Positivt set er den mest pålidelige effekt en omfordeling af tiden. Automatisering af mekaniske opgaver — dataudtræk, afstemninger, standardrapportering og kommentarer i første udkast — giver hver person flere timer tilbage hver uge. Ikke teoretiske timer, men reelle timer. Hvis du er bevidst om, hvordan folk bruger den tid, begynder du at se analyser af højere kvalitet, hurtigere svar på forretningsspørgsmål og økonomimedarbejdere, der er engagerede i deres arbejde i stedet for at kæmpe sig gennem en afslutningscyklus.

Prognosekvaliteten forbedres også — ikke fordi AI er klogere end dine analytikere, men fordi analytikerne er mindre trætte og har mere tid til at undersøge antagelserne kritisk i stedet for blot at udfylde modellen. Trætte mennesker træffer dårlige beslutninger. Udhvilede mennesker med rene data træffer bedre beslutninger.

Kvalitativt set er den mest betydningsfulde ændring selvtillid. Når et økonomiteam holder op med at bruge det meste af sin energi på at producere og i stedet begynder at fortolke, deltager de på en anden måde i forretningssamtaler. De har holdninger. De siger fra. Det er den kulturelle ændring, der er svær at måle, men umulig at overse.

AI's største fejlkilder inden for økonomi

Sibaranjan deler

Den største fejlkilde, jeg ser, er teams, der automatiserer dårlige processer. Hvis de underliggende data er rodede, arbejdsgangene er ødelagte…så fremskynder AI blot problemet. Skrald ind, skrald ud, men hurtigere.

Nu til det dårlige. Den største fejlkilde, jeg ser, er teams, der automatiserer dårlige processer. Hvis de underliggende data er rodede, arbejdsgangene er ødelagte, eller teams ikke forstår tallene, fremskynder AI blot problemet. Skrald ind, skrald ud, men hurtigere.

Den næststørste fejlkilde er overdreven afhængighed af resultater, som folk ikke forstår fuldt ud. AI kan producere en smukt struktureret prognose, en afvigelsesanalyse, der ser overbevisende ud, og en overskuelig scenariemodel. Og hvis den person, der præsenterer den, ikke kan forklare, hvordan den er blevet udarbejdet, eller hvor antagelserne stammer fra — så er det en risiko. Ikke en teknologisk risiko. En dømmekraftsrisiko. AI bør gøre dit team skarpere, ikke mere passivt. Hvis den gør det modsatte, er det den risiko, som ingen taler højt nok om.

Den tredje fejlkilde er implementeringen. Du kan bygge den mest elegante agent, men hvis teamet ikke stoler på den eller ikke ændrer den måde, de arbejder med den på, bliver den ikke brugt. Forandringsledelse er ikke valgfrit.

Hvorfor indførelse af AI kræver nytænkte arbejdsgange

Når AI ikke fungerer, er det et menneskeproblem.

Jeg har bygget agenter, der fungerer. Jeg har set dem blive testet, valideret og godkendt. Derefter så jeg teams stille og roligt gå uden om dem og vende tilbage til deres gamle metoder. Ikke af ond vilje, men på grund af vane, tryghed og en oprigtig tro på, at deres manuelle version var mere pålidelig, selv når den ikke var det.

Det er det hul, som ingen taler nok om i samtaler om AI-transformation. Alle fokuserer på, hvad der skal bygges. Meget få fokuserer på, hvad der skal ændres hos det menneske, der bruger værktøjet, for at det virkelig skal gøre en forskel.

Økonomimedarbejdere er især uddannet til at være præcise og risikoaverse. Det er en styrke i jobbet. Det bliver en barriere, når du beder dem stole på et system, de ikke selv har bygget og ikke kan gennemskue fuldt ud. I det øjeblik et AI-resultat ser en smule forkert ud — selv hvis det er korrekt — vender de som standard tilbage til selv at gøre arbejdet. Og når det er sket et par gange, holder de op med at bruge agenten.

Jeg har lært, at implementering ikke er et kommunikationsproblem. Det nytter ikke noget at sende en e-mail med teksten "vi har et nyt værktøj, brug det venligst". Det er et problem med adfærdsændring. Du skal redesigne arbejdsgangen omkring værktøjet i stedet for blot at føje det til den eksisterende arbejdsgang og håbe på, at folk tilpasser sig.

Hvorfor Claude skiller sig ud i økonomiske anvendelsestilfælde

Jeg bruger flere værktøjer, og jeg synes, det er den rigtige tilgang lige nu. Vi befinder os i en udforskningsfase, og alle værktøjerne udvikler sig stadig hurtigt. Det ville være forkert at vælge ét i dag og ignorere resten.

Men hvis jeg skulle hælde til én retning, har Claude især skilt sig ud til finansarbejde. Evnen til at ræsonnere sig gennem komplekse scenarier, arbejde med tal i deres kontekst, udarbejde strukturerede analyser og håndtere nuanceret virksomhedssprog gør det særligt nyttigt til den type tænketunge arbejde, som FP&A kræver.

Værktøjerne ændrer sig hurtigt, og det værktøj, der bliver en del af min langsigtede arbejdsgang, skal gøre sig fortjent til det. Lige nu er jeg nysgerrig på dem alle og lader anvendelsesområderne afgøre det.

Forveksl ikke køb af AI-værktøjer med AI-transformation

Her er mit råd:

1. Hold op med at vente på den perfekte virksomhedsstrategi, før I går i gang. De fleste CFO'er, jeg taler med, sidder med en transformationskøreplan, der har været under gennemgang i seks måneder. Imens bruger deres teams stadig halvdelen af arbejdsugen på opgaver, de kunne automatisere i dag. Muligheden er der lige nu. Brug den.
2. Forveksl ikke køb af værktøjer med at opnå transformation. Jeg har set organisationer bruge betydelige beløb på platforme, licenser og konsulenter og komme ud på den anden side med de samme arbejdsgange, som de startede med, blot dyrere. Teknologien er ikke den svære del. Den svære del er ærligt at vurdere, hvordan dit team arbejder, og være villig til at ændre det.
3. Investér i dine medarbejdere, før du investerer i værktøjer. En økonomimedarbejder, der forstår, hvad AI kan og ikke kan, som formulerer gode prompts, kritisk gennemgår AI-output og tilfører det vurderingslag – den person er mere værd end enhver platform, du køber. Opbyg den kompetence i dit team. Den vokser med tiden.
4. Få styr på dine data. AI vil afsløre alle revner i dit datagrundlag hurtigere end noget andet. Hvis dine tal ikke er rene, dine processer ikke er dokumenterede, og dine systemer ikke taler sammen – så løs det først. Ellers automatiserer du kaos.
5. CFO'ens job er under forandring, uanset om du beskæftiger dig med AI eller ej. Spørgsmålet er, om du former den forandring eller reagerer på den. De finansledere, der vil gøre en forskel om fem år, er dem, der er nysgerrige nok til at eksperimentere, ydmyge nok til at lære af det, der ikke virker, og beslutsomme nok til at skabe noget.

Hav ikke bare en mening om AI. Gør noget med det.

Sibaranjan deler

Her er mit råd: Hold op med at vente på den perfekte virksomhedsstrategi, før I går i gang. Forveksl ikke køb af værktøjer med at opnå transformation. Investér i dine medarbejdere, før du investerer i værktøjer. Få styr på dine data. CFO’ens job er under forandring, uanset om du beskæftiger dig med AI eller ej… Hav ikke bare en mening om AI. Gør noget med det.

Følg med

Du kan følge Sibaranjan Patnaiks arbejde på LinkedIn.

Der kommer flere ekspertinterviews på The CFO Club!