AI-født finansiel ekspert deler sine arbejdsgange — og hvordan han gør dem reviderbare

Sergei Mochtchenkov har arbejdet mere end 20 år inden for økonomi, herunder i CFO-roller. Nu er han fractionel CFO og har rådgivet over 300 kunder i en lang række brancher.

Vi satte os ned med Sergei for at høre om de arbejdsgange og værktøjer, han bruger i økonomiafdelinger. Her er, hvad han sagde.

En AI-baseret CFO

Jeg hedder Sergei Mochtchenkov, CFA. Jeg er fractionel CFO med base i Kyiv og arbejder med virksomheder i Nordamerika, Europa og andre steder. Jeg har arbejdet mere end 20 år inden for økonomi: finansiel modellering, værdiansættelse, investeringsanalyse og datavisualisering (Excel, Power BI, SQL). Undervejs har jeg rådgivet over 300 kunder, understøttet gælds- og aktietransaktioner til en værdi af over 1 mia. dollars samt flere børsnoteringer i teknologisektoren og fungeret som CFO eller chefanalytiker for virksomheder lige fra en AI-drevet platform til influencer-marketing til en ejendomsfond i Californien.

Strukturen er bevidst slank. Jeg sidder øverst som CFO og ledende analytiker; et lille team håndterer bogføring, afstemninger og rapportering; og AI-agenter arbejder imellem os — de analyserer kontoudtog, kategoriserer transaktioner, reviderer modeller og udarbejder rapportudkast. Kompleksiteten kommer i mindre grad fra antallet af medarbejdere end fra variationen: strukturer med flere enheder, koncerninterne konti, investorernes fordelingsmodeller, SAFEs og kapitaltabeller samt en blanding af regnskabssystemer (QuickBooks, Xero, Odoo, Shopify og Amazon Seller Central).

Min vej til AI var praktisk, ikke teoretisk. Fractionelt arbejde betyder, at man betjener mange kunder på én gang, og flaskehalsen var altid den samme: timer brugt på at rense data, genopbygge modeller og revidere regneark, før der overhovedet kunne begynde reelt analysearbejde. Da AI blev pålidelig nok til at læse en finanskladde, analysere kontoudtog eller spore en ødelagt formelkæde, byggede jeg min praksis op omkring det.

I dag positionerer jeg mig som AI-baseret fractionel CFO: AI udfører det tunge arbejde med data og de første udkast, mens jeg bruger min tid på vurderinger — hvad tallene betyder, og hvad ejeren bør gøre som det næste.

Sådan effektiviserer AI dataforberedelsen i økonomifunktioner

Her er den største ændring, jeg har foretaget med AI: Jeg er holdt op med at betragte forberedelse af rådata som menneskearbejde.

Hver ny opgave begyndte med flere dages rutinearbejde — download af PDF-kontoudtog fra flere banker, halvmanuel konvertering af dem og derefter kategorisering af tusindvis af transaktioner linje for linje, før nogen analyse kunne begynde. Fejl sneg sig ind, og den dyreste person på opgaven brugte tid på den mindst værdifulde opgave.

Derfor byggede jeg en AI-assisteret pipeline. Claude skriver og kører Python (med pdfplumber), som analyserer kontoudtog fra forskellige banker og omdanner dem til rene Excel-filer, og hvert resultat valideres med en fuld saldoafstemning — startsaldo plus transaktioner skal være lig med slutsaldoen, periode for periode — så intet accepteres blindt. Transaktionerne lander derefter i en Supabase-database, hvor AI kategoriserer dem efter de tilknytningsregler, jeg definerer og godkender, og alt tvetydigt sendes videre til mig. I en nylig opgave omfattede dette fire enheder på tværs af fire meget forskellige banker — amerikanske og saudiarabiske, neobanker og traditionelle banker.

Som følge heraf faldt gennemløbstiden for datafasen markant, nøjagtigheden steg, fordi valideringen er systematisk i stedet for stikprøvebaseret, og min tid skiftede fra indtastning til vurdering — gennemgang af undtagelser, koncerninterne pengestrømme og poster med interesseforbundne parter, hvor de reelle indsigter findes.

Sådan styrker AI modelrevisioner

Jeg udfører ofte revisioner og genopbygninger af finansielle modeller. Sådan gør jeg:

• Trin 1 — Fastlæg reglerne: Opret et Claude-projekt med skriftlige instruktioner: navngivningskonventioner, leverancer udelukkende på engelsk, formler som almindelig tekst samt filer, der er omfattet af og ikke omfattet af opgaven.
• Trin 2 — Kortlægning af indhold og afhængigheder: Claude bruger Python (openpyxl) til at katalogisere hvert ark, navngivet område, eksterne link, hardcodet tal og formelmønster og opbygger derefter et kort over, hvad der føder hvad. Vi rører ikke ved nogen celler, før vi forstår modellens struktur.
• Trin 3 — Fejlsøgning: AI sporer beregningskæder op mod modellens tilsigtede logik — vandfald, IRR, gældsplaner, pengestrøm — og udarbejder en fejlliste med oplysninger om celleplaceringer, alvorlighedsgrad og økonomisk påvirkning. Før vi klassificerer noget som en fejl, der er værd at rette, kontrollerer vi, om noget efterfølgende læser den pågældende celle.
• Trin 4 — Udførelse i to chats: Jeg bruger en hovedchat til afgrænsning og gennemgang samt en separat udførelseschat. Udførelseschatten modtager ét skriftligt opgavebrief ad gangen, udfører det og kontrollerer uafhængigt hovedchattens ræsonnement. Når to AI-gennemgange er uenige, giver det mig besked om at undersøge sagen nærmere.
• Trin 5 — Verifikation: Jeg gennemfører fulde genberegninger, scanninger efter fejl, afstemninger med kildedokumenter og stresstest af centrale scenarier. Derefter gennemgår jeg selv ændringerne og logikken.

Hvorfor AI håndterer data, og mennesker træffer vurderinger

Når det gælder hvor AI skal bruges, og hvor mennesker skal bruges, er min regel enkel: AI forbereder, tester og udarbejder udkast; et menneske træffer beslutningen og godkender den.

Jeg bruger AI til:

• Dataindlæsning og afstemning: fortolkning af kontoudtog, kategorisering af transaktioner samt analyse af debitorer og kreditorer.
• Modelrevision: sporing af formelkæder, identifikation af ødelagte link, hardcodede tilsidesættelser og skjulte fejl i kundemodeller. AI læser tusindvis af formler uden at blive træt.
• Prognoser: For e-handelskunder har jeg opbygget systemer til efterspørgselsprognoser, der renser dataene, normaliserer for sæsonudsving og annonceforbrug og producerer salgsintervaller med 95 % konfidensbånd, som indgår i en indkøbsplan.
• Afvigelsesanalyse
• Første udkast til kommentarer
• Scenarieanalyser
• Undersøgelser såsom konkurrencesammenligninger og markedsdata

Det, der udtrykkeligt forbliver menneskeligt:

• Antagelser: En model er kun så god som den vækstrate, kapitaliseringsrate eller kundefrafaldsantagelse, den bygger på, og det kræver en forståelse af virksomheden og de mennesker, der driver den.
• Kapitalallokering, værdiansættelseskonklusioner og alt, hvad der sendes til en investor, långiver eller bestyrelse under mit navn: Som CFA-certificeret er jeg ansvarlig for konklusionen, og ansvar kan ikke delegeres til en model.
• Beslutninger om mennesker og relationer: omkostningsbesparelser, der påvirker roller, forhandlinger og samtalen med en stifter, hvis plan ikke fungerer.

De to vigtigste fordele ved AI inden for finans

Omfanget af verifikationen har været en stor fordel ved AI. Den kontrollerer udtømmende arbejde, som tidligere blev stikprøvekontrolleret. Nylige eksempler omfatter: en projektmappe med verifikation af 134 nøgletal til en filmproduktions investorpitch, hvor vi sporede hvert tal i præsentationen tilbage til kildedokumenter; et tilbudsværktøj til en kunde med 126 opgaver og omkring 1.200 formler, som leverede nul formelfejl; samt en konvertering af kontoudtog fra fire juridiske enheder, hvor hver periode bestod en fuld saldoafstemning.

Omkostningerne er endnu en fordel. AI gør det muligt for organisationer at automatisere gentagne opgaver og processer. Det gør det også nemt at opsige ubrugte softwarelicenser og reducere marketingforbrug i kanaler, der klarer sig dårligt.

Læringer fra de områder, hvor AI har vanskeligt ved at levere

AI-fejl er farlige netop, fordi de ser professionelle ud. Jeg har set gennemarbejdede resultater med en forkert områdereference eller en fejllæst linjepost, som ville bestå en overfladisk gennemgang. Et lille, men sigende eksempel: Formler, der blev citeret i en rapport, indeholdt et indledende lighedstegn, så regnearket forsøgte at evaluere dem, hvilket resulterede i ødelagte referencer og fejlagtige advarsler om cirkulære referencer. Nu fastslår en stående regel, at formler i leverancer skal skrives som almindelig tekst.

AI vil også med glæde "rette" ting, der ikke betyder noget. Før jeg beslutter, om en værdi skal gendannes eller korrigeres, kontrollerer jeg først, om noget efterfølgende faktisk læser den. Denne enkle disciplin sparer meget spildt arbejde.

Og her er et par specifikke områder, hvor AI ikke leverer:

• Store Excel-modeller: Jeg forventede, at AI bare ville forstå og rette en model med 30 faner. Det gør den ikke. Store projektmapper med eksterne links, skjulte ark, gammel VBA eller ActiveX-kontrolelementer og mange års rettelser overvælder den — den mister tråden på tværs af fanerne og foreslår rettelser, der ødelægger noget et andet sted. Langsommere og mere disciplinerede tilgange fungerer bedre: Først opbygger man en oversigt over modellen og et afhængighedskort; derefter lader man AI arbejde med én afgrænset opgave ad gangen, efterfulgt af en separat gennemgang af resultatet. AI er en stærk analytiker, men endnu ikke en arkitekt.
• Prognoser under regimeskift: Statistiske prognoser og ML-prognoser er fremragende, når fremtiden ligner fortiden — f.eks. sæsonbestemt efterspørgsel inden for e-handel. Da jeg bor og arbejder i Ukraine, ser jeg ofte, hvor dårligt historikbaserede modeller håndterer krig, sanktioner, valutachok og pludselig omkostningsinflation. I sådanne miljøer producerer AI selvsikre tal uden et reelt grundlag; scenarietænkning og menneskelig dømmekraft betyder langt mere.

Og en mindre pointe: Kategorisering af transaktioner flader ud. AI håndterer størstedelen godt, men den tvetydige rest — overførsler mellem interesseforbundne parter, ejerudgifter og koncerninterne pengestrømme — er netop der, hvor regnskabsrisikoen ligger, og det kræver stadig en menneskeskabt regelbog.

Hvordan AI introducerer skjulte omkostningsrisici i økonomifunktionen

CFO'er skal holde øje med beregningsomkostninger som en skjult variabel vareforbrugsomkostning.

Mange ledere opfatter stadig AI som software — et fast abonnement. For AI-baserede produkter er det ikke tilfældet. Hver brugerhandling kan udløse modelkald, og inferensomkostningerne skalerer med brugen, promptens længde og valget af model. Det forvandler det, der ligner en SaaS-forretning med høj margin, til noget med reelle og svingende variable omkostninger. Jeg ser jævnligt AI-startups, hvis bruttomarginer stille og roligt udhules, efterhånden som de vokser, fordi deres modeldesign forudsatte softwarelignende marginer, og ingen fulgte omkostningen pr. kunde, funktion eller transaktion.

Løsningen er grundlæggende økonomisk disciplin anvendt på en ny omkostningslinje: Mål enhedsøkonomien på niveauet for AI-kaldet, placér beregningsomkostninger i vareforbruget, hvor de hører hjemme, fastsæt budgetter og alarmer, tilpas modellens størrelse til opgaven, og pris produktet med beregningsomkostningerne for øje. Styring af beregningsomkostninger er nu et centralt CFO-ansvar i enhver AI-tung virksomhed — ikke en teknisk detalje.

Sådan håndterer du AI

AI har brug for ledelse, ikke kun prompter. Til at begynde med behandlede jeg den som et meget hurtigt værktøj, men den opfører sig langt mere som en genial ny medarbejder uden hukommelse om i går og med en stærk trang til at være hjælpsom. Her er tre ting, jeg ville sige til mit tidligere jeg, hvis jeg kunne:

• Skriv reglerne ned én gang. Alle virksomheder har uskrevne konventioner — hvordan procenter vises, hvilke konti der indgår i hvilke rapporter, hvordan formler dokumenteres, og på hvilket sprog leverancerne skal være. Hvis de kun findes i dit hoved, vil AI "fornuftigvis" gøre noget forskelligt hver gang.
• Adskil spørgsmål fra ændringer. Spørg AI, hvorfor et tal ser mærkeligt ud, og den vil ofte "rette" det. Min faste regel er nu: Når jeg stiller et spørgsmål, svarer AI først og venter på godkendelse, før den ændrer noget. Tidligt i forløbet ville det have forhindret flere skjulte redigeringer, som jeg måtte rulle tilbage.
• Hold opgaverne små, og lad originalen forblive urørt. Mine første forsøg gav AI for meget på én gang — "gennemgå hele denne model og ret den". Resultaterne så imponerende ud og var svære at kontrollere. Afgrænsede opgavebeskrivelser, én ændring ad gangen, en ren kopi af originalen og en ændringslog gør hvert trin kontrollerbart.

Disse tre ting ville have sparet mig for timers omarbejde, nogle pinlige næsten-fejl, der blev opdaget under gennemgangen, og den fejlagtige tro på, at den vigtigste værdi ved AI er hastighed. Den vigtigste værdi er, at du har råd til at kontrollere alt — men kun hvis du designer processen til det.

Sådan kan AI bruges i arbejdskapitalstyring

De fleste økonomiteams håndterer stadig tilgodehavender, gæld og lagerbeholdning med månedlige rapporter og mavefornemmelse, selv om det er her, likviditet skabes eller bindes. Men AI er usædvanligt stærk på dette område, fordi inputtene er omfattende, gentagne og indeholder mønstre, som mennesker ikke har tid til at se.

To områder, jeg har redesignet:

• Lagerbeholdning og indkøbsplanlægning for e-handel: For brands inden for sportstøj, badetøj, legetøj og proteinbarer erstattede vi "genbestil det, der blev solgt sidste sæson" med et prognosesystem, som jeg allerede kort har berørt. Vi renser salgshistorikken, normaliserer for sæsonudsving og annonceforbrug, prognosticerer efterspørgslen med 95 %-intervaller og udarbejder derefter en indkøbsplan, der specifikt afvejer lageromkostninger, bruttomargin, egenkapitalforrentning, mængderabatter og leverandørens leveringstid. Resultatet er en indkøbsbeslutning baseret på en række udfald, hvor omkostningen ved at tage fejl i begge retninger er synlig på forhånd — i stedet for ét enkelt gæt.
• Tilgodehavender, gæld og kommunikation: Jeg bygger Claude-drevet analyse af debitorer, kreditorer og virksomhedens egen kommunikation, så økonomiafdelingen ikke kun kan se, at en faktura er forsinket, men også hvorfor — en tvist, et leveringsproblem eller en kunde under pres — og kan handle tidligere. Den samme tilgang opdager dubletter eller usædvanlige kreditorbetalinger samt leverandørvilkår, der stille og roligt har ændret sig.

Hvorfor Claude Code og Cowork ændrer spillereglerne i økonomifunktionen

Claude ændrer spillereglerne — specifikt i sin agentiske form (Claude Code og Cowork), hvor det ikke bare chatter, men arbejder med filer, skriver og kører Python, læser og opbygger Excel-modeller samt forbinder sig til databaser og virksomhedsapps.

Med det kan jeg fortolke kontoudtog, gennemgå en model med 30 faner, opbygge et prognosesystem, udarbejde et investormemorandum og bygge et datasæt, der er klar til Power BI — og, endnu vigtigere, det skriver kode, som jeg kan gemme, køre igen og revidere, i stedet for blot at give mig svar. Instruktioner på projektniveau lader mig indkode hver kundes regler én gang, så arbejdet forbliver ensartet på tværs af sessioner.

Men Excel er stadig uvurderligt. Det er fortsat det sprog, investorer, långivere og bestyrelser læser, og de bedste AI-arbejdsgange, jeg anvender, ender i et rent og gennemsigtigt regneark, som et menneske kan kontrollere linje for linje.

Sådan ændrer AI teams og uddannelsesveje

Pyramiden er blevet til en diamant. Traditionelt har en økonomifunktion brug for mange juniorer til dataindtastning, afstemninger og første udkast til modeller, nogle få seniorer til at gennemgå dem og én partner øverst. I dag udfører AI det meste af dette grundlag.

Den talentblanding, jeg søger, har ændret sig tilsvarende. Mindre værdi i hastighed inden for databehandling; meget mere i tre ting: at forstå, hvordan en virksomhed tjener penge, evnen til at skrive en præcis opgavebeskrivelse og teste resultatet samt modet til at fortælle en stifter, at et tal eller en plan er forkert.

Det åbne spørgsmål for professionen er uddannelsesvejen. Juniorer plejede at lære ved at udføre det rutineprægede arbejde. Hvis AI gør det, er vi nødt til bevidst at lære dem dømmekraft — ved at lade folk gennemgå, udfordre og forklare AI-output i stedet for at producere det fra bunden.

Fem råd til CFO'er

Her er mine råd til CFO'er:

• Brug selv AI i denne uge på rigtigt arbejde. Uddelegér ikke AI til et innovationsudvalg, og vent ikke på den perfekte implementering i hele virksomheden. Tag én smertefuld, gentagende proces — en afstemning, en modelrevision, et første udkast til en bestyrelsespakke — og udfør den personligt med AI. Du kan ikke lede en transformation, du ikke selv har mærket.
• Design kontrollerne, før du skalerer. Alle AI-arbejdsgange har brug for en indbygget kontrol, som ikke afhænger af tillid til AI: en gennemgang af balancen, en afstemning med finansbogen, en anden uafhængig gennemgang. AI laver fejl hurtigere og mere overbevisende end en junioranalytiker, så dit kontroldesign skal være bedre end før.
• Bevar dømmekraft og ansvar hos mennesker. Lad AI forberede, teste og udarbejde udkast; behold antagelser, kapitalallokering og alt, hvad der underskrives i dit navn, hos mennesker. Skriv denne grænse ned, så dit team ved, hvor den går.
• Genopbyg teamet, ikke kun værktøjerne. Fremtidens økonomiteam er mindre, mere seniorpræget og mere analytisk. Investér i mennesker, der kan formulere spørgsmål, udfordre tal og tale med forretningen — disse færdigheder bliver mere værdifulde med AI; ren databehandling gør ikke.
• Mål værdien, ikke aktiviteten. Hurtigere rapportering er fint, men det egentlige spørgsmål er, om du finder mere værdi: en avance, du ikke havde set, likviditet, der er bundet det forkerte sted, eller en aftale med en forkert pris. Hvis AI frigiver økonomiteamets tid, og den tid ikke bruges på beslutninger, har du kun automatiseret det gamle arbejde.

Følg med

Du kan følge Sergei Mochtchenkovs arbejde på LinkedIn. Eller se aistartupcfo.com og financialmodeling.net.

Flere ekspertinterviews følger på The CFO Club!