Senior Director for LinkedIns systemer til økonomidirektøren siger, at AI ændrer økonomifunktionen fra en rapporteringsfunktion til et operativsystem

Pankaj Prasoon er senior direktør for CFO-systemer og -teknologi hos LinkedIn. Han har to årtiers erfaring fra anerkendte organisationer som Microsoft og Infosys.

Vi interviewede Pankaj for at lære, hvordan han redesigner finansområdet fra bunden. Han fortalte, hvad der fungerer med AI-drevet finans — og hvad der ikke gør.

Fra finans som rapporteringsfunktion til et operativsystem

Jeg har brugt næsten to årtier i krydsfeltet mellem finans, virksomhedssystemer og produktudviklingstænkning — på tværs af organisationer som Microsoft, Infosys og nu LinkedIn, hvor jeg er med til at forme fremtidens finansteknologi.

Min rejse begyndte ikke med AI. Den begyndte med frustration. Frustration over at sidde i rum, hvor to systemer viste to forskellige tal. Frustration over finansteams, der brugte mere tid på at afstemme fortiden end på at forme fremtiden. Frustration over at se utroligt dygtige finansledere være begrænset af fragmenterede systemer og forsinket indsigt.

AI er en drivende kraft. Den blotlægger alt det, der allerede var ødelagt:

• Stive processer
• Forsinket indsigt
• Overdreven afhængighed af manuel vurdering
• Systemer designet til kontrol, ikke intelligens

Det, der begejstrer mig ved dette øjeblik, er ikke automatisering — det er forstærkning. For første gang kan finansledere bevæge sig fra bagudskuende analyse til fremsyn, fra rapportering til indflydelse og fra effektivitet til virkningsfuldhed.

I dag fokuserer jeg på at opbygge det, jeg kalder en strategi- og platformsmodel for finansteknologi — hvor arkitektur, produktudviklingstænkning og AI samles for at skabe et system, der ikke bare følger virksomheden, men aktivt former den. For fremtidens finans handler ikke om at lukke regnskaber hurtigere. Det handler om at hjælpe virksomheden med at træffe bedre beslutninger, før tallene overhovedet er skrevet.

Pankaj deler

AI er en drivende kraft. Den blotlægger alt det, der allerede var ødelagt.

Ledelse af LinkedIns CFO-organisation

Jeg leder Finans Teknologi og Platforme i LinkedIns CFO-organisation — en global virksomhed med en omsætning på flere milliarder, der opererer i stor skala på tværs af geografiske områder, produkter og lovgivningsmæssige miljøer.

Kompleksiteten er, hvad man kunne forvente på dette stadie:

• Flere indtægtsstrømme på tværs af Talentløsninger, markedsføring og Premium
• En global tilstedeværelse med regionsspecifik overholdelse af regler, skat og driftsmodeller
• Dybtgående integration på tværs af finans-, salgs-, HR- og produktsystemer

Men den virkelige udfordring er ikke skala. Det er sammenkoblingen.

Finans sidder i dag i centrum for enhver kritisk beslutning:

• Planlægning og prognosticering på tværs af dynamiske forretningscyklusser
• Styring af kapitalallokering med stadig større præcision
• Understøttelse af vækst, samtidig med at disciplin og kontrol opretholdes

Vi arbejder mindre som et traditionelt teknologiteam inden for finans og mere som en produktorganisation, der er indlejret i finans — med ansvar ikke kun for systemer, men også for resultater. For i denne skala handler finans ikke bare om at styre tal. Det handler om at forme, hvordan virksomheden træffer beslutninger hurtigt, klart og med sikkerhed.

Hvor CFO'er skal begynde med AI

De fleste CFO'er begynder deres AI-rejse med at tænke på anvendelsesområder, værktøjer, leverandører og investeringsafkast. Men AI fungerer ikke isoleret. Den bygger oven på dine data, dine processer, din driftsmodel og din beslutningsdisciplin.

Hvis disse elementer er fragmenterede, forenkler AI dem ikke; den forstærker fragmenteringen. Du får ikke bedre svar. Du får hurtigere forkerte svar.

Så før du spørger: “Hvor kan vi anvende AI?” skal du spørge: “Er vores finanssystem designet til at producere ensartede data, der er klar til beslutninger?” For AI er ikke en strategi. Den accelererer det system, du allerede har.

Fokusér på:

• En klar kilde til sandheden (definitioner, målepunkter, styring)
• Standardiserede processer på tværs af økonomiområder
• Et stærkt data- og arkitekturfundament
• En kultur, der værdsætter at stille spørgsmål ved resultaterne frem for blot at acceptere dem

Sådan forbedrer AI-integration arbejdsgangene i økonomifunktionen

Her er de forbedringer, jeg har set med AI i økonomifunktionen:

• Reduktion af gennemløbstid (30–60 %): Variansanalyse, der tidligere tog 2–3 dage, udføres nu på få timer, og understøttende aktiviteter i forbindelse med månedsafslutningen (analyse, understøttelse af afstemninger) er blevet reduceret betydeligt. Det er her, AI leverer med det samme — hastighed.
• Prognosenøjagtighed (5–15 % forbedring på kortsigtede tidshorisonter): Kortsigtede prognoser (4–8 uger) blev mærkbart forbedret; AI opfangede ledende indikatorer, som mennesker ignorerede (brugstendenser, adfærdssignaler). Men en vigtig nuance er, at nøjagtigheden blev forbedret mere i stabile miljøer og mindre i volatile miljøer.
• Produktivitetsløft (20–40 % frigjort analytikerkapacitet): Analytikere bruger mindre tid på at indsamle data og mere tid på at fortolke dem. Én analytiker kan nu dække det, der tidligere krævede 1.5-2 fuldtidsansatte. Det fører ikke altid til omkostningsreduktion — det fører til en bedre fordeling af talenter.
• Tidligere risikoregistrering (dage → næsten realtid): Pengestrømsrisici, anomalier og afvigende observationer identificeres hurtigere; overraskelsesmomentet i forretningsgennemgange er reduceret. Det er subtilt, men effektivt — færre eskaleringer i sidste øjeblik.

Her er det, der ikke blev forbedret (eller blev værre):

• Overdreven tillid til resultaterne: AI-genererede fortællinger lyder rigtige, selv når de er forkerte. I begyndelsen begyndte teams at stole på resultaterne uden at udfordre dem, hvilket er farligere end manuelle fejl.
• Falsk præcision: AI skaber en illusion af sikkerhed: “Prognosen angiver 97.2 % sikkerhed”. Men økonomiske beslutninger er ikke udelukkende probabilistiske øvelser — de involverer strategi, timing og kontekst.
• Dataafhængighed afslørede svage fundamenter: AI løste ikke dataproblemer. Det forstørrede dem: inkonsistente hierarkier, utilstrækkelige stamdata, fragmenterede systemer. Skidt ind, forstærket skidt ud.
• Begrænset indvirkning på langsigtet planlægning: AI havde svært ved årsplanlægning, strategiske scenarier og beslutninger om kapitalallokering. Fordi det ikke er mønsterproblemer — det er dømmekraftsproblemer.

Den ubehagelige sandhed er, at AI ikke reducerede omkostningerne i økonomifunktionen så meget, som folk forventede. Det flyttede omkostningerne fra arbejdskraft til beregning, fra manuelt arbejde til modelstyring og fra analytikere til ingeniører og datainfrastruktur.

Hvorfor AI informerer økonomiske beslutninger, men mennesker står for dømmekraften

Her er den enkleste måde at se opdelingen mellem AI-opgaver og menneskelige opgaver på: AI bør informere om mønstre; mennesker bør træffe forpligtende beslutninger.

Jeg bruger AI på områder, hvor skala, hastighed og mønstergenkendelse er vigtigere end dømmekraft:

• Prognoser (kortsigtede og rullende): AI er fremragende til at indlæse flere signaler — historiske data, sæsonudsving, pipeline-data, eksterne indikatorer — og løbende opdatere prognoser. Det fjerner skævheden ved statisk, kalenderdrevet planlægning.
• Variansanalyse: AI kan øjeblikkeligt nedbryde varianser på tværs af tusindvis af dimensioner: hvad ændrede sig, hvor ændrede det sig, og hvad forårsagede det sandsynligvis. Det tog tidligere dage. Nu sker det næsten i realtid.
• Pengestrømsmønstre: Ikke beslutningstagning, men signalregistrering: tendenser i betalingsadfærd, opkrævningsrisici og likviditetsmønstre. AI hjælper med at synliggøre risici tidligere end traditionelle rapporter.
• Risikoregistrering (operationel og finansiel): AI er meget effektiv til at identificere anomalier: usædvanlige transaktioner, afvigelser fra kontroller og afvigende adfærd. Den “forstår” ikke risiko, men markerer, hvor man skal kigge.

Men jeg sørger for, at områder, hvor kontekst, afvejninger og ansvarlighed er vigtige, udtrykkeligt forbliver menneskelige:

• Kapitalallokering: Ingen model forstår strategi, timing eller konkurrencepositionering på samme måde som ledelsen. AI kan informere scenarier — men kan ikke beslutte, hvor der skal satses.
• Langsigtet planlægning og budgettering: Budgetter er ikke prognoser — de er forpligtelser. De afspejler hensigter, prioriteter og afvejninger på tværs af organisationen.
• Endelige risikobeslutninger: AI kan fremhæve afvigelser, men hvilken risiko er acceptabel? Hvilken afvejning er værd at foretage? Det er ledelsens beslutninger, ikke modellens resultater.
• Forretningssamarbejde og indflydelse: Økonomi handler ikke kun om tal — det handler om at påvirke beslutninger: Udfordre antagelser, aflæse rummet og forstå hensigten bag forespørgsler. AI har ingen kontekst for menneskelige dynamikker.

Hvis AI træffer dine beslutninger, er du gået for langt. Hvis AI ikke informerer dine beslutninger, bruger du det ikke nok.

Hvorfor AI ikke har automatiseret økonomifunktionen fuldt ud

Fortællingen var: “AI vil automatisere økonomifunktionen.”

Det skete ikke. Den automatiserede dele af arbejdsgangene, men introducerede nye lag:

• Validering af modeller
• Håndtering af undtagelser
• Styrings- og revisionskrav

Virkeligheden er, at man ikke fjerner mennesker — man flytter dem til tilsynsroller.

Hvorfor anvendelsen af AI er et adfærdsproblem

Når vi taler om mennesker, er anvendelsen af AI ikke et teknologiproblem — det er et adfærdsproblem.

Til at begynde med antog jeg, at hvis vi byggede de rigtige modeller, ville folk bruge dem → indsigterne ville komme hurtigere → beslutningerne ville blive bedre → indsigterne ville opstå hurtigere → nøjagtigheden ville blive bedre → og tilliden ville følge efter.

Alt sammen logisk. Alt sammen ufuldstændigt. Vi byggede noget teknisk stærkt: bedre registrering af afvigelser, hurtigere indsigter og mere klare forklaringer. Og alligevel var anvendelsen ujævn.

Fordi økonomiteamene ikke havde problemer med mangel på indsigt. De havde problemer med at give slip på den måde, de altid havde gjort tingene på.

Analytikere genopbyggede stadig modeller i Excel "bare for at validere". Ledere havde tillid til det, de forstod, ikke til det, modellen foreslog. Gennemgange tog stadig udgangspunkt i gamle formater, ikke i nye indsigter.

Systemet ændrede sig. Adfærden gjorde ikke — i hvert fald ikke med det samme.

Jeg ville ønske, at jeg havde gjort dette:

• Starte med driftsmodellen, ikke modellens nøjagtighed: Definere, hvordan beslutninger vil ændre sig, hvordan møder vil se ud, og hvad der fjernes, ikke kun hvad der tilføjes. I stedet for at spørge: “Er modellen korrekt?” burde vi spørge: “Vil dette erstatte noget, folk gør i dag?”
• Designe med henblik på tillid, ikke kun intelligens: Tillid kommer ikke fra nøjagtighedsmålinger eller teknisk raffinement. Den kommer fra gennemsigtighed, forklarlighed og konsekvens over tid. Jeg ville tidligere have investeret i at gøre resultaterne mulige at udfordre, ikke bare imponerende.
• Lægge ekstra stor vægt på forandringsledelse: Vi behandlede det som en systemudrulning. Det var det ikke. Det var et skift i tankegang fra at udarbejde analyser til at gennemgå indsigter, fra kontrol til samarbejde med AI og fra sikkerhed til sandsynlighedstænkning.
• Ordne data og definitioner først (mere end vi gjorde): Vi vidste, at data var vigtigt. Vi undervurderede, hvor vigtigt det var. AI tolererer ikke tvetydighed.

Jeg kunne have undgået:

• Omarbejdningscyklusser, hvor teams genopbyggede det, AI allerede havde produceret
• Overkomplicering af modeller, der ikke ændrede beslutningerne
• Tidlig skepsis, der faktisk skyldtes manglende tillid, ikke manglende nøjagtighed
• Den fejlagtige tro på, at bedre resultater = automatisk anvendelse

Hvorfor AI ændrer antagelserne om økonomistyring

Inden for økonomi er vi oplært til at tænke: flere kontroller = større nøjagtighed; flere godkendelser = mindre risiko; mere struktur = bedre resultater. Derfor byggede vi systemer, der var: rigide, sekventielle og designet til at forhindre fejl.

Vi optimerede for forudsigelighed, ikke reaktionsevne; for revisionssporbarhed, ikke altid for kvaliteten af beslutningerne.

Det virkede — men det havde en pris: hastighed, tilpasningsevne og nogle gange endda klarhed.

AI fungerer ikke godt i rigide miljøer. Den trives med: kontinuerlige datastrømme, dynamiske input og signaler i realtid. Det viste mig, at kontrol ikke kommer fra begrænsning — den kommer fra synlighed.

Jeg måtte skifte fra:

• Forebyggelse af fejl på forhånd → Hurtig registrering og afhjælpning af dem
• Periodiske gennemgange (månedlige/kvartalsvise) → Kontinuerlig overvågning
• Menneskelige kontrolpunkter overalt → Indgriben baseret på undtagelser

Her viste det sig:

• Prognosticering: gik fra statiske, kalenderstyrede prognoser → løbende opdaterede, signalbaserede prognoser
• Økonomiske kontroller: reducerede omfattende forhåndsgodkendelser → øgede registreringen af afvigelser i realtid og valideringen efter hændelsen
• Kapitalallokering: gik fra sikkerhed → probabilistisk, scenariebaseret tænkning

Skiftet er enkelt, men vanskeligt. Man skal gå fra kontrol gennem begrænsning til kontrol gennem intelligens og synlighed. Og når først man ser det, kan man ikke gå tilbage. For økonomifunktionens mål er ikke at forhindre enhver fejl. Det er at muliggøre bedre beslutninger hurtigere — med tilstrækkelig kontrol, ikke maksimal kontrol.

Hvorfor CFO'er bør gentænke prognosticeringen

De fleste økonomifunktioner arbejder stadig med prognosticering, som om det var 2005: månedlige cyklusser, statiske antagelser, omfattende manuel konsolidering og bagudskuende gennemgange.

AI passer ikke ind i den model.

Vi gik fra kalenderstyret prognosticering, månedlige opdateringer, afvigelsesanalyse efter regnskabsafslutningen, bagudskuende gennemgange og omfattende forberedelsesarbejde til signalbaseret prognosticering:

• Kontinuerligt prognoselag: signaler i realtid og løbende opdaterede prognoser
• AI-først-registrering af afvigelser: Systemet markerer ændringer, og økonomifunktionen gennemgår undtagelserne
• Beslutningsorienterede gennemgange: Skift fra “Hvad skete der?” til “Hvad kommer der til at ske?”

Her er resultaterne:

• Tid til indsigt ↓ ~50 %
• Prognosernes relevans ↑ markant
• Økonomifunktionens rolle ændrede sig til at være beslutningspartner.
• Analytikernes produktivitet ↑ 30–40 %

Gentænk prognosticeringen som et kontinuerligt, signalbaseret system. For når det ændrer sig, bliver økonomifunktionen en aktiv drivkraft i virksomheden.

Sådan forbedrer AI prognosticering og afvigelsesanalyse

Det er stadig tidligt for mig hos LinkedIn, så her er et eksempel fra en tidligere transformation, hvor vi integrerede AI direkte i processen for prognosticering og afvigelsesanalyse.

Økonomiteamene brugte uforholdsmæssigt meget tid på at forklare hvad der var sket:

• Manuel afvigelsesanalyse på tværs af hundredvis af omkostningssteder
• Statiske prognoser opdateret månedligt eller kvartalsvist.
• Stor afhængighed af Excel-modeller og menneskelig mønstergenkendelse
• Da indsigterne var klar, havde virksomheden allerede flyttet sig.

Vi havde data — men ingen skalerbar måde at fortolke dem på. Derfor introducerede vi et AI-drevet lag oven på vores planlægnings- og faktiske data, som kunne:

• Registrere afvigelser og afvigelsesdrivere automatisk på tværs af dimensioner (region, produkt, omkostningskategori)
• Generere forklaringer på første niveau, der forklarede “hvorfor” — ikke kun “hvad”.
• Løbende opdatere prognoser baseret på førende indikatorer, ikke kun historiske tendenser.

Men det egentlige skift var ikke modellen — det var driftsmodellen:

• Økonomifunktionen gik fra at udarbejde analyser til at gennemgå og udfordre indsigterne.
• Prognosticeringen blev mere kontinuerlig og mindre kalenderstyret
• Virksomhedsgennemgange skiftede fra “hvad skete der i sidste måned” til “hvad kommer der til at ske herefter”.

Forbedringerne var tydelige. Gennemløbstiden for variansanalyse faldt fra dage til timer. Prognosenøjagtigheden blev forbedret, fordi vi indarbejdede signaler i realtid i stedet for forsinkede input. Og vigtigst af alt fik økonomifunktionen en plads tidligere i beslutningstagningen – ikke først bagefter.

Den vigtigste læring? AI erstattede ikke økonomifunktionens dømmekraft – det tvang os til at bruge den dér, hvor den faktisk gør en forskel. For økonomifunktionens værdi ligger ikke i at forklare fortiden bedre. Den ligger i at hjælpe virksomheden med at handle på fremtiden tidligere.

Hvorfor AI har svært ved narrativer om variansanalyse

Et område, hvor vi så tydelige begrænsninger, var AI-genererede narrativer om variansanalyse knyttet til finansiel rapportering.

Tallene var korrekte. Men narrativet var ikke altid korrekt. Modellen tilskrev for eksempel de øgede driftsomkostninger til “øget ansættelse i nøgleregioner” – plausibelt, men forkert. Den faktiske årsag var en engangsbaseret regnskabsmæssig omklassificering og en tidsmæssig forskydning i periodiseringerne. Modellen genkendte mønstre, ikke virkeligheden.

Det var derfor unøjagtigt, ikke sporbart, og det svækkede tilliden til teamet. Sådan løste vi det:

• AI genererer signaler og hypoteser, ikke de endelige narrativer.
• Alle resultater skal kunne spores.
• Vi indførte lag med “tillid + evidens”

Menneskelig validering blev eksplicit i stedet for at være underforstået.

Sådan kan CFO’er lede en AI-drevet transformation af økonomifunktionen

Mit råd er: Jag ikke AI. Få styr på økonomifunktionen – så følger AI efter.

• Begynd med systemet, ikke værktøjet.
• Gentænk arbejdet, automatisér det ikke bare.
• Adskil signal fra dømmekraft.
• Investér i tillid, før du skalerer.
• Accepter, at omkostningerne vil flytte sig, ikke forsvinde.
• Led selv adfærdsændringen.
• Opbyg et “økonomifunktions-OS”, ikke isolerede pilotprojekter.

AI vil ikke gøre dig til en bedre CFO. Men det vil afsløre, om din økonomifunktion overhovedet var designet til at skalere intelligens.

Pankaj deler

Jag ikke AI. Få styr på økonomifunktionen – så følger AI efter.

Følg med

Følg med, når Pankaj Prasoon fortsætter med at forme fremtidens økonomifunktion på LinkedIn. Besøg også hans personlige hjemmeside.

Der kommer flere ekspertinterviews på The CFO Club!