Tekoäly rakentaa raportointisyklin uudelleen

Ennen TheFinanceNewsletter.com- ja BeFluentInFinance.com-sivustojen perustamista Andrew Lokenauth toimi taloushallinnon johtaja- ja varatoimitusjohtajatehtävissä useissa tunnetuissa pankeissa. Nykyään hän on taloushallinnon eri osa-alueiden ajatusjohtaja, jolla on yli 3 miljoonaa seuraajaa.

Haastattelimme Andrew’ta saadaksemme käsityksen siitä, mitä tekoäly tekee alalle – sekä sen riskeistä että hyödyistä. Tässä hänen vastauksensa.

Automatisointia jo ennen kuin tekoälystä tuli muotisana

Aloitin urani Citibankissa, minkä jälkeen työskentelin Goldman Sachsilla, AIG:llä, JPMorganilla ja Signature Bankissa tehtävissä, jotka kattoivat FP&A:n, strategisen taloushallinnon, sijoittajasuhteet ja yrityskehityksen. Automatisoin taloushallinnon työnkulkuja Pythonilla, SQL:llä ja VBA:lla jo kauan ennen kuin tekoälystä tuli puheenaihe. Goldman Sachsilla lyhensin tuloslaskelman raportointisyklejä useilla päivillä. Signature Bankissa rakensin järjestelmiä, jotka lyhensivät johdon tiedonsaantiin kuluvaa aikaa päivistä alle 24 tuntiin. Kun generatiivinen tekoäly tuli käyttöön, se ei tuntunut mullistavalta. Se tuntui luontevalta seuraavalta askeleelta työssä, jota olin tehnyt jo lähes kahden vuosikymmenen ajan.

Lähdettyäni institutionaalisen taloushallinnon parista perustin TheFinanceNewsletter.com- ja BeFluentInFinance.com-sivustot, joissa kirjoitan taloudesta ja teknologiasta yli 100 000 uutiskirjeen tilaajalle ja yli 3 miljoonalle sosiaalisen median seuraajalle. Näkemyksiäni tästä aiheesta on julkaistu Forbesissa, CNBC:llä, Wall Street Journalissa ja Business Insiderissa. Jatkan aiheesta kirjoittamista samasta syystä, jonka vuoksi kiinnostuin siitä alun perin: suurin osa keskustelusta on edelleen liian teoreettista, liian toimittajalähtöistä ja liian kaukana siitä, miten taloushallinto käytännössä toimii.

Johdan myös osa-aikaista neuvonantopalvelua, jossa toimin osa-aikaisena CFO:na ja COO:na nopeasti kasvaville startup-yrityksille sekä keskisuurille yrityksille, joiden liikevaihto on 1–5 miljoonaa dollaria.

Miten tekoäly muuttaa kuukausiraportointia

Suurin muutos työssäni viimeisten 12 kuukauden aikana on ollut staattisten kuukausittaisten raportointipakettien korvaaminen tekoälypohjaisella FP&A-kerroksella, joka toimii asiakkaan keskeisten talousjärjestelmien päällä. Se hakee tietoja kirjanpito-ohjelmistosta, CRM-järjestelmästä ja palkanlaskennasta sekä suorittaa jatkuvaa automatisoitua poikkeama-analyysiä.

Aiemmin taloustiimi käytti kuukauden ensimmäiset viidestä seitsemään työpäivää tietojen keräämiseen, täsmäyttämiseen ja esityksen muotoiluun – ja esitys oli johdon nähtäväksi päätyessään jo vanhentunut. Nyt sama tieto on saatavilla muutamassa tunnissa. Tekoäly käsittelee tietojen yhdistämisen ja poikkeamien havaitsemisen, ja ihminen tarkistaa tuloksen kontekstin ja harkintaa edellyttävien ratkaisujen osalta.

Tulos on ollut johdonmukainen kaikissa toimeksiannoissa:

• Kuukausittaiset sulkujaksot lyhenevät noin 30–40 %.
• Hallituksen esityksen laatiminen lyhenee noin kolmesta päivästä alle kuuteen tuntiin.
• Virheiden määrä vähenee, koska manuaalisia vaiheita on vähemmän ja siten myös manuaalisia virheitä syntyy vähemmän.
• Taloustiimit siirtävät energiansa tietojen keräämisestä varsinaiseen liiketoiminta-analyysiin.
• Päätösten laatu paranee koko liiketoiminnassa, koska CFO voi tarkastella ja analysoida taloustietoja reaaliajassa.

Teknologia ei ole monimutkaista. Useimmilta tiimeiltä puuttuu halu suunnitella työnkulku uudelleen.

Tekoälypohjainen sulku- ja raportointityönkulku

Tässä on vaiheittainen erittely sulku- ja raportointityönkulusta:

1. Automaattinen tietojen nouto Fivetranin avulla: ajoitettu tietoputki noutaa kirjanpito-ohjelmiston, CRM-järjestelmän ja palkanlaskennan tiedot puhtaaseen, keskitettyyn tietokantaan 24 tunnin välein.
2. Tekoälypohjainen täsmäytys ja poikkeamien merkitseminen BlackLinen avulla: tekoälykerros vertaa toteutuneita lukuja budjettiin jokaisen merkittävän erän osalta, merkitsee määritetyt raja-arvot ylittävät poikkeamat ja tuottaa jokaisesta merkinnästä selkokielisen selityksen.
3. Ihmisen suorittama tarkistus: talousvastaava tarkistaa jokaisen merkityn kohdan, lisää liiketoimintakontekstin ja päättää, mitkä asiat on eskaloitava. FloQast AI avustaa häntä vaihtelukommenttien laatimisessa.
4. Koontinäyttö ja sanallinen raportti Datarailsin avulla: muotoiltu hallituksen esitysmateriaali ja johdon yhteenveto luodaan automaattisesti tarkistetuista tiedoista, ja ne ovat valmiita jaettaviksi.

Aiemmin kolme päivää vienyt työ vie nyt 4–6 tuntia.

Todellisia esimerkkejä siitä, miten tekoäly auttaa ja haittaa kuukausiraportointia

Andrew'n ajatuksia

Vakuuttavalta vaikuttava tuloste ei ole sama asia kuin luotettava tuloste.

Tässä on yksi esimerkki. Työskentelin B-rahoituskierroksen fintech-yrityksen kanssa, jossa otimme käyttöön tekoälypohjaisen kassavirran seurantajärjestelmän. Se havaitsi asiakaskeskittymäriskin kuusi viikkoa ennen kuin siitä tuli maksuvalmiusongelma.

Malli havaitsi myyntisaamisten ikääntymisessä kaavan, joka oli jäänyt ihmistarkastajalta huomaamatta aiempien kuukausisulkujen aikana. Tämä yksittäinen havainto oli arvokkaampi kuin koko käyttöönoton kustannukset.

Kielteisenä esimerkkinä erään asiakkaani tekoälyn tuottama ennuste poikkesi 15–20 % kuukausina, jolloin laskutuksen vaihtelu oli suurta. Malli oli koulutettu historiallisilla malleilla, jotka eivät vastanneet äskettäistä muutosta tulorakenteessa. Tulos näytti viimeistellyltä ja vakuuttavalta, eikä kukaan kyseenalaistanut sitä, ennen kuin talousjohtaja huomasi poikkeaman hallituksen kokouksessa.

Vakuuttavalta vaikuttava tuloste ei ole sama asia kuin luotettava tuloste.

Tekoäly hallitsee "mitä" — ihmiset hallitsevat "mitä sitten?"

Tekoälylle parhaiten soveltuvat tehtävät ovat niitä, joissa on selkeät säännöt, historiallisia malleja ja paljon toistoa. Käytän tekoälyä seuraaviin:

• Ennustemallien ajot
• Poikkeama-analyysi
• Kassavirtaskenaarioiden mallintaminen
• Poikkeamien havaitseminen
• Rutiininomainen raportointi

Ihmiset pysyvät mukana prosessissa pääoman kohdentamista koskevissa päätöksissä, riskiarvioissa, sopimusneuvotteluissa, sijoittajaviestinnässä, sääntelyn tulkinnoissa ja kaikessa, mikä edellyttää sellaisen liiketoimintakontekstin ymmärtämistä, joka ei näy datassa. Malli voi ilmoittaa, että kulutuksesi kiihtyy. Se ei voi kertoa, johtuuko se perustajien välisestä suhteesta tai siitä, että myyntiedustaja pimittää myyntiputken mahdollisuuksia.

Käyttämäni ajatusmalli on tämä: tekoäly hallitsee "mitä", ihmiset hallitsevat "mitä sitten?"

Tämä on yksi käytännöllisimmistä tavoista ajatella tekoälyn integrointia taloustoimintoon. Ilman toista toinen on puutteellinen, ja molemmat epäonnistumistavat — liiallinen automatisointi tai liian vähäinen automatisointi — maksavat organisaatioille oikeaa rahaa.

Miksi liiallinen automatisointi ja liiallinen luottamus tekoälyyn ovat suuria riskejä taloustiimeille

Tekoäly tuo mukanaan paljon hyötyjä. Mutta myös sen haittapuolet ovat todellisia.

Tekoäly luo väärän turvallisuuden tunteen, kun taustalla olevat tiedot eivät ole puhtaita. Olen nähnyt taloustiimien luottavan tekoälyn tuottamiin poikkeamaraportteihin kyseenalaistamatta lähdetietojen laatua, mikä aiheuttaa todellisen riskin.

Liiallisen automatisoinnin loukku on myös olemassa: kun poistat ihmisen tekemän tarkistuksen liian monesta vaiheesta, menetät organisaation hiljaisen tiedon, joka havaitsee sen, mitä mallit eivät pysty näkemään.

Mielestäni alalla tarvitaan tästä rehellisempää raportointia ja vähemmän toimittajien hypetystä.

Missä tekoäly jää jälkeen

Rahoituksen osalta tekoäly jää jälkeen kolmella pääalueella.

Ensinnäkin odotin tekoälyn olevan pidemmällä sääntelyn tulkinnassa ja sääntelyyn liittyvässä harkinnassa. Signature Bankissa ja Amalgamated Bankissa työskentelemieni vuosien aikana suuri osa taloushallinnon valvontatyöstä perustui vivahteikkaisiin harkintatilanteisiin: sääntelyohjeiden lukemiseen, tarkastajien odotusten ennakointiin ja sen tietämiseen, milloin luku täyttää teknisesti vaatimukset mutta edellyttää silti huomautusta. Nykyiset tekoälytyökalut voivat tuoda esiin asiaankuuluvia sääntöjä ja tiivistää ohjeasiakirjoja. Ne eivät kuitenkaan pysty jäljittelemään harkintaa, joka syntyy vuosien aikana viranomaisten kanssa kasvokkain työskenneltäessä.

Toinen alue on tarkastusjälkien luominen ja selitettävyys monimutkaisissa talousprosesseissa. Kun johdin sijoittajasuhteita Signature Bankissa yli 110 miljardin dollarin instituutiossa, jokaisella luvulla, joka päätyi SEC-ilmoitukseen, tulospuheluun tai viranomaisraporttiin, oli dokumentoitu tarkastusjälki ja selkeästi nimetty vastuuhenkilö. Tekoälyn tuottamilla tuloksilla, erityisesti suurten kielimallien pohjalta rakennettujen järjestelmien tuottamilla tuloksilla, on harvoin päättelyketjua, joka tyydyttäisi viranomaisen tai ulkopuolisen tilintarkastajan. Tulos voi olla oikea, mutta et aina pysty esittämään työvaiheitasi tavalla, jota sääntely-ympäristö edellyttää.

Kolmas alue ovat varhaisvaiheen yritykset, joiden data-infrastruktuuri on sekava. Tekoälyn hyödyntämisen lähtökohtana oletetaan kohtuullisen puhdas ja toisiinsa yhdistetty data. Useimmilla startup-yrityksillä ei ole sellaista. Perehdytään siihen tarkemmin.

Miksi jokaisen tekoälyhankkeen pitäisi alkaa data-auditoinnilla

Andrew'n ajatuksia

Datan laatu on todellinen pullonkaula. Ei malli, työkalu tai toimittaja… Jokaisen tekoälyhankkeen pitäisi alkaa data-auditoinnilla, ei työkalun valinnalla.

Datan laatu on todellinen pullonkaula. Ei malli, työkalu tai toimittaja. Aloitin ensimmäisen tekoälyä hyödyntävän taloushallinnon projektini odottaen, että vaikeinta olisi teknologia. Näin ei ollut. Vaikeinta oli huomata, että yrityksen talousdata sijaitsi kolmessa eri järjestelmässä, jotka eivät keskustelleet keskenään, joiden nimeämiskäytännöt olivat epäjohdonmukaiset ja joista puuttui tietoja kuukausien ajalta. Käytimme noin 60 % projektin aikataulusta datan puhdistamiseen, ennen kuin tekoälytyökaluista oli mahdollista saada mitään hyödyllistä irti.

Jokaisen tekoälyhankkeen pitäisi alkaa data-auditoinnilla, ei työkalun valinnalla. Selvitä, mitä dataa sinulla on, missä se sijaitsee, kuinka puhdasta se on ja onko se riittävän jäsenneltyä mallin opittavaksi. Tämä yksi vaihe säästäisi viikkoja uudelleentyöltä ja korjaisi johdon odotukset paljon aikaisemmin.

Vanha toimintamalli oli palkata lisää ihmisiä tuottamaan enemmän oivalluksia. Uusi toimintamalli on rakentaa parempi data-infrastruktuuri ja antaa tekoälyn moninkertaistaa nykyisen tiimin tuotoksen. Kyse on erilaisesta pääoman allokointipäätöksestä, eikä useimpien talousjohtajien päätöstä ole vielä tehty.

Miten tekoäly muuttaa taloushallinnon tiimejä

Suurin tiimeissä näkemäni muutos on juniorianalyytikkokerroksen supistuminen. Tehtävät, joihin aiemmin tarvittiin 2–3 analyytikkoa hakemaan dataa, tekemään täsmäytyksiä ja suorittamaan perustason varianssianalyysejä, voidaan nyt hoitaa tekoälykerroksella, kun yksi henkilö valvoo tulosta. Tämä ei aina tarkoita henkilöstömäärän vähenemistä. Useammin sama henkilöstö kohdennetaan uudelleen arvokkaampaan työhön: liiketoimintakumppanuuteen, skenaarioanalyysiin, viestintään sijoittajien kanssa ja strategiseen suunnitteluun.

Myös vahvan taloushallinnon ammattilaisen profiili muuttuu. Parhaat henkilöt, joita nykyään etsin, eivät ole vain vahvoja laskentatoimessa tai taloudellisessa mallintamisessa. He ymmärtävät, miten tekoälyn tuottamien tulosten kanssa työskennellään, tietävät, milloin malliin voi luottaa ja milloin sitä on haastettava, sekä osaavat viestiä taloudellisista oivalluksista taloushallinnon ulkopuolisille sidosryhmille selkeästi. Tämä taloudellisen täsmällisyyden, tekoälyosaamisen ja viestintätaitojen yhdistelmä on tällä hetkellä harvinainen ja siitä maksetaan palkkio.

Mitä talousjohtajien on opittava menestyäkseen seuraavalla vuosikymmenellä

Seuraavalla vuosikymmenellä menestyvät talousjohtajat näyttävät hyvin erilaisilta kuin viime vuosikymmenellä menestyneet. Tekniset taloushallinnon taidot (mallintaminen, raportointi ja sääntelyn noudattaminen) ovat yhä useammin perustaitoja, jotka tekoäly hoitaa. Erinomaisten talousjohtajien määrittäviä taitoja ovat harkintakyky, viestintä, strateginen ajattelu ja kyky johtaa epäselvissä tilanteissa.

Neuvoni on investoida taitoihin, joita tekoäly ei pysty jäljittelemään. Rakenna vahvempia suhteita liiketoimintajohtajiin. Paranna kykyäsi viestiä taloudellisista näkemyksistä muille kuin talousalan yleisöille. Kehitä aito strateginen harkintakyky, älä pelkästään talousanalyysitaitoja. Juuri nämä kyvykkyydet määrittävät huippuluokan talousjohtajat tekoälyn tukemassa tulevaisuudessa.

Neljä askelta, jotka jokaisen talousjohtajan tulisi ottaa

Neljä asiaa, jotka sanoisin jokaiselle talousjohtajalle juuri nyt:

Ensinnäkin, tee data-auditointi ennen kaikkea muuta. Selvitä, missä talousdatasi sijaitsee, kuinka puhdasta se on ja onko se riittävän jäsenneltyä mallin hyödynnettäväksi.

Toiseksi, aloita yhdestä työnkulusta. Ne talousjohtajat, joiden olen nähnyt menestyvän tekoälyn kanssa, valitsevat toimintonsa eniten kipua ja toistoa aiheuttavan prosessin — yleensä kuukausittaisen tilinpäätöksen tai hallituksen esitysmateriaalin — ja suunnittelevat työnkulun uudelleen ennen sen automatisointia. Tällä järjestyksellä on merkitystä. Rakenna työnkulku paperilla ennen kuin rakennat sen työkalulla. Dokumentoi jokainen automatisoitavan prosessin vaihe, tunnista sääntöpohjaiset (tekoälylle soveltuvat) ja harkintaa edellyttävät (ihmisen vastuulle jäävät) vaiheet ja rakenna sen mukaisesti.

Kolmanneksi, määritä ihmisen tekemän tarkistuksen tarkistuspisteet ennen käyttöönottoa. Jokaisella tekoälyn tuottamalla tuloksella taloushallinnon työnkulussa tulisi olla siitä vastuussa oleva ihminen, joka hyväksyy sen.

Neljänneksi, mittaa lähtötilanne ennen aloittamista. Jos et tiedä, kuinka kauan nykyinen tilinpäätöksesi kestää tai mikä nykyinen ennusteidesi virheprosentti on, et voi osoittaa tekoälyn parantaneen tuloksia.

Nämä neljä askelta kuulostavat yksinkertaisilta, ja sitä ne ovatkin. Useimmat organisaatiot kuitenkin jättävät niistä kaksi tai kolme väliin, koska ne ovat innokkaita siirtymään teknologiaan. Siitä suurin osa pettymyksistä johtuu.

Pysy ajan tasalla

Voit seurata Andrew Lokenauthin työtä LinkedInissä, YouTubessa ja hänen henkilökohtaisilla verkkosivuillaan. Tutustu myös The Finance Newsletteriin ja hänen sivustoonsa BeFluentInFinance.com.

Lisää asiantuntijahaastatteluja on tulossa The CFO Clubiin!