LinkedInin talousjohtajan järjestelmistä vastaava seniorijohtaja sanoo tekoälyn muuttavan talouden raportointitoiminnosta käyttöjärjestelmäksi

Pankaj Prasoon on LinkedInin taloushallinnon järjestelmistä ja teknologiasta vastaava seniorjohtaja. Hänellä on kahden vuosikymmenen kokemus työskentelystä arvostetuissa organisaatioissa, kuten Microsoftilla ja Infosysillä.

Haastattelimme Pankajia selvittääksemme, miten hän suunnittelee taloushallintoa uudelleen alusta alkaen. Hän kertoi, mikä tekoälypohjaisessa taloushallinnossa toimii – ja mikä ei.

Taloushallinnon muuttaminen raportointitoiminnosta käyttöjärjestelmäksi

Olen työskennellyt lähes kaksi vuosikymmentä taloushallinnon, yritysjärjestelmien ja tuoteajattelun risteyskohdassa organisaatioissa, kuten Microsoftilla ja Infosysillä, ja nykyään LinkedInillä, jossa autan muovaamaan taloushallinnon teknologian tulevaisuutta.

Matkani ei alkanut tekoälystä. Se alkoi turhautumisesta. Turhautumisesta, jota koin istuessani huoneissa, joissa kaksi järjestelmää näytti kaksi eri lukua. Turhautumisesta, kun taloustiimit käyttivät enemmän aikaa menneisyyden täsmäyttämiseen kuin tulevaisuuden muovaamiseen. Turhautumisesta, kun näin uskomattoman älykkäiden talousjohtajien olevan hajanaisten järjestelmien ja viivästyneiden tietojen rajoittamia.

Tekoäly toimii pakottavana voimana. Se paljastaa kaiken, mikä oli jo valmiiksi rikki:

• Jäykät prosessit
• Viivästyneet tiedot
• Liiallinen riippuvuus manuaalisesta harkinnasta
• Järjestelmät, jotka on suunniteltu valvontaa, eivät älykkyyttä varten

Tässä hetkessä minua innostaa automaation sijaan sen tarjoama vahvistus. Ensimmäistä kertaa talousjohtajat voivat siirtyä jälkiviisaudesta ennakointiin, raportoinnista vaikuttamiseen ja tehokkuudesta vaikuttavuuteen.

Nykyään keskityn rakentamaan mallia, jota kutsun nimellä taloushallinnon teknologiasta ja alustoista muodostuva strategia – mallia, jossa arkkitehtuuri, tuoteajattelu ja tekoäly yhdistyvät järjestelmäksi, joka ei ainoastaan seuraa liiketoimintaa vaan myös muovaa sitä aktiivisesti. Taloushallinnon tulevaisuudessa ei ole kyse kirjojen sulkemisesta nopeammin. Kyse on siitä, että liiketoimintaa autetaan tekemään parempia päätöksiä jo ennen kuin luvut on edes kirjattu.

Pankaj jakaa

Tekoäly toimii pakottavana voimana. Se paljastaa kaiken, mikä oli jo valmiiksi rikki.

LinkedInin talousjohtajan organisaation johtaminen

Johdan taloushallinnon teknologiaa ja alustoja LinkedInin talousjohtajan organisaatiossa – kyseessä on maailmanlaajuinen, monen miljardin dollarin liiketoiminta, joka toimii laajassa mittakaavassa eri maantieteellisillä alueilla, tuotteissa ja sääntely-ympäristöissä.

Monimutkaisuus on tässä vaiheessa odotetun kaltaista:

• Useita tulovirtoja Talent Solutions-, Marketing- ja Premium-liiketoiminnoissa
• Maailmanlaajuinen toiminta, jossa vaatimustenmukaisuus, verotus ja toimintamallit vaihtelevat alueittain
• Syvä integraatio taloushallinnon, myynnin, henkilöstöhallinnon ja tuotejärjestelmien välillä

Todellinen haaste ei kuitenkaan ole mittakaava. Se on keskinäinen riippuvuus.

Taloushallinto on nykyään jokaisen kriittisen päätöksen keskiössä:

• Suunnittelu ja ennustaminen muuttuvien liiketoimintasyklien aikana
• Pääoman kohdentamisen hallinta yhä tarkemmin
• Kasvun tukeminen kurinalaisuudesta ja valvonnasta tinkimättä

Toimimme vähemmän perinteisen taloushallinnon teknologiatiimin ja enemmän taloushallinnon sisälle sijoitetun tuoteorganisaation tavoin – vastaamme paitsi järjestelmistä myös tuloksista. Tässä mittakaavassa taloushallinnossa ei ole kyse vain lukujen hallinnasta. Kyse on siitä, miten yritys tekee päätöksiä nopeasti, selkeästi ja luottavaisesti.

Mistä talousjohtajien on aloitettava tekoälyn kanssa

Useimmat talousjohtajat aloittavat tekoälymatkansa pohtimalla käyttötapauksia, työkaluja, toimittajia ja sijoitetun pääoman tuottoa. Tekoäly ei kuitenkaan toimi tyhjiössä. Se rakentuu tietojesi, prosessiesi, toimintamallisi ja päätöksentekokurisi päälle.

Jos nämä ovat hajanaisia, tekoäly ei yksinkertaista niitä, vaan vahvistaa hajanaisuutta. Et saa parempia vastauksia. Saat vääriä vastauksia nopeammin.

Kysy siis ennen kysymystä ”Missä voimme soveltaa tekoälyä?”: ”Onko taloushallinnon järjestelmämme suunniteltu tuottamaan johdonmukaista, päätöksentekoon valmista tietoa?” Tekoäly ei nimittäin ole strategia. Se nopeuttaa sitä järjestelmää, joka sinulla jo on.

Keskity seuraaviin:

• Selkeä totuuden lähde (määritelmät, mittarit, hallintamalli)
• Yhtenäistetyt prosessit talouden eri osa-alueilla
• Vahva data- ja arkkitehtuuriperusta
• Kulttuuri, jossa tuotosten kyseenalaistamista arvostetaan niiden hyväksymisen sijaan

Kuinka tekoälyn integrointi tehostaa talouden työnkulkuja

Tässä ovat talouden tekoälyn avulla näkemäni parannukset:

• Syklin keston lyheneminen (30–60 %): Varianssianalyysi, joka aiemmin kesti 2–3 päivää, valmistuu nyt muutamassa tunnissa, ja kuukauden päätöksen tukitoimien (analyysit, täsmäytysten tukeminen) määrä on vähentynyt merkittävästi. Tässä tekoäly tuottaa välittömän hyödyn — nopeuden.
• Ennusteiden tarkkuus (5–15 %:n parannus lähiajan aikajänteillä): Lyhyen aikavälin ennusteet (4–8 viikkoa) paranivat merkittävästi; tekoäly havaitsi johtavia indikaattoreita, joita ihmiset eivät huomioineet (käyttötrendit, käyttäytymissignaalit). Tärkeä huomio kuitenkin on, että tarkkuus parani enemmän vakaissa ympäristöissä ja vähemmän epävakaissa.
• Tuottavuuden kasvu (20–40 % analyytikkojen kapasiteetista vapautui): Analyytikot käyttävät vähemmän aikaa datan keräämiseen ja enemmän sen tulkitsemiseen. Yksi analyytikko pystyy nyt kattamaan työn, johon aiemmin tarvittiin 1,5–2 FTE:tä. Tämä ei aina tarkoita kustannusten vähenemistä — se tarkoittaa osaajien parempaa kohdentamista.
• Riskien aikaisempi havaitseminen (päivistä lähes reaaliaikaan): Kassavirran riskit, poikkeamat ja poikkeavat havainnot tunnistetaan nopeammin; liiketoimintakatsauksissa on vähemmän ”yllätyksiä”. Tämä on hienovaraista mutta tehokasta — viime hetken eskalointeja on vähemmän.

Tässä ovat asiat, jotka eivät parantuneet (tai pahenivat):

• Liiallinen luottamus tuotoksiin: Tekoälyn tuottamat kertomukset kuulostavat oikeilta silloinkin, kun ne ovat vääriä. Aluksi tiimit alkoivat luottaa tuotoksiin kyseenalaistamatta niitä, mikä on vaarallisempaa kuin manuaaliset virheet.
• Valheellinen täsmällisyys: Tekoäly luo illuusion varmuudesta: ”Ennusteen luottamustaso on 97,2 %”. Talouden päätökset eivät kuitenkaan ole pelkästään todennäköisyyslaskentaa — niihin liittyvät strategia, ajoitus ja asiayhteys.
• Datariippuvuus paljasti heikot perustat: Tekoäly ei korjannut dataongelmia. Se suurensi niitä: epäyhtenäiset hierarkiat, heikkolaatuinen perustietodata ja pirstaloituneet järjestelmät. Huonoa dataa sisään, vahvistettua huonoa dataa ulos.
• Rajallinen vaikutus pitkän aikavälin suunnitteluun: Tekoälyllä oli vaikeuksia vuosisuunnittelussa, strategisissa skenaarioissa ja pääoman kohdentamista koskevissa päätöksissä. Syy on se, etteivät nämä ole kaavaongelmia — ne ovat harkintaa edellyttäviä ongelmia.

Epämukava totuus on, ettei tekoäly vähentänyt talouden kustannuksia niin paljon kuin ihmiset odottivat. Se siirsi kustannuksia työvoimasta laskentaan, manuaalisesta työstä mallien hallintaan ja analyytikoilta insinööreille sekä datainfrastruktuuriin.

Miksi tekoäly tukee talouden päätöksentekoa, mutta ihmiset käyttävät harkintaa

Yksinkertaisin tapa hahmottaa tekoälyn ja ihmisten tehtävien välinen jako on tämä: tekoälyn tulisi tuoda esiin kaavoja; ihmisten tulisi tehdä sitoumukset.

Hyödynnän tekoälyä alueilla, joilla mittakaava, nopeus ja kaavojen tunnistaminen ovat tärkeämpiä kuin harkinta:

• Ennustaminen (lyhyen aikavälin ja rullaava): Tekoäly on erinomainen käsittelemään useita signaaleja — historiallisia tietoja, kausivaihtelua, myyntiputken dataa ja ulkoisia indikaattoreita — sekä päivittämään ennusteita jatkuvasti. Se poistaa staattisen, kalenteriin perustuvan suunnittelun vinouman.
• Varianssianalyysi: Tekoäly voi eritellä varianssit tuhansien ulottuvuuksien välillä välittömästi: mikä muuttui, missä muutos tapahtui ja mikä sen todennäköisesti aiheutti. Aiemmin tähän kului päiviä. Nyt analyysi on lähes reaaliaikaista.
• Kassavirran kaavojen tunnistaminen: Ei päätöksentekoa, vaan signaalien havaitsemista: maksukäyttäytymisen trendit, perintäriskit ja likviditeettimallit. Tekoäly auttaa tuomaan riskit esiin perinteisiä raportteja aikaisemmin.
• Riskien havaitseminen (operatiiviset ja taloudelliset): Tekoäly on erittäin tehokas poikkeamien tunnistamisessa: epätavalliset tapahtumat, kontrollipoikkeamat ja poikkeava käyttäytyminen. Se ei ”ymmärrä riskiä”, mutta se osoittaa, mistä kannattaa etsiä.

Pidän kuitenkin ihmiset nimenomaisesti vastuussa alueilla, joilla asiayhteydellä, kompromisseilla ja tilivelvollisuudella on merkitystä:

• Pääoman kohdentaminen: Mikään malli ei ymmärrä strategiaa, ajoitusta tai kilpailuasemaa samalla tavalla kuin johto. Tekoäly voi auttaa skenaarioiden arvioinnissa — mutta se ei voi päättää, mihin panostuksia tehdään.
• Pitkän aikavälin suunnittelu ja budjetointi: Budjetit eivät ole ennusteita — ne ovat sitoumuksia. Ne heijastavat organisaation tavoitteita, painopisteitä ja kompromisseja.
• Lopulliset riskipäätökset: Tekoäly voi tuoda poikkeamat esiin, mutta mikä on hyväksyttävä riski? Minkä kompromissin ottaminen on sen arvoista? Nämä ovat johdon päätöksiä, eivät mallin tuottamia tuloksia.
• Liiketoiminnan kumppanuus ja vaikuttaminen: Taloushallinnossa ei ole kyse vain numeroista — kyse on päätöksiin vaikuttamisesta: oletusten haastamisesta, tilanteen lukemisesta ja pyyntöjen taustalla olevien tavoitteiden ymmärtämisestä. Tekoälyllä ei ole kontekstia ihmisten väliselle dynamiikalle.

Jos tekoäly tekee päätöksesi, olet mennyt liian pitkälle. Jos tekoäly ei auta päätöksenteossasi, et hyödynnä sitä tarpeeksi.

Miksi tekoäly ei ole automatisoinut taloushallintoa täysin

Vallitseva kertomus oli: “Tekoäly automatisoi taloushallinnon.”

Niin ei tapahtunut. Se automatisoi työnkulkujen osia, mutta toi mukanaan uusia tasoja:

• Mallien validointi
• Poikkeamien käsittely
• Hallinnointi- ja auditointivaatimukset

Todellisuudessa ihmisiä ei poisteta — heidän roolinsa siirtyy valvontaan.

Miksi tekoälyn käyttöönotto on käyttäytymiseen liittyvä ongelma

Kun puhutaan ihmisistä, tekoälyn käyttöönotto ei ole teknologiaongelma — se on käyttäytymiseen liittyvä ongelma.

Aluksi oletin, että jos rakentaisimme oikeat mallit, ihmiset käyttäisivät niitä → oivallukset syntyisivät nopeammin → päätökset paranisivat → oivallukset syntyisivät vielä nopeammin → tarkkuus paranisi → ja luottamus seuraisi.

Kaikki oli loogista. Kaikki oli puutteellista. Rakensimme teknisesti vahvan ratkaisun: paremman poikkeamien tunnistuksen, nopeampia oivalluksia ja selkeämpiä kuvauksia. Silti käyttöönotto oli epätasaista.

Syy oli se, etteivät taloustiimit kamppailleet oivallusten puutteen kanssa. Niille oli vaikeaa luopua tavoista, joilla ne olivat aina toimineet.

Analyytikot rakensivat edelleen malleja uudelleen Excelissä ”vain varmistaakseen asian”. Johtajat luottivat siihen, minkä he ymmärsivät, eivät siihen, mitä malli ehdotti. Katsaukset perustuivat edelleen vanhoihin muotoihin, eivät uusiin oivalluksiin.

Järjestelmä muuttui. Käyttäytyminen ei muuttunut — ainakaan heti.

Olisin halunnut toimia näin:

• Aloita toimintamallista, älä mallin tarkkuudesta: Määrittele, miten päätökset muuttuvat, miltä kokoukset näyttävät ja mitä poistetaan sen sijaan, että vain lisätään uutta. Sen sijaan että kysytään: “Onko malli oikeassa?” kysy: “Korvaako tämä jotain, mitä ihmiset tekevät tällä hetkellä?”
• Suunnittele luottamusta, älä vain älykkyyttä varten: Luottamus ei synny tarkkuusmittareista tai teknisestä hienostuneisuudesta. Se syntyy läpinäkyvyydestä, selitettävyydestä ja johdonmukaisuudesta ajan mittaan. Olisin panostanut aiemmin siihen, että tuloksia voi haastaa, eikä vain siihen, että ne vaikuttavat vaikuttavilta.
• Panosta muutoksenhallintaan: Käsittelimme tätä kuin järjestelmän käyttöönottoa. Sitä se ei ollut. Kyse oli ajattelutavan muutoksesta: analyysien rakentamisesta oivallusten tarkasteluun, kontrollista yhteistyöhön tekoälyn kanssa ja varmuudesta todennäköisyysajatteluun.
• Korjaa data ja määritelmät ensin (perusteellisemmin kuin me teimme): Tiesimme datan olevan tärkeää. Arvioimme sen merkityksen liian pieneksi. Tekoäly ei siedä epäselvyyttä.

Olisin voinut välttää:

• Uudelleentyöstön kierrokset, joissa tiimit rakensivat uudelleen sen, minkä tekoäly oli jo tuottanut
• Mallien liiallisen kehittämisen tilanteissa, joissa ne eivät muuttaneet päätöksiä
• Varhaisen skeptisyyden, joka johtui todellisuudessa luottamuksen, ei tarkkuuden puutteesta
• Virheellisen uskomuksen, että parempi tulos = automaattinen käyttöönotto

Miksi tekoäly muuttaa taloudellisen valvonnan oletuksia

Taloushallinnossa meidät on opetettu ajattelemaan näin: enemmän kontrolleja = parempi tarkkuus; enemmän hyväksyntöjä = pienempi riski; enemmän rakennetta = paremmat tulokset. Siksi rakensimme järjestelmiä, jotka olivat jäykkiä ja peräkkäisiä ja joiden tarkoituksena oli estää virheet.

Optimoimme ennakoitavuutta, emme reagointikykyä varten; auditoitavuutta, emme aina päätösten laatua varten.

Se toimi — mutta hinnalla: nopeus, mukautuvuus ja joskus jopa selkeys kärsivät.

AI ei toimi hyvin jäykissä ympäristöissä. Se kukoistaa jatkuvien tietovirtojen, dynaamisten syötteiden ja reaaliaikaisten signaalien parissa. Se osoitti minulle, ettei hallinta synny rajoittamisesta — vaan näkyvyydestä.

Minun oli siirryttävä seuraavista:

• Virheiden estäminen ennalta → Niiden nopea havaitseminen ja korjaaminen
• Määräajoin tehtävät tarkastelut (kuukausittain/neljännesvuosittain) → Jatkuva seuranta
• Ihmisten tarkistuspisteet kaikkialla → Poikkeuksiin perustuva puuttuminen

Näissä tilanteissa tämä näkyi:

• Ennustaminen: siirryimme staattisista, kalenteriohjatuista ennusteista → jatkuvasti päivittyviin, signaaliohjattuihin ennusteisiin
• Taloudelliset kontrollit: raskaita ennakkohyväksyntöjä vähennettiin → reaaliaikaista poikkeamien tunnistamista ja tapahtumien jälkeistä validointia lisättiin
• Pääoman allokointi: siirryttiin varmuudesta → todennäköisyyksiin perustuvaan, skenaariopohjaiseen ajatteluun

Muutos on yksinkertainen mutta vaikea. On siirryttävä rajoittamisen kautta tapahtuvasta hallinnasta älykkyyden ja näkyvyyden kautta tapahtuvaan hallintaan. Ja kun tämän ymmärtää, paluu entiseen ei ole mahdollista. Talouden tavoitteena ei nimittäin ole estää jokaista virhettä. Tavoitteena on mahdollistaa paremmat päätökset nopeammin — riittävällä kontrollilla, ei maksimaalisella kontrollilla.

Miksi talousjohtajien tulisi suunnitella ennustaminen uudelleen

Useimmat talousorganisaatiot hoitavat edelleen ennustamista kuin eletään vuotta 2005: kuukausittaiset syklit, staattiset oletukset, raskas manuaalinen konsolidointi ja taaksepäin suuntautuvat tarkastelut.

AI ei sovi tähän malliin.

Siirryimme kalenteriohjatusta ennustamisesta, kuukausittaisista päivityksistä, tilikauden päättämisen jälkeisestä varianssianalyysistä, taaksepäin suuntautuvista tarkasteluista ja raskaasta valmistelutyöstä signaaliohjattuun ennustamiseen:

• Jatkuvan ennustamisen kerros: reaaliaikaiset signaalit ja jatkuvasti päivittyvät ennusteet
• AI-ensisijainen varianssien tunnistaminen: järjestelmä ilmoittaa muutoksista ja taloushallinto tarkastelee poikkeuksia
• Päätöksentekoon keskittyvät tarkastelut: siirtyminen kysymyksestä ”Mitä tapahtui?” kysymykseen ”Mitä tulee tapahtumaan?”

Tulokset olivat seuraavat:

• Oivallusten saavuttamiseen kuluva aika ↓ ~50 %
• Ennusteiden merkityksellisyys ↑ merkittävästi
• Taloushallinnon rooli muuttui päätöksenteon kumppaniksi.
• Analyytikkojen tuottavuus ↑ 30–40 %

Suunnittele ennustaminen uudelleen jatkuvaksi, signaaliohjatuksi järjestelmäksi. Kun tämä muuttuu, taloushallinnosta tulee liiketoiminnan aktiivinen ohjaaja.

Miten AI parantaa ennustamista ja varianssianalyysiä

Olen ollut LinkedInissä vasta lyhyen aikaa, joten tässä on esimerkki aiemmasta muutoshankkeesta, jossa upotimme AI:n suoraan ennustamisen ja varianssianalyysin prosessiin.

Taloushallinnon tiimit käyttivät suhteettoman paljon aikaa sen selittämiseen, mitä tapahtui:

• Manuaalinen varianssianalyysi satojen kustannuspaikkojen osalta
• Staattiset ennusteet, jotka päivitettiin kuukausittain tai neljännesvuosittain.
• Suuri riippuvuus Excel-malleista ja ihmisten kyvystä tunnistaa kaavoja
• Kun oivallukset olivat valmiita, liiketoiminta oli jo muuttunut.

Meillä oli dataa — mutta ei skaalautuvaa tapaa tulkita sitä. Siksi otimme käyttöön AI-ohjatun kerroksen suunnittelu- ja toteumatietojemme päälle. Se pystyi:

• Havaitsemaan automaattisesti poikkeamat ja varianssien aiheuttajat eri ulottuvuuksissa (alue, tuote, kustannusluokka)
• Tuottamaan ensimmäisen tason kuvauksia, jotka selittivät ”miksi” — eivät vain ”mitä”.
• Päivittämään ennusteita jatkuvasti johtavien indikaattorien perusteella, ei ainoastaan historiallisten trendien pohjalta.

Varsinainen muutos ei kuitenkaan ollut malli — vaan toimintamalli:

• Taloushallinto siirtyi analyysien laatimisesta oivallusten tarkasteluun ja haastamiseen.
• Ennustamisesta tuli jatkuvampaa ja vähemmän kalenteriohjattua
• Liiketoiminnan tarkastelut siirtyivät kysymyksestä ”mitä viime kuussa tapahtui” kysymykseen ”mitä seuraavaksi tapahtuu”.

Parannukset olivat selkeitä. Varianssianalyysin läpimenoaika lyheni päivistä tunteihin. Ennusteiden tarkkuus parani, koska otimme käyttöön reaaliaikaisia signaaleja viiveellä saapuvien syötteiden sijaan. Ja mikä tärkeintä, taloushallinto pääsi mukaan päätöksentekoon aiemmin eikä vasta jälkikäteen.

Suurin oppi? Tekoäly ei korvannut taloushallinnon harkintaa — se pakotti meidät käyttämään sitä siellä, missä sillä todella on merkitystä. Taloushallinnon arvo ei nimittäin ole menneisyyden paremmassa selittämisessä. Se on siinä, että se auttaa liiketoimintaa toimimaan tulevaisuuden suhteen aiemmin.

Miksi tekoälyllä on vaikeuksia varianssianalyysin sanallisten kuvausten kanssa

Yksi alue, jolla havaitsimme selkeitä rajoituksia, olivat talousraportointiin liittyvät tekoälyn tuottamat varianssianalyysin sanalliset kuvaukset.

Luvut olivat oikein. Mutta sanallinen kuvaus ei aina ollut oikea. Esimerkiksi malli liitti kasvaneet liiketoiminnan kulut ”rekrytointien lisääntymiseen keskeisillä alueilla” — uskottava, mutta väärä tulkinta. Todellinen syy oli kertaluonteinen kirjanpidollinen uudelleenluokittelu ja suoriteperusteisten jaksotusten ajoituksen muutos. Malli tunnisti kaavoja, ei todellisuutta.

Se oli siis epätarkka, jäljittämätön ja heikensi luottamusta tiimiin. Näin korjasimme tilanteen:

• Tekoäly tuottaa signaaleja ja hypoteeseja, ei lopullisia sanallisia kuvauksia.
• Jokaisen tuotoksen on oltava jäljitettävissä.
• Otimme käyttöön ”luottamus + näyttö” -tasot

Ihmisen tekemä validointi tehtiin näkyväksi oletuksen sijaan.

Miten talousjohtajat voivat johtaa tekoälyvetoista taloushallinnon muutosta

Tässä on neuvoni: Älä tavoittele tekoälyä. Laita taloushallinto kuntoon — tekoäly seuraa perässä.

• Aloita järjestelmästä, älä työkalusta.
• Suunnittele työ uudelleen, älä vain automatisoi sitä.
• Erota signaali harkinnasta.
• Investoi luottamukseen ennen laajentamista.
• Hyväksy, että kustannukset siirtyvät eivätkä katoa.
• Johda käyttäytymisen muutosta itse.
• Rakenna ”taloushallinnon käyttöjärjestelmä”, älä erillisiä pilotteja.

Tekoäly ei tee sinusta parempaa talousjohtajaa. Mutta se paljastaa, oliko taloushallintosi alun perin suunniteltu skaalaamaan älykkyyttä.

Pankaj jakaa

Älä tavoittele tekoälyä. Laita taloushallinto kuntoon — tekoäly seuraa perässä.

Seuraa kehitystä

Seuraa, kuinka Pankaj Prasoon jatkaa taloushallinnon tulevaisuuden muovaamista LinkedInissä. Tutustu myös hänen henkilökohtaiseen verkkosivustoonsa.

Lisää asiantuntijahaastatteluja on tulossa The CFO Clubiin!