CFOO kertoo, että varsinainen tekoälyhanke on puhdas data, ei nokkela automaatio

Dave Leaver on Mention Men CFOO, joka on suositteluihin ja suosittelijoiden aktivointiin keskittyvä Series B -vaiheen B2B SaaS -yritys.

Juttelimme Daven kanssa selvittääksemme, missä tekoäly tarjoaa suurimman hyödyn taloushallinnon työnkuluissa. Tässä hänen vastauksensa.

Talousjohtajien pitäisi pystyä määrittämään suuntaa — ei vain raportoimaan siitä

Olen Dave. Toimin Mention Men CFOO:na. Mention Me on Lontoossa toimiva B2B SaaS -yritys. Olen myös HP-1:n toinen perustaja. HP-1 on sisällöntuottajien johtama DTC-brändi, jota rakennan alusta alkaen.

Polkuni ei ollut tavanomainen. Alun perin tavoittelin uraa ammattilaisurheilun parissa. Kun se ei toteutunut, kouluttauduin kirjanpitäjäksi — ja muutin sitten Sydneyhin auringon perässä.

Yli kaksikymmentä vuotta myöhemmin olen työskennellyt KPMG:n konsultoinnissa, FMCG- ja ASX-listatuissa yrityksissä, johtanut julkisuuden henkilöiden taloushallintoa sekä hankkinut laajan kokemuksen VC- ja PE-rahoitteisista teknologia-alan startup-yrityksistä eri puolilta maailmaa. Olen rakentanut taloushallinnon toimintoja tyhjästä, kasvattanut yrityksiä eri mantereilla ja vastannut satojen miljoonien arvoisista tuloslaskelmista.

En kuitenkaan koskaan sopinut jäykän kirjanpitäjän stereotypiaan. Rakastan yksinkertaisuutta, ja mielestäni työn on tuotettava vaikutuksia. Jos tehtävä ei vie mitään eteenpäin, poistan sen.

Tämä vaisto asetti minut vastakkain taloushallinnon perinteisen toimintatavan kanssa. Työ on perusteellista ja tarkkaa, mutta liiketoimintaa jäljessä — luvut ovat siis oikein, mutta analyysin valmistuessa päätökset on jo tehty.

Siksi tartuin tekoälyyn sen tultua mukaan — en omaksuttavana trendinä, vaan keinona karsia manuaalista työtä. Käytän vähemmän aikaa lukujen raportoimiseen ja enemmän aikaa niiden merkityksen sekä liiketoiminnan seuraavan suunnan pohtimiseen. Samat järjestelmät, joita käytän omien yritysteni johtamiseen, tarjoavat minulle reaaliaikaiset luvut, hallituksen materiaalit, jotka kertovat tarinan pelkän raportoinnin sijaan, sekä kevyen taloushallinnon toiminnon, joka skaalautuu ilman henkilöstömäärän kasvattamista.

Uskon, että talousjohtajan pitäisi pystyä määrittämään suuntaa eikä vain raportoimaan siitä jälkikäteen.

Kevyt tiimi tekoälyn tukemana

Mention Me on suositteluihin ja suosittelijoiden aktivointiin keskittyvä Series B -vaiheen B2B SaaS -yritys, jonka pääkonttori sijaitsee Lontoossa ja jota tukevat Octopus Ventures ja Eight Roads. Myymme brändeille kaikkialla Isossa-Britanniassa, Euroopassa ja muualla.

Vastuualueeni on laajempi kuin pelkkä taloushallinto. Siihen kuuluvat taloushallinto, henkilöstö ja ihmiset, strategia sekä operatiivinen toiminta — joten olen yhtä lähellä rekrytointia ja organisoitumista kuin lukujakin.

Rakenne on tarkoituksella kevyt. Pieni sisäinen tiimi hoitaa ydintoiminnot, ja ulkoistettu toiminto tukee transaktionaalista työtä. Toiminto pyörii tekoälyn avulla. Olemme automatisoineet raportoinnin, tietoputket ja alustavan analyysin — työt, jotka aiemmin vaativat enemmän käsipareja. Näin tiimi voi käyttää aikansa arviointiin tuotannon sijaan.

Olen soveltanut samaa lähestymistapaa myös omaan rooliini. Olen rakentanut tekoälypohjaisen "esikuntapäällikön", joka auttaa minua arjen johtamisessa, lajittelee sähköpostini, merkitsee vastausta tarvitsevat viestit, kirjaa kokouksissa sovitut toimenpiteet ja kokoaa kaiken aamukoosteeksi, jotta tiedän jokaisen päivän alussa täsmälleen, mihin keskittyä.

Missä tekoäly loistaa ja missä ihmisiä tarvitaan

Tekoäly hoitaa tuotannon, ihmiset tekevät arviot — enimmäkseen.

Tekoälyn vastuulle kuuluvat kaikki kuviot, laskelmat tai kokoamisen sisältävät tehtävät. Näihin kuuluvat ennusteiden numerolaskenta, mallin rakentaminen, toteutuneiden lukujen vieminen eteenpäin ja skenaarioiden muokkaaminen. Poikkeama-analyysissä tekoäly on erinomainen havaitsemaan muutoksia ja tunnistamaan niiden lähteen. Se hoitaa myös kassavirtamallinnuksen, hallituksen materiaalien teknisen koostamisen ja alustavat kommentit. Pohjimmiltaan kyse on työstä, joka ennen söi koko viikon. Tekoäly on minua nopeampi, se ei väsy eikä tee laskuvirheitä kello yhdeksältä illalla.

Ihmiset hoitavat nimenomaisesti kaiken, millä on seurauksia tai joka vaatii koneelta puuttuvaa kontekstia. Pääoman allokointi — sen päättäminen, mihin seuraava punta käytetään — on strategiaa ja riskinottohalua koskeva arvio, ei laskelma.

Sama koskee minkä tahansa ennusteen taustalla olevia oletuksia: tekoäly voi ajaa mallin, mutta sen päättäminen, toteutuuko kauppa todella tai pystymmekö pitämään hinnan, on ihmisen tehtävä, ja tulos on vain niin hyvä kuin tämä arvio. Riskien arviointi, kaikki ihmisiin liittyvä sekä kaikki, minkä vien omalla nimelläni hallituksen eteen — ne kuuluvat minulle.

Rajanveto on yksinkertainen. Tekoäly on loistava kertomaan, "mitä" ja "missä". Se on paljon heikompi vastaamaan kysymykseen "miksi", eikä sillä ole mitään henkilökohtaista panosta kysymykseen "mitä siis teemme asialle".

Poikkeama-analyysi on selkein esimerkki: tekoäly kertoo minulle sekunneissa, että luku on muuttunut, ja osoittaa muutoksen aiheuttajan. Se, mitä teemme seuraavaksi — siitä minulle maksetaan.

Miten kuukauden päättäminen voidaan lyhentää kymmenestä päivästä kolmeen

Olen hiljattain lyhentänyt kuukauden lopun tilinpäätöksen valmisteluun kuluvan ajan kymmenestä päivästä kolmeen.

Aiemmin minun piti koota luvut, täsmäyttää ne, laatia diat, kirjoittaa kommentit ja rakentaa kaaviot uudelleen — suurin osa tästä tehtiin käsin yhden tai kahden henkilön hoitaessa valtaosan työstä. Kun hallituksen materiaalipaketti viimein valmistui, se kuvasi viikkoja vanhentunutta tilannetta.

Automatisoin tuotannon ja jätin ihmisille harkintaa vaativan osuuden. Nyt saamme päätökseen kolmessa päivässä — hallituksen materiaalipaketti ja päivitetyt ennusteet mukaan lukien.

Tässä on prosessi raakadatan sisältävästä pääkirjasta hallitukselle valmiiseen materiaalipakettiin.

1. Prosessi alkaa datasta. Sen sijaan, että luvut vietäisiin ulos ja liitettäisiin laskentataulukkoon, alusta hakee reaaliaikaiset tiedot lähdejärjestelmistä — pääkirjasta, palkanlaskennasta, myyntiputkesta ja tilausmittareista — yhteen yhdistettyyn malliin. Tämä yksi vaihe poistaa suurimman osan manuaalisesta työstä ja kopioinnin ja liittämisen virheistä.
2. Se jäsentää ja tarkistaa datan: Se yhdenmukaistaa luvut, ilmoittaa automaattisesti täsmäytysongelmista ja päivittää ennusteen toteutuneiden lukujen perusteella saman käsittelyn aikana, mikä varmistaa, ettei tulevaisuutta koskeva näkymä koskaan jää raportoidusta tilanteesta jälkeen.
3. Se rakentaa tuotokset. Kaaviot ja hallituksen materiaalipaketti kootaan samasta lähteestä, ja tekoäly laatii ensimmäisen luonnoksen kommenteista, jotka selittävät tapahtuneet muutokset. Näin aloitan luonnoksesta tyhjän sivun sijaan.
4. Ihminen ottaa ohjat — siinä on asian ydin. Testaan kertomuksen paineensietokykyä ja päätän, mitä hallituksen on kuultava: mikä on hetkellinen heilahdus, mikä rakenteellinen muutos ja mitä päätöstä suosittelen. Kone tuottaa vahvan luonnoksen muutamassa tunnissa, mutta sen merkitystä koskeva harkinta säilyy minulla.

Tekoäly hoitaa tuotannon alusta loppuun, aina siihen asti, kun seuraukset alkavat. Siinä kohtaa minä astun mukaan.

Nopeus ja laatu paranivat samaan aikaan. Materiaalipaketti kuvastaa sitä, missä liiketoiminta on nyt, ei sitä, missä se oli kolme viikkoa sitten. Koska minun ei enää tarvitse muokata lukuja käsin käyttökelpoiseen muotoon, voin käyttää aikani kertomuksen rakentamiseen, muutosten taustalla olevien tekijöiden ymmärtämiseen ja sen ratkaisemiseen, mitkä päätökset esitellään hallitukselle. Lyhyesti sanottuna lopetimme lukujen raportoinnin ja aloimme selittää niitä.

Tekoälyn hyvät ja huonot puolet taloushallinnossa

Hyvät tulokset ovat mitattavissa. Kuukauden lopun tilinpäätöksen valmistelun nopeutumisen lisäksi skenaarioiden suunnittelu vie nyt minuutteja yhden tai kahden päivän sijaan. Tuotantotyön automatisointi on myös säästänyt yli kuusinumeroisen summan taloushallinnon henkilöstökuluissa, joita toiminto olisi muuten tarvinnut — säästö, joka kattaa kaiken muun.

Vähemmän ilmeinen, laadullinen hyöty on säästämäni aika. Tunnit, jotka aiemmin käytin lukujen kokoamiseen, käytän nyt niiden tulkitsemiseen. Tämä tekee hallituskeskusteluista terävämpiä ja muuttaa toiminnon raportointitoiminnosta päätöksentekotoiminnoksi.

Mutta todellinen haittapuoli on olemassa. Tekoäly on joskus vakuuttavan väärässä. Se tuottaa viimeistellyn näköisiä vastauksia, jotka ovat hienovaraisesti pielessä — oletus on tulkittu väärin tai jokin luku ei täsmää. Sen sujuvuus tekee luottamisesta helppoa ilman tarkistamista.

Pyydä siltä elämänohjeita, niin näet saman ilmiön viihdyttävämmässä muodossa: se on äärimmäisen itsevarma, on yleensä kanssasi samaa mieltä ja puhuu usein täyttä hölynpölyä.

Taloushallinnon versio on vain vaikeampi havaita. Alkuvaiheessa se aiheutti minulle ongelmia useammin kuin kerran. Minun on täytynyt rakentaa tiimiin kurinalainen toimintatapa ja juurruttaa se: tekoälyn tuotos käsitellään aina ensimmäisenä luonnoksena, ei koskaan lopullisena vastauksena. Ihminen tarkistaa edelleen jokaisen hallitukselle esitettävän luvun.

Miksi CFO:iden on luotava perusta ennen tekoälyn käyttöönottoa

Dave kertoo

Dataperusta on itse projekti, ei sen valmistelua… Taika toimii vasta, kun tylsä perustyö on tehty.

Dataperusta on itse projekti, ei sen valmistelua.

Kun aloitin, ajattelin, että vaikea ja arvokas työ oli tekoäly: mallit, automaatio ja oivaltava lopputulos. Pidin datan puhdistamista ja yhdistämistä nopeana valmisteluna ennen varsinaisen rakentamisen aloittamista. Tämä oli täysin väärä järjestys.

Perustustyö oli itse rakentamista. Suurin osa työstä ja siitä, mikä ratkaisi, toimiko kokonaisuus todella, tapahtui epäglamourisessa kerroksessa: puhtaassa datassa, järkevässä rakenteessa ja luotettavissa yhteyksissä lähdejärjestelmiin.

Tämän seurauksena käytin aluksi aikaa oivaltavien ratkaisujen rakentamiseen valmistautumattoman datan päälle ja sain viimeistellyn lopputuloksen, johon en voinut täysin luottaa. Jouduin siis palaamaan jälkikäteen tekemään perustyön joka tapauksessa. Jos olisin tiennyt tämän, olisin tehnyt asiat päinvastaisessa järjestyksessä: laittanut ensin perusasiat kuntoon ja lisännyt älykkyyden vasta sen päälle. Sama päämäärä, puolet hukkaan heitetystä työstä.

Taika toimii vasta, kun tylsä perustyö on tehty.

Miten talousjohtajat voivat tehostaa henkilöstösuunnittelua tekoälyn avulla

Useimmissa yrityksissä ja erityisesti SaaS-yrityksissä, joissa henkilöstö on ylivoimaisesti suurin kustannus, henkilöstösuunnittelu on edelleen karkea työkalu. Näissä yrityksissä käytetään taulukkoa tehtävistä, budjetointivaiheessa laadittua rekrytointisuunnitelmaa ja lukua, jota kaikki pitävät kiinteänä, kunnes jokin pakottaa arvioimaan sen uudelleen. Tämä on outoa, koska kyseessä on suurin yksittäinen vipuvaikutus, jota talousjohtaja hallitsee, mutta sitä mallinnetaan usein kaikkein staattisimmalla tavalla.

Uudistin henkilöstösuunnittelumme ja siirryin staattisesta luettelosta ajuripohjaiseen malliin, joka on kytketty muuhun suunnitelmaan. Sen sijaan että sanoisimme ”palkkaamme tänä vuonna kaksitoista henkilöä”, sanomme: ”tämä tehtävä käynnistyy, kun myyntiputkea on näin paljon, ja tämä toinen, kun liikevaihto ylittää tietyn rajan...” Näin rekrytoinnit yhdistyvät asioihin, jotka perustelevat ne.

Koska malli on osa yhdistettyä kokonaisuutta, voin muuttaa sitä reaaliaikaisesti: lisätä rekrytoinnin, vaihtaa ajoitusta ja nähdä sen vaikutuksen suoraan tuloslaskelmassa, kassatilanteessa ja kassapuskurin riittävyydessä.

Tämän seurauksena henkilöstömäärä lakkasi olemasta vuosittainen arvaus ja muuttui reaaliaikaiseksi päätökseksi. Kun joku kysyy: ”Onko meillä varaa tähän rekrytointiin?”, voin vastata kokouksessa. En mututuntuman perusteella, vaan kertomalla sen vaikutuksen kassapuskurin riittävyyteen ja ajoitukseen. Näin yksi yrityksen merkittävimmistä ja tunnepitoisimmista keskusteluista perustuu tilanteen keskellä lukuihin.

Miksi Claude on talousjohtajille välttämätön työkalu

Claude on ehdottomasti ensisijainen työkaluni. Se ei ole yhteen tarkoitukseen suunniteltu taloushallinnon työkalu, ja juuri siksi pidän siitä: se hoitaa kaiken, mihin muut työkalut eivät taivu.

Rehellisesti sanottuna odotin enemmän valmiilta taloushallinnon työkaluilta, joihin on lisätty ”tekoäly” olemassa olevan tuotteen päälle. Useimmat niistä ovat saman ohjelmiston päälle rakennettuja keskusteluruutuja, eivätkä ne muuta työn tekemisen tapaa merkittävästi . Ne hoitavat yhden tehtävän hyvin – jos sitäkään.

Claude puolestaan pystyy kaikkeen. Se rakentaa mallit, luonnostelee hallituksen kommentit, analysoi dataa, kirjoittaa analyysit ja toimii ajattelukumppanina, jonka kanssa pallottelen päätöksiä. Se hoitaa viikon aikana eteeni tulevat monenlaiset tehtävät ja mukautuu kaikkeen, mitä seuraavaksi annan sille.

Suurin virhe, jonka talousjohtajat tekevät tekoälyn kanssa

Tässä on neuvoni:

1. Suurin virhe, jonka näen, on se, että CFO:t käsittelevät tekoälyä hankintapäätöksenä — kaksitoista kuukautta kestävänä arviointina, pilottina ja käyttöönottona. Olen tehnyt saman virheen. Kun tämä prosessi päättyy, työkalut ovat ehtineet muuttua jo kahdesti. Käytä sitä sen sijaan itse, oikeassa työssä, tällä viikolla. Opit kahden viikon käytännön kokeilulla enemmän siitä, missä se auttaa ja missä se johtaa sinua harhaan, kuin yhdestäkään toimittajan esittelystä.
2. Älä odota täydellistä työkalua. Valmiiden ratkaisujen markkinat tarjoavat edelleen enimmäkseen vanhoihin ohjelmistoihin liitettyä keskusteluruutua. Voit rakentaa enemmän kuin uskotkaan; omien ratkaisujen luomisen kynnys on romahtanut. Eteenpäin pääsevät CFO:t suhtautuvat tähän kehitettävänä kykynä eivätkä ostettavana palveluna.
3. Kaikkein tärkeintä on saada tylsä osuus kuntoon. Puhdas data ja toimivat prosessit eivät ole vain tekoälyn epäkiinnostava edellytys, vaan koko asian ydin. Sekavaan dataan perustuva tekoäly tuottaa vain itsevarmalta kuulostavaa hölynpölyä nopeammin. Korjaa perusta ensin.
4. Pidä myös oma harkintasi keskiössä. Tekoäly muuttaa sitä, miten työ tuotetaan, ei sitä, kuka on siitä vastuussa. Taito, jolla on nyt enemmän merkitystä kuin koskaan, ei ole analyysin tuottaminen — vaan sen tietäminen, onko analyysi oikein ja mitä sen perusteella pitäisi tehdä. Se on edelleen tehtäväsi. Aina on ollut.

Seuraa mukana

Voit seurata Dave Leaverin työtä LinkedInissä.

The CFO Clubissa on luvassa lisää asiantuntijahaastatteluja!