L’IA sta ricostruendo il ciclo di reporting

Prima di fondare TheFinanceNewsletter.com e BeFluentInFinance.com, Andrew Lokenauth ha ricoperto ruoli di direttore e vicepresidente nell'ambito finanziario presso diverse banche rinomate. Oggi è un opinion leader nelle discipline finanziarie, con oltre 3 milioni di follower.

Abbiamo parlato con Andrew per capire in che modo l'IA stia trasformando il settore, tra rischi e opportunità. Ecco cosa ci ha raccontato.

Automatizzare prima che l'IA diventasse una parola d'ordine

Ho iniziato la mia carriera presso Citi, poi ho lavorato per Goldman Sachs, AIG, JPMorgan e Signature Bank, ricoprendo ruoli nell'ambito della pianificazione e analisi finanziaria (FP&A), della finanza strategica, delle relazioni con gli investitori e dello sviluppo aziendale. Automatizzavo i flussi di lavoro finanziari con Python, SQL e VBA molto prima che l'IA diventasse un argomento di discussione. In Goldman ho ridotto di diversi giorni i cicli di rendicontazione di profitti e perdite. In Signature Bank ho creato sistemi che hanno ridotto da giorni a meno di 24 ore il tempo necessario ai dirigenti per ottenere informazioni utili. Quando è comparsa l'IA generativa, non mi è sembrata una novità dirompente. Mi è sembrata il naturale passo successivo nel lavoro che svolgevo già da quasi due decenni.

Dopo aver lasciato la finanza istituzionale, ho fondato TheFinanceNewsletter.com e BeFluentInFinance.com, dove scrivo di finanza e tecnologia per oltre 100.000 iscritti alla newsletter e più di 3 milioni di follower sui social media. Le mie opinioni su questo tema sono state pubblicate su Forbes, CNBC, il Wall Street Journal e Business Insider. Continuo a scriverne per lo stesso motivo per cui me ne sono interessato: la maggior parte della discussione è ancora troppo teorica, troppo orientata dai fornitori e troppo distante dal modo in cui la finanza funziona davvero sul campo.

Gestisco anche uno studio di consulenza frazionaria, dove ricopro il ruolo di CFO e COO frazionario per startup in forte crescita e aziende del mercato medio con ricavi compresi tra 1 e 5 milioni di dollari.

Come l'IA cambia la rendicontazione mensile

Il cambiamento più significativo nel mio lavoro negli ultimi 12 mesi è stato sostituire i pacchetti statici di rendicontazione mensile con un livello di FP&A basato sull'IA, che si colloca al di sopra dei sistemi finanziari principali del cliente. Il sistema acquisisce dati dal software di contabilità, dal CRM e dalle buste paga, ed esegue continuamente analisi automatizzate degli scostamenti.

Prima di allora, un team finanziario avrebbe trascorso i primi cinque-sette giorni lavorativi di ogni mese a raccogliere dati, riconciliarli e formattare una presentazione che era già obsoleta quando la dirigenza la vedeva. Ora quella stessa informazione è disponibile nel giro di poche ore: l'IA gestisce l'aggregazione dei dati e il rilevamento degli scostamenti, mentre una persona esamina i risultati per aggiungere contesto e formulare valutazioni.

Il risultato è stato coerente in tutti gli incarichi:

• I cicli di chiusura mensile si riducono di circa il 30-40%.
• La produzione della presentazione per il consiglio di amministrazione passa da circa 3 giorni a meno di 6 ore.
• Il tasso di errore diminuisce perché meno passaggi manuali significano meno errori manuali.
• I team finanziari spostano le proprie energie dalla raccolta dei dati alla vera analisi aziendale.
• La qualità delle decisioni in tutta l'azienda migliora perché il CFO può analizzare i dati finanziari in tempo reale.

La tecnologia non è complicata. Ciò che manca alla maggior parte dei team è la volontà di riprogettare il flusso di lavoro.

Un flusso di lavoro per la chiusura e la rendicontazione basato sull'IA

Ecco la descrizione dettagliata, passo dopo passo, del flusso di lavoro per la chiusura e la rendicontazione:

1. Estrazione automatizzata dei dati tramite Fivetran: una pipeline programmata estrae i dati dal software di contabilità, dal CRM e dal sistema paghe e li trasferisce in un database centralizzato e pulito ogni 24 ore.
2. Riconciliazione basata sull'IA e segnalazione delle varianze tramite BlackLine: il livello di IA confronta i dati effettivi con il budget per ogni voce principale, segnala le varianze superiori alle soglie definite e genera una spiegazione in linguaggio semplice per ogni segnalazione.
3. Revisione umana: il responsabile finanziario esamina ogni elemento segnalato, aggiunge il contesto aziendale e decide cosa deve essere sottoposto a escalation. È assistito da FloQast AI per i commenti sulle variazioni.
4. Dashboard e output narrativo tramite Datarails: una presentazione formattata per il consiglio di amministrazione e un riepilogo esecutivo vengono generati automaticamente dai dati revisionati, pronti per la distribuzione.

Ciò che prima richiedeva 3 giorni ora richiede da 4 a 6 ore.

Esempi reali di come l'IA aiuta e danneggia la reportistica mensile

Il pensiero di Andrew

Un risultato dall’aspetto convincente non è la stessa cosa di un risultato affidabile.

Ecco un esempio. Ho lavorato con una fintech di Serie B in cui abbiamo implementato un sistema di monitoraggio del flusso di cassa basato sull'IA che ha segnalato un rischio di concentrazione della clientela sei settimane prima che si trasformasse in un problema di liquidità.

Il modello ha individuato uno schema nell'anzianità dei crediti che un revisore umano non aveva rilevato nelle precedenti chiusure mensili. Quella singola individuazione valeva più dell'intero costo dell'implementazione.

Dal lato negativo, ho avuto un cliente la cui previsione generata dall'IA presentava uno scostamento dal 15 al 20% nei mesi caratterizzati da un'elevata variabilità delle fatture. Il modello era stato addestrato su schemi storici che non riflettevano un recente cambiamento nella composizione dei ricavi. Il risultato appariva curato e convincente, e nessuno lo ha messo in discussione finché il CFO non ha rilevato la varianza durante una riunione del consiglio.

Un risultato dall'aspetto convincente non è la stessa cosa di un risultato affidabile.

L'IA gestisce il "cosa" — gli esseri umani gestiscono il "e quindi?"

Le attività più adatte all'IA sono quelle con regole chiare, schemi storici e un'elevata ripetitività. Utilizzo l'IA per:

• Esecuzione dei modelli previsionali
• Analisi delle varianze
• Modellazione di scenari di flusso di cassa
• Rilevamento delle anomalie
• Reportistica ordinaria

Dove gli esseri umani restano coinvolti è nelle decisioni sull'allocazione del capitale, nelle valutazioni dei rischi, nella negoziazione dei contratti, nelle comunicazioni con gli investitori, nell'interpretazione normativa e in tutto ciò che richiede di comprendere il contesto aziendale non presente nei dati. Un modello può segnalare che il tasso di consumo di cassa sta accelerando. Non può dirti che il motivo è un problema nel rapporto con il fondatore o un rappresentante commerciale che nasconde intenzionalmente parte della pipeline.

Il modello mentale che utilizzo è questo: l'IA gestisce il "cosa", gli esseri umani gestiscono il "e quindi?".

Questo è uno dei modi più pratici per pensare all'integrazione dell'IA in una funzione finanziaria. L'una senza l'altra è incompleta, ed entrambe le modalità di fallimento (automatizzare troppo o troppo poco) costano alle organizzazioni denaro reale.

Perché l'automazione eccessiva e l'eccessiva fiducia nell'IA sono grandi rischi per i team finanziari

L'IA porta con sé molti vantaggi. Ma anche gli svantaggi sono reali.

L'IA crea un falso senso di sicurezza quando i dati sottostanti non sono puliti. Ho visto team finanziari fidarsi dei report sulle varianze generati dall'IA senza mettere in discussione la qualità dei dati di origine, e questo crea un rischio concreto.

C'è anche una trappola legata all'eccessiva automazione: quando elimini la revisione umana da troppi passaggi, perdi quella conoscenza istituzionale che individua ciò che i modelli non riescono a vedere.

Credo che il settore abbia bisogno di una comunicazione più onesta su questo tema e di meno clamore da parte dei fornitori.

Dove l'AI non è all'altezza

Quando si parla di finanza, l'AI non è all'altezza principalmente in tre ambiti.

Innanzitutto, mi aspettavo che l'AI fosse più avanti nell'interpretazione delle norme di conformità e nel giudizio normativo. Durante i miei anni presso Signature Bank e Amalgamated Bank, gran parte del lavoro sui controlli finanziari si basava su valutazioni articolate: leggere le indicazioni normative, anticipare le aspettative degli ispettori, capire quando un numero supera tecnicamente un controllo ma merita comunque di essere segnalato. Gli strumenti di AI oggi possono individuare le norme pertinenti e riassumere i documenti di orientamento. Ma non riescono a replicare il giudizio che deriva da anni trascorsi al tavolo con gli enti di vigilanza.

In secondo luogo, la generazione delle tracce di audit e la spiegabilità all'interno di flussi di lavoro finanziari complessi. Quando gestivo le relazioni con gli investitori presso Signature Bank per un'istituzione da $110B+, ogni numero inserito in un documento depositato presso la SEC, in una conference call sui risultati o in una comunicazione normativa aveva una traccia di audit documentata e un responsabile umano chiaramente identificato. Gli output generati dall'AI, soprattutto quelli prodotti da sistemi basati su modelli linguistici di grandi dimensioni, raramente dispongono di una catena di ragionamento in grado di soddisfare un ente di vigilanza o un revisore esterno. L'output può essere corretto, ma non sempre è possibile mostrare il percorso seguito nel modo richiesto da un ambiente soggetto a obblighi di conformità.

E in terzo luogo, le aziende nelle fasi iniziali con infrastrutture dati disordinate. La proposta dell'AI presuppone dati ragionevolmente puliti e collegati. La maggior parte delle startup non li ha. Approfondiamo questo punto.

Perché ogni iniziativa di AI dovrebbe iniziare con un audit dei dati

Il pensiero di Andrew

La qualità dei dati è il vero collo di bottiglia. Non il modello, non lo strumento, non il fornitore…Ogni iniziativa di AI dovrebbe iniziare con un audit dei dati, non con la scelta di uno strumento.

La qualità dei dati è il vero collo di bottiglia. Non il modello, non lo strumento, non il fornitore. Ho iniziato il mio primo progetto finanziario abilitato dall'AI aspettandomi che la parte più difficile fosse la tecnologia. Non lo era. La parte più difficile è stata scoprire che i dati finanziari dell'azienda risiedevano in tre sistemi diversi, nessuno dei quali comunicava con gli altri, con convenzioni di denominazione incoerenti e mesi di registrazioni mancanti. Abbiamo dedicato circa il 60% della durata del progetto alla pulizia dei dati prima che gli strumenti di AI potessero fare qualcosa di utile.

Ogni iniziativa di AI dovrebbe iniziare con un audit dei dati, non con la scelta di uno strumento. Devi sapere quali dati possiedi, dove si trovano, quanto sono puliti e se sono sufficientemente strutturati perché un modello possa apprendere da essi. Questo singolo passaggio consentirebbe di risparmiare settimane di rielaborazioni e di riallineare molto prima le aspettative della leadership.

Il vecchio modello consisteva nell'assumere più persone per produrre più insight. Il nuovo modello consiste nel costruire una migliore infrastruttura dati e poi lasciare che l'AI moltiplichi la produttività del team esistente. È una decisione diversa in termini di allocazione del capitale, e la maggior parte dei responsabili finanziari non l'ha ancora presa.

Come stanno cambiando i team finanziari a causa dell'AI

Il cambiamento più significativo che ho osservato nei team è la riduzione del livello degli analisti junior. Attività che prima richiedevano da 2 a 3 analisti impegnati nell'estrazione dei dati, nelle riconciliazioni e nelle analisi di base degli scostamenti possono ora essere gestite da un livello di AI con una sola persona incaricata di supervisionare l'output. Questo non significa sempre una riduzione dell'organico. Più spesso, lo stesso organico viene riallocato verso attività a maggior valore: collaborazione con le altre funzioni aziendali, analisi degli scenari, comunicazione con gli investitori e pianificazione strategica.

Anche il profilo professionale di una valida risorsa finanziaria sta cambiando. Oggi, le persone migliori che cerco non sono semplicemente competenti in contabilità o modellazione finanziaria. Sanno lavorare con gli output dell'AI, capiscono quando fidarsi di un modello e quando metterlo in discussione e riescono a comunicare con chiarezza gli insight finanziari agli stakeholder non finanziari. Questa combinazione di rigore finanziario, alfabetizzazione all'AI e capacità comunicative è attualmente rara e viene pagata profumatamente.

Cosa devono imparare i CFO per prosperare nel prossimo decennio

I CFO che prospereranno nel prossimo decennio saranno molto diversi da quelli che hanno prosperato nell'ultimo decennio. Le competenze tecniche finanziarie (modellazione, reporting, conformità) diventeranno sempre più requisiti di base gestiti dall'AI. Le competenze che definiscono i grandi CFO saranno la capacità di giudizio, la comunicazione, il pensiero strategico e la capacità di guidare in condizioni di ambiguità.

Il mio consiglio è di investire nelle competenze che l'IA non può replicare. Costruite relazioni più solide con i leader aziendali. Migliorate la vostra capacità di comunicare informazioni finanziarie a interlocutori non esperti di finanza. Sviluppate un autentico giudizio strategico, non solo competenze di analisi finanziaria. Sono queste le capacità che definiranno i CFO d'élite in un futuro potenziato dall'IA.

Quattro passi che ogni CFO dovrebbe compiere

Quattro cose che direi a ogni CFO in questo momento:

Primo, effettuate un controllo dei dati prima di qualsiasi altra cosa. Sappiate dove risiedono i vostri dati finanziari, quanto sono puliti e se sono strutturati a sufficienza per poter essere utilizzati da un modello.

Secondo, iniziate da un unico flusso di lavoro. I CFO che ho visto avere successo con l'IA scelgono il processo più problematico e ripetitivo della loro funzione — di solito la chiusura contabile mensile o la presentazione per il consiglio di amministrazione — e poi riprogettano il flusso di lavoro prima di automatizzarlo. Questa sequenza è importante. Costruite il flusso di lavoro sulla carta prima di realizzarlo in uno strumento. Documentate ogni passaggio del processo che desiderate automatizzare, individuate quali passaggi sono basati su regole (pronti per l'IA) e quali richiedono giudizio (che richiedono l'intervento umano), quindi procedete di conseguenza.

Terzo, definite i punti di controllo della revisione umana prima di entrare in produzione. Ogni risultato dell'IA all'interno di un flusso di lavoro finanziario dovrebbe avere un responsabile umano che lo approvi.

Quarto, misurate il valore di riferimento prima di iniziare. Se non sapete quanto dura attualmente la vostra chiusura contabile o quale sia l'attuale tasso di errore delle vostre previsioni, non potete dimostrare che l'IA l'abbia migliorato.

Questi quattro passi sembrano semplici, e lo sono. Ma la maggior parte delle organizzazioni ne salta due o tre perché è impaziente di arrivare alla tecnologia. È da qui che nasce la maggior parte delle delusioni.

Seguite il suo lavoro

Potete seguire il lavoro di Andrew Lokenauth su LinkedIn, YouTube e sul suo sito web personale. Oppure scoprite The Finance Newsletter e il suo sito BeFluentInFinance.com.

Presto arriveranno altre interviste a esperti su The CFO Club!