Finansekspert med AI som utgangspunkt deler arbeidsflytene sine – og hvordan han gjør dem etterprøvbare

Sergei Mochtchenkov har jobbet med finans i over 20 år, blant annet i CFO-roller. Nå er han deltids-CFO og har rådgitt over 300 kunder i en lang rekke bransjer.

Vi satte oss ned med Sergei for å lære mer om arbeidsflytene og verktøyene han bruker i finansorganisasjoner. Her er det han sa.

En CFO med AI som utgangspunkt

Jeg heter Sergei Mochtchenkov og er CFA. Jeg er deltids-CFO basert i Kyiv og jobber med selskaper i Nord-Amerika, Europa og andre steder. Jeg har jobbet med finans i over 20 år: finansiell modellering, verdsettelse, investeringsanalyse og datavisualisering (Excel, Power BI, SQL). Underveis har jeg rådgitt over 300 kunder, støttet gjelds- og egenkapitaltransaksjoner på mer enn 1 milliard dollar samt flere børsnoteringer i teknologisektoren, og vært CFO eller sjefanalytiker for virksomheter fra en AI-drevet plattform for influencer-markedsføring til et eiendomsfond i California.

Strukturen er slank med hensikt. Jeg sitter øverst som CFO og sjefanalytiker; et lite team håndterer bokføring, avstemminger og rapportering; og AI-agenter arbeider mellom disse funksjonene – de tolker kontoutskrifter, kategoriserer transaksjoner, reviderer modeller og utarbeider rapportutkast. Kompleksiteten kommer i mindre grad fra antall ansatte enn fra variasjonen: strukturer med flere selskaper, mellomværender, investorfordelinger, SAFEs og kapitaliseringstabeller samt en blanding av regnskapssystemer (QuickBooks, Xero, Odoo, Shopify og Amazon Seller Central).

Veien min til AI var praktisk, ikke teoretisk. Deltidsarbeid betyr å betjene mange kunder samtidig, og flaskehalsen var alltid den samme: timer brukt på å rense data, bygge modeller på nytt og revidere regneark før man kunne begynne på den egentlige analysen. Da AI ble pålitelig nok til å lese et hovedbokssammendrag, tolke kontoutskrifter eller spore en ødelagt formelkjede, bygget jeg virksomheten min rundt teknologien.

I dag posisjonerer jeg meg som en AI-basert deltids-CFO: AI gjør det tunge arbeidet med data og førsteutkast, mens jeg bruker tiden min på vurderinger – hva tallene betyr, og hva eieren bør gjøre videre.

Slik effektiviserer AI dataforberedelsen i finansarbeidet

Dette er den største endringen jeg har gjort med AI: Jeg sluttet å behandle forberedelse av rådata som menneskearbeid.

Hvert nytt oppdrag startet med flere dager med rutinearbeid – nedlasting av PDF-kontoutskrifter fra flere banker, halvmanuell konvertering av dem og deretter kategorisering av tusenvis av transaksjoner linje for linje før analysen kunne begynne. Feil snek seg inn, og den dyreste personen i oppdraget brukte tid på den minst verdifulle oppgaven.

Derfor bygget jeg en AI-assistert arbeidsflyt. Claude skriver og kjører Python (med pdfplumber), som tolker kontoutskrifter fra ulike banker og gjør dem om til ryddige Excel-filer, og hvert resultat valideres med en fullstendig balansekontroll – inngående saldo pluss transaksjoner må være lik utgående saldo, periode for periode – slik at ingenting godtas blindt. Transaksjonene havner deretter i en Supabase-database, der AI kategoriserer dem mot kartleggingsregler jeg definerer og godkjenner, mens alt som er tvetydig, sendes videre til meg. I et nylig oppdrag omfattet dette fire selskaper på tvers av fire svært ulike banker – amerikanske og saudiarabiske, digitale banker og tradisjonelle banker.

Resultatet var at behandlingstiden i datafasen sank kraftig, nøyaktigheten økte fordi valideringen er systematisk i stedet for stikkprøvebasert, og tiden min gikk fra registrering til vurdering – gjennomgang av avvik, mellomværender og poster knyttet til nærstående parter, som er der de virkelige funnene ligger.

Slik styrker AI modellrevisjoner

Jeg gjennomfører ofte revisjoner og gjenoppbygging av finansielle modeller. Slik gjør jeg det:

• Trinn 1 — Fastsett reglene: Opprett et Claude-prosjekt med skriftlige instruksjoner: navnekonvensjoner, leveranser kun på engelsk, formler som ren tekst samt filer som er innenfor og utenfor omfanget.
• Trinn 2 — Lag en oversikt og et avhengighetskart: Claude bruker Python (openpyxl) til å katalogisere hvert ark, navngitte områder, eksterne koblinger, hardkodede tall og formelmønstre, og bygger deretter et kart over hva som leverer data til hva. Vi endrer ingen celler før vi forstår modellens struktur.
• Trinn 3 — Let etter feil: KI sporer beregningskjeder opp mot modellens tiltenkte logikk — vannfallsmodeller, internrente, gjeldsplaner, kontantstrøm — og lager en feilliste med detaljer om celleplasseringer, alvorlighetsgrad og beløpsmessig påvirkning. Før vi klassifiserer noe som en feil som er verdt å rette, sjekker vi om noe lenger ned i modellen leser den cellen.
• Trinn 4 — Gjennomføring i to samtaler: Jeg bruker en hovedsamtale til avgrensning og gjennomgang, og en separat gjennomføringssamtale. Gjennomføringssamtalen mottar én skriftlig oppgavebeskrivelse om gangen, utfører den og kontrollerer selvstendig resonnementet i hovedsamtalen. Når to KI-gjennomganger er uenige, varsler den meg slik at jeg kan undersøke nærmere.
• Trinn 5 — Verifisering: Jeg gjennomfører fullstendige omberegninger, skanninger etter feil, avstemminger mot kildedokumenter og stresstester av viktige scenarier. Deretter gjennomgår jeg selv endringene og logikken.

Hvorfor KI håndterer data, mens mennesker håndterer vurderinger

Når det gjelder hvor KI skal brukes og hvor mennesker skal brukes, er regelen min enkel: KI forbereder, tester og lager utkast; et menneske beslutter og signerer.

Jeg bruker KI til:

• Datainnhenting og avstemming: tolking av kontoutskrifter, kategorisering av transaksjoner, analyse av kundefordringer og leverandørgjeld.
• Revisjon av modeller: sporing av formelkjedene, identifisering av brutte koblinger, hardkodede overstyringer og skjulte feil i kundemodeller. KI leser tusenvis av formler uten å bli sliten.
• Prognoser: For netthandelskunder har jeg bygget systemer for etterspørselsprognoser som renser dataene, normaliserer for sesongvariasjoner og annonseforbruk og produserer salgsintervaller med 95 % konfidensbånd som inngår i en innkjøpsplan.
• Avviksanalyse
• Kommentarer som førsteutkast
• Scenarioanalyser
• Undersøkelser, for eksempel konkurranseanalyser og markedsdata

Dette forblir uttrykkelig menneskelig:

• Forutsetninger: En modell er bare så god som vekstraten, kapitaliseringsrenten eller frafallsforutsetningen den bygger på, og dette krever forståelse av virksomheten og menneskene som driver den.
• Kapitalallokering, verdsettelseskonklusjoner og alt som går til en investor, långiver eller et styre under mitt navn: Som CFA-innehaver er jeg ansvarlig for konklusjonen, og ansvar kan ikke delegeres til en modell.
• Beslutninger om mennesker og relasjoner: Kostnadskutt som påvirker roller, forhandlinger og samtalen med en gründer hvis plan ikke fungerer.

De to viktigste fordelene med KI i finans

Omfanget av verifiseringen har vært en stor fordel med KI. Den kontrollerer uttømmende arbeid som tidligere ble kontrollert gjennom stikkprøver. Nyere eksempler omfatter: en arbeidsbok for verifisering av 134 målepunkter til en investorpresentasjon for en filmproduksjon, der vi sporet hvert tall i presentasjonen tilbake til kildedokumentene; et tilbudsverktøy for en kunde med 126 oppgaver og rundt 1 200 formler, som leverte null formelfeil; og en konvertering av kontoutskrifter for fire juridiske enheter, der hver periode besto en fullstendig balanseavstemming.

Kostnaden er en annen fordel. KI gjør det mulig for organisasjoner å automatisere repetitive oppgaver og prosesser. Det gjør det også enkelt å kutte ubrukte programvarelisenser og markedsføringskostnader i kanaler som presterer svakt.

Lærdom fra områdene der KI har problemer

KI-feil er farlige nettopp fordi de ser profesjonelle ut. Jeg har sett gjennomarbeidede resultater med en feil områdereferanse eller en feiltolket linjepost som ville passert en overflatisk gjennomgang. Ett lite, men talende eksempel: Formler som ble gjengitt i en rapport, inneholdt et innledende likhetstegn, slik at regnearket forsøkte å evaluere dem og produserte brutte referanser og uberettigede advarsler om sirkelreferanser. Nå bestemmer en fast regel at formler i leveranser skal skrives som ren tekst.

KI vil også med glede «fikse» ting som ikke betyr noe. Før jeg avgjør om en verdi skal gjenopprettes eller korrigeres, sjekker jeg først om noe lenger ned i modellen faktisk leser den. Denne enkle disiplinen sparer mye bortkastet arbeid.

Og her er et par konkrete områder der KI ikke leverer:

• Store eldre Excel-modeller: Jeg forventet at AI skulle «bare forstå» og fikse en modell med 30 faner. Det gjør den ikke. Store arbeidsbøker med eksterne koblinger, skjulte ark, gammel VBA eller ActiveX-kontroller og årevis med oppdateringer overvelder den – den mister tråden på tvers av fanene og foreslår løsninger som ødelegger noe annet. Langsommere og mer disiplinerte tilnærminger fungerer bedre: først lager du en oversikt og et avhengighetskart over modellen; deretter lar du AI jobbe med én avgrenset oppgave om gangen, med en separat gjennomgang som kontrollerer resultatet. AI er en sterk analytiker, men ennå ikke en arkitekt.
• Prognoser under regimeskifter: Statistiske prognoser og ML-prognoser fungerer utmerket når fremtiden ligner på fortiden – for eksempel sesongbasert etterspørsel innen netthandel. Siden jeg bor og arbeider i Ukraina, ser jeg ofte hvor dårlig historikkbaserte modeller håndterer krig, sanksjoner, valutasjokk og plutselig kostnadsinflasjon. I slike miljøer produserer AI selvsikre tall uten reelt grunnlag; scenariotenking og menneskelig dømmekraft er langt viktigere.

Og et mindre poeng: Kategorisering av transaksjoner flater ut. AI håndterer hoveddelen godt, men den tvetydige resten – transaksjoner mellom nærstående parter, eierutgifter og konserninterne pengestrømmer – er nøyaktig der regnskapsrisikoen ligger, og dette krever fortsatt et menneskeskapt regelverk.

Hvordan AI introduserer skjulte kostnadsrisikoer i økonomifunksjonen

Økonomidirektører må holde øye med beregningskostnader som en skjult variabel varekostnad.

Mange ledere betrakter fortsatt AI som programvare – et fast abonnement. For AI-baserte produkter er det ikke slik. Hver brukerhandling kan utløse modellkall, og kostnaden for inferens skalerer med bruk, lengden på instruksjonen og valg av modell. Det gjør en virksomhet som ser ut til å ha høye marginer, til noe med reelle og volatile variable kostnader. Jeg ser jevnlig AI-oppstartsbedrifter der bruttomarginene gradvis svekkes etter hvert som de vokser, fordi utformingen av modellen deres forutsatte programvarelignende marginer, og ingen fulgte kostnaden per kunde, funksjon eller transaksjon.

Løsningen er grunnleggende økonomisk disiplin anvendt på en ny kostnadspost: Mål enhetsøkonomien på nivået for AI-kallet, før beregningskostnader som varekostnad der de hører hjemme, sett budsjetter og varsler, tilpass modellens størrelse til oppgaven, og pris produktet med beregningskostnader i tankene. Kontroll over beregningskostnader er nå et kjerneansvar for økonomidirektøren i enhver AI-tung virksomhet – ikke en teknisk detalj.

Slik håndterer du AI

AI trenger styring, ikke bare instruksjoner. Til å begynne med behandlet jeg den som et svært raskt verktøy, men den oppfører seg mye mer som en briljant nyansatt uten hukommelse for gårsdagen og med et sterkt ønske om å være til hjelp. Her er tre ting jeg ville sagt til mitt tidligere jeg hvis jeg kunne:

• Skriv ned reglene én gang. Alle virksomheter har uskrevne konvensjoner – hvordan prosenter vises, hvilke kontoer som vises i hvilke rapporter, hvordan formler dokumenteres, og hvilket språk leveransene skal være på. Hvis de bare finnes i hodet ditt, vil AI «fornuftig nok» gjøre noe annerledes hver gang.
• Skill mellom spørsmål og endringer. Spør AI hvorfor et tall ser merkelig ut, og den vil ofte «fikse» det. Min faste regel nå er: Når jeg stiller et spørsmål, svarer AI først og venter på godkjenning før den endrer noe. Tidlig i prosessen ville dette ha forhindret flere stille redigeringer som jeg måtte rulle tilbake.
• Hold oppgavene små, og la originalen være urørt. Mine første forsøk ga AI for mye på én gang – «gå gjennom hele denne modellen og fiks den». Resultatene så imponerende ut og var vanskelige å kontrollere. Avgrensede oppgavebeskrivelser, én endring om gangen, en ren kopi av originalen og en endringslogg gjør hvert trinn etterprøvbart.

Disse tre tingene ville ha spart meg for timevis med omarbeid, noen pinlige nestenulykker som ble oppdaget i gjennomgangen, og den feilaktige troen jeg hadde en stund på at hovedverdien av AI er hastighet. Hovedverdien er at du har råd til å kontrollere alt – men bare hvis du utformer prosessen for det.

Hvordan AI kan brukes i arbeidskapitalstyringen

De fleste økonomiteam håndterer fortsatt kundefordringer, leverandørgjeld og lagerbeholdning med månedsrapporter og magefølelse, selv om det er her kontanter skapes eller bindes opp. Men AI er uvanlig sterk på dette området fordi datagrunnlaget er omfattende, repeterende og inneholder mønstre som mennesker ikke har tid til å oppdage.

To områder jeg har lagt om:

• Lager- og innkjøpsplanlegging for netthandel: For merkevarer innen sportsklær, badetøy, leker og proteinbarer erstattet vi «bestill på nytt det som solgte forrige sesong» med et prognosesystem som jeg allerede har vært kort inne på. Vi rydder opp i salgshistorikken, normaliserer for sesongvariasjoner og annonseforbruk, prognostiserer etterspørselen med 95 %-intervaller og lager deretter en innkjøpsplan som eksplisitt veier lagringskostnad, bruttomargin, avkastning på egenkapitalen, mengderabatter og leveringstid fra leverandøren mot hverandre. Resultatet er en innkjøpsbeslutning basert på et utfallsintervall, der kostnaden ved å bomme i begge retninger er synlig på forhånd – i stedet for ett enkelt gjetningstall.
• Fordringer, gjeld og kommunikasjon: Jeg bygger Claude-drevet analyse over kundefordringer, leverandørgjeld og virksomhetens egen kommunikasjon, slik at økonomiavdelingen ikke bare ser at en faktura er forsinket, men hvorfor – en tvist, et leveringsproblem eller en kunde under press – og kan handle tidligere. Det samme perspektivet avdekker doble eller uvanlige utbetalinger og leverandørbetingelser som gradvis har endret seg uten at noen har lagt merke til det.

Hvorfor Claude Code og Cowork er banebrytende innen økonomi

Claude er banebrytende – særlig i agentisk form (Claude Code og Cowork), der det ikke bare chatter, men arbeider med filer, skriver og kjører Python, leser og bygger Excel-modeller og kobler seg til databaser og forretningsapper.

Med det kan jeg analysere kontoutskrifter, revidere en modell med 30 faner, bygge et prognosesystem, utarbeide et investormemo og lage et datasett som er klart for Power BI – og, viktigst av alt, skriver det kode jeg kan ta vare på, kjøre på nytt og revidere, i stedet for bare å gi meg svar. Instruksjoner på prosjektnivå lar meg legge inn hver kundes regler én gang, slik at arbeidet forblir konsistent på tvers av økter.

Men Excel er fortsatt uvurderlig. Det er fremdeles språket investorer, långivere og styrer leser, og de beste AI-arbeidsflytene jeg kjører ender i et ryddig og transparent regneark som et menneske kan kontrollere linje for linje.

Hvordan AI endrer team og opplæringsveier

Pyramiden har blitt en diamant. Tradisjonelt trenger en økonomifunksjon mange juniorer som fører inn data, utfører avstemminger og lager førsteutkast til modeller, noen få seniorer som gjennomgår dem, og én partner på toppen. I dag gjør AI det meste av dette grunnlaget.

Som følge av dette har talentmiksen jeg ser etter, endret seg. Mindre verdi i rask databehandling; mye mer i tre ting: å forstå hvordan en virksomhet tjener penger, evnen til å skrive en presis bestilling og teste resultatet, og selvtilliten til å fortelle en gründer at et tall eller en plan er feil.

Det åpne spørsmålet for yrket gjelder opplæringsveien. Juniorer pleide å lære ved å gjøre grovarbeidet. Hvis AI gjør det, må vi bevisst lære bort dømmekraft – ved å la folk gjennomgå, utfordre og forklare AI-resultater i stedet for å produsere dem fra grunnen av.

Fem råd til økonomidirektører

Her er mine råd til økonomidirektører:

• Bruk AI selv denne uken, på ekte arbeid. Ikke deleger AI til en innovasjonskomité eller vent på den perfekte utrullingen i virksomheten. Ta én smertefull, repetitiv prosess – en avstemming, en modellendring eller en første versjon av en styrepakke – og gjør den personlig med AI. Du kan ikke lede en transformasjon du ikke selv har erfart.
• Utform kontrollene før du skalerer. Alle AI-arbeidsflyter trenger en innebygd kontroll som ikke avhenger av at man stoler på AI-en: en gjennomgang av balansen, en avstemming mot hovedboken eller en ny, uavhengig gjennomgang. AI gjør feil raskere og mer overbevisende enn en junioranalytiker, så kontrollutformingen din må være bedre enn før.
• La mennesker beholde skjønnet og ansvaret. La AI forberede, teste og utarbeide utkast; la mennesker beholde antakelser, kapitalallokering og alt som signeres i ditt navn. Skriv ned denne grensen, slik at teamet ditt vet hvor den går.
• Bygg opp teamet på nytt, ikke bare verktøyene. Fremtidens økonomiteam er mindre, mer erfarent og mer analytisk. Invester i mennesker som kan formulere spørsmål, utfordre tall og snakke med virksomheten – disse ferdighetene forsterkes med AI; ren databehandling gjør ikke det.
• Mål verdi, ikke aktivitet. Raskere rapportering er fint, men det virkelige spørsmålet er om du finner mer verdi: marginer du ikke så, kontanter som er bundet opp på feil sted, eller en avtale med feil pris. Hvis AI frigjør tid i økonomiteamet, og den tiden ikke brukes på beslutninger, har du bare automatisert den gamle jobben.

Følg med

Du kan følge Sergei Mochtchenkovs arbeid på LinkedIn. Eller ta en titt på aistartupcfo.com og financialmodeling.net.

Flere ekspertintervjuer kommer i CFO-klubben!