KI-basert gründer deler hvordan han bruker KI i finansorganisasjonen sin

Nicholas Rudder startet karrieren sin innen finans hos PwC og Macquarie Bank. I dag er han grunnlegger og administrerende direktør i Sphere, et AI-basert skatterådgivningsselskap.

Vi tok en prat med Nicholas for å finne ut hvordan en AI-basert finansorganisasjon ser ut. Her er det han fortalte.

Utvikling av et verktøy for å løse problemer med grensekryssende etterlevelse

Jeg heter Nick Rudder. Jeg er grunnlegger og administrerende direktør i Sphere.

Jeg startet karrieren min innen finans hos PwC og Macquarie Bank. Jeg forlot snart den verdenen fordi jeg følte at arbeid innen finans bare skrapte i overflaten av hvordan selskaper faktisk opererer. Man kjenner ikke presset fra konkurransen, opplever ikke å lansere en funksjon innen en tidsfrist eller ser tusenvis av mennesker bruke noe man har bygget.

Den første oppstartsbedriften min kom inn i Y Combinator. Vi gjorde det bra i YC-kullet – nådde noen millioner i GMV – men etter å ha jobbet hardt i 18 måneder etter kullet innså vi at virksomheten aldri ville skalere slik vi ønsket. Heldigvis avdekket den mange problemer knyttet til grensekryssende etterlevelse, og da jeg la den ned, ble jeg lidenskapelig opptatt av å hjelpe selskaper med å ekspandere internasjonalt samtidig som vi fjernet administrasjonen knyttet til grensekryssende etterlevelse.

Det fikk meg til å starte Sphere, som ærlig talt var langt mer i tråd med bakgrunnen min enn utdanningsteknologivirksomheten min!

Vi ble født inn i tiden etter AI og tenkte på nytt hvordan vi kunne forstå global handelslovgivning ved hjelp av AI. Dette la grunnlaget for ideen om vår AI-baserte skattemotor, TRAM, som henter inn, kodifiserer og overvåker verdens handelslovgivning. Denne proprietære teknologien – trent på tusenvis av timer med innhold fra eksperter på skatteforskning og millioner av sider med indeksert global skattelovgivning – gjør det mulig for oss å anvende riktig skattemessig behandling på ethvert produkt, uavhengig av hvor det selges. Mer overordnet tror vi at TRAM vil redusere kostnadene ved internasjonale transaksjoner og gjøre det like enkelt som å selge lokalt, noe som gir næring til visjonen vår om å gjøre verden til ett marked.

Sphere er et Series A-selskap – vi hentet inn 21 millioner dollar i en runde ledet av a16z i september i fjor – og i dag vokser vi med 30 % måned over måned. Vi har en global tilstedeværelse og selger til kunder over hele verden. Derfor opererer teamet vårt på tvers av Nord-Amerika, EMEA og APAC, med rundt 50 personer totalt. Jeg er den eneste personen i økonomifunksjonen. Vi praktiserer det vi forkynner her i Sphere, så vi er i utgangspunktet AI-baserte og kan håndtere økonomifunksjonen effektivt med systemene vi har i dag.

Slik effektiviserer AI økonomisk analyse

Den største endringen AI har ført til for hvordan økonomifunksjonen opererer i Sphere det siste året, er ganske kjedelig: Hver måned analyserer vi utgiftene på alle bankkontoene og kredittkortene våre ved å mate kontoutskriftene våre inn i Claude.

Denne analysen viser de enorme fordelene AI nå tilbyr. Å identifisere de største utgiftskategoriene våre og mulighetene for å redusere kostnadene med noen få klikk har mange vidtrekkende effekter på virksomheten. Det har også redusert tiden vi bruker på rapportering ved månedsslutt betydelig.

Dette følger i stor grad Pareto-prinsippet, som sier at 80 % av gevinstene ofte oppnås med 20 % av innsatsen.

Nicholas' notater

AI og skatt har lenge vært en kontroversiell kombinasjon – mange mener bestemt at man trenger menneskelig inngripen for å forstå gråsonene.

Hvorfor ansvar blir mindre bekymringsfullt med AI-aktiverte skatteprosesser

KI og skatt har lenge vært en kontroversiell kombinasjon — mange mener sterkt at menneskelig inngripen er nødvendig for å forstå gråsonene. Men når modeller kan trenes på hele samlingen av skatteregler og behandle mer av den enn noen individuell rådgiver noen gang kunne, virker det uunngåelig at disse modellene vil utkonkurrere selv de beste skatterådgiverne med god margin.

Den eneste grunnen til at selskaper fortsatt tyr til De fire store, er ansvar. For hvis noe går galt, hvem henvender du deg til? Men du kan inkludere forsikring i disse KI-drevne løsningene for å redusere disse bekymringene.

Slik effektiviserer KI skatteforskning

Vi bruker også KI-agenter på tvers av en rekke andre arbeidsflyter for å forbedre effektiviteten:

• Vårt egenutviklede KI-system utfører skatteforskningen vår.
• KI-agenter sender inn oppgaver og registreringer i offentlige skatteportaler.
• KI leser inn digitalisert post fra skattemyndighetene for å varsle om endringer i innsendingsfrekvens eller revisjonsvarsler.
• Klassisk maskinlæring prognostiserer skatteforpliktelser over tid og foreslår når selskaper kan komme til å overskride terskelen for skatteplikt i ulike jurisdiksjoner.
• KI leser inn selskapsdata for å hjelpe oss med å gi kundene råd om hensyn knyttet til grensekryssende etterlevelse når de går inn i nye jurisdiksjoner.

Og vi finner utallige flere bruksområder hver dag etter hvert som teamet eksperimenterer med hvilke arbeidsflyter KI kan automatisere.

Men som vi sier internt, er godt nok ikke godt nok, så en erfaren intern ekspert er alltid involvert — særlig i skatteforskningen vår.

Der KI ikke leverer godt nok i økonomiske arbeidsflyter

Med dagens utviklingstakt innen KI er det vanskelig å si hva som fortsatt vil kreve et menneske i morgen. Men risikovurdering vil sannsynligvis alltid kreve et menneske som den endelige beslutningstakeren.

Og i dag leverer KI fortsatt ikke den forventede effekten på mer kritiske økonomiske prosesser, som inntektsføring. Disse fordelene virker mer gradvise enn de gjennomgripende forbedringene vi ser andre steder.

En KI-teknologistakk for økonomi

Når det gjelder KI-verktøy i økonomifunksjonen, foreslår jeg følgende stakk:

• Ramp for leverandørreskontro
• Deel for lønn
• Og selvfølgelig Sphere for etterlevelse av indirekte skatter

På tvers av funksjoner anbefaler jeg å bruke Claude til å analysere hvordan disse lagene fungerer sammen. Jeg har funnet det utrolig effektivt.

Hvorfor økonomidirektører må revurdere begrensningene sine

Mitt råd? Revurder begrensningene dine.

Mange av kundene våre økonomiteam gjør langt mer med langt mindre. Når de for eksempel får de riktige agentene til rådighet, kan de fungere som et team av generalister — én person i økonomifunksjonen kan håndtere arbeid som tidligere krevde fem spesialistroller. Så ansett generalister, ikke spesialister.

Når det gjelder automatisering, bør du undersøke teknologistakken din og begynne med lett tilgjengelige muligheter eller mindre kritiske arbeidsflyter. Automatiser dem — via eksterne leverandører eller internt — og jobb deg oppover i stakken.

Følg med videre

Du kan følge arbeidet til Nicholas Rudder på LinkedIn. Ta også en titt på Sphere.

Flere ekspertintervjuer kommer på The CFO Club!