CFOO-en sier at det virkelige KI-prosjektet er rene data, ikke smart automatisering

Dave Leaver er CFOO i Mention Me, en B2B SaaS-virksomhet i serie B innen anbefalinger og ambassadørskap.

Vi satte oss ned med Dave for å lære hvor AI gir størst effekt i arbeidsflyter innen økonomi. Dette er det han sa.

CFO-er bør kunne sette retning — ikke bare rapportere om den

Jeg heter Dave. Jeg er CFOO i Mention Me, en B2B SaaS-virksomhet i London. Jeg er også medgrunnlegger av HP-1, en DTC-merkevare ledet av en skaper som jeg bygger fra grunnen av.

Veien min var ikke konvensjonell. Jeg startet med å satse på en karriere innen profesjonell idrett. Da det ikke skjedde, utdannet jeg meg til regnskapsfører — og flyttet deretter til Sydney for å jakte på solen.

Mer enn tjue år senere har jeg jobbet med rådgivning i KPMG, FMCG og ASX-noterte virksomheter, ledet økonomifunksjoner for kjendiser og opparbeidet meg solid erfaring fra teknologistartups støttet av VC og PE på begge sider av verden. Jeg har bygget økonomifunksjoner fra grunnen av, skalert selskaper på tvers av kontinenter og hatt ansvar for resultatregnskaper verdt hundrevis av millioner.

Men jeg passet aldri inn i stereotypien om den trauste regnskapsføreren. Jeg elsker enkelhet, og jeg mener at arbeid må være drevet av effekt. Hvis en oppgave ikke bringer noe fremover, eliminerer jeg den.

Den instinktive tilnærmingen satte meg på kant med måten økonomifunksjoner tradisjonelt arbeider på. Grundig, nøyaktig og et skritt bak virksomheten — slik at tallene er riktige, men beslutningene allerede er tatt når analysen omsider kommer.

Da AI kom, tok jeg det derfor i bruk — ikke som en trend man skulle adoptere, men som en måte å fjerne manuelt arbeid på. Jeg bruker mindre tid på å rapportere tall og mer tid på hva de betyr, og hvor virksomheten bør gå videre. De samme systemene jeg bruker til å drive mine egne selskaper, gir meg tall i sanntid, styrepakker som forteller en historie i stedet for bare å rapportere tallene, og en slank økonomifunksjon som kan skaleres uten å øke bemanningen.

Jeg mener at en CFO bør kunne sette retning, ikke bare rapportere om den i etterkant.

Et slankt team drevet av AI

Mention Me er en B2B SaaS-virksomhet i serie B innen anbefalinger og ambassadørskap, med hovedkontor i London og støtte fra Octopus Ventures og Eight Roads. Vi selger til merkevarer i Storbritannia, Europa og andre steder.

Ansvarsområdet mitt omfatter mer enn bare økonomi. Det spenner over økonomi, HR og medarbeidere, strategi og drift — så jeg er like tett på hvordan vi ansetter og organiserer oss som på tallene.

Strukturen er slank med hensikt. Et lite internt team håndterer kjernen, mens en outsourcet funksjon støtter det transaksjonelle arbeidet. Funksjonen drives av AI. Vi har automatisert rapportering, datapipelines og førstegangsanalysen — arbeid som tidligere krevde flere hender. Dette gjør at teamet kan bruke tiden på vurderinger i stedet for produksjon.

Jeg har brukt samme tilnærming i min egen rolle. Jeg har bygget en AI-«stabssjef» som hjelper meg med den daglige driften, sorterer innboksen min, markerer hva som trenger svar, fanger opp oppgaver fra møter og samler alt i en morgenbrief, slik at jeg starter hver dag med å vite nøyaktig hva jeg bør fokusere på.

Der AI utmerker seg, sammenlignet med der mennesker er nødvendige

AI står for produksjonen, mennesker står for vurderingene — stort sett.

På AI-siden finner vi alt som handler om mønstre, beregninger eller sammenstilling. Dette omfatter tallknusingen i prognoser, bygging av modellen, løpende oppdatering av faktiske tall og justering av scenarier. Når det gjelder avviksanalyse, er AI svært god til å oppdage endringer og identifisere kilden til dem. Den håndterer også kontantstrømmodellering, det praktiske arbeidet med styrepakken og førstegangsutkastet til kommentarer. I praksis er dette arbeidet som tidligere kunne spise opp hele uken. AI er raskere enn meg, blir ikke sliten og gjør ikke regnefeil klokken ni om kvelden.

Mennesker håndterer uttrykkelig alt som får konsekvenser eller krever kontekst maskinen mangler. Kapitalallokering — å avgjøre hvor neste pund skal gå — er en vurdering av strategi og risikovilje, ikke en beregning.

Det samme gjelder antakelsene under enhver prognose: AI kan kjøre modellen, men å avgjøre om vi faktisk kommer til å lande den avtalen eller holde den prisen, er en menneskelig vurdering, og resultatet er bare så godt som den vurderingen. Risikovurdering, alt som involverer mennesker, og alt jeg legger frem for styret med mitt navn på — det er mitt ansvar.

Grunnen til dette skillet er enkel. AI er glimrende til å fortelle deg «hva» og «hvor». Den er langt svakere på «hvorfor», og den har ingen egeninteresse i spørsmålet «så hva gjør vi med det?».

Avviksanalyse er det tydeligste eksempelet: AI forteller meg at tallet har endret seg og peker på årsaken i løpet av sekunder. Hva vi gjør videre — det er den delen jeg får betalt for.

Slik kan månedsavslutningen kuttes fra 10 dager til 3 dager

Jeg har nylig redusert tiden det tar å avslutte måneden, fra ti dager til tre.

Tidligere måtte jeg hente ut tallene, avstemme dem, lage lysbildene, skrive kommentarene og bygge diagrammene på nytt – det meste for hånd, med én eller to personer som håndterte hoveddelen. Da styrepakken var klar, beskrev den en situasjon som allerede var flere uker utdatert.

Jeg automatiserte produksjonen og lot menneskene stå for vurderingene. Nå avslutter vi på tre dager – inkludert styrepakken og oppdaterte prognoser.

Slik er prosessen, fra rå hovedbok til en styreklar pakke.

1. Prosessen starter med dataene. I stedet for å eksportere tall og lime dem inn i et regneark, henter plattformen sanntidsdata fra kildesystemene – hovedboken, lønn, salgspipelinen og abonnementsmålingene – inn i én sammenkoblet modell. Dette ene trinnet fjerner det meste av det manuelle arbeidet og kopierings- og limingsfeilene.
2. Den strukturerer og kontrollerer dataene: Den standardiserer tallene, markerer automatisk avstemmingsproblemer og oppdaterer prognosen med faktiske tall i samme operasjon, slik at fremtidsbildet aldri ligger etter det rapporterte bildet.
3. Den bygger resultatene. Diagrammene og styrepakken settes sammen fra denne ene kilden, og AI lager et førsteutkast til kommentarer om hva som har endret seg, slik at jeg starter med et utkast i stedet for en tom side.
4. Mennesket tar over – den delen som betyr noe. Jeg stresstester fortellingen og avgjør hva styret trenger å høre: hva som bare er et midlertidig utslag, hva som er strukturelt, og hvilken beslutning jeg anbefaler. Maskinen leverer et sterkt utkast på noen timer; vurderingen av hva det betyr, er fortsatt min.

AI håndterer produksjonen fra ende til annen, helt frem til punktet der konsekvensene begynner. Det er der jeg kommer inn.

Hastigheten og kvaliteten ble forbedret samtidig. Pakken gjenspeiler hvor virksomheten er nå, ikke hvor den var for tre uker siden. Fordi jeg ikke lenger bruker tid på å få tallene på plass, kan jeg bruke tiden på å forme fortellingen, forstå hva som driver endringene og avgjøre hvilke beslutninger som skal legges frem for styret. Kort sagt sluttet vi å rapportere tallene og begynte å forklare dem.

Fordeler og ulemper ved AI i økonomifunksjonen

De gode resultatene kan måles. I tillegg til forbedringene i månedsavslutningen tar scenarioplanlegging nå minutter i stedet for en dag eller to. Og automatiseringen av produksjonsarbeidet har spart over sekssifrede beløp i kostnader til ansatte i økonomifunksjonen som funksjonen ellers ville ha trengt – en kostnadsbesparelse som betaler for alt annet.

En mindre åpenbar, kvalitativ gevinst er tiden jeg har spart. Timene jeg tidligere brukte på å sette sammen tall, bruker jeg nå på å tolke dem. Det gjør styresamtalene skarpere og forvandler funksjonen fra en rapporteringsfunksjon til en beslutningsstøttende funksjon.

Men det finnes også en reell ulempe. AI tar noen ganger feil med stor selvsikkerhet. Den gir polerte svar som likevel er subtile feil – en feiltolket antakelse, et tall som ikke stemmer. Den velformulerte fremstillingen gjør det lett å stole på svaret uten å kontrollere det.

Be den om livsråd, så ser du det samme i en mer underholdende form: Den er ekstremt selvsikker, er vanligvis enig med deg og kommer ofte med fullstendig nonsens.

Varianten i økonomifunksjonen er bare vanskeligere å oppdage. Tidlig bet det meg mer enn én gang. Jeg har måttet bygge opp og innarbeide en disiplin i teamet der AI-resultater behandles som førsteutkast, aldri som endelige svar. Et menneske kontrollerer fortsatt hvert eneste tall som legges frem for styret.

Hvorfor finansdirektører må legge grunnlaget før de integrerer AI

Dave deler

Datagrunnlaget er selve prosjektet, ikke oppvarmingen til det … Magien fungerer først når det kjedelige grunnarbeidet er gjort.

Datagrunnlaget er selve prosjektet, ikke oppvarmingen til det.

Da jeg startet, trodde jeg at det harde, verdifulle arbeidet var AI-en: modellene, automatiseringen og de smarte resultatene. Jeg behandlet rensing og sammenkobling av dataene som en rask forberedelse før den egentlige byggingen begynte. Det var akkurat bakvendt.

Grunnarbeidet var selve byggingen. Mesteparten av innsatsen, og det meste av det som avgjorde om løsningen faktisk fungerte, lå i det lite glamorøse laget: rene data, en fornuftig struktur og pålitelige koblinger til kildesystemene.

Som et resultat brukte jeg tidlig innsats på å bygge smarte løsninger oppå data som ikke var klare, og fikk polerte resultater jeg ikke kunne stole fullt ut på. Det betydde at jeg måtte gå tilbake og gjøre grunnarbeidet likevel, i etterkant. Hadde jeg visst det, ville jeg ha lagt opp rekkefølgen annerledes: Få infrastrukturen på plass først, og legg deretter intelligensen oppå. Samme mål, halvparten så mye bortkastet arbeid.

Magien fungerer først når det kjedelige grunnarbeidet er gjort.

Slik kan CFO-er forbedre bemanningsplanleggingen med AI

I de fleste virksomheter, og særlig i SaaS, der ansatte utgjør den klart største kostnaden, er bemanningsplanlegging fortsatt et grovt verktøy. Disse virksomhetene bruker et regneark med stillinger, en ansettelsesplan som fastsettes når budsjettet legges, og et tall alle behandler som fast frem til noe tvinger dem til å tenke på nytt. Dette er merkelig, fordi det er den største enkeltstående spaken en CFO kontrollerer, samtidig som den ofte modelleres på den minst dynamiske måten.

Jeg la om tilnærmingen vår til bemanningsplanlegging og gikk fra en statisk liste til en driverbasert modell som var koblet til resten av planen. I stedet for «vi skal ansette tolv personer i år» er det «denne rollen utløses av så mye salgspipeline, denne av denne inntektsgrensen …», slik at ansettelser knyttes til det som rettferdiggjør dem.

Fordi den ligger i den sammenkoblede modellen, kan jeg justere den direkte: legge til en ansettelse, endre tidspunktet og se hvordan det slår rett gjennom resultatregnskapet, kontantbeholdningen og hvor lenge kapitalen varer.

Som et resultat sluttet bemanning å være et årlig gjettverk og ble en beslutning i sanntid. Når noen spør «Har vi råd til denne ansettelsen?», kan jeg svare i møtet, ikke basert på magefølelse, men på virkningen for hvor lenge kapitalen varer og tidspunktet for effekten. Dette gjør en av de mest betydningsfulle og følelsesladde samtalene i virksomheten til en samtale som der og da er forankret i tall.

Hvorfor Claude er et uunnværlig verktøy for CFO-er

Claude er verktøyet jeg alltid tyr til, uten å nøle. Det er ikke et finansverktøy for ett enkelt formål, og det er akkurat derfor jeg liker det; det håndterer alt andre verktøy ikke kan tilpasses.

For å være ærlig forventet jeg mer av ferdigkjøpte finansverktøy som har lagt «AI» oppå et eksisterende produkt. De fleste er chatbokser oppå den samme programvaren, og de endrer ikke på noen meningsfull måte hvordan arbeidet utføres. De gjør én oppgave godt – hvis det.

Men Claude kan gjøre alt. Det bygger modellene, utarbeider kommentarer til styret, analyserer dataene inngående, skriver analysen og fungerer som sparringspartneren jeg drøfter beslutninger med. Det håndterer det brede spekteret av oppgaver som fyller arbeidsuken min, og tilpasser seg hva enn jeg kaster på det neste gang.

Den største feilen CFO-er gjør med AI

Her er mitt råd:

1. Den største feilen jeg ser, er at CFO-er behandler AI som en innkjøpsbeslutning – en tolv måneder lang evaluering, pilot og utrulling. Jeg har gjort den feilen. Når den prosessen er ferdig, har verktøyene allerede endret seg to ganger. Bruk det heller selv, på ekte arbeid, denne uken. Du lærer mer om hvor det hjelper, og hvor det villeder deg, etter to ukers praktisk bruk enn fra noen leverandørdemo.
2. Ikke vent på det perfekte verktøyet. Markedet for hyllevare tilbyr fortsatt stort sett en chatboks festet på gammel programvare. Du kan bygge mer enn du tror; terskelen for å lage dine egne løsninger har falt dramatisk. CFO-er som vil trekke fra, vil se på dette som en kapasitet som må utvikles, snarere enn en tjeneste som skal kjøpes.
3. Viktigst av alt: Få den kjedelige delen på plass. Ryddige data og gode prosesser er ikke bare en lite glamorøs forutsetning for AI; de er hele spillet. AI oppå rotete data produserer bare selvsikkert tull raskere. Fiks grunnlaget først.
4. Og hold vurderingsevnen din sentral. AI endrer hvordan arbeidet blir produsert, ikke hvem som er ansvarlig for det. Ferdigheten som betyr mer enn noen gang, er ikke å produsere analysen – det er å vite om den er riktig, og hva du skal gjøre med den. Det er fortsatt jobben. Det har det alltid vært.

Følg med

Du kan følge Dave Leavers arbeid på LinkedIn.

Flere ekspertintervjuer kommer på The CFO Club!