Senior direktør for LinkedIns økonomisystemer sier at AI endrer økonomifunksjonen fra rapportering til et operativsystem

Pankaj Prasoon er Senior Director for CFO-systemer og -teknologi i LinkedIn. Han har to tiår med erfaring fra anerkjente organisasjoner som Microsoft og Infosys.

Vi intervjuet Pankaj for å lære hvordan han redesigner økonomifunksjonen fra grunnen av. Han fortalte hva som fungerer med AI-drevet økonomi – og hva som ikke gjør det.

Fra rapporteringsfunksjon til operativsystem for økonomi

Jeg har tilbrakt nærmere to tiår i skjæringspunktet mellom økonomi, virksomhetssystemer og produktutviklingstenkning – på tvers av organisasjoner som Microsoft, Infosys og nå LinkedIn, der jeg bidrar til å forme fremtidens økonomiteknologi.

Min reise startet ikke med AI. Den startet med frustrasjon. Frustrasjon over å sitte i rom der to systemer viste to forskjellige tall. Frustrasjon over at økonomiteam brukte mer tid på å avstemme fortiden enn på å forme fremtiden. Frustrasjon over å se utrolig dyktige økonomiledere bli begrenset av fragmenterte systemer og forsinket innsikt.

AI er en drivende kraft. Den avdekker alt som allerede var ødelagt:

• Rigide prosesser
• Forsinket innsikt
• Overdreven avhengighet av manuelle vurderinger
• Systemer utformet for kontroll, ikke intelligens

Det som begeistrer meg med dette øyeblikket, er ikke automatisering – det er forsterkning. For første gang kan økonomiledere gå fra etterpåklokskap til fremsyn, fra rapportering til påvirkning og fra effektivitet til virkning.

I dag fokuserer jeg på å bygge det jeg kaller en modell for strategi og plattformer for økonomiteknologi – der arkitektur, produktutviklingstenkning og AI går sammen for å skape et system som ikke bare følger virksomheten, men aktivt former den. Fremtidens økonomifunksjon handler ikke om å avslutte regnskapet raskere. Den handler om å hjelpe virksomheten med å ta bedre beslutninger før tallene i det hele tatt er skrevet.

Pankaj deler

AI er en drivende kraft. Den avdekker alt som allerede var ødelagt.

Å lede LinkedIns CFO-organisasjon

Jeg leder økonomiteknologi og -plattformer i LinkedIns CFO-organisasjon – en global virksomhet verdt flere milliarder dollar, som opererer i stor skala på tvers av geografiske områder, produkter og regulatoriske miljøer.

Kompleksiteten er som forventet på dette stadiet:

• Flere inntektsstrømmer på tvers av Talent Solutions, Marketing og Premium
• En global tilstedeværelse med regionsspesifikke krav til etterlevelse, skatt og driftsmodeller
• Dyp integrasjon på tvers av økonomi-, salgs-, HR- og produktsystemer

Men den virkelige utfordringen er ikke skala. Det er sammenkoblingen.

Økonomifunksjonen står i dag i sentrum for alle kritiske beslutninger:

• Planlegging og prognostisering på tvers av dynamiske forretningssykluser
• Styring av kapitalallokering med stadig større presisjon
• Støtte til vekst samtidig som disiplin og kontroll opprettholdes

Vi opererer mindre som et tradisjonelt teknologiteam for økonomifunksjonen og mer som en produktorganisasjon innebygd i økonomifunksjonen – med ansvar ikke bare for systemer, men også for resultater. På denne skalaen handler økonomi ikke bare om å håndtere tall. Det handler om å forme hvordan selskapet tar beslutninger raskt, tydelig og med trygghet.

Hvor CFO-er må begynne med AI

De fleste CFO-er starter AI-reisen sin med å tenke på bruksområder, verktøy, leverandører og avkastning på investeringer. Men AI fungerer ikke isolert. Den bygger på dataene, prosessene, driftsmodellen og beslutningsdisiplinen din.

Hvis disse er fragmenterte, forenkler ikke AI dem; den forsterker fragmenteringen. Du får ikke bedre svar. Du får raskere feil svar.

Før du spør: «Hvor kan vi ta i bruk AI?» bør du spørre: «Er økonomisystemet vårt utformet for å produsere konsistente data som er klare for beslutninger?» AI er nemlig ikke en strategi. Den akselererer det systemet du allerede har.

Fokuser på:

• En tydelig sannhetskilde (definisjoner, måltall, styring)
• Standardiserte prosesser på tvers av økonomiområder
• Et solid data- og arkitekturfundament
• En kultur som verdsetter å stille spørsmål ved resultater, ikke akseptere dem

Hvordan AI-integrasjon forbedrer arbeidsflyter i økonomifunksjonen

Her er forbedringene jeg har sett med AI i økonomifunksjonen:

• Redusert gjennomløpstid (30–60 %): Avviksanalyser som tidligere tok 2–3 dager, blir nå gjort på noen få timer, og støtteaktiviteter i forbindelse med månedsavslutningen (analyse, støtte til avstemminger) er betydelig redusert. Det er her AI leverer umiddelbart – hastighet.
• Treffsikkerhet i prognoser (5–15 % forbedring på kortsiktige tidshorisonter): Kortsiktige prognoser (4–8 uker) ble merkbart bedre; AI fanget opp ledende indikatorer som mennesker overså (brukstrender, atferdssignaler). Men en viktig nyanse er at treffsikkerheten ble bedre i stabile miljøer, og mindre bedre i volatile miljøer.
• Økt produktivitet (20–40 % frigjort analysekapasitet): Analytikere bruker mindre tid på å samle inn data og mer tid på å tolke dem. Én analytiker kan nå dekke det som tidligere krevde 1,5–2 FTE-er. Dette fører ikke alltid til kostnadsreduksjon – det fører til bedre allokering av talenter.
• Tidligere risikodeteksjon (dager → nær sanntid): Kontantstrømrisikoer, avvik og uteliggere blir identifisert raskere, noe som reduserer «overraskelsesfaktoren» i virksomhetsgjennomganger. Dette er subtilt, men kraftfullt – færre eskaleringer i siste liten.

Dette er det som ikke ble bedre (eller ble verre):

• Overdreven tillit til resultater: AI-genererte narrativer høres riktige ut selv når de er feil. Tidlig begynte team å stole på resultatene uten å utfordre dem, noe som er farligere enn manuelle feil.
• Falsk presisjon: AI skaper en illusjon av sikkerhet: «Prognosen viser 97,2 % sikkerhet». Men beslutninger i økonomifunksjonen er ikke bare sannsynlighetsøvelser – de innebærer strategi, timing og kontekst.
• Dataavhengighet avdekket svake fundamenter: AI løste ikke dataproblemene. Den forsterket dem: inkonsistente hierarkier, dårlige grunndata og fragmenterte systemer. Søppel inn, forsterket søppel ut.
• Begrenset effekt på langsiktig planlegging: AI hadde problemer med årsplanlegging, strategiske scenarier og beslutninger om kapitalallokering. Fordi dette ikke er mønstergjenkjenningsproblemer – det er skjønnsproblemer.

Den ubehagelige sannheten er at AI ikke reduserte kostnadene i økonomifunksjonen så mye som folk forventet. Den flyttet kostnadene fra arbeidskraft til databehandling, fra manuelt arbeid til modellstyring og fra analytikere til utviklere og datainfrastruktur.

Hvorfor AI informerer beslutninger i økonomifunksjonen, men mennesker utøver skjønnet

Den enkleste måten å se fordelingen mellom AI-oppgaver og menneskelige oppgaver på er slik: AI bør informere om mønstre; mennesker bør ta beslutningene.

Jeg bruker AI på områder der skala, hastighet og mønstergjenkjenning er viktigere enn skjønn:

• Prognoser (kortsiktige og rullerende): AI er svært god på å ta inn flere signaler – historiske data, sesongvariasjoner, pipeline-data og eksterne indikatorer – og kontinuerlig oppdatere prognoser. Den fjerner skjevheten ved statisk, kalenderstyrt planlegging.
• Avviksanalyse: AI kan bryte ned avvik på tvers av tusenvis av dimensjoner umiddelbart: hva som endret seg, hvor det endret seg og hva som sannsynligvis forårsaket det. Dette tok tidligere flere dager. Nå skjer det nesten i sanntid.
• Kontantstrømmønstre: Ikke beslutningstaking, men signaldeteksjon: trender i betalingsatferd, innkrevingsrisiko og likviditetsmønstre. AI bidrar til å avdekke risiko tidligere enn tradisjonelle rapporter.
• Risikodeteksjon (operasjonell og finansiell): AI er svært effektiv til å identifisere avvik: uvanlige transaksjoner, kontrollavvik og avvikende atferd. Den «forstår» ikke risiko, men markerer hvor man bør lete.

Men jeg sørger for at områder der kontekst, avveininger og ansvarlighet er viktige, uttrykkelig forblir menneskelige:

• Kapitalallokering: Ingen modell forstår strategi, timing eller konkurranseposisjonering på samme måte som ledelsen. AI kan gi informasjon om ulike scenarioer – men kan ikke bestemme hvor man skal satse.
• Langsiktig planlegging og budsjettering: Budsjetter er ikke prognoser – de er forpliktelser. De gjenspeiler hensikt, prioriteringer og avveininger på tvers av organisasjonen.
• Endelige risikobeslutninger: AI kan fremheve avvik, men hvilken risiko er akseptabel? Hvilken avveining er verdt å ta? Dette er beslutninger for ledelsen, ikke modellresultater.
• Forretningspartnerskap og påvirkning: Økonomi handler ikke bare om tall – det handler om å påvirke beslutninger: utfordre antakelser, lese rommet og forstå hensikten bak forespørsler. AI har ingen kontekst for menneskelig dynamikk.

Hvis AI tar beslutningene dine, har du gått for langt. Hvis AI ikke gir informasjon til beslutningene dine, bruker du det ikke nok.

Hvorfor AI ikke har automatisert økonomifunksjonen fullstendig

Fortellingen var: «AI vil automatisere økonomifunksjonen.»

Det skjedde ikke. Det automatiserte deler av arbeidsflytene, men introduserte nye lag:

• Modellvalidering
• Håndtering av unntak
• Styrings- og revisjonskrav

Realiteten er at du ikke fjerner mennesker – du flytter dem over i tilsynsroller.

Hvordan innføringen av AI er et atferdsproblem

Når vi først snakker om mennesker, er innføringen av AI ikke et teknologiproblem – det er et atferdsproblem.

I utgangspunktet antok jeg at hvis vi bygde de riktige modellene, ville folk bruke dem → innsikten ville komme raskere → beslutningene ville bli bedre → innsikten ville oppstå raskere → nøyaktigheten ville bli bedre → og tilliten ville følge etter.

Alt sammen logisk. Alt sammen ufullstendig. Vi bygde noe som var teknisk solid: bedre avviksdeteksjon, raskere innsikt og tydeligere fremstillinger. Likevel var innføringen ujevn.

Fordi økonomiteamene ikke slet med mangel på innsikt. De slet med å gi slipp på hvordan de alltid hadde gjort ting.

Analytikere bygde fortsatt modellene på nytt i Excel «bare for å validere». Ledere stolte på det de forsto, ikke det modellen foreslo. Gjennomgangene var fortsatt forankret i gamle formater, ikke i ny innsikt.

Systemet endret seg. Atferden gjorde ikke det – i hvert fall ikke umiddelbart.

Jeg skulle ønske jeg hadde gjort dette:

• Starte med driftsmodellen, ikke modellens nøyaktighet: Definere hvordan beslutningene skal endres, hvordan møtene skal se ut, og hva som skal fjernes, ikke bare legges til. I stedet for å spørre: «Er modellen riktig?» bør man spørre: «Vil dette erstatte noe folk gjør i dag?»
• Utforme for tillit, ikke bare intelligens: Tillit kommer ikke fra nøyaktighetsmålinger eller teknisk raffinement. Den kommer fra åpenhet, forklarbarhet og konsistens over tid. Jeg skulle ha investert tidligere i å gjøre resultatene etterprøvbare, ikke bare imponerende.
• Legge uforholdsmessig stor vekt på endringsledelse: Vi behandlet det som en systemutrulling. Det var det ikke. Det var et skifte i tankesett – fra å bygge analyser til å gjennomgå innsikt, fra kontroll til samarbeid med AI, og fra visshet til sannsynlighetstenkning.
• Fikse data og definisjoner først (mer enn vi gjorde): Vi visste at data var viktig. Vi undervurderte hvor viktig. AI tåler ikke tvetydighet.

Jeg kunne ha unngått:

• Omgjøringsrunder der teamene bygde opp igjen det AI allerede hadde produsert
• Overkonstruerte modeller som ikke endret beslutningene
• Tidlig skepsis som egentlig skyldtes mangel på tillit, ikke mangel på nøyaktighet
• Den feilaktige troen på at bedre resultater = automatisk innføring

Hvorfor AI endrer antakelsene om økonomisk kontroll

Innen økonomi er vi opplært til å tenke: mer kontroll = større nøyaktighet; flere godkjenninger = lavere risiko; mer struktur = bedre resultater. Derfor bygde vi systemer som var: rigide, sekvensielle og utformet for å forhindre feil.

Vi optimaliserte for forutsigbarhet, ikke responsivitet; for etterprøvbarhet, ikke alltid for beslutningskvalitet.

Det fungerte – men til en kostnad: hastighet, tilpasningsevne og noen ganger til og med klarhet.

AI fungerer ikke godt i rigide miljøer. Det trives med: kontinuerlige datastrømmer, dynamiske inndata og signaler i sanntid. Det viste meg at kontroll ikke kommer fra begrensning – den kommer fra synlighet.

Jeg måtte gå fra:

• Forebygge feil på forhånd → Oppdage og korrigere dem raskt
• Periodiske gjennomganger (månedlig/kvartalsvis) → Kontinuerlig overvåking
• Menneskelige kontrollpunkter overalt → Inngripen basert på unntak

Her viste dette seg:

• Prognostisering: gikk fra statiske, kalenderstyrte prognoser → kontinuerlig oppdaterte, signalstyrte prognoser
• Finansielle kontroller: reduserte omfattende forhåndsgodkjenninger → økte avviksoppdagelse i sanntid og validering i etterkant
• Kapitalallokering: gikk fra sikkerhet → sannsynlighetsbasert tenkning basert på scenarier

Skiftet er enkelt, men vanskelig. Du må gå fra kontroll gjennom begrensning til kontroll gjennom intelligens og synlighet. Og når du først ser det, kan du ikke gå tilbake. Fordi målet med økonomifunksjonen ikke er å forhindre enhver feil. Det er å legge til rette for bedre beslutninger, raskere – med tilstrekkelig kontroll, ikke maksimal kontroll.

Hvorfor økonomidirektører bør redesigne prognostiseringen

De fleste økonomiorganisasjoner driver fortsatt med prognostisering som om det var 2005: månedlige sykluser, statiske forutsetninger, omfattende manuell konsolidering og bakoverskuende gjennomganger.

AI passer ikke inn i den modellen.

Vi gikk fra kalenderstyrt prognostisering, månedlige oppdateringer, avviksanalyse etter periodestenging, bakoverskuende gjennomganger og omfattende forarbeid til signalstyrt prognostisering:

• Kontinuerlig prognostiseringslag: signaler i sanntid og kontinuerlig oppdaterte prognoser
• AI-først-avviksoppdagelse: systemet flagger endringer, og økonomifunksjonen gjennomgår unntakene
• Beslutningsorienterte gjennomganger: Gå fra «Hva skjedde?» til «Hva kommer til å skje?»

Her er resultatene:

• Tid til innsikt ↓ ~50 %
• Prognosenes relevans ↑ betydelig
• Økonomifunksjonens rolle ble endret til beslutningspartner.
• Analytikernes produktivitet ↑ 30–40 %

Redesign prognostiseringen til et kontinuerlig, signalstyrt system. For når dette endres, blir økonomifunksjonen en aktiv operatør av virksomheten.

Slik forbedrer AI prognostisering og avviksanalyse

Det er fortsatt tidlig for meg i LinkedIn, så her er et eksempel fra en tidligere transformasjon der vi bygget AI direkte inn i prosessen for prognostisering og avviksanalyse.

Økonomiteamene brukte uforholdsmessig mye tid på å forklare hva som hadde skjedd:

• Manuell avviksanalyse på tvers av hundrevis av kostnadssentre
• Statiske prognoser oppdatert månedlig eller kvartalsvis.
• Stor avhengighet av Excel-modeller og menneskelig mønstergjenkjenning
• Da innsikten var klar, hadde virksomheten allerede beveget seg videre.

Vi hadde data – men ingen skalerbar måte å tolke dem på. Derfor innførte vi et AI-drevet lag oppå planleggings- og faktiske data som kunne:

• Automatisk oppdage avvik og avviksdrivere på tvers av dimensjoner (region, produkt, kostnadskategori)
• Generere narrativer på første nivå som forklarte «hvorfor» – ikke bare «hva».
• Kontinuerlig oppdatere prognoser basert på ledende indikatorer, ikke bare historiske trender.

Men det egentlige skiftet var ikke modellen – det var driftsmodellen:

• Økonomifunksjonen gikk fra å utarbeide analyser til å gjennomgå og utfordre innsikten.
• Prognostiseringen ble mer kontinuerlig og mindre kalenderstyrt
• Virksomhetsgjennomgangene gikk fra «hva skjedde forrige måned» til «hva kommer til å skje videre».

Forbedringene var tydelige. Gjennomløpstiden for avviksanalyse falt fra dager til timer. Prognosenes treffsikkerhet ble bedre fordi vi tok i bruk sanntidssignaler i stedet for forsinkede datagrunnlag. Og viktigst av alt: økonomifunksjonen fikk en plass ved bordet tidligere i beslutningsprosessen, ikke i etterkant.

Den viktigste lærdommen? AI erstattet ikke økonomifaglig skjønn – den tvang oss til å bruke det der det faktisk betyr noe. For verdien av økonomifunksjonen ligger ikke i å forklare fortiden bedre. Den ligger i å hjelpe virksomheten med å handle på fremtiden tidligere.

Hvorfor AI sliter med narrativer i avviksanalyse

Et område der vi så tydelige begrensninger, var AI-genererte narrativer for avviksanalyse knyttet til finansiell rapportering.

Tallene var riktige. Men narrativet var ikke alltid riktig. Modellen tilskrev for eksempel økte driftskostnader til «økt bemanning i viktige regioner» – plausibelt, men feil. Den faktiske årsaken var en engangs omklassifisering i regnskapet og en tidsforskyvning i periodiseringene. Modellen gjenkjente mønstre, ikke virkeligheten.

Resultatet var derfor unøyaktig og ikke etterprøvbart, og det svekket tilliten til teamet. Slik løste vi det:

• AI genererer signaler og hypoteser, ikke ferdige narrativer.
• Alle resultater må kunne etterprøves.
• Vi innførte lag med «konfidens + dokumentasjon».

Menneskelig validering ble eksplisitt, ikke underforstått.

Hvordan CFO-er kan lede AI-drevet transformasjon av økonomifunksjonen

Her er mitt råd: Ikke jag etter AI. Fiks økonomifunksjonen – AI vil følge etter.

• Start med systemet, ikke verktøyet.
• Utform arbeidet på nytt, ikke bare automatiser det.
• Skill signaler fra skjønn.
• Invester i tillit før skalering.
• Aksepter at kostnadene vil flytte på seg, ikke forsvinne.
• Led atferdsendringen selv.
• Bygg et «økonomisk operativsystem», ikke isolerte pilotprosjekter.

AI vil ikke gjøre deg til en bedre CFO. Men den vil avsløre om økonomifunksjonen din i utgangspunktet var utformet for å skalere intelligens.

Pankaj deler

Ikke jag etter AI. Fiks økonomifunksjonen – AI vil følge etter.

Følg med videre

Følg med når Pankaj Prasoon fortsetter å forme fremtidens økonomifunksjon på LinkedIn. Ta også en titt på hans personlige nettsted.

Flere ekspertintervjuer kommer på The CFO Club!