AI bygger om rapporteringssyklusen

Før Andrew Lokenauth grunnla TheFinanceNewsletter.com og BeFluentInFinance.com, hadde han direktør- og VP-roller innen finans i flere velkjente banker. I dag er han en tankeleder innen finansfag, med over 3 millioner følgere.

Vi tok en prat med Andrew for å få et innblikk i hva AI gjør med bransjen – risikoene og fordelene. Dette fortalte han oss.

Automatisering før AI ble et moteord

Jeg startet karrieren min i Citi, før jeg jobbet i Goldman Sachs, AIG, JPMorgan og Signature Bank i roller innen FP&A, strategisk finans, investorrelasjoner og virksomhetsutvikling. Jeg automatiserte finansielle arbeidsflyter med Python, SQL og VBA lenge før AI ble et tema. I Goldman reduserte jeg flere dager av rapporteringssyklusene for resultatregnskapet. I Signature Bank bygde jeg systemer som reduserte tiden det tok ledelsen å få innsikt, fra flere dager til under 24 timer. Da generativ AI dukket opp, føltes det ikke omveltende. Det føltes som det naturlige neste steget i arbeidet jeg allerede hadde utført i nærmere to tiår.

Etter at jeg forlot institusjonell finans, grunnla jeg TheFinanceNewsletter.com og BeFluentInFinance.com, der jeg skriver om finans og teknologi for over 100 000 nyhetsbrevabonnenter og mer enn 3 millioner følgere i sosiale medier. Innsikten min om dette temaet har blitt omtalt i Forbes, CNBC, Wall Street Journal og Business Insider. Jeg fortsetter å skrive om det av samme grunn som jeg først ble interessert i det: Det meste av samtalen er fortsatt for teoretisk, for leverandørdrevet og for langt unna hvordan finans faktisk fungerer i praksis.

Jeg driver også en rådgivningsvirksomhet på deltid, der jeg fungerer som deltids-CFO og COO for raskt voksende oppstartsbedrifter og mellomstore selskaper med inntekter på mellom 1 og 5 millioner dollar.

Hvordan AI endrer månedsrapporteringen

Den største endringen i arbeidet mitt de siste 12 månedene har vært å erstatte statiske månedsrapporter med et AI-drevet FP&A-lag som ligger over en kundes sentrale økonomisystemer. Det henter data fra regnskapsprogramvare, CRM og lønnssystemer, og gjennomfører automatisert avviksanalyse fortløpende.

Før dette brukte et økonomiteam de første fem til sju arbeidsdagene hver måned på å hente inn data, avstemme den og formatere en presentasjon som allerede var utdatert da ledelsen fikk se den. Nå er den samme innsikten tilgjengelig i løpet av timer, der AI håndterer datainnsamling og avviksdeteksjon, mens et menneske gjennomgår resultatet og tilfører kontekst og skjønnsmessige vurderinger.

Resultatet har vært konsistent på tvers av oppdrag:

• Månedsavslutningen tar omtrent 30–40 % kortere tid.
• Utarbeidelsen av styrepresentasjoner går fra rundt 3 dager til under 6 timer.
• Feilratene synker fordi færre manuelle trinn betyr færre manuelle feil.
• Økonomiteamene bruker energien sin på faktisk forretningsanalyse i stedet for datainnsamling.
• Kvaliteten på beslutningene i hele virksomheten forbedres fordi CFO-en kan undersøke økonomien i sanntid.

Teknologien er ikke komplisert. Det de fleste team mangler, er viljen til å redesigne arbeidsflyten.

En AI-drevet arbeidsflyt for månedsavslutning og rapportering

Her er en trinnvis gjennomgang av arbeidsflyten for månedsavslutning og rapportering:

1. Automatisert datahenting via Fivetran: En planlagt datapipeline henter data fra regnskapsprogramvare, CRM og lønnssystemet inn i en ren, sentralisert database hver 24. time.
2. AI-drevet avstemming og flagging av avvik via BlackLine: AI-laget sammenligner faktiske tall med budsjettet på tvers av alle større poster, flagger avvik over definerte terskelverdier og genererer en forklaring på hvert flagg i et enkelt språk.
3. Menneskelig gjennomgang: Finansansvarlig gjennomgår hvert flaggede punkt, legger til forretningskontekst og avgjør hva som må eskaleres. Vedkommende får hjelp av FloQast AI til kommentarer om svingninger.
4. Dashbord og narrativt resultat via Datarails: En formatert styrepresentasjon og et sammendrag for ledelsen genereres automatisk fra de gjennomgåtte dataene og er klare for distribusjon.

Det som tidligere tok tre dager, tar nå fire til seks timer.

Eksempler fra virkeligheten på hvordan AI hjelper og skader månedsrapporteringen

Andrews tanker

Et resultat som ser overbevisende ut, er ikke det samme som et pålitelig resultat.

Her er et eksempel. Jeg jobbet med et fintech-selskap i serie B-fasen der vi implementerte et AI-drevet system for overvåking av kontantstrømmen, som flagget en konsentrasjonsrisiko hos en kunde seks uker før den utviklet seg til et likviditetsproblem.

Modellen oppdaget et mønster i aldersfordelingen av kundefordringer som en menneskelig gjennomgang hadde oversett gjennom de foregående månedssluttene. Denne ene oppdagelsen var verdt mer enn hele kostnaden for implementeringen.

På den negative siden hadde jeg en kunde der den AI-genererte prognosen bommet med 15 til 20 % i måneder med store variasjoner i faktureringen. Modellen var trent på historiske mønstre som ikke gjenspeilte en nylig endring i inntektsmiksen. Resultatet så polert og overbevisende ut, og ingen utfordret det før CFO-en oppdaget avviket i et styremøte.

Et resultat som ser overbevisende ut, er ikke det samme som et pålitelig resultat.

AI har kontroll på «hva» – mennesker har kontroll på «hva så»

Aktivitetene som egner seg best for AI, er de som har tydelige regler, historiske mønstre og høy grad av gjentakelse. Jeg bruker AI til:

• Kjøring av prognosemodeller
• Avviksanalyse
• Modellering av kontantstrømscenarioer
• Avviksdeteksjon
• Rutinemessig rapportering

Der mennesker fortsatt er involvert, er i beslutninger om kapitalallokering, vurderinger av risiko, kontraktsforhandlinger, kommunikasjon med investorer, tolkning av regelverk og alt som krever forståelse av forretningskontekst som ikke finnes i dataene. En modell kan flagge at forbrukstakten din øker. Den kan ikke fortelle deg at årsaken er et problem i forholdet til gründeren eller en selger som holder igjen salgspipelinen.

Tankemodellen jeg bruker, er denne: AI har kontroll på «hva», mens mennesker har kontroll på «hva så».

Dette er en av de mest praktiske måtene å tenke på integrering av AI i en finansfunksjon. Det ene uten det andre er ufullstendig, og begge feilmodusene – overautomatisering eller for lite automatisering – koster organisasjoner reelle penger.

Hvorfor overautomatisering og overdreven tillit til AI utgjør store risikoer for finansteam

AI gir mange gevinster. Men ulempene er også reelle.

AI skaper en falsk trygghet når de underliggende dataene ikke er rene. Jeg har sett finansteam stole på AI-genererte avviksrapporter uten å stille spørsmål ved kvaliteten på kildedataene, og det skaper en reell risiko.

Det finnes også en felle ved overautomatisering: Når du fjerner menneskelig gjennomgang fra for mange trinn, mister du den institusjonelle kunnskapen som fanger opp det modellene ikke kan se.

Jeg mener bransjen trenger mer ærlig rapportering om dette, og mindre leverandørhype.

Der AI kommer til kort

Når det gjelder økonomi, kommer AI til kort på tre hovedområder.

For det første forventet jeg at AI skulle ha kommet lenger innen tolkning av regelverk og regulatoriske vurderinger. I løpet av mine år i Signature Bank og Amalgamated Bank var så mye av arbeidet med finansielle kontroller basert på nyanserte vurderinger: å lese regulatorisk veiledning, forutse tilsynsmyndighetenes forventninger og vite når et tall teknisk sett består, men likevel bør flagges. AI-verktøy kan i dag finne frem relevante regler og oppsummere veiledningsdokumenter. Men de kan ikke gjenskape vurderingsevnen som kommer av å ha sittet overfor tilsynsmyndigheter i årevis.

For det andre gjelder det generering av revisjonsspor og forklarbarhet i komplekse økonomiske arbeidsflyter. Da jeg ledet investorrelasjoner i Signature Bank for en institusjon på over 110 milliarder dollar, hadde hvert tall som inngikk i en SEC-rapport, en resultatpresentasjon eller en regulatorisk innrapportering, et dokumentert revisjonsspor og en tydelig menneskelig eier. AI-genererte resultater, særlig de som produseres av systemer basert på store språkmodeller, har sjelden en resonnementskjede som ville tilfredsstilt en tilsynsmyndighet eller ekstern revisor. Resultatet kan være korrekt, men du kan ikke alltid vise hvordan du kom frem til det på den måten et miljø med strenge krav til etterlevelse krever.

Og for det tredje gjelder det selskaper i en tidlig fase med rotete datainfrastruktur. AI-påstanden forutsetter forholdsvis rene og sammenkoblede data. De fleste oppstartsbedrifter har ikke det. La oss se nærmere på dette.

Hvorfor alle AI-initiativer bør starte med en datarevisjon

Andrews tanker

Datakvalitet er den virkelige flaskehalsen. Ikke modellen, ikke verktøyet, ikke leverandøren … Alle AI-initiativer bør begynne med en datarevisjon, ikke et verktøyvalg.

Datakvalitet er den virkelige flaskehalsen. Ikke modellen, ikke verktøyet, ikke leverandøren. Jeg gikk inn i mitt første AI-støttede økonomiprosjekt og forventet at teknologien skulle bli den vanskelige delen. Det ble den ikke. Den vanskelige delen var å oppdage at selskapets økonomiske data lå i tre forskjellige systemer som ikke kommuniserte med hverandre, med inkonsekvente navnekonvensjoner og flere måneder med manglende registreringer. Vi brukte omtrent 60 % av prosjektets tidslinje på datarensing før AI-verktøyene kunne gjøre noe nyttig.

Alle AI-initiativer bør begynne med en datarevisjon, ikke et verktøyvalg. Vit hvilke data du har, hvor de ligger, hvor rene de er, og om de er tilstrekkelig strukturerte til at en modell kan lære av dem. Dette ene trinnet ville spart uker med omarbeiding og justert ledelsens forventninger langt tidligere.

Den gamle modellen var å ansette flere mennesker for å skape mer innsikt. Den nye modellen er å bygge bedre datainfrastruktur og deretter la AI mangedoble det eksisterende teamets kapasitet. Det er en annen beslutning om kapitalallokering, og de fleste økonomiledere har ennå ikke tatt den.

Hvordan økonomiteam endres på grunn av AI

Den største endringen jeg har sett i team, er en komprimering av laget med junioranalytikere. Oppgaver som tidligere krevde at 2 til 3 analytikere hentet ut data, gjennomførte avstemminger og utførte grunnleggende avviksanalyser, kan nå håndteres av et AI-lag med én person som overvåker resultatet. Det betyr ikke alltid at antallet ansatte går ned. Oftere blir det samme antallet ansatte omdisponert til arbeid med høyere verdi: forretningspartnerskap, scenarioanalyse, investorkommunikasjon og strategisk planlegging.

Kompetanseprofilen til en god økonomimedarbeider er også i endring. De beste personene jeg ser etter nå, er ikke bare sterke innen regnskap eller økonomisk modellering. De forstår hvordan de skal arbeide med AI-resultater, vet når de skal stole på en modell og når de skal utfordre den, og kan kommunisere økonomisk innsikt tydelig til interessenter utenfor økonomifunksjonen. Denne kombinasjonen av økonomisk grundighet, AI-kompetanse og kommunikasjonsevner er sjelden akkurat nå og gir et lønnspåslag.

Hva økonomidirektører må lære for å lykkes det neste tiåret

Økonomidirektørene som lykkes det neste tiåret, vil se svært annerledes ut enn dem som lykkes i det foregående tiåret. De tekniske økonomiferdighetene (modellering, rapportering, etterlevelse) vil i økende grad være grunnleggende ferdigheter som håndteres av AI. Ferdighetene som kjennetegner gode økonomidirektører, vil være dømmekraft, kommunikasjon, strategisk tenkning og evnen til å lede gjennom tvetydighet.

Mitt råd er å investere i ferdighetene AI ikke kan gjenskape. Bygg sterkere relasjoner med bedriftsledere. Forbedre evnen din til å kommunisere økonomisk innsikt til målgrupper utenfor økonomifunksjonen. Utvikle ekte strategisk dømmekraft, ikke bare ferdigheter innen økonomisk analyse. Det er disse egenskapene som vil kjennetegne fremragende CFO-er i en AI-forsterket fremtid.

Fire trinn alle CFO-er bør ta

Fire ting jeg ville sagt til alle CFO-er akkurat nå:

For det første bør du gjennomføre en datarevisjon før du gjør noe annet. Vit hvor økonomidataene dine ligger, hvor rene de er, og om de er strukturert godt nok til at en modell kan bruke dem.

For det andre bør du starte med én arbeidsflyt. CFO-ene jeg har sett lykkes med AI, velger den mest krevende og mest repetitive prosessen i funksjonen sin – vanligvis månedsavslutningen eller styrepresentasjonen – og redesigner deretter arbeidsflyten før de automatiserer den. Rekkefølgen er viktig. Bygg arbeidsflyten på papiret før du bygger den i et verktøy. Dokumenter hvert trinn i prosessen du ønsker å automatisere, identifiser hvilke trinn som er regelbaserte (klare for AI), og hvilke som krever dømmekraft (krever menneskelig vurdering), og bygg deretter i tråd med dette.

For det tredje bør du definere kontrollpunkter for menneskelig gjennomgang før du setter løsningen i drift. Alle AI-resultater i en økonomisk arbeidsflyt bør ha en ansvarlig person som godkjenner dem.

For det fjerde bør du måle utgangspunktet før du starter. Hvis du ikke vet hvor lang tid den nåværende månedsavslutningen tar, eller hva den nåværende feilen i prognosene dine er, kan du ikke bevise at AI har gjort den bedre.

Disse fire trinnene høres enkle ut, og det er de. Men de fleste organisasjoner hopper over to eller tre av dem fordi de er ivrige etter å komme i gang med teknologien. Det er der det meste av skuffelsen kommer fra.

Følg med

Du kan følge arbeidet til Andrew Lokenauth på LinkedIn, YouTube og på hans personlige nettsted. Du kan også ta en titt på The Finance Newsletter og BeFluentInFinance.com.

Det kommer flere ekspertintervjuer på The CFO Club!