ClickUps økonomidirektør: Du stiller feil spørsmål om KI

Dan Zhang er økonomidirektør i ClickUp, et AI-drevet produktivitetsselskap før børsnotering, der forholdet mellom agenter og mennesker er større enn én til én.

Vi satte oss ned med Dan for å finne ut hva økonomiledere må rette oppmerksomheten mot. Her er det hun fortalte oss.

De mest talende tallene

Jeg er Dan Zhang, økonomidirektør i ClickUp, et AI-drevet produktivitetsselskap før børsnotering. Jeg har ansvar for økonomi, regnskap, personal/HR og juridiske spørsmål, og hjelper selskapet med å nå skala gjennom kapitalallokering, strategisk beslutningsstøtte og forberedelser til børsnotering.

Jeg leder hele økonomifunksjonen: FP&A, Corp Dev, regnskap og avtalehåndtering. Regnskap alene omfatter konsernregnskap, teknisk regnskap, inntektsregnskap, lønn, skatt og innkjøp. Vi håndterer kompleksiteten i en funksjon som er klar for et børsnotert selskap, men vi driver den bevisst slankt.

Vi passerte 300 millioner dollar i ARR i fjor, og vi vokser raskt. Vi betjener over 200 000 kunder og 30 millioner brukere globalt, med rundt 1 000 ansatte fordelt på seks juridiske enheter.

Men her er tallet jeg synes sier mest om hvor vi står: Forholdet mellom agenter og mennesker er nå over én til én. Alle på teamet mitt jobber med flere AI-agenter, og dette forholdet fortsetter å øke. Teamet vårt består av menneskene som har ansvar for vurderingene, og agentene som utfører arbeidsmengden under dem.

Spør om arbeidet er klart for AI – ikke omvendt

De fleste selskaper spør om AI er klar. Vi snudde på spørsmålet: Er arbeidet klart for AI?

Når du bryter ned hva en økonomiavdeling gjør, befinner det meste seg i det jeg kaller «midten». Initieringen skjer i den ene enden: å formulere spørsmålet og sette målet. Den endelige vurderingen skjer i den andre: beslutningen og godkjenningen. Alt imellom – innsamling, avstemming, utarbeidelse og formatering – er arbeid i midten. Det er der AI hører hjemme. Mennesker har ansvar for begynnelsen og slutten. AI håndterer midten.

Vi tok reelle beslutninger basert på dette. Vi gjennomførte prosessutvinning på tvers av arbeidsflytene våre for å finne ut hvor arbeidet i midten foregår, i stedet for å gjette. Vi automatiserte avslutningsprosessen og gjennomførte den raskere med 40 % færre personer. Jeg bygget min egen agentstakk, inkludert en kontekstagent som bærer med seg organisasjonens kunnskap, og en beslutningsagent som kvalitetssikrer tankegangen min før jeg presenterer noe for styret.

Til syvende og sist handler det ikke om hva du bygget, men om hvilke beslutninger du har tatt annerledes på grunn av det. Rollen du ikke besatte. Avslutningen du forkortet. Tallet du stolte på raskere. Kontrollsårbarheten du ikke ville ha oppdaget uten AI.

Det er transformasjonen.

Hvorfor økonomimodeller bør bygges sammen med Claude

Vi endret måten vi bygger modeller på. Nå bygger vi alle nye modeller sammen med Claude, omtrent som når man lærer opp en ny analytiker.

Det er smertefullt i begynnelsen. Jeg har hørt innvendingene: «Det ville gått raskere om jeg bare bygget den selv.» Ja. For deg. I dag. Men ikke for teamet, og ikke neste år.

Å bygge sammen lukker de to hullene alle FP&A-team har.

1. Organisasjonskunnskap: Kunnskapen som sitter fast i hodet til noen, eller i et skjørt regneark som ingen ønsker å røre, er ikke lenger et problem. Når du bygger sammen med AI, er dokumentasjon ikke noe man gjør i etterkant; det er selve byggingen. Vi dokumenterer alle forutsetninger.
2. Scenariokapasitet: Det som tidligere tok flere dager å svare på når en leder sendte Slack-meldingen «Hva skjer med topplinje og kontantbeholdning hvis jeg flytter X til markedsføring og holder antallet ansatte på Y?» klokken ett om natten, tar nå sekunder. Planleggingsverktøy har lovet dette i årevis, men aldri levert, fordi problemet aldri var modellmekanikken. Det var konteksten – hvordan alt henger sammen. Når en sentral intelligens har denne konteksten, kan ledere kjøre uendelige scenarier underveis.

Hvorfor økonomiteam må systematisere kunnskapen sin i Claude-ferdigheter

Dans tanker

Den gamle oppskriften sier at man skal bemanne opp førstelinjen. Det gjør ikke vi. Vi bygger superagenter som orkestrerer disse spesialiserte ferdighetene, underagenter som gjennomfører oppgavene uten å gi seg, og en arbeidsflyt med en menneskelig sluttkontrollør som er ansvarlig for kvaliteten på AI-arbeidet. Ansvaret overføres aldri til maskinen.

Regnskapssjefen vår bygget 27 Claude-ferdigheter. 27 kodifiserte, ekspertskrevne oppskrifter som aggressivt automatiserer forberedelseslaget: avstemminger, avslutningssteg og forberedelser på enhetsnivå. Hver av dem er dokumentert, repeterbar og i stand til å overleve at opphavspersonen slutter.

Her er hvorfor det betyr noe. Vi legger til enheter og nye forretningsaktiviteter. Den gamle oppskriften sier at man skal bemanne opp førstelinjen. Det gjør ikke vi. Vi bygger superagenter som orkestrerer disse spesialiserte ferdighetene, underagenter som gjennomfører oppgavene uten å gi seg, og en arbeidsflyt med en menneskelig sluttkontrollør som er ansvarlig for kvaliteten på AI-arbeidet. Ansvaret overføres aldri til maskinen.

Hvis en CFO ønsker å kopiere én ting, så kopier dette: La den beste eksperten din kodifisere det vedkommende kan, inn i ferdigheter, legg et orkestreringslag oppå, og plasser en navngitt person på slutten. Skap insentiver for de beste ekspertene dine, slik at de belønnes for automatiseringene de bygger.

Hvorfor kontroll nå er en egenskap ved systemet

Mer menneskelig involvering betyr ikke mer kontroll.

Jeg vokste opp med troen på at kontroll betydde at mennesker gjennomgikk alt. AI tvang meg til å innrømme at dette var teater oppå et skjørt system. Udokumenterte regneark, antakelser som levde i hodene til folk, og risiko knyttet til nøkkelpersoner overalt. Jeg får fortsatt telefoner fra det gamle selskapet mitt om et regneark jeg bygget, ett år etter at jeg sluttet. Det er ikke et kontrollmiljø. Det er en gisselsituasjon vi alle har normalisert.

Kontroll har nå blitt en egenskap ved systemet, ikke ved antallet personer som berører det. Inndata er låst. Systemet logger hver handling agentene utfører og knytter den til en arbeidsflyt-ID. Antakelser er eksplisitte, og scenarioer kan gjenskapes. Revisorene mine kan be om sporet. De kunne aldri revidere det som befant seg i hodet til noen.

Mennesker forsvant ikke fra kontrollsystemet. De flyttet seg dit de alltid hørte hjemme: til unntakslaget og den endelige gjennomgangen, navngitt og ansvarlig. Færre kontaktpunkter, der hvert enkelt bærer reell tyngde, i en funksjon der 99 % nøyaktighet bommer fullstendig på målet.

Hvorfor AI er utkastet, ikke avgjørelsen

Når det gjelder hva AI kan håndtere, bruker jeg tre regler:

1. AI håndterer aggressivt forberedelse, sammenstilling og overvåking.
2. Et menneske tar alltid det siste steget hvis det endrer et regnskap eller flytter penger.
3. Hvis det krever skjønn i møte med tvetydighet, eller noen som er ansvarlig for resultatet, er det menneskets oppgave, fordi AI-resultatet er et utkast, ikke en avgjørelse. Jeg eier resultatet 100 %.

Så for eksempel:

• Prognostisering: AI-drevet, menneskeeid. Vi bygger hver FP&A-modell sammen med AI. Antakelser er dokumentert, logikken er eksplisitt, og ingenting lever i hodet til én person eller i et skjørt regneark.
• Avviksanalyse: Aktiviteten min som er mest avhengig av AI. En analytikeragent arbeider på levende data, flagger avvik og utarbeider et førsteutkast til forklaringen. Mennesker flytter seg fra transaksjonslaget til unntakslaget. Jeg vil ikke at teamet mitt skal gjennomgå hver linje. Jeg vil at de skal gjennomgå hvert avvik systemet avdekker.
• Kontantstrømstyring: AI prognostiserer, avstemmer og overvåker den. Men én regel har ingen unntak: En agent kan aldri initiere en kontantutbetaling. Agenter har skrivebeskyttet tilgang til regnskaper. Aggressive på forberedelse, forsiktige på gjennomgang.
• Budsjettering: AI utarbeider konsolideringen og BvA. Mennesker håndterer avveiningene.

Mønsteret på tvers av alle disse aktivitetene er at AI oppnår autonomi i flere trinn. Observer, anbefal, og begrens deretter automatiseringen med fullstendige revisjonsspor. Mennesker konsentrerer seg om det de gjør bedre enn maskinen: vurderinger, ansvarlighet og ny kontekst fra den virkelige verden. Jo raskere vi automatiserer, desto viktigere blir vurderingsevnen. Hastighet uten vurderingsevne er bare raskere feil.

Hvorfor økonomiledere må tilføre spenning i bemanningsbeslutninger

Når vi først snakker om budsjettering, har jeg tilført spenning i alle bemanningsbeslutninger.

Folk liker å ansette, men som oftest ansetter de til ødelagte prosesser og kaller det skalering. Derfor bør du innføre en ansettelsesport. Ledere må dokumentere at AI-arbeidsflyten fungerer før de øker bemanningen.

Det er en mer tiltalende versjon av nullbasert budsjettering. Hvis arbeidsflyten faktisk fortsatt trenger et menneske etter en grundig test, er det flott – ansett. Men hvis du aldri tilfører denne spenningen, vil du aldri vite hvor mye du kan stramme inn.

Hvorfor økonomiledere må være varsomme med «autonome» økonomiverktøy

Dans tanker

Håndfri, fullstendig autonom økonomistyring finnes ikke ennå … Alle som selger deg autonom økonomistyring, selger deg en demo.

Det største gapet mellom overdrivelse og virkelighet er ende-til-ende-automatisering. Den finnes ikke. Håndfri, fullstendig autonom økonomistyring finnes ikke ennå.

Og jeg vil gå enda lenger: Selv Anthropics eget produktteam sier det samme til økonomiteamet sitt. Full automatisering finnes ikke, heller ikke i selskapet som bygger de mest avanserte modellene. Hvis laboratoriet som lager modellen, ikke vil føre sine egne bøker håndfritt, bør ikke du gjøre det heller.

Alle som selger deg autonom økonomistyring, selger deg en demo.

Slik påvirker AI kapasitet og hastighet

De største positive effektene jeg ser, er innen:

• Effektivitet: Før AI brukte FP&A-teamet mitt 80 % av tiden på mekaniske oppgaver. Rensing av data, formatering av rapporter og innliming av tall i presentasjoner. Bare 20 % gikk til syntese og historiefortelling. Det forholdet er snudd på hodet, og det er bransjestandarden.
• Bemanning: Ledere som bygget arbeidsflyten proaktivt, fjernet 50 % av fremtidige ansettelser. Vi reduserte den nåværende bemanningen med 15 %, hovedsakelig innen arbeid i delte tjenester på laveste nivå, med mange prosesser.
• Kapasitetsmangedobling: En leder for virksomhetsutvikling gikk fra å jobbe med 1–2 avtaler i måneden til 6–8 samtidig. Én person, ingen nye ansettelser. Agenten utvidet trakten, mens den menneskelige medarbeideren tok seg av siste ledd.
• Scenariehastighet: Dette er den tydeligste før-og-etter-forskjellen. Som jeg sa, gikk spørsmålet fra ledelsen klokken ett om natten, «Hva skjer med topplinjen og kontantbeholdningen hvis jeg flytter X til markedsføring og holder bemanningen på Y?» fra dager til sekunder.
• Konsolidering av leverandører: Intern programvare bygget på Claude har allerede fjernet flere kostnadsposter for verktøy, blant annet automatisering av avslutning, innkjøp og saksbehandlingsverktøy. Så langt har vi spart inn seks­sifrede leverandørkostnader.

Den negative effekten var AI-sløseriskatten. Men feilmodusen var ikke AI-feil; det var mennesker som leverte AI-resultater uten gjennomgang. Slurv i økonomifunksjonen svekker tilliten i det stille, og det sliter ut de beste medarbeiderne dine raskest. Ingenting utløser en A-spiller som å lese et dokument uten noe menneskelig bidrag.

Løsningen var kulturell. Jeg må lede og holde teamet mitt ansvarlig. De må vite at jeg leser alt de legger foran meg.

Hvorfor økonomiledere først må fokusere på grunnlaget for arbeidsflytene

Det er forskjell på å ta i bruk AI og å utforme et system.

Det første året mitt gikk med til å eksperimentere: bygge leker, koble AI på eksisterende arbeidsflyter og samle imponerende demonstrasjoner. Nesten alt var forbruksvare. Demonstrasjonene døde med eierne sine, ledetekstene levde i hodet på folk, og ingenting bygget seg opp over tid.

Det jeg vet nå, er at fundamentet kommer først. Gjør arbeidet forståelig for AI før du automatiserer noe som helst. Kodifiser kunnskapen til ferdigheter, lås datakildene og registrer hver handling. En middelmådig arbeidsflyt på et solid fundament bygger seg opp over tid. En briljant demonstrasjon uten noe fundament fordamper.

Hvis jeg hadde funnet ut av dette tidligere, kunne jeg ha unngått den bortkastede syklusen: måneder med engangseksperimenter som produserte null varige ressurser. Jeg kunne også ha fått skriveferdighetene mine som regnskapsleder på plass fra dag én.

Råd til økonomiledere

Så hva er rådet mitt? Bygg fundamentet med AI i sentrum. Hold kvaliteten på et nivå som om regnskapet avhenger av det, for det gjør det. Og bruk menneskene dine der de slår maskinen: dømmekraft, ansvarlighet og kontakt med den virkelige verden.

Fremtidens organisasjon er ikke en mindre og billigere versjon av dagens. Det er et slankere team av forsterkede A-spillere som opererer på et nivå som ikke var mulig tidligere.

Følg med

Du kan følge arbeidet til Dan Zhang på LinkedIn.

Flere ekspertintervjuer kommer på The CFO Club!