KI-agenter betyr ingenting uten innføring

Sibaranjan Patnaik er økonomi- og strategidirektør i det India-baserte GCC-et til et stort teknologiselskap. Med 16 års erfaring har han jobbet med ulike roller innen både regnskap og FP&A, noe som har gitt ham en helhetlig forståelse av hvordan økonomifunksjoner fungerer.

Vi tok en prat med Sibaranjan for å lære mer om de interne økonomiagentene han bygger – og hvorfor KI-suksess defineres av menneskene som tar teknologien i bruk. Her er det han sa.

Den teknologiske transformasjonen av økonomifunksjonen skjer endelig

Jeg er Siba – økonomi- og strategidirektør med rundt 16 års erfaring.

Jeg startet innen regnskap, gikk videre til FP&A, og denne reisen på tvers av begge sider av funksjonen gir meg et helhetlig bilde av hvordan økonomifunksjonen fungerer i det daglige – ikke bare planleggings- og prognoselaget, men også den underliggende motoren for transaksjoner og rapportering.

I dag har ansvarsområdet mitt utvidet seg utover økonomi – jeg leder teknologiteam, inntektsfunksjoner og flere vertikaler samtidig, og fungerer like mye som en tverrfunksjonell leder som en økonomileder. Denne bredden endrer hvordan man tenker på transformasjon – man slutter å se det som et økonomiproblem og begynner å se det som et organisatorisk problem.

I ettertid synes jeg nesten dette er komisk: Gjennom hele karrieren har jeg hørt om teknologidrevet transformasjon av økonomifunksjonen. Bedre verktøy. Smartere systemer. Excels død. Likevel var den grunnleggende arbeidsflyten den samme i hver rolle jeg gikk inn i – enten det var i et stort FMCG-selskap, hos en global detaljhandelsaktør eller i et GCC. Hent dataene, avstem dem, bygg modellen, formater presentasjonen, send den videre. Excel, hver gang.

Vi hadde dashbord bygget på manuelle datauthentinger. Vi hadde planleggingsverktøy som fortsatt krevde at noen fulgte opp forutsetningene. Teknologien fantes på avgrensede områder, men transformasjonen kom aldri helt.

Det som er annerledes nå – og jeg sier dette som en som er skeptisk til hypen rundt økonomiteknologi – er at KI, og særlig agentisk KI, er det første jeg har brukt som virkelig endrer den underliggende arbeidsflyten, ikke bare presentasjonslaget. I dag bruker jeg det til å automatisere kommentarer, fremskynde scenarioanalyser og håndtere det repetitive analysearbeidet som tidligere la beslag på det meste av arbeidsuken til et team.

For første gang i karrieren føler jeg oppriktig at den lovede transformasjonen endelig beveger seg i riktig retning. Og det er dette jeg prøver å ta med inn i samtaler når jeg veileder unge økonomer – for muligheten til å komme foran denne utviklingen er nå.

Bruke KI til å operere på et høyere strategisk nivå

Jeg jobber for en etablert, børsnotert organisasjon med global virksomhet. Jeg vil ikke dele spesifikke detaljer offentlig – jeg ønsker at det skal være tydelig at det jeg deler her, kun er mine personlige observasjoner – men jeg kan si at jeg leder en økonomiorganisasjon innenfor en GCC-struktur i India. Det betyr at vi er et strategisk leveransesenter for en langt større global funksjon.

Kompleksiteten er reell; vi gjør mer enn behandling i backoffice. Teamet dekker FP&A, inntekter og teknologifunksjoner, og arbeider på tvers av flere vertikaler med betydelige tverrfunksjonelle avhengigheter. I dette miljøet balanserer vi hele tiden global standardisering med realitetene i lokal gjennomføring.

Fra et transformasjonsperspektiv har GCC-er i India historisk blitt sett på som kostnadssentre – bygget for effektivitet, ikke innflytelse. Jeg prøver i stor grad å endre denne oppfatningen, både internt og i hvordan teamet ser på seg selv. Som økonomipartner for en global forretningsenhet innenfor et GCC må du operere på samme strategiske nivå som alle andre ved hovedkontoret. KI er en viktig del av hvordan vi bygger bro over dette gapet.

Hvorfor omfattende KI-endringer i økonomifunksjonen krever tålmodighet

Jeg har ikke en fullt utrullet ende-til-ende-økonomiarbeidsflyt drevet av KI i produksjon i dag. Jeg ville vært skeptisk til alle som hevder at de har det i stor skala, med kontrollmekanismer, i et regulert, børsnotert selskapsmiljø. Jeg har en tydelig retning, et sett med produktivitetsverktøy som faktisk endrer måten teamet mitt og jeg jobber på hver dag, og en rekke agenter som er på ulike stadier av utvikling og testing.

På produktivitetssiden bruker jeg KI-verktøy daglig til å utforme kommunikasjon, oppsummere omfattende rapporter, strukturere analyser, forberede forretningsgjennomganger og tenke gjennom scenarier raskere enn jeg kunne gjort på egen hånd. Dette er ikke de mest glamorøse bruksområdene, men den samlede tidsbesparelsen er reell, og de har endret kvaliteten på hvordan jeg deltar i samtaler.

Den nåværende fremdriften min er mer ambisiøs. Jeg bygger mot en arbeidsflyt der agenter håndterer de mekaniske delene av den månedlige avslutningssyklusen — datakonsolidering, avviksmarkering og generering av kommentarer — mens mennesker kommer inn på gjennomgangs- og vurderingsnivået. Arkitekturen er på plass, og testingen pågår. Å få dette riktig, med de rette kontrollmekanismene på plass, tar tid.

Jeg deler dette som et arbeid under utvikling, i stedet for å fremstille det som noe ferdig, fordi jeg mener økonomifaget har nok mennesker som selger inn målet. Det som er nyttig, er å høre hvordan reisen ser ut i sanntid — hva som fungerer, hva man fortsatt finner ut av, og hva som er vanskeligere enn forventet.

Det er der jeg befinner meg. Jeg bygger omhyggelig, beveger meg stødig fremover og venter ikke på perfeksjon før jeg setter i gang.

Slik forbedrer KI avvikskommentarer

En nylig endring jeg har gjort, gjelder avvikskommentarer. Alle økonomiteam gjør dette. Hver måned, uten unntak, setter noen seg ned og skriver to til tre sider som forklarer hvorfor de faktiske tallene var over eller under planen. Linje for linje. I teorien er dette viktig arbeid, men i praksis er rundt 80 % av det mekanisk. Tallene finnes allerede. Avvikene er allerede beregnet. Det som tar tid, er oversettelsen — å omgjøre dataene til setninger som en interessent utenfor økonomifunksjonen kan lese og handle ut fra.

Før vi endret dette, brukte en senioranalytiker det meste av en arbeidsdag bare på kommentarene. Ikke fordi vedkommende var treg — men fordi det faktisk tok så lang tid å gjøre dette ordentlig på tvers av flere kostnadssentre og forretningsområder. Og innen det var ferdig, gjennomgått og formatert, hadde tidsvinduet for samtalen det skulle legge til rette for, allerede blitt mindre.

Jeg bygde en agent som håndterer førsteutkastet. Den henter tallene, identifiserer vesentlige avvik og genererer strukturerte kommentarer i et enkelt forretningsspråk. Analytikerens oppgave er nå å gjennomgå, finpusse og tilføre vurderingslaget — konteksten som bare et menneske med forretningsforståelse kan bidra med.

Det påvirker hastigheten, men det endrer også kvaliteten på samtalen. Når analytikeren din ikke er utslitt av skriving, møter vedkommende opp til gjennomgangsmøtet med tanker om hva avviket betyr for neste kvartal — ikke bare om hva som skjedde forrige måned. Det var denne endringen jeg ønsket. Én dag med mekanisk skriving kan bli til to timer med tenkning.

En ramme for det som forblir menneskelig

Rammeverket mitt er enkelt: Hvis det er mekanisk, automatiser det. Hvis det krever vurdering, la det forbli menneskelig. Det er alt.

Det høres åpenbart ut, men de fleste økonomiteam arbeider ikke på den måten. Mennesker utfører mekanisk arbeid og kaller det analyse. KI-verktøy blir stående ubrukt fordi ingen tydelig har definert grensen.

KI håndterer datakonsolidering, avstemminger, avviksmarkering, kommentarer i førsteutkastet, oppdateringer av prognosemodeller når forutsetningene endres, standardiserte rapportpakker og kontantstrømprognoser basert på historiske mønstre. Dette er gjentakbare, regelbaserte oppgaver i stort volum. Mennesker bør ikke lenger bruke betydelig tid på dem. En agent gjør det raskere, mer konsekvent og uten den utmattelsen som sniker seg inn mot slutten av en avslutningssyklus.

Mennesker håndterer alt som krever kontekst, relasjoner og vurdering. Hva betyr dette avviket for virksomheten? Bør vi omfordele kapital til dette initiativet eller avvente, gitt markedsforholdene? Hva er den riktige måten å presentere denne risikoen for ledelsen på? Er denne prognosen troverdig i riktig retning, eller tilpasser vi bare et tall til et mål? KI kan informere alle disse samtalene, men kan ikke eie dem.

Her trekker jeg grensen: KI gir teamet mitt informasjon raskere og i bedre form enn før. Men beslutningen — og ansvaret for den — ligger hos personen. Jeg prøver ikke å omgå en begrensning; det er slik løsningen er utformet.

Slik forbedrer KI økonomiteamets effektivitet og selvtillit

Den mest pålitelige effekten er positivt sett omfordeling av tid. Automatisering av mekaniske oppgaver — datauthenting, avstemminger, standardrapportering og kommentarer i førsteutkast — gir hver person flere timer tilbake hver uke. Ikke teoretiske timer, men reelle timer. Hvis du er bevisst på hvordan folk bruker den tiden, begynner du å se analyser av høyere kvalitet, raskere svar på forretningsspørsmål og økonomimedarbeidere som er engasjert i arbeidet sitt i stedet for å slite seg gjennom en avslutningssyklus.

Også prognosekvaliteten blir bedre — ikke fordi KI er smartere enn analytikerne dine, men fordi analytikerne er mindre slitne og har mer tid til å undersøke forutsetningene i stedet for bare å fylle ut modellen. Slitne mennesker tar dårlige beslutninger. Uthvilte mennesker med rene data tar bedre beslutninger.

Kvalitativt sett er den mest betydningsfulle endringen selvtillit. Når et økonomiteam slutter å bruke mesteparten av energien på å produsere og begynner å tolke, opptrer de annerledes i forretningssamtaler. De har meninger. De sier imot. Det er den kulturelle endringen som er vanskelig å måle, men umulig å overse.

KIs største feilkilder innen økonomi

Sibaranjan deler

Den største feilkilden jeg ser, er team som automatiserer dårlige prosesser. Hvis de underliggende dataene er rotete, arbeidsflytene er ødelagte … KI fremskynder bare problemet. Søppel inn, søppel ut, men raskere.

Så kommer det negative. Den største feilkilden jeg ser, er team som automatiserer dårlige prosesser. Hvis de underliggende dataene er rotete, arbeidsflytene er ødelagte eller teamene ikke forstår tallene, fremskynder KI bare problemet. Søppel inn, søppel ut, men raskere.

Den andre feilkilden er overdreven avhengighet av resultater som folk ikke forstår fullt ut. KI kan produsere en vakkert strukturert prognose, en variansanalyse som ser overbevisende ut, og en ryddig scenariomodell. Og hvis personen som presenterer den, ikke kan forklare hvordan den ble utarbeidet eller hvor forutsetningene kom fra — er det en risiko. Ikke en teknologisk risiko. En vurderingsrisiko. KI skal gjøre teamet ditt skarpere, ikke mer passivt. Hvis den gjør det motsatte, er det en risiko ingen snakker høyt nok om.

Den tredje feilkilden er innføringen. Du kan bygge den mest elegante agenten, men hvis teamet ikke stoler på den eller ikke endrer måten de arbeider med den på, blir den stående ubrukt. Endringsledelse er ikke valgfritt.

Hvorfor innføring av KI krever omdesignede arbeidsflyter

Når KI ikke fungerer, er det et menneskeproblem.

Jeg har bygget agenter som fungerer. Jeg har sett dem bli testet, validert og godkjent. Så så jeg team i stillhet omgå dem og gå tilbake til de gamle metodene sine. Ikke av ondskap, men på grunn av vane, trygghet og en genuin tro på at den manuelle versjonen deres var mer pålitelig, selv når den ikke var det.

Det er gapet ingen snakker nok om i samtaler om KI-transformasjon. Alle fokuserer på hva som skal bygges. Svært få fokuserer på hva som må endres hos mennesket som bruker verktøyet, for at det virkelig skal ha betydning.

Økonomimedarbeidere er spesielt opplært til å være presise og risikoaverse. Det er en styrke i jobben. Det blir en barriere når du ber dem stole på et system de ikke har bygget og ikke kan se fullt ut i. I det øyeblikket et KI-resultat ser litt feil ut — selv om det er riktig — går de som regel tilbake til å gjøre det selv. Og når det har skjedd noen ganger, slutter de å bruke agenten.

Jeg har lært at innføring ikke er et kommunikasjonsproblem. Det hjelper ikke å sende en e-post som sier «vi har et nytt verktøy, vennligst bruk det». Det er et problem knyttet til atferdsendring. Du må utforme arbeidsflyten på nytt rundt verktøyet, ikke bare legge det inn i den eksisterende arbeidsflyten og håpe at folk tilpasser seg.

Hvorfor Claude skiller seg ut i økonomiske bruksområder

Jeg bruker flere verktøy, og jeg tror det er den riktige tilnærmingen akkurat nå. Vi er i en utforskingsfase, og alle verktøyene er fortsatt i rask utvikling. Det ville være feil å velge ett i dag og ignorere resten.

Men hvis jeg måtte helle i én retning, har Claude utmerket seg spesielt for økonomiarbeid. Evnen til å resonnere gjennom komplekse scenarier, arbeide med tall i riktig kontekst, utarbeide strukturerte analyser og håndtere nyansert forretningsspråk gjør det særlig nyttig for den typen krevende tenkearbeid som FP&A krever.

Verktøyene endrer seg raskt, og det verktøyet som blir en del av den langsiktige arbeidsflyten min, må fortjene det. Akkurat nå holder jeg meg nysgjerrig på alle sammen og lar bruksområdene avgjøre.

Ikke forveksle kjøp av KI-verktøy med KI-transformasjon

Her er mine råd:

1. Slutt å vente på den perfekte virksomhetsstrategien før dere setter i gang. De fleste CFO-er jeg snakker med, sitter med et transformasjonsveikart som har vært til vurdering i seks måneder. I mellomtiden bruker teamene deres fortsatt halve arbeidsuken på oppgaver de kunne automatisert i dag. Muligheten er der akkurat nå. Bruk den.
2. Ikke forveksle kjøp av verktøy med å oppnå transformasjon. Jeg har sett organisasjoner bruke betydelige beløp på plattformer, lisenser og konsulenter, og likevel ende opp med de samme arbeidsflytene som de startet med – bare dyrere. Teknologien er ikke den vanskelige delen. Den vanskelige delen er å gjøre en ærlig vurdering av hvordan teamet arbeider, og være villig til å endre det.
3. Invester i menneskene dine før du investerer i verktøy. En økonomimedarbeider som forstår hva KI kan og ikke kan gjøre, som skriver gode instruksjoner, som kritisk vurderer KI-resultater og tilfører det skjønnsmessige laget – den personen er mer verdifull enn enhver plattform du kjøper. Bygg denne kompetansen i teamet ditt. Den gir stadig større avkastning.
4. Få orden på dataene dine. KI vil avdekke hver eneste sprekk i datagrunnlaget ditt raskere enn noe annet. Hvis tallene dine ikke er ryddige, prosessene dine ikke er dokumentert, og systemene dine ikke snakker sammen – må du fikse det først. Ellers automatiserer du kaos.
5. CFO-ens jobb er i endring, enten du tar i bruk KI eller ikke. Spørsmålet er om du former denne endringen eller reagerer på den. Finanslederne som vil ha betydning om fem år, er de som er nysgjerrige nok til å eksperimentere, ydmyke nok til å lære av det som ikke fungerer, og besluttsomme nok til å bygge noe.

Ikke bare ha en mening om KI. Gjør noe med det.

Sibaranjan deler

Her er mine råd: Slutt å vente på den perfekte virksomhetsstrategien før dere setter i gang. Ikke forveksle kjøp av verktøy med å oppnå transformasjon. Invester i menneskene dine før du investerer i verktøy. Få orden på dataene dine. CFO-ens jobb er i endring, enten du tar i bruk KI eller ikke … Ikke bare ha en mening om KI. Gjør noe med det.

Følg med

Du kan følge arbeidet til Sibaranjan Patnaik på LinkedIn.

Flere ekspertintervjuer kommer på The CFO Club!