SaaS-CFO sier at KI forbedrer økonomisk dømmekraft bare når ledere holder seg inne i arbeidsflytene

Nithin Shetty er finansdirektør i Scrut Automation, der han samtidig har ansvar for likviditetsstyring, FP&A, grensekryssende etterlevelse og inntektsoperasjoner. Han begynte der da inntektene var på 500 000 dollar i ARR, og nå er de på 20 millioner dollar i ARR.

I denne samtalen fortalte Nithin hvordan han bruker KI på de riktige tidspunktene i de riktige arbeidsflytene, slik at dømmekraften og ansvaret hans opprettholdes.

Å ikke møte KI-transformasjonen som en observatør

Jeg heter Nithin Shetty. Jeg er statsautorisert regnskapsfører og finansdirektør, og har brukt det siste tiåret på å bygge opp økonomifunksjoner fra grunnen av i SaaS-selskaper med høy vekst og venturekapital i ryggen.

Reisen min har i mindre grad vært formet av en lineær karrierevei og i større grad av gjentatt eksponering for kaos i stor skala. Jeg startet med tre virksomheter under praksisperioden som CA, innen produksjon, FMCG og sjømatforsyning – ikke strategisk, men fordi jeg ikke klarte å skille det å tenke på virksomhet fra det å drive en. Dette instinktet har aldri forlatt meg.

Etter at jeg kvalifiserte meg som CA, tok jeg på meg oppdrag som deltids- og midlertidig finansdirektør på tvers av fem bransjer, blant annet produksjon, SaaS, mobilitet, medier og EdTech. Hvert oppdrag innebar en presset forretningsmodell, noe som krevde at jeg raskt bygget økonomisk oversikt og tok avgjørende beslutninger med ufullstendig informasjon. Dette er fortsatt kjernen i det jeg gjør.

I dag er jeg finansdirektør i Scrut Automation, et SaaS-selskap innen GRC og etterlevelse. I tre år har hele den operative konteksten min vært en virksomhet som hjelper selskaper med å håndtere risiko og automatisere etterlevelse, og KI omstrukturerer nå alle forutsetningene virksomheten ble bygget på. Jeg har fulgt denne omveltningen fra innsiden, samtidig som jeg har driftet den økonomiske infrastrukturen som finansierer den.

Jeg møter ikke KI-transformasjonen som en observatør. Jeg har levd midt i den på selskapsnivå og sett hvordan KI endrer produktøkonomi, salgssykluser, kunders forventninger og enhetsøkonomi i sanntid.

Organisatorisk kompleksitet

Økonomiavdelingen min er en del av Scrut Automation, et Series B SaaS-selskap innen GRC og etterlevelse, med Lightspeed, MassMutual Ventures og Endiya Partners som investorer. Vi skalerte fra 500 000 dollar til 20 millioner dollar i ARR på tre og et halvt år, noe som krevde at økonomifunksjonen vokste og ble omstrukturert flere ganger i løpet av én og samme ansettelsesperiode.

Jeg leder en organisasjon på 20 personer fordelt på fem vertikale områder. Det sentrale økonomiteamet består av 12 personer, støttet av 3 innen inntektsoperasjoner, 2 innen kundeoperasjoner, 1 innen juridisk arbeid og etterlevelse, og 2 innen lønn og skatt. Mine direkte rapporter er en økonomikontroller og en FP&A-leder. Selskapssekretær- og juridiske tjenester håndteres gjennom en strukturert retaineravtale utenfor bemanningen.

Driften vår har grensekryssende kompleksitet. Vi opererer gjennom et indisk holdingselskap og et amerikansk datterselskap. Jeg håndterer konsolidert rapportering, internprising, konserninterne oppgjør, avstemming fra US GAAP til Ind AS, etterlevelse i Delaware og delstatlige skatteinnrapporteringer som en del av den vanlige driftsrytmen vår. Inntektsføring omfatter USD og INR, og dekker abonnementsbasert ARR, profesjonelle tjenester og bruksbaserte komponenter, strukturert etter både Ind AS 115 og ASC 606.

Omfanget gjør denne funksjonen noe uvanlig for et Series B-selskap. Inntektsoperasjoner og kundeoperasjoner rapporterer til økonomiavdelingen, ikke av konvensjon, men fordi jeg var eneansvarlig for resultatdata på tvers av systemene. Det var operasjonelt logisk at jeg også skulle eie disse funksjonene, siden jeg hadde ansvar for GTM- og kundedata. Denne strukturen har bestått og vist sin verdi gjennom hver styresyklus.

Hvordan KI reduserer tiden til utarbeidelse og tolkning

Før jeg begynte å bruke KI systematisk, tok økonomisk kommunikasjon mest tid i kalenderen min uten å forbedre resultatet tilsvarende. Å skrive en styreoppdatering, et investormemo eller en ledelseskommentar til månedstallene krevde at jeg skiftet kontekst fra analyse til skriving. Selve utarbeidelsesprosessen tok tid som heller burde vært brukt på den underliggende tenkningen.

Jeg begynte å bruke Claude som et lag for utarbeidelse og tolkning av økonomisk kommunikasjon og FP&A-leveranser. Jeg fullførte analysen først, og brukte deretter KI til å strukturere fortellingen, stressteste logikken i presentasjonen av tallene mine og kontrollere om de underliggende dataene støttet historien min. Jeg begynte også å bruke det til førstegangs gjennomgang av kontrakter og dokumenter, noe som reduserte tiden fra jeg mottok et dokument til jeg hadde et strukturert sett med spørsmål klart for juridisk avdeling.

Som følge av dette endret tidsfordelingen min seg betydelig. Utarbeidelsessyklusen for styrekommunikasjon har blitt vesentlig kortere. Enda viktigere er det at kvaliteten på utfordringene ble bedre, fordi jeg brukte KI til å argumentere mot min egen tolkning før jeg presenterte den. Dette avdekket mangler jeg tidligere først ville ha oppdaget i selve møtet.

En månedlig rapporteringsarbeidsflyt fra virkeligheten

Jeg vil beskrive den månedlige rapporteringssyklusen til styret og investorene i detalj. Den består av to sammenkoblede faser: tallfasen og narrativ- og scenariefasen. AI er involvert i begge, men spiller en ulik rolle i hver av dem.

Syklusen starter når økonomikontrolleren har fullført månedsavslutningen. Deretter har jeg de faktiske tallene for inntekter, kostnader og burn, samt de viktigste SaaS-måltallene: ARR, NRR, burn multiple og CAC payback. Først gjennomgår jeg tallene manuelt selv, før AI berører noe som helst. Denne rekkefølgen er viktig. Jeg trenger min egen forståelse av hva som har skjedd før jeg introduserer noen ekstern tolkning, fordi jeg risikerer å låse meg til AI-ens fremstilling i stedet for å utvikle min egen hvis jeg går til AI først.

Etter den innledende gjennomgangen bruker jeg Claude til å tolke avvik. Jeg legger inn faktiske tall mot budsjett, sammenligninger med forrige periode og viktige bevegelser. Deretter bruker jeg AI til å kvalitetssikre tolkningen min av hva som forårsaket hvert vesentlige avvik. På dette stadiet spør jeg ikke hva som skjedde – det vet jeg allerede. I stedet spør jeg om forklaringen min på hvorfor det skjedde, er den mest presise og fullstendige versjonen. AI avdekker alternative forklaringer jeg kan ha oversett, og peker på logiske hull i narrativet før det går til styret.

Resultatet fra denne fasen går direkte inn i fasen for scenariomodellering. Basert på månedens faktiske tall og avviksdrivere oppdaterer jeg den løpende finansmodellen. Deretter bruker jeg AI til å stressteste de fremoverskuende forutsetningene. Det er her jeg utvikler scenarier. Jeg kjører vekst-, basis- og konservative scenarier. Jeg bruker AI til å utfordre forutsetningene som ligger til grunn for hvert av dem, særlig når det gjelder inntektsutvikling, burn og runway. Her spør jeg om styret vil finne et hull i noen av disse scenariene som jeg ikke allerede har håndtert.

Den siste fasen innebærer utarbeidelse av utkast. Jeg bruker AI til å utarbeide førsteutkastet til narrativet til styret, ledelsens kommentarer og investorrådgivningen. Deretter gjennomgår og omskriver jeg utkastet flere ganger før jeg ferdigstiller noe. AI-utkastet fungerer som et utgangspunkt og et strukturelt rammeverk, ikke som et ferdig produkt. Omskrivingen min innarbeider stemmen, vurderingen av hva som skal fremheves og settes i kontekst, samt en forståelse av hva hver investor trenger å høre på det aktuelle tidspunktet.

Hvorfor CFO-er må være bevisste på hvor AI inngår i en arbeidsflyt

Jeg er bevisst på hvor AI inngår i arbeidsflyten. Den kommer før vurderingen min, ikke i stedet for den. Jeg gjennomgår og står ansvarlig for hvert eneste resultat. Det har vært viktig å opprettholde denne grensen, særlig i rapporteringen til styret og investorer, der presisjon og ansvarlighet ikke kan forhandles bort.

Men jeg har ikke en fast liste over AI-oppgaver kontra menneskelige oppgaver. Det handler ganske enkelt om hvor kostnaden ved å ta feil kan håndteres, og hvor den ikke kan det.

For AI-informerte oppgaver er de mest verdifulle områdene for meg tolkning av avviksanalyse, scenariomodellering og finansiell kommunikasjon. Avviksanalyse er et godt eksempel. Selve beregningen var aldri problemet. Problemet var alltid hastigheten og kvaliteten på narrativet rundt den: å forstå hva tallet faktisk sier, hva som drev det, og hvilken ledelsesrespons som er riktig. AI har forbedret hastigheten og dybden i dette tolkende laget på en betydelig måte.

Scenariomodellering og stresstesting er andre områder der AI gjør seg fortjent til en plass. Jeg bruker den til å kvalitetssikre forutsetninger, generere alternative scenarier jeg kanskje ikke intuitivt ville ha valgt, og utfordre modellens logikk før den går til CEO-en eller styret. Den fungerer som en strukturert djevelens advokat. Støtte til FP&A og førstegangs gjennomgang av kontrakter følger samme logikk. Analysearbeid med stort volum og som kan gjentas, der resultatet inngår i en menneskelig beslutning i stedet for å erstatte den.

Områder som fortsatt uttrykkelig er menneskelige, omfatter kapitalallokering, vurderinger knyttet til kapitalinnhenting, kommunikasjon med styret og investorer i sluttfasen, samt alle beslutninger med en relasjonell eller omdømmemessig dimensjon. La meg forklare hvorfor.

Kapitalallokering i et selskap i serie B-fasen er ikke et matematikkproblem. Det er en vurdering av hvilke satsinger man skal gjøre med begrensede ressurser, under usikkerhet og med ufullstendig informasjon. CFO-en eier denne vurderingen og er ansvarlig for den. AI kan modellere scenarier, men den kan ikke bære ansvaret.

Kapitalinnhenting er det tydeligste eksempelet på et fullt ut menneskelig område. Investorrelationer, forhandling av vilkårsdokumenter, å lese stemningen i en avtale og å vite når man skal presse på og når man skal avvente, er ikke noe jeg ville delegert til AI eller engang i stor grad basert på AI. Innsatsen er for høy, og variablene er for menneskelige.

Kommunikasjonen med styret i siste ledd forblir menneskelig av en annen grunn. Jeg har brukt AI til å utarbeide et utkast til presentasjonen min og stressteste logikken. Men det jeg formidler til Lightspeed, MassMutual Ventures og Endiya Partners, er min vurdering av virksomheten og hvordan jeg rammer inn risikoene. Det betyr at min troverdighet står på spill. AI kommer inn tidligere i prosessen, ikke i selve øyeblikket.

Hvordan AIs begrensninger påvirker økonomiteam

Nithin understreker

AI tar feil med stor selvsikkerhet på måter som er vanskeligere å oppdage enn åpenbare feil. En beregningsfeil i et regneark er synlig. En sannsynlig, men subtilt feilaktig narrativ tolkning av et avvik er det ikke.

Jeg har allerede tatt for meg mange av fordelene ved AI i økonomifunksjonen. På den negative siden er her tre ærlige observasjoner.

AI tar feil med stor selvsikkerhet på måter som er vanskeligere å oppdage enn åpenbare feil. En beregningsfeil i et regneark er synlig. En sannsynlig, men subtilt feilaktig narrativ tolkning av et avvik er det ikke. Tidlig oppdaget jeg to tilfeller der AI-genererte kommentarer feilkarakteriserte årsaken til et kostnadsavvik på en måte som ville vært pinlig i en styresammenheng. Det endret hvor nøye jeg gjennomgår AI-resultater før de går videre.

Den andre begrensningen er kontekst. AI har ikke institusjonelt minne. Hver gang jeg bruker det, rekonstruerer jeg konteksten fra grunnen av. For en økonomifunksjon der beslutningshistorikk, investorrelasjoner og den strategiske fortellingen er dypt kontekstavhengige, er dette en reell begrensning. Det betyr at AI fungerer best på avgrensede oppgaver med tydelig definert omfang, fremfor på noe som krever en dyp forståelse av hvordan vi kom hit.

Den tredje er bruk i teamet. Å få et økonomiteam til å bruke AI på en god måte, fremfor å unngå det eller bli for avhengig av det, har krevd aktiv ledelse. Tendensen til å lime inn et tall i AI og godta resultatet uten å undersøke det nærmere er en reell risiko, særlig blant yngre teammedlemmer. Å etablere de riktige vanene rundt bruk av AI har vært like viktig som selve verktøyene.

Tre områder der AI ikke bør brukes i økonomifunksjonen

Området der AI tydeligst har levert dårligere enn forventet for meg, er alt som krever vurderinger av mennesker og relasjoner.

Tidlig forsøkte jeg å bruke AI til å strukturere og ramme inn vanskelige samtaler: beslutninger om lønn og kompensasjon, prestasjonssamtaler med erfarne teammedlemmer og kommunikasjon til investorer om mål som ikke var nådd. Resultatene var teknisk sett sammenhengende, men helt feil i praksis. De var tilpasset en generell profesjonell kontekst, ikke den spesifikke relasjonshistorikken, personligheten til den enkelte eller den uutalte dynamikken som avgjør hvordan slike samtaler blir mottatt. Jeg sluttet helt å bruke det til denne typen oppgaver.

Et annet område er fremoverskuende risikovurdering i en oppstartsbedrift. AI er god til å identifisere risikoer med historiske forløpere og gjenkjenne mønstre. Det er mindre god til å identifisere de spesifikke risikoene som betyr noe i en virksomhet med høy vekst, begrenset tilgang på kapital og hyppige strategiske endringer, der truslene ofte ikke har oppstått i akkurat denne kombinasjonen tidligere. Da vi navigerte virksomhetsdreiningen i Scrut og samtidig håndterte en ny inntektsprognose, fremsto de AI-genererte risikorammeverkene som generiske. De reelle risikoene på det tidspunktet var spesifikke for investorrelasjonene våre, salgsteamets evne til å gjennomføre en segmentendring og kontantforbruket vårt sett opp mot tidslinjen for kapitalinnhentingen. AI klarte ikke å få frem noe av dette på en nyttig måte.

Det siste området er treffsikkerhet i prognoser i volatile perioder. Folk antar implisitt at AI vil forbedre prognosetreffsikkerheten i FP&A. I et stabilt miljø med mye data kan det være riktig. I et SaaS-selskap i serie B som gjennomgår en strategisk dreining, med et salgsteam i endring og et produkt i rask utvikling, er historiske mønstre ikke nyttige. Inndataene er for uforutsigbare, og virksomheten endrer seg raskere enn noen modell kan lære på en nyttig måte. AI ga meg flere scenarier, men ikke bedre scenarier, i den perioden.

Hvordan økonomiteam endrer seg med AI

Det har endret hva jeg ansetter folk for, uten at det foreløpig har endret hvor mange jeg ansetter.

Det tekniske nivået for å bli med på økonomiteamet mitt har ikke blitt lavere. Men innholdet i de tekniske kravene har endret seg. Jeg er mindre opptatt av om noen kan bygge en modell eller utarbeide en avviksanalyse, og mer opptatt av om de kan tenke kritisk rundt resultater som ikke er deres egne.

Den spesifikke egenskapen jeg nå uttrykkelig ser etter, er en konstruktiv skepsis til KI: instinktet til å undersøke i stedet for å akseptere. Et teammedlem som betrakter et sammenhengende KI-resultat som korrekt, er nå en belastning, i motsetning til for to år siden, fordi mengden og sannsynligheten til KI-resultater betyr at ukritisk aksept skaper risiko i stor skala.

Det andre skiftet er at controlleren og FP&A-lederen har kommet tidligere inn i prosessen. Det innebærer mindre tid på produksjon og mer tid på gjennomgang, tolkning og utfordring. Denne overgangen har ikke vært sømløs for alle. Noen mennesker definerer verdien sin gjennom produksjonsvolum, og at KI reduserer behovet for denne produksjonen, har gjort det nødvendig å aktivt håndtere hvordan de tenker om sine egne bidrag.

Teamets sammensetning har foreløpig ikke endret seg. Kompetansekravene i denne sammensetningen har endret seg betydelig.

Hvorfor Claude er CFO-ens viktigste KI-verktøy

Claude er verktøyet jeg bruker mest. Ikke fordi det er det mest spesialiserte verktøyet i stakken min, men fordi det gir størst effekt. Alle andre økonomiverktøy jeg bruker, er knyttet til en bestemt arbeidsflyt. Claude fungerer på tvers av dem alle.

Jeg bruker det spesifikt til tolkning av avvik og stresstesting av scenarioer. Disse to aktivitetene står sentralt i alle viktige økonomisamtaler jeg har: med CEO-en, styret og investorer. Muligheten til å utfordre min egen tolkning av tallene og stressteste forutsetningene i modellen min før disse samtalene har forbedret måten jeg deltar i dem på.

Det vinner over alle andre verktøy fordi det forbedrer måten jeg tenker på, i stedet for bare å gjøre produksjonen min raskere. Alle andre verktøy jeg bruker, er optimalisert for produksjon. Dette er optimalisert for dømmekraft. I en CFO-rolle betyr dette skillet mer enn noe effektivitetstall.

Gjør KI CFO-er overflødige?

Nithin understreker

Den ubehagelige sannheten er at KI ikke skiller CFO-er i relevante og irrelevante. Det fremskynder skillet mellom CFO-er som faktisk tenkte, og CFO-er som først og fremst produserte. Dette skillet fantes før KI. Det var bare vanskeligere å se.

Spørsmålet jeg skulle ønske du hadde stilt, er om KI gjør CFO-er mer eller mindre overflødige.

Det vanlige svaret er mindre overflødige. KI håndterer analysearbeidet, og CFO-en beveger seg oppover i verdikjeden, fokuserer på dømmekraft og strategi og blir mer uunnværlig.

Jeg mener det bare delvis stemmer.

CFO-er som vil bli mindre overflødige, bruker KI til å utvikle skarpere dømmekraft, sterkere styreforhold og dypere strategisk tenkning, og investerer i menneskelige ferdigheter KI ikke kan gjenskape.

CFO-er som vil bli mer overflødige, bruker KI til å produsere bedre resultater uten å utvikle bedre tenkning, forveksler raskere analyse med dypere innsikt og lar verktøyet erstatte den intellektuelle grundigheten rollen alltid har krevd.

Den ubehagelige sannheten er at KI ikke skiller CFO-er i relevante og irrelevante. Det fremskynder skillet mellom CFO-er som faktisk tenkte, og CFO-er som først og fremst produserte. Dette skillet fantes før KI. Det var bare vanskeligere å se.

Jeg tenker regelmessig på dette. Det er spørsmålet som holder meg ærlig om hvordan og hvorfor jeg bruker disse verktøyene.

Hvordan CFO-er bør håndtere KI-drevne endringer

Mitt råd begynner ubehagelig, så jeg vil starte med det.

De fleste CFO-er kommer til å håndtere dette feil ved å gå for sakte frem og deretter overkorrigere. Jeg ser allerede et mønster der langvarig, forsiktig observasjon etterfølges av en forhastet innføring med mangelfull styring når konkurransepresset gjør passivitet uholdbart. Begge ytterpunktene i dette mønsteret er kostbare. CFO-en som venter for lenge, taper terreng når det gjelder produktivitet, talenter og strategisk relevans. CFO-en som skynder seg med å ta i bruk KI i arbeidsprosesser med høy risiko uten styringsinfrastrukturen som skal fange opp feil, vil – når den første alvorlige feilen oppstår i en styre- eller investorkontekst – sette funksjonen betydelig tilbake.

1. Gå selv inn i arbeidet, og gjør det umiddelbart. Ikke opprett en arbeidsgruppe, deleger utforskingen til et yngre teammedlem eller bare les om det. For å utvikle en genuin vurderingsevne rundt hvor KI hører hjemme i økonomifunksjonen, må du bruke det selv i reelt arbeid og erfare både effekten og feilmodusene på nært hold. En CFO som ikke selv har brukt KI på en styreoppdatering, en avviksanalyse eller en scenariomodell, har ikke grunnlag for å ta gode beslutninger om hvor det skal tas i bruk i stor skala.
2. Styr grensen eksplisitt før du trenger det. Definer på forhånd hvilke beslutninger KI kan bidra til å informere, og hvilke beslutninger som fortsatt utelukkende skal tas av mennesker. Ikke la denne grensen være underforstått. I en økonomifunksjon koster en uklar grense deg dyrt: Styrekommunikasjon kan inneholde subtile feil, risikovurderinger kan overse kontekstavhengige trusler, og kapitalallokeringsbeslutninger kan optimalisere for historiske mønstre i stedet for fremtidsrettet dømmekraft. Skriv ned grensen, kommuniser den til teamet ditt, og gjennomgå den jevnlig etter hvert som verktøyene utvikler seg.
3. Se på KI-innføring som et spørsmål om teamets kompetanse, ikke om verktøy. Tilgang til KI-verktøy vil ikke være den begrensende faktoren i de fleste økonomifunksjoner; det vil derimot teamets dømmekraft og evne til å bruke dem godt være. Yngre teammedlemmer risikerer å bli for avhengige av verktøyene og akseptere KI-resultater uten å undersøke dem kritisk. Dette skaper kvalitetsrisiko i nettopp de arbeidsprosessene der du søker effektivisering. Å bygge de riktige vanene – instinktet til å utfordre KI-resultatet i stedet for å bekrefte det – er et ledelsesproblem som krever aktiv oppmerksomhet.
4. Dette rådet gjelder spesifikt for CFO-er i selskaper med høy vekst eller venturekapital i ryggen. Investorene dine følger med på hvordan du tenker om KI, ikke bare på hvordan selskapet ditt bruker det. En CFO som kan snakke flytende og konkret om integrering av KI i økonomifunksjonen, inkludert hvor det ikke har fungert, signaliserer en operasjonell modenhet som har betydning i styreforhold og ved neste kapitalinnhenting. Vag entusiasme for KI er like skadelig som uvitenhet om det.
5. Og de fleste CFO-er kommer til å motsette seg dette rådet. KIs inntog reduserer ikke betydningen av menneskelig dømmekraft i økonomiledelse; det øker den. Etter hvert som KI overtar mer av analyse- og utarbeidelsesarbeidet, blir det som utelukkende forblir menneskelig, mer synlig og mer avgjørende. Relasjonell intelligens, ansvarlighet, evnen til å lese rommet i et styremøte og dømmekraften til å vite når modellen tar feil, selv når den ser riktig ut. KI automatiserer ikke disse evnene; det forsterker betydningen deres nettopp fordi alt rundt dem blir automatisert. CFO-er som lykkes i denne situasjonen, vil investere i disse menneskelige evnene samtidig som de integrerer KI i arbeidsprosessene sine.

Følg med

Du kan følge arbeidet til Nithin Shetty på LinkedIn.

Flere ekspertintervjuer kommer snart på CFO-klubben!