Teknologidirektør sier at finansledere misforstår AIs økonomiske innvirkning

Ashok Manthena er finansdirektør og sjef for kunstig intelligens innen finans hos ChatFin.ai. Han er også forfatter og forsker med fokus på å ta i bruk kunstig intelligens i finansoperasjoner.

I dette intervjuet delte Ashok hvordan finansledere må gå fram for å gjennomføre AI-transformasjon i organisasjonene sine.

Fra AI-analyse til AI-gjennomføring

Jeg heter Ashok Manthena og er forsker og praktiker med fokus på å ta i bruk kunstig intelligens i finansoperasjoner. Arbeidet mitt omfatter sentrale finansfunksjoner, blant annet AP/AR, controllerprosesser som månedsavslutning, FP&A og skatt.

Jeg har jobbet med store virksomheter gjennom hele karrieren, og i dag jobber jeg med et bredt spekter av selskaper – fra mellomstore organisasjoner til virksomheter med flere hundre millioner til over én milliard dollar i omsetning. Disse organisasjonene varierer med hensyn til bransjer, teknologistakker og ERP-systemer, noe som legger til flere lag med kompleksitet – særlig når det gjelder cybersikkerhet.

Fokuset mitt er på hvordan kunstig intelligens kan gå fra analyse til gjennomføring, automatisere arbeidsflyter, forbedre nøyaktigheten og gjøre det mulig for økonomiteam å jobbe raskere og med bedre kontroll.

Hvorfor CFO-er må satse på gradvis innføring av AI

Mange CFO-er – særlig i mellomstore og store selskaper, selv om dette også gjelder bredere – antar at AI-transformasjonen deres vil være et stort og brått skifte, der AI raskt overtar prosesser fra dag én. Det er ikke praktisk gjennomførbart.

I større organisasjoner er finansoperasjonene avgjørende for driften av virksomheten og kan ikke forstyrres. Derfor må innføringen av AI være langt mer gjennomtenkt og gradvis enn mange forventer. Dette bør alle CFO-er være klar over.

Ashok deler

Mange CFO-er antar at AI-transformasjonen deres vil være et stort og brått skifte, der AI raskt overtar prosesser fra dag én. Det er ikke praktisk gjennomførbart.

I enhver transformasjon er den menneskelige faktoren avgjørende. Motstand mot endring og god endringsledelse krever grundig oppmerksomhet – og dette gjelder særlig ved AI-transformasjon. Til syvende og sist er et menneske ansvarlig for resultatet; noen står alltid til ansvar for det. Derfor må vi ikke overse eller ta den menneskelige siden ved innføring av AI lett på.

En ovenfra-og-ned-tilnærming fungerer best. Når finansledere aktivt driver innføringen av AI, identifiserer hvor teamene bruker tid og krefter, og presser på for målrettede forbedringer, går innføringen raskere. Dette ledelsesdrevne fokuset på flaskehalser i driften gjør at AI-initiativer gir resultater.

Hvordan AI påvirker selskapets resultat

Når AI implementeres på en gjennomtenkt måte, har jeg sett fordelene på flere områder.

Det har vært betydelige kostnadsreduksjoner, samt mindre avhengighet av manuelle ressurser, fordi mange prosesser nå kjører automatisk.

Og utover dette har vi sett et mer betydningsfullt skifte – mennesker og team kan nå gjøre ting de tidligere ikke hadde mulighet til på grunn av mangel på tid eller kapasitet. I stedet for å fokusere bare på rutineoppgaver bruker de mer tid på arbeid som har direkte innvirkning på selskapets resultat.

Når det er sagt, tror jeg mange misforstår den økonomiske effekten. De innledende kostnadsbesparelsene fra automatisering kommer raskt til syne, men flater ut like raskt. Det som betyr mer, er å beskytte virksomhetens kontinuitet, minimere risikoen for driftsforstyrrelser og forbedre virksomhetens samlede resultater. I store finansorganisasjoner kan selv små forstyrrelser ha uforholdsmessig stor økonomisk effekt, så en langsommere og kontrollert innføring bevarer verdien bedre enn aggressive kostnadskutt.

Mens teamene eksperimenterer, identifiserer de hvilke bruksområder som faktisk gir avkastning på investeringen – ikke bare ved å redusere arbeidsinnsatsen, men også ved å forbedre nøyaktighet, kontroll og beslutningstaking. Det er her den reelle økonomiske gevinsten oppstår.

Hvordan AI fundamentalt endrer AR-arbeidsflyter

Jeg har vært en del av transformasjoner innen nesten alle CFO-funksjoner.

Ta håndtering av AR-innboksen som et eksempel. Tradisjonelt bruker teamene mye tid på å kommunisere med kunder, svare på spørsmål og følge opp utestående fakturaer. Selv om tidligere metoder automatiserte deler av dette, har AI-agenter gjort prosessen langt enklere og mer effektiv.

Arbeidsflyten begynner når agenten leser fakturaer, identifiserer forfalte og kommende poster og anvender retningslinjene og betalingsbetingelsene dine. Den sender automatisk påminnelser om forfalte fakturaer og periodiske kontoutdrag som dekker alle åpne og kommende saldoer. Når en kunde svarer, henter agenten relevante data, bekrefter avsenderens identitet og svarer med riktig informasjon.

Vi testet løsningen i noen uker for å sikre nøyaktigheten før vi satte den i produksjon. Nå er dette i stor grad en berøringsfri prosess som fundamentalt endrer hvordan AR-arbeidsflyten fungerer.

Hvorfor budsjettering og prognostisering ikke kan automatiseres fullt ut

Ashok deler

AI påvirker budsjettering i mindre grad enn andre funksjoner. Det bygger i stor grad på vurderingsevne, kontekst og forretningsintuisjon.

AI påvirker budsjettering i mindre grad enn andre funksjoner. Det bygger i stor grad på vurderingsevne, kontekst og forretningsintuisjon. AI kan bidra med datainnsamling og deler av budsjettarbeidsflyten, men vi har ennå ikke funnet en fullgod løsning for effektivt å kombinere menneskelige innspill med AI-drevet innsikt på dette området.

Det samme gjelder prognostisering. Det er fortsatt en beregnet vurdering snarere enn et fullt automatisert resultat, og jeg tror det vil fortsette å være slik en stund fremover.

På et konsolidert økonominivå er det vanskelig å basere seg utelukkende på maskinlæring fordi signalet ofte er begrenset, og prediksjonene kanskje ikke er pålitelige nok. Det er her menneskelig vurderingsevne fortsatt spiller en avgjørende rolle – å forstå forretningskonteksten og nyansene, og å gjøre velinformerte antakelser.

For budsjettering og prognostisering benytter vi derfor strukturerte, parameterstyrte modeller basert på kjente variabler og forretningslogikk, slik at resultatene blir deterministiske og enkle for økonomiteamene å validere, i stedet for prognoser som utelukkende er ML-drevne. Og vi baserer oss på mennesker i loopen.

For resten av økonomidriften, som avstemminger, AP, AR, rapportering og avslutningsaktiviteter, bruker vi AI-agenter. Disse håndterer datainnhenting, matching, kommunikasjon og gjennomføring av arbeidsflyter.

Hvorfor AI ikke endrer analyseprosessen

AI har heller ikke gitt den effekten jeg forventet innen analyse.

AI har gjort disse prosessene raskere, men har ikke konsekvent produsert fundamentalt ny innsikt utover det økonomiteamene allerede fant frem til.

Resultatene er ofte bedre presentert og raskere å generere, men den grunnleggende forståelsen av virksomheten har ikke endret seg vesentlig – i hvert fall ikke for oss.

Hvordan økonomifunksjonen vil endre seg i årene som kommer

Fremover vil AI endre verktøyene i økonomifunksjonen fra en samling separate verktøy til mer enhetlige og integrerte systemer. Det vil oppstå nye programvarekategorier, og denne endringen vil påvirke hvordan organisasjoner utformer økonomisystemer og bruker teknologi. Organisasjoner må begynne å tenke på dette nå.

AI endrer økonomifunksjonen, ikke gjennom én enkelt omveltning, men på tvers av arbeidsflyter, team, systemer og beslutningstaking.

Vi er fortsatt svært tidlig i AI-transformasjonsreisen, og mange ukjente faktorer gjenstår, særlig på områder som kapitalallokering. Selv om AI nå kan utføre mange oppgaver selvstendig, er mitt råd til økonomiledere å beholde den endelige vurderingen – basert på forretningskunnskap, bransjekontekst og erfaring.

Følg med

Du kan følge Ashok Varmas reise på LinkedIn.

Flere ekspertintervjuer kommer på The CFO Club!