AI przynosi największą zmianę roli dyrektora finansowego od 20 lat

W swojej karierze Brad Wolfe zajmował trzy stanowiska dyrektora finansowego spółek notowanych na NASDAQ. Obecnie jest założycielem Wolfe Packs Consulting, gdzie wspiera spółki z udziałem funduszy private equity z segmentu niższego rynku średnich przedsiębiorstw. Wykłada również na kilku uniwersytetach.

Spotkaliśmy się z nim, aby zrozumieć, jak sztuczna inteligencja zmienia rolę dyrektora finansowego. Oto, co nam powiedział.

Czego wymaga obecny etap transformacji związanej ze sztuczną inteligencją

Pierwszą połowę kariery spędziłem, wykonując pracę, którą większość dyrektorów finansowych deleguje innym. Trzy stanowiska dyrektora finansowego w spółkach notowanych na NASDAQ, ponad 80 transakcji fuzji i przejęć, ponad 50 wdrożeń systemów dla przedsiębiorstw obejmujących systemy ERP, CRM, rozliczenia i hurtownie danych. Doświadczenie w PwC, tytuł doktora prawa oraz MBA uzyskany w Kellogg. Zasiadałem przed komitetami audytu, podpisywałem certyfikaty zgodności zgodnie z sekcją 302 i zamykałem transakcje, w których jakość danych była na tyle niepokojąca, że zmieniałem wycenę.

Powód, dla którego tu jestem, jest prosty: widziałem, jak sztuczną inteligencję powierzano niewłaściwym osobom. Nie dlatego, że osoby zajmujące się technologią są niekompetentne — nie są — ale dlatego, że pytania, które stawia sztuczna inteligencja, nie dotyczą technologii. Dotyczą alokacji kapitału. Dotyczą odpowiedzialności. To pytania, które już trafiają na biurko dyrektora finansowego, gdy wynik sztucznej inteligencji jest błędny, a ktoś poświadcza prawidłowość tego, co zostało wytworzone.

Obecnie prowadzę Wolfe Packs Consulting, współpracując ze spółkami z udziałem funduszy private equity z segmentu niższego rynku średnich przedsiębiorstw. Moja główna teza jest taka, że stanowisko dyrektora finansowego — lub stanowisko COFO, jak je nazywam, gdy mandat operacyjny jest zintegrowany — to jedyne stanowisko kierownicze, które już odpowiada za model finansowy, mechanizmy kontrolne, ryzyko związane z poświadczaniem oraz relacje z zarządem. Zarządzanie sztuczną inteligencją nie wymaga nowego tytułu. Osoba na istniejącym stanowisku musi przejąć odpowiedzialność za obszar poprzedzający wygenerowanie wyniku.

Na tym się koncentruję. I właśnie tego wymaga obecna sytuacja.

Budowanie tego, co jest potrzebne

Pracuję jako partner operacyjny i dyrektor finansowy osadzony w spółkach z udziałem funduszy private equity z segmentu niższego rynku średnich przedsiębiorstw. Typowy projekt dotyczy spółki osiągającej przychody od 20 do 500 milionów dolarów, wspieranej przez sponsora, który właśnie sfinalizował transakcję albo jest 12–18 miesięcy w okresie inwestycji i zdaje sobie sprawę, że funkcja finansowa nie jest przygotowana na to, co nastąpi.

Złożoność jest różna, ale schemat pozostaje taki sam: struktury obejmujące wiele podmiotów, często będące wynikiem strategii konsolidacji, z zespołami finansowymi zaprojektowanymi z myślą o modelu operacyjnym pojedynczej spółki, od których obecnie jednocześnie oczekuje się przygotowywania skonsolidowanych raportów, księgowości integracyjnej oraz architektury danych gotowej na wykorzystanie sztucznej inteligencji. Brak infrastruktury wspólnych usług. Raportowanie odbywa się w arkuszach kalkulacyjnych. Dyrektorzy finansowi są kompetentni technicznie, ale przytłoczeni operacyjnie.

Moja rola jako COFO polega na zajęciu stanowiska, zbudowaniu tego, co jest potrzebne, i przekazaniu kompetencji — niezależnie od tego, czy oznacza to stworzenie modelu finansowego, ustalenie kolejności prac nad systemami, przejęcie odpowiedzialności za relacje z zarządem w okresie transformacji czy zdefiniowanie zasad zarządzania sztuczną inteligencją w spółce o rzeczywistej złożoności operacyjnej i sponsorze, który chce odpowiedzi, a nie ram działania.

Na takim poziomie szczegółowości pracuję jednocześnie nad jednym projektem. Resztę czasu poświęcam doradztwu, pisaniu i nauczaniu — na Northwestern, DePaul i Chicago Kent — ponieważ różnica między tym, czego obecnie wymaga stanowisko dyrektora finansowego, a tym, do czego są przygotowywani liderzy finansowi, jest na tyle duża, że wymaga działań zarówno na poziomie praktyków, jak i całej ścieżki rozwoju kadr.

Jak sztuczna inteligencja umożliwia zintegrowane modelowanie finansowe

Najbardziej konkretna zmiana, jaką wprowadziłem w ciągu ostatniego roku, dotyczy sposobu tworzenia i utrzymywania zintegrowanego modelu operacyjnego i finansowego.

Wcześniej budowanie modelu było działaniem okresowym. Cykl budżetowy tworzył jedną wersję, aktualizacja prognozy ją zmieniała, a garstka osób rozumiała logikę modelu w Excelu. Gdy nadchodziło posiedzenie zarządu, model był już nieaktualny, a narracja musiała maskować luki.

Obecnie wykorzystuję sztuczną inteligencję do utrzymywania stale aktualizowanego modelu, który bezpośrednio łączy czynniki operacyjne z wynikami finansowymi — przychody według kohort, liczbę pracowników z kosztami pracy, wydatki na dostawców z marżą według jednostki biznesowej. Nie przebudowuję modelu co kwartał. Utrzymuję go jako żywy dokument, który można analizować w czasie rzeczywistym.

W rezultacie zmieniły się rozmowy z zarządem. Zamiast przedstawiać statyczny obraz i bronić jego założeń, mogę wejść na posiedzenie zarządu i przeprowadzić na miejscu różne scenariusze. Sponsor pyta, co się stanie z EBITDA, jeśli największy klient odejdzie — odpowiedź nie brzmi: „Wrócę do pana z odpowiedzią”. Jest ona w modelu i jest aktualna.

Ta zmiana wpłynęła również na moje podejście do zarządzania sztuczną inteligencją. Gdy członkowie kadry kierowniczej podejmują decyzje na podstawie modelu wspomaganego przez sztuczną inteligencję, jakość danych staje się kwestią egzystencjalną. Model nie wie, czego brakuje. Działa na podstawie tego, co jest dostępne. Wymusiło to dyscyplinę w zakresie zarządzania danymi i dokumentowania procesów, której większość spółek z niższego segmentu rynku średnich przedsiębiorstw nigdy wcześniej nie miała.

Sztuczna inteligencja nie stworzyła tego wymogu. Sprawiła, że ignorowanie go stało się kosztowne.

Proces analizy odchyleń wspomagany przez sztuczną inteligencję

Oto jak przebiega kompleksowa analiza odchyleń wspomagana przez AI, połączona ze zintegrowanym modelem operacyjnym i finansowym.

Udokumentowany proces od pozyskania klienta do otrzymania płatności stanowi fundament — każdy etap generowania przychodów, od początkowej szansy sprzedażowej po pobranie płatności, jest odwzorowany wraz z przypisanymi do niego systemami. Taki proces musi istnieć przed dodaniem warstwy AI. Bez niego model nie ma logiki procesowej potrzebnej do walidacji.

Następnie systemy ERP i CRM codziennie przekazują do modelu dane rzeczywiste. AI monitoruje napływające dane względem oczekiwanych wzorców — przychody według kohort, terminy pobierania należności, wydatki według kategorii w porównaniu z budżetem — i oznacza odchylenia przekraczające określone progi. Oznacza tylko te odchylenia, które są statystycznie istotne lub odbiegają od założeń dotyczących czynników napędzających model.

Analizuję oznaczenie tego samego dnia, w którym się pojawi. AI prześledziła już odchylenie do jego źródła — konkretnego klienta, konkretnego centrum kosztów, konkretnego rodzaju transakcji — dlatego analiza nie polega na poszukiwaniu przyczyny. To kwestia oceny: Czy jest to szum, trend czy problem kontrolny wymagający eskalacji?

Wynik tej analizy bezpośrednio zasila narrację dla zarządu. Gdy przygotowuję się do posiedzenia zarządu, redaguję analizę odchyleń, a nie tworzę jej od podstaw. Model przygotował już pierwszy szkic tej historii. Moim zadaniem jest zweryfikowanie logiki, zastosowanie osądu wymagającego kontekstu operacyjnego oraz upewnienie się, że mogę poświadczyć prawdziwość przedstawianej narracji.

Warstwa ładu organizacyjnego umożliwiająca tę pracę obejmuje: imiennie wskazanych właścicieli danych dla każdego systemu źródłowego, udokumentowaną ścieżkę eskalacji wyjątków modelu oraz wyraźne rozróżnienie między tym, co oznacza AI, a tym, co decyduje dyrektor finansowy. AI nie podejmuje decyzji. Dostarcza informacji wystarczająco szybko, aby można było podjąć decyzję, zanim problem się pogłębi.

Claude firmy Anthropic ma kluczowe znaczenie dla liderów finansowych

Claude, duży model językowy firmy Anthropic, jest moim podstawowym narzędziem. Nie dlatego, że jest jedynym kompetentnym modelem — bo nie jest — lecz dlatego, że uznałem go za najbardziej użyteczny w pracy, która ma znaczenie w kontekście dyrektora finansowego: rozumowaniu dotyczącym długich tekstów, syntezie złożonych informacji finansowych i operacyjnych, przygotowywaniu narracji na poziomie zarządu oraz pracy nad ramami ładu organizacyjnego wymagającymi zachowania spójności logicznej w całym obszernym dokumencie.

Największą wartość zapewnia w konkretnym zastosowaniu: tworzeniu i utrzymywaniu Głównego dokumentu informacyjnego — żywego dokumentu śledzącego każdą aktywną relację, każdy wątek treści, każdą decyzję dotyczącą słownictwa i każdy otwarty temat w ramach mojej platformy doradczej i treściowej. To zadanie nie mieści się w jednym poleceniu. Wymaga modelu, który zachowuje kontekst, rozumuje o zależnościach i generuje dane wyjściowe spójne z decyzjami podjętymi wcześniej w tej samej sesji. W tym obszarze różnica jakości między modelami jest najbardziej widoczna.

Dlaczego dyrektorzy finansowi muszą uzasadniać decyzje podejmowane na podstawie informacji dostarczonych przez AI

Brad dzieli się spostrzeżeniami

AI nie decyduje o alokacji kapitału, osądach dotyczących ujmowania przychodów, ocenie ryzyka na poziomie zarządu ani o niczym, co wymaga poświadczenia. Te kwestie pozostają wyraźnie domeną człowieka…

Jednak ważniejsze pytanie nie dotyczy tego, które narzędzia lubię, lecz tego, do czego ich używam.

AI wspiera analizę odchyleń, modelowanie scenariuszy, prognozowanie, rozpoznawanie wzorców przepływów pieniężnych oraz tworzenie pierwszej wersji niemal każdego wyniku analitycznego. Są to obszary, w których ilość danych przekracza możliwości efektywnego przetwarzania przez analityka, a wartość polega na wydobyciu istotnego sygnału, a nie na tym, by człowiek wykonywał obliczenia.

AI nie decyduje o alokacji kapitału, osądach dotyczących ujmowania przychodów, ocenie ryzyka na poziomie zarządu ani o niczym, co wymaga poświadczenia. Te kwestie pozostają wyraźnie domeną człowieka — nie dlatego, że AI nie potrafi wygenerować odpowiedzi, lecz dlatego, że odpowiedź niesie ze sobą konsekwencje prawne i powiernicze, które muszą kończyć się wskazaniem konkretnej osoby, potrafiącej jej bronić w warunkach konfrontacyjnej kontroli.

Większość dyrektorów finansowych obecnie niewłaściwie zarządza warstwą pośrednią — wynikami wspomaganymi przez AI, które wpływają na decyzje bez wyraźnej odpowiedzialności za te wyniki. Analiza odchyleń zasilająca narrację dla zarządu. Prognozy przepływów pieniężnych wpływające na rozmowy dotyczące kowenantów. To nie są kwestie o niskiej stawce. Dyrektor finansowy, który pozwala AI wpływać na takie wyniki bez architektury ładu organizacyjnego obejmującej jakość danych, walidację modelu i poświadczanie wyników, podpisuje się pod liczbą, której nie potrafi w pełni wyjaśnić. To nie jest problem AI. To problem kontroli.

AI przynosi wielkie korzyści i wiąże się z wielkim ryzykiem

Najpierw dobre rezultaty.

Najbardziej widoczny jest czas zamknięcia miesiąca. Gdy prawidłowo uporządkowaliśmy prace nad danymi przed wdrożeniem raportowania wspomaganego przez AI, czas zamknięcia miesiąca znacząco się skrócił — w jednym przypadku z 18 dni do 9. To nie magia; dzieje się tak, gdy dane są wystarczająco uporządkowane, aby automatyzacja mogła działać bez ręcznej interwencji na każdym etapie.

Dokładność prognoz poprawiła się w sposób inny, niż oczekiwałem. Poprawa nie dotyczyła precyzji liczb, lecz szybkości wprowadzania korekt. Gdy wyniki rzeczywiste odbiegają od planu, model identyfikuje odchylenie i w ciągu kilku godzin, a nie dni, ustala jego przyczynę. Dyrektor finansowy nie tłumaczy nieosiągnięcia planu podczas posiedzenia zarządu. Już wcześniej zarządza działaniami naprawczymi.

Najważniejszy rezultat jakościowy: zmieniła się rozmowa z zarządem. Gdy model jest aktualny, a scenariusze zostały przygotowane z wyprzedzeniem, sponsor zadaje lepsze pytania, a dyrektor finansowy udziela lepszych odpowiedzi. To zmienia wzajemne relacje.

Teraz złe wiadomości.

Sukces AI wymaga dobrej infrastruktury danych

Najczęstszy schemat porażki, z jakim się spotkałem, polega na wdrażaniu AI na bazie problemu z danymi, którego organizacja nie była świadoma.

Każdy dyrektor finansowy rozpoczynający inicjatywę związaną z AI uważa, że jego dane są w rozsądnym stanie — system ERP działa od kilku lat, plan kont jest ustandaryzowany, system CRM jest zasilony danymi — ale niemal nigdy tak nie jest. Oceny jakości danych zwykle odzwierciedlają to, jak dane wyglądają dla osób, które je wprowadzały, a nie to, jak wyglądają dla modelu próbującego je wykorzystać.

Problemy istniały od zawsze — niespójne kategoryzowanie, nieudokumentowane procesy, zasady ujmowania przychodów uzgodnione podczas posiedzenia zarządu, ale nigdy nieskonfigurowane w systemie rozliczeniowym, oraz rekordy klientów zawierające trzy wersje tej samej nazwy. Zespół finansowy nauczył się je omijać. AI nie potrafi.

AI nie sygnalizuje więc błędnych danych. Przetwarza je z pełnym przekonaniem i tworzy wyniki wyglądające na wiarygodne. Zespół finansowy, który ufa wynikom bez zrozumienia danych wejściowych, znajduje się w bardziej niebezpiecznej sytuacji niż zespół korzystający z arkuszy kalkulacyjnych — ponieważ przynajmniej w przypadku arkuszy ktoś zazwyczaj wie, gdzie ukryte są problemy.

Nauczyłem się, że zarządzanie danymi powinno być pierwszym rezultatem prac, a nie warunkiem wstępnym, na który wszyscy zgadzają się w teorii, lecz pomijają go w praktyce. Oznacza to zmapowanie procesu od pozyskania klienta do otrzymania płatności przed wyborem jakiegokolwiek narzędzia AI — każdego przekazania, każdego punktu styku z systemem, każdego miejsca, w którym dane zmieniają właściciela i mogą zostać błędnie zakodowane, zdefiniowane lub utracone.

Następnie należy przypisać imiennie odpowiedzialną osobę do każdej warstwy — nie dział, lecz konkretną osobę — i udokumentować, jak wygląda poprawny stan na każdym etapie. Oznacza to wyznaczenie konkretnych osób odpowiedzialnych za każdą domenę danych, udokumentowanie definicji każdego wskaźnika, którego użyje model, oraz uzgodnienie tego, co mówi polityka, z tym, co faktycznie robi system — przed wyborem narzędzia AI, a nie po jego wdrożeniu.

Koszt popełnienia tego błędu to nie tylko porządkowanie danych. Obejmuje również ponowne szkolenie, ponowną walidację, utratę zaufania do wyników, a w niektórych przypadkach także konieczność ponownego omówienia sprawozdania finansowego. Tego kosztu nie uwzględniono w uzasadnieniu biznesowym. Nigdy się go nie uwzględnia.

AI zawodzi, jeśli nie wyznaczy się osób odpowiedzialnych

Drugi problem to opóźnienie w zarządzaniu — oraz niechęć do wyznaczenia osoby odpowiedzialnej.

W finansach wdrażanie AI najczęściej zatrzymuje się nie dlatego, że technologia jest niewłaściwa lub wdrożenie skomplikowane, lecz dlatego, że nikomu w organizacji nie przyznano — ani nikt nie przejął — uprawnień do podejmowania decyzji wymaganych przy wdrażaniu AI.

Gdy organizacja zdaje sobie sprawę, że potrzebuje udokumentowanego przypisania odpowiedzialności za dane, wyznaczonych osób zatwierdzających oraz ścieżki eskalacji wyjątków dotyczących modelu, AI jest już osadzone w procesach, których nikt w pełni nie rozumie. Wprowadzenie zarządzania po fakcie jest znacznie trudniejsze i droższe niż zbudowanie go przed wdrożeniem.

Kto definiuje, jak mają wyglądać dane, zanim model ich dotknie? Kto zatwierdza wyjątki, gdy model generuje wynik niezgodny z polityką? Kto ponosi odpowiedzialność, gdy analiza wspomagana przez AI wpływa na decyzję, która okazuje się błędna?

To nie są pytania dotyczące technologii. To pytania dotyczące uprawnień. A w większości organizacji odpowiada się na nie tak samo jak na każde inne niewygodne pytanie dotyczące uprawnień: powołując komitet.

Dlaczego AI nie sprawdza się w analizie dostawców i strategii

AI nie przyniosła oczekiwanych rezultatów w analizie umów z dostawcami i analizie zakupowej. Obietnica była taka, że AI ujawni możliwości oszczędności ukryte w warunkach umów, zidentyfikuje zduplikowane wydatki i wskaże niekorzystne warunki odnowienia, zanim nastąpi ich automatyczne przedłużenie. W praktyce dane zasilające te narzędzia niemal nigdy nie są wystarczająco czyste ani kompletne, aby generować użyteczne wyniki.

Umowy znajdują się w plikach PDF o niespójnym formatowaniu, rejestry dostawców zawierają trzy wersje tej samej nazwy dostawcy, a kategoryzacja wydatków, która miała zostać ustandaryzowana, w rzeczywistości nigdy taka nie była. AI generuje raport wymagający ręcznej weryfikacji, która zajmuje więcej czasu niż pierwotna analiza.

Wszędzie widzę ten sam schemat: narzędzie działa podczas prezentacji, ponieważ przygotowaliśmy dane demonstracyjne. W środowisku produkcyjnym nie spełnia oczekiwań, ponieważ nie przygotowaliśmy danych produkcyjnych.

Jak AI zmienia zespoły finansowe i potrzeby kadrowe

Brad dzieli się

Tradycyjne zespoły finansowe opierały się na liczbie etatów…AI automatyzuje znaczną część tej pracy.

AI zmienia strukturę zespołu finansowego w sposób, za którym większość schematów organizacyjnych jeszcze nie nadążyła.

Tradycyjne zespoły finansowe opierały się na liczbie etatów obejmującej kontrolera, zespół księgowych, jednego lub dwóch analityków FP&A oraz dyrektora finansowego zarządzającego nimi wszystkimi. Ta struktura zakładała, że ludzie wykonują powtarzalne zadania o dużej skali: zamykają księgi, uzgadniają konta, tworzą raporty odchyleń i utrzymują model budżetowy.

AI automatyzuje znaczną część tej pracy. Pytanie nie brzmi, czy liczba etatów się zmieni. Organizacje muszą natomiast uznać, że personel finansowy obejmuje obecnie cztery odrębne kategorie, z których każda wymaga innego zarządzania, ładu i struktur kosztowych: pracowników, agentów AI, wykonawców i konsultantów.

Większość organizacji finansowych korzysta ze wszystkich czterech kategorii, nie uznając tego rozróżnienia. Agent AI przetwarzający faktury nie jest pracownikiem. Nie ma rzeczywistego przełożonego. Ma osobę odpowiedzialną za proces — kogoś, kto definiuje jego parametry, weryfikuje wyniki i odpowiada za nieprawidłowe przetwarzanie. Organizacje muszą wskazać tę osobę. Większość organizacji jeszcze tego nie zrobiła.

Widzę, że struktura talentów się zmienia: praca transakcyjna o dużej skali przechodzi do agentów. Pozostała praca wykonywana przez ludzi wymaga osądu, kontekstu i odpowiedzialności — dyrektora finansowego, który zatwierdza wynik, kontrolera, który wie, gdzie w danych ukryte są problemy, oraz analityka, który rozumie, dlaczego model generuje liczbę niezgodną z rzeczywistością biznesową.

Najskuteczniejsze zespoły finansowe za trzy lata będą tymi, które już teraz świadomie przeprojektują architekturę zatrudnienia — a nie tymi, które zredukują liczbę etatów i będą mieć nadzieję, że agenci wypełnią tę lukę.

Jak AI rozszerzyła zakres odpowiedzialności dyrektorów finansowych

Wiele osób uważa, że zakres roli dyrektora finansowego się kurczy. AI automatyzuje zamknięcie ksiąg, uzgadnianie kont, analizę odchyleń i pierwszy szkic narracji dla zarządu. Spada liczba osób potrzebnych do prowadzenia funkcji finansowej. Argument wydaje się oczywisty.

Uważam jednak, że ta rola się rozszerza, a dyrektorzy finansowi, którzy to rozumieją, będą definiować jej kształt na kolejną dekadę.

Oto dlaczego. AI automatyzuje pracę o charakterze podstawowym. Nie może jednak zautomatyzować struktury odpowiedzialności, która sprawia, że wynik jest użyteczny — architektury ładu określającej, czy wynik AI można poświadczyć, osądu dotyczącego alokacji kapitału decydującego, na który scenariusz należy zareagować, relacji z zarządem nadającej rekomendacji wiarygodność ani podpisu SOX 302, który przypisuje ludzkie nazwisko konsekwencjom, gdy coś pójdzie nie tak.

Wszystko to koncentruje się coraz wyżej w strukturze organizacyjnej. Warstwa finansów pełniąca funkcję zaufanego doradcy — dyrektor finansowy, który odpowiada za zintegrowany model, zarządza wynikami AI i ponosi odpowiedzialność powierniczą — nie kurczy się. Zyskuje na znaczeniu wraz ze wzrostem liczby wyników generowanych przez AI, które wymagają poświadczenia przez człowieka.

Dyrektorzy finansowi, którzy stracą pozycję, zbudowali swoją tożsamość wokół pracy podlegającej automatyzacji. Ci, którzy zyskają na znaczeniu, przejmują zakres odpowiedzialności wykraczający poza sam wynik — zarządzanie danymi, architekturę procesów i zarządzanie AI jako funkcję kapitałową — zanim ktoś inny wypełni tę lukę.

Ten moment nie stanowi zagrożenia dla roli dyrektora finansowego. To największe rozszerzenie zakresu odpowiedzialności tej roli w ciągu ostatnich dwudziestu lat. Większość dyrektorów finansowych jeszcze tego nie zauważyła.

Dlaczego dyrektorzy finansowi muszą teraz zmienić swoją perspektywę

Moja rada? Trzy rzeczy, w kolejności od najważniejszej.

1. Najpierw zadbaj o architekturę. Dyrektor finansowy, który czeka, aż narzędzie AI ujawni problemy z danymi, już pozostaje w tyle. Ład danych, dokumentacja procesów i zgodność systemów są warunkami wstępnymi, a nie produktami ubocznymi. Jeśli nie wiesz, kto odpowiada za każdą domenę danych, co mówi polityka ujmowania przychodów w systemie rozliczeniowym i jak działa cały proces od pozyskania leada do uzyskania płatności, nie jesteś gotowy na wdrożenie AI. Jesteś gotowy, by sfinansować porządki, które nastąpią po nieudanym wdrożeniu.
2. Przejmij mandat obejmujący obszar poprzedzający wynik. Zarządzanie AI trafia na biurko dyrektora finansowego niezależnie od tego, czy o nie prosił. Ryzyko związane z certyfikacją na mocy SOX 302, pytania zarządu dotyczące ryzyka modeli oraz decyzje dotyczące alokacji kapitału w związku z umowami z dostawcami AI — wszystkie te kwestie już z racji pełnionej funkcji należą do dyrektora finansowego. Dyrektor finansowy, który traktuje AI jako problem działu IT, dobrowolnie oddaje obszar definiujący kolejną wersję tego stanowiska. Dyrektor finansowy, który odpowiada za zintegrowany model operacyjny i finansowy, proces od pozyskania leada do uzyskania płatności oraz architekturę zarządzania zapewniającą możliwość certyfikacji wyniku, nie tylko przetrwa ten moment. Zarząd i sponsor będą polegać na takim dyrektorze finansowym, gdy stawka wzrośnie.
3. Nie buduj swojej tożsamości zawodowej wokół pracy, która jest automatyzowana. Zamknięcie okresu, zobowiązania, uzgadnianie i podstawowe raportowanie — wszystkie te zadania stają się towarem. Dyrektor finansowy, który zbudował wiarygodność wyłącznie na wykonywaniu zamknięcia okresu, przekona się, że ta wiarygodność wyczerpuje się szybciej, niż zmienia się opis stanowiska. Pracą, która przynosi coraz większą wartość, jest ta, której nie można utowarowić: ocena decyzji dotyczących alokacji kapitału, zaufanie zarządu, architektura zarządzania oraz zdolność do poświadczenia, że wynik wygenerowany przez model jest czymś, pod czym jesteś gotów się podpisać.

Ten moment nie stanowi zagrożenia dla stanowiska dyrektora finansowego. To rozszerzenie mandatu. Dyrektorzy finansowi, którzy tak to postrzegają, zdefiniują kształt tego stanowiska na kolejną dekadę.

Bądź na bieżąco

Możesz śledzić pracę Brada Wolfe'a na LinkedInie oraz odwiedzić stronę Wolfe Packs Consulting.

Na The CFO Club pojawią się kolejne wywiady z ekspertami!