Ekspert finansów natywnych dla AI dzieli się swoimi przepływami pracy — i tym, jak zapewnia ich audytowalność

Sergei Mochtchenkov pracuje w finansach od ponad 20 lat, w tym pełnił funkcję dyrektora finansowego. Obecnie jest dyrektorem finansowym na część etatu i doradzał ponad 300 klientom z wielu branż.

Spotkaliśmy się z Sergeiem, aby dowiedzieć się więcej o przepływach pracy i narzędziach, z których korzysta w organizacjach finansowych. Oto co powiedział.

Dyrektor finansowy oparty na AI

Nazywam się Sergei Mochtchenkov, CFA. Jestem dyrektorem finansowym na część etatu z siedzibą w Kijowie i współpracuję z firmami w Ameryce Północnej, Europie i poza nimi. Pracuję w finansach od ponad 20 lat: zajmuję się modelowaniem finansowym, wyceną, analizą inwestycji i wizualizacją danych (Excel, Power BI, SQL). W tym czasie doradzałem ponad 300 klientom, wspierałem transakcje dłużne i kapitałowe o wartości ponad 1 miliarda dolarów oraz kilka pierwszych ofert publicznych spółek z sektora technologicznego. Pełniłem również funkcję dyrektora finansowego lub głównego analityka w firmach — od platformy marketingu influencerskiego opartej na AI po kalifornijski fundusz nieruchomości.

Struktura jest celowo odchudzona. Na szczycie jestem ja jako dyrektor finansowy i główny analityk; niewielki zespół zajmuje się księgowością, uzgadnianiem sald i raportowaniem, a pomiędzy nimi działają agenci AI — analizują wyciągi bankowe, kategoryzują transakcje, audytują modele i tworzą projekty raportów. Złożoność wynika w mniejszym stopniu z liczby pracowników niż z różnorodności: struktur wielopodmiotowych, rachunków międzyfirmowych, mechanizmów podziału środków dla inwestorów, instrumentów SAFE i tabel kapitalizacji, a także połączenia różnych systemów księgowych (QuickBooks, Xero, Odoo, Shopify i Amazon Seller Central).

Moja droga do AI była praktyczna, a nie teoretyczna. Praca na część etatu oznacza obsługę wielu klientów jednocześnie, a wąskie gardło zawsze wyglądało tak samo: godziny spędzane na czyszczeniu danych, odtwarzaniu modeli i audytowaniu arkuszy kalkulacyjnych, zanim można było rozpocząć jakiekolwiek rzeczywiste analizy. Gdy AI stała się wystarczająco niezawodna, aby odczytywać księgę główną, analizować wyciągi bankowe lub śledzić łańcuch uszkodzonych formuł, przebudowałem wokół niej swoją praktykę.

Dziś przedstawiam się jako dyrektor finansowy na część etatu działający w oparciu o AI: AI wykonuje większość pracy związanej z danymi i przygotowuje pierwsze wersje, a ja poświęcam czas na osąd — na to, co oznaczają liczby i co właściciel powinien zrobić w następnej kolejności.

Jak AI usprawnia przygotowywanie danych w operacjach finansowych

Oto największa zmiana, jaką wprowadziłem dzięki AI: przestałem traktować przygotowywanie surowych danych jako pracę dla ludzi.

Każda nowa współpraca zaczynała się od kilku dni żmudnej pracy — pobierania wyciągów bankowych w formacie PDF z kilku banków, ich częściowo ręcznej konwersji, a następnie kategoryzowania tysięcy transakcji wiersz po wierszu, zanim można było rozpocząć jakąkolwiek analizę. Pojawiały się błędy, a najdroższa osoba zaangażowana w projekt poświęcała czas na zadanie o najmniejszej wartości.

Dlatego stworzyłem potok wspomagany przez AI. Claude pisze i uruchamia kod w Pythonie (z użyciem pdfplumber), który analizuje wyciągi z różnych banków i przekształca je w uporządkowane pliki Excel, a każdy wynik jest sprawdzany poprzez pełne uzgodnienie salda — saldo początkowe powiększone o transakcje musi być równe saldu końcowemu, okres po okresie — dzięki czemu nic nie jest akceptowane na zasadzie zaufania. Następnie transakcje trafiają do bazy danych Supabase, gdzie AI kategoryzuje je zgodnie z regułami mapowania, które definiuję i zatwierdzam, a wszystkie niejednoznaczne przypadki są kierowane do mnie. W ramach jednej z ostatnich współprac objęło to cztery podmioty korzystające z czterech bardzo różnych banków — amerykańskiego i saudyjskiego, neobanku i banku tradycyjnego.

W rezultacie czas realizacji etapu dotyczącego danych znacznie się skrócił, dokładność wzrosła, ponieważ walidacja jest systematyczna, a nie przeprowadzana wyrywkowo, a mój czas przesunął się z wprowadzania danych na osąd — przeglądanie wyjątków, przepływów międzyfirmowych i pozycji dotyczących podmiotów powiązanych, czyli obszarów, w których kryją się rzeczywiste ustalenia.

Jak AI wspiera audyty modeli

Często przeprowadzam audyty i przebudowy modeli finansowych. Oto jak to robię:

• Krok 1 — Ustalenie zasad: Tworzę projekt Claude z pisemnymi instrukcjami: konwencjami nazewnictwa, materiałami wyjściowymi wyłącznie w języku angielskim, formułami zapisanymi jako zwykły tekst oraz plikami objętymi zakresem i poza zakresem.
• Krok 2 — Inwentaryzacja i mapa zależności: Claude, korzystając z Pythona (openpyxl), kataloguje każdy arkusz, nazwany zakres, łącze zewnętrzne, zakodowaną na stałe liczbę i wzorzec formuły, a następnie tworzy mapę zależności między nimi. Nie modyfikujemy żadnych komórek, dopóki nie zrozumiemy struktury modelu.
• Krok 3 — Poszukiwanie błędów: AI śledzi łańcuchy obliczeń w odniesieniu do zamierzonej logiki modelu — mechanizmów wodospadowych, IRR, harmonogramów zadłużenia i przepływów pieniężnych — oraz tworzy listę błędów, wyszczególniając lokalizacje komórek, poziom istotności i wpływ kwotowy. Zanim sklasyfikujemy coś jako błąd wart naprawienia, sprawdzamy, czy jakiekolwiek elementy zależne odczytują wartość z tej komórki.
• Krok 4 — Praca w dwóch czatach: Prowadzę główny czat do określania zakresu i przeglądu oraz oddzielny czat wykonawczy. Czat wykonawczy otrzymuje jednorazowo jeden pisemny opis zadania, realizuje go i niezależnie sprawdza tok rozumowania z głównego czatu. Gdy dwa przebiegi AI dają różne wyniki, czat sygnalizuje mi potrzebę dalszego zbadania sprawy.
• Krok 5 — Weryfikacja: Przeprowadzam pełne przeliczenia, skany pod kątem zerowej liczby błędów, uzgodnienia z dokumentami źródłowymi oraz testy warunków skrajnych dla kluczowych scenariuszy. Następnie samodzielnie przeglądam zmiany i logikę.

Dlaczego AI zajmuje się danymi, a ludzie oceną sytuacji

Jeśli chodzi o to, gdzie stosować AI, a gdzie korzystać z pracy ludzi, moja zasada jest prosta: AI przygotowuje, testuje i tworzy wersje robocze; człowiek podejmuje decyzje i zatwierdza.

Polegam na AI w zakresie:

• Pobierania i uzgadniania danych: analizowania wyciągów, kategoryzowania transakcji oraz analizowania należności i zobowiązań.
• Audytu modeli: śledzenia łańcuchów formuł, wykrywania zerwanych łączy, nadpisań zakodowanych na stałe oraz ukrytych błędów w modelach klientów. AI odczytuje tysiące formuł bez zmęczenia.
• Prognozowania: Dla klientów z sektora e-commerce stworzyłem systemy prognozowania popytu, które oczyszczają dane, normalizują je pod kątem sezonowości i wydatków na reklamę oraz generują przedziały sprzedaży z 95-procentowymi pasmami ufności, które zasilają plan zakupów.
• Analizy odchyleń
• Tworzenia pierwszej wersji komentarzy
• Uruchamiania scenariuszy
• Badań, takich jak analizy porównawcze konkurencji i danych rynkowych

To, co pozostaje wyraźnie domeną człowieka:

• Założenia: Model jest tylko tak dobry, jak stojące za nim założenie dotyczące stopy wzrostu, stopy kapitalizacji lub odpływu klientów, a ich określenie wymaga zrozumienia firmy i zarządzających nią osób.
• Alokacja kapitału, wnioski dotyczące wyceny oraz wszystko, co trafia pod moim nazwiskiem do inwestora, kredytodawcy lub zarządu: Jako posiadacz tytułu CFA odpowiadam za wniosek, a odpowiedzialności nie można delegować na model.
• Decyzje dotyczące ludzi i relacji: Redukcje kosztów wpływające na role, negocjacje oraz rozmowa z założycielem, którego plan się nie sprawdza.

Dwie główne korzyści AI w finansach

Skala weryfikacji jest dużą korzyścią AI. Narzędzie wyczerpująco sprawdza pracę, która wcześniej była poddawana kontroli wyrywkowej. Niedawne przykłady obejmują: skoroszyt do weryfikacji 134 pozycji dotyczących wskaźników na potrzeby prezentacji dla inwestorów związanej z produkcją filmową, w którym prześledziliśmy każdą wartość z prezentacji aż do dokumentów źródłowych; narzędzie do tworzenia ofert dla klienta obejmujące 126 zadań i około 1200 formuł, które nie wykazało żadnych błędów formuł; oraz konwersję wyciągów bankowych czterech podmiotów, w której każdy okres przeszedł pełne uzgodnienie salda.

Koszt to kolejna korzyść. AI pozwala organizacjom automatyzować powtarzalne zadania i procesy. Ułatwia również rezygnację z niewykorzystywanych stanowisk w oprogramowaniu oraz wydatków marketingowych w kanałach osiągających słabe wyniki.

Wnioski z obszarów, w których AI ma trudności

Błędy AI są niebezpieczne właśnie dlatego, że wyglądają profesjonalnie. Widziałem dopracowane materiały wyjściowe z nieprawidłowym odwołaniem do zakresu lub błędnie odczytaną pozycją, które przeszłyby pobieżny przegląd. Jeden niewielki, ale wymowny przykład: formuły cytowane w raporcie zawierały poprzedzający je znak równości, więc arkusz kalkulacyjny próbował je obliczyć, tworząc zerwane odwołania i pozorne ostrzeżenia o odwołaniach cyklicznych. Obecnie stała zasada nakazuje, aby formuły w materiałach wyjściowych były zapisywane jako zwykły tekst.

AI z równą chęcią „naprawi” również rzeczy, które nie mają znaczenia. Zanim zdecyduję, czy odzyskać lub poprawić wartość, najpierw sprawdzam, czy jakiekolwiek elementy zależne faktycznie odczytują z niej dane. Ta prosta dyscyplina pozwala oszczędzić wiele zmarnowanego wysiłku.

A oto kilka konkretnych obszarów, w których AI się nie sprawdza:

• Duże starsze modele Excela: spodziewałem się, że AI „po prostu zrozumie” i naprawi model składający się z 30 arkuszy. Tak się nie dzieje. Duże skoroszyty z odwołaniami zewnętrznymi, ukrytymi arkuszami, starym kodem VBA lub kontrolkami ActiveX oraz latami wprowadzanych poprawek przytłaczają AI — gubi ono wątek między arkuszami i proponuje poprawki, które psują coś w innym miejscu. Wolniejsze, bardziej zdyscyplinowane podejście działa lepiej: najpierw tworzę wykaz elementów i mapę zależności modelu, a następnie pozwalam AI wykonywać jedno ograniczone zadanie naraz, z osobnym etapem sprawdzania rezultatu. AI jest świetnym analitykiem, ale jeszcze nie architektem.
• Prognozowanie w warunkach zmiany reżimu: prognozy statystyczne i oparte na ML sprawdzają się najlepiej, gdy przyszłość przypomina przeszłość — na przykład w przypadku sezonowego popytu w handlu elektronicznym. Mieszkając i pracując w Ukrainie, często widzę, jak słabo modele bazujące na danych historycznych radzą sobie z wojną, sankcjami, szokami walutowymi i nagłym wzrostem kosztów. W takich warunkach AI generuje pewnie brzmiące liczby bez rzeczywistych podstaw; myślenie scenariuszowe i ludzki osąd mają znacznie większe znaczenie.

I jeszcze drobna uwaga: kategoryzacja transakcji zatrzymuje się na pewnym poziomie. AI dobrze radzi sobie z większością przypadków, ale niejednoznaczna reszta — transfery między podmiotami powiązanymi, wydatki właścicieli, przepływy między spółkami — to właśnie obszar, w którym występuje ryzyko księgowe, i nadal potrzebuje on ludzkiego zbioru zasad.

Jak AI wprowadza ukryte ryzyko kosztowe w finansach

Dyrektorzy finansowi muszą monitorować koszt obliczeń jako ukryty zmienny koszt własny sprzedaży.

Wielu liderów nadal postrzega AI jako oprogramowanie — stałą subskrypcję. W przypadku produktów natywnie opartych na AI tak nie jest. Każde działanie użytkownika może uruchamiać wywołania modelu, a koszt generowania odpowiedzi rośnie wraz z wykorzystaniem, długością polecenia i wyborem modelu. To zmienia biznes SaaS, który z pozoru ma wysoką marżę, w działalność o rzeczywistych i zmiennych kosztach. Regularnie widzę startupy AI, których marże brutto po cichu się kurczą w miarę rozwoju, ponieważ konstrukcja ich modelu biznesowego zakładała marże typowe dla oprogramowania, a nikt nie śledził kosztu przypadającego na klienta, funkcję ani transakcję.

Rozwiązaniem jest podstawowa dyscyplina finansowa zastosowana do nowej pozycji kosztowej: mierz ekonomię jednostkową na poziomie pojedynczego wywołania AI, ujmuj koszty obliczeń w kosztach własnych sprzedaży, gdzie ich miejsce, ustalaj budżety i alerty, dopasowuj wielkość modelu do zadania oraz wyceniaj produkt z uwzględnieniem kosztów obliczeń. Kontrola kosztów obliczeń jest obecnie podstawowym obowiązkiem dyrektora finansowego w każdej firmie intensywnie wykorzystującej AI — a nie szczegółem technicznym pozostawionym inżynierom.

Jak zarządzać AI

AI wymaga zarządzania, a nie tylko poleceń. Początkowo traktowałem je jak bardzo szybkie narzędzie, ale zachowuje się ono bardziej jak genialny nowy pracownik, który nie pamięta wczorajszego dnia i bardzo chce być pomocny. Oto trzy rzeczy, które powiedziałbym sobie z przeszłości, gdybym mógł:

• Zapisz zasady raz, w jednym miejscu. Każda firma ma niepisane konwencje — sposób przedstawiania wartości procentowych, konta pojawiające się w poszczególnych raportach, sposób dokumentowania formuł oraz język, w którym przygotowywane są materiały. Jeśli istnieją one tylko w twojej głowie, AI za każdym razem „rozsądnie” zrobi coś innego.
• Oddzielaj pytania od zmian. Zapytaj AI, dlaczego jakaś liczba wygląda dziwnie, a często ją „naprawi”. Moja obecna stała zasada brzmi: gdy zadaję pytanie, AI najpierw odpowiada i czeka na zgodę przed wprowadzeniem jakichkolwiek zmian. Na początku zapobiegłoby to kilku cichym edycjom, które musiałem później cofać.
• Utrzymuj mały zakres zadań, a oryginał pozostaw nietknięty. Przy pierwszych próbach dawałem AI zbyt wiele naraz — „przejrzyj cały model i go napraw”. Rezultaty wyglądały imponująco i trudno było je zweryfikować. Ograniczone opisy zadań, jedna zmiana naraz, czysta kopia oryginału i dziennik zmian sprawiają, że każdy krok można sprawdzić.

Te trzy rzeczy oszczędziłyby mi wielu godzin przeróbek, kilku kompromitujących sytuacji, które udało się wychwycić podczas przeglądu, oraz fałszywego przekonania, że przez pewien czas główną wartością AI jest szybkość. Główna wartość polega na tym, że możesz sobie pozwolić na weryfikowanie wszystkiego — ale tylko jeśli zaprojektujesz odpowiednio proces.

Jak można wykorzystać AI w kapitale obrotowym

Większość zespołów finansowych nadal zarządza należnościami, zobowiązaniami i zapasami za pomocą comiesięcznych raportów oraz intuicji, mimo że właśnie w tych obszarach gotówka może być generowana albo zamrażana. AI jest tu jednak wyjątkowo skuteczne, ponieważ dane wejściowe mają dużą objętość, są powtarzalne i zawierają wzorce, których ludzie nie mają czasu dostrzegać.

Dwa obszary, które przeprojektowałem:

• Planowanie zapasów i zakupów dla e-commerce: W przypadku marek z branży odzieży sportowej, strojów kąpielowych, zabawek i batonów proteinowych zastąpiliśmy podejście „zamów ponownie to, co sprzedało się w poprzednim sezonie” systemem prognozowania, o którym krótko już wspominałem. Oczyszczamy historię sprzedaży, normalizujemy ją pod kątem sezonowości i wydatków na reklamy, prognozujemy popyt z przedziałami 95%, a następnie tworzymy plan zakupów, który wprost uwzględnia kompromisy między kosztami magazynowania, marżą brutto, zwrotem z kapitału własnego, rabatami za ilość i czasem realizacji dostawcy. W rezultacie decyzja zakupowa opiera się na zakresie możliwych wyników, a koszt pomyłki w obu kierunkach jest widoczny z góry — zamiast opierać się na pojedynczym przypuszczeniu.
• Należności, zobowiązania i komunikacja: Tworzę analizy oparte na Claude, obejmujące należności, zobowiązania oraz własną komunikację firmy, dzięki czemu dział finansowy widzi nie tylko, że faktura jest opóźniona, ale także dlaczego — z powodu sporu, problemu z dostawą czy trudnej sytuacji klienta — i może wcześniej podjąć działania. To samo podejście pozwala wykrywać powielone lub nietypowe zobowiązania oraz warunki dostawców, które po cichu uległy zmianie.

Dlaczego Claude Code i Cowork zmieniają zasady gry w finansach

Claude zmienia zasady gry — szczególnie w swojej formie agentowej (Claude Code i Cowork), w której nie tylko prowadzi rozmowę, ale także pracuje z plikami, tworzy i uruchamia kod w Pythonie, odczytuje i buduje modele Excela oraz łączy się z bazami danych i aplikacjami biznesowymi.

Dzięki niemu mogę analizować wyciągi bankowe, przeprowadzać audyt modelu składającego się z 30 kart, budować system prognozowania, przygotowywać memorandum dla inwestora i tworzyć zbiór danych gotowy do użycia w Power BI — a co ważne, Claude pisze kod, który mogę zachować, ponownie uruchomić i poddać audytowi, zamiast po prostu udzielać mi odpowiedzi. Instrukcje na poziomie projektu pozwalają mi raz zakodować zasady każdego klienta, dzięki czemu praca pozostaje spójna w kolejnych sesjach.

Jednak Excel nadal jest bezcenny. Wciąż jest językiem, który rozumieją inwestorzy, kredytodawcy i zarządy, a najlepsze przepływy pracy oparte na AI, które tworzę, kończą się przejrzystym arkuszem kalkulacyjnym, który człowiek może sprawdzić wiersz po wierszu.

Jak AI zmienia zespoły i ścieżki szkolenia

Piramida stała się diamentem. Tradycyjnie praktyka finansowa potrzebuje wielu młodszych pracowników zajmujących się wprowadzaniem danych, uzgadnianiem sald i tworzeniem pierwszych wersji modeli, kilku starszych pracowników dokonujących ich przeglądu oraz jednego partnera na szczycie. Obecnie AI wykonuje większość pracy na tym podstawowym poziomie.

W związku z tym zmienił się również zestaw umiejętności, których szukam. Mniejsze znaczenie ma szybkość przetwarzania danych, a znacznie większe — trzy rzeczy: rozumienie, w jaki sposób firma zarabia, umiejętność napisania precyzyjnego zlecenia i przetestowania wyniku oraz odwaga, by powiedzieć założycielowi, że dana liczba lub plan są błędne.

Otwartą kwestią dla tego zawodu jest ścieżka szkolenia. Młodsi pracownicy uczyli się wcześniej, wykonując żmudną pracę. Jeśli robi to AI, musimy celowo uczyć oceny sytuacji — prosząc ludzi o weryfikowanie, kwestionowanie i wyjaśnianie wyników AI, zamiast tworzenia ich od podstaw.

Pięć porad dla dyrektorów finansowych

Oto moje rady dla dyrektorów finansowych:

• Samodzielnie użyj AI w tym tygodniu w rzeczywistej pracy. Nie przekazuj AI komisji ds. innowacji ani nie czekaj na idealne wdrożenie w całym przedsiębiorstwie. Wybierz jeden uciążliwy, powtarzalny proces — uzgodnienie, audyt modelu, pierwszy projekt materiałów na posiedzenie zarządu — i wykonaj go osobiście z pomocą AI. Nie możesz przewodzić transformacji, której sam nie doświadczyłeś.
• Zaprojektuj mechanizmy kontroli, zanim zaczniesz skalować rozwiązanie. Każdy przepływ pracy z wykorzystaniem AI potrzebuje wbudowanej kontroli, która nie opiera się na zaufaniu do AI: analizy zmian salda, uzgodnienia z księgą główną, drugiej niezależnej weryfikacji. AI popełnia błędy szybciej i w bardziej przekonujący sposób niż młodszy analityk, dlatego projekt mechanizmów kontroli musi być lepszy niż wcześniej.
• Zachowaj ludzką ocenę i odpowiedzialność. Pozwól AI przygotowywać, testować i tworzyć projekty; pozostaw ludziom założenia, alokację kapitału oraz wszystko, co jest podpisywane w Twoim imieniu. Zapisz tę granicę, aby Twój zespół wiedział, gdzie ona przebiega.
• Przebuduj zespół, a nie tylko narzędzia. Przyszły zespół finansowy będzie mniejszy, bardziej doświadczony i bardziej analityczny. Inwestuj w osoby, które potrafią formułować pytania, kwestionować liczby i rozmawiać z biznesem — te umiejętności zyskują na wartości dzięki AI, a samo przetwarzanie danych nie.
• Mierz wartość, a nie aktywność. Szybsze raportowanie jest przydatne, ale prawdziwe pytanie brzmi, czy odkrywasz większą wartość: marżę, której wcześniej nie dostrzegłeś, gotówkę zamrożoną w niewłaściwym miejscu, transakcję wycenioną nieprawidłowo. Jeśli AI uwalnia czas zespołu finansowego, a ten czas nie jest przeznaczany na podejmowanie decyzji, zautomatyzowałeś tylko dotychczasową pracę.

Śledź na bieżąco

Możesz śledzić pracę Sergeia Mochtchenkova na LinkedInie. Odwiedź także strony aistartupcfo.com oraz financialmodeling.net.

Wkrótce kolejne wywiady z ekspertami w Klubie CFO!