Starszy dyrektor ds. systemów dyrektora finansowego LinkedIn mówi, że sztuczna inteligencja zmienia finanse z funkcji raportowania w system operacyjny

Pankaj Prasoon jest starszym dyrektorem ds. systemów i technologii finansowych w LinkedIn. Ma dwudziestoletnie doświadczenie zdobyte w renomowanych organizacjach, takich jak Microsoft i Infosys.

Przeprowadziliśmy wywiad z Pankajem, aby dowiedzieć się, jak projektuje finanse od podstaw. Opowiedział, co sprawdza się w finansach wspieranych przez AI — a co nie.

Przekształcanie finansów z funkcji raportowej w system operacyjny

Od prawie dwóch dekad działam na styku finansów, systemów korporacyjnych i myślenia produktowego — w organizacjach takich jak Microsoft, Infosys, a obecnie LinkedIn, gdzie pomagam kształtować przyszłość technologii finansowych.

Moja droga nie zaczęła się od AI. Zaczęła się od frustracji. Frustracji związanej z siedzeniem w pomieszczeniach, w których dwa systemy pokazywały dwie różne liczby. Frustracji zespołów finansowych, które poświęcały więcej czasu na uzgadnianie przeszłości niż na kształtowanie przyszłości. Frustracji wynikającej z obserwowania niezwykle kompetentnych liderów finansów, ograniczanych przez rozproszone systemy i opóźnione informacje.

AI jest czynnikiem wymuszającym zmiany. Ujawnia wszystko, co już wcześniej było zepsute:

• Sztywne procesy
• Opóźnione informacje
• Nadmierne uzależnienie od ręcznej oceny
• Systemy zaprojektowane z myślą o kontroli, a nie inteligencji

To, co ekscytuje mnie w tym momencie, to nie automatyzacja — lecz wzmocnienie możliwości. Po raz pierwszy liderzy finansów mogą przejść od spojrzenia wstecz do przewidywania przyszłości, od raportowania do wywierania wpływu oraz od efektywności do skuteczności.

Obecnie koncentruję się na budowaniu modelu, który nazywam strategią i platformami technologii finansowych — w którym architektura, myślenie produktowe i AI łączą się, aby stworzyć system, który nie tylko śledzi działalność firmy, lecz także aktywnie ją kształtuje. Ponieważ przyszłość finansów nie polega na szybszym zamykaniu ksiąg. Chodzi o pomaganie firmie w podejmowaniu lepszych decyzji, zanim liczby zostaną w ogóle zapisane.

Pankaj dzieli się swoimi przemyśleniami

AI jest czynnikiem wymuszającym zmiany. Ujawnia wszystko, co już wcześniej było zepsute.

Kierowanie organizacją CFO w LinkedIn

Kieruję działem technologii finansowych i platform w organizacji CFO w LinkedIn — globalnej firmie o przychodach liczonych w miliardach, działającej na dużą skalę w różnych regionach geograficznych, obszarach produktowych i środowiskach regulacyjnych.

Na tym etapie można spodziewać się następującej złożoności:

• Wiele źródeł przychodów w obszarach rozwiązań dla talentów, marketingu i Premium
• Globalny zasięg z charakterystycznymi dla poszczególnych regionów wymogami w zakresie zgodności, podatków i modeli operacyjnych
• Głęboka integracja systemów finansowych, sprzedażowych, kadrowych i produktowych

Prawdziwym wyzwaniem nie jest jednak skala. Jest nim wzajemne powiązanie.

Finanse znajdują się dziś w centrum każdej kluczowej decyzji:

• Planowanie i prognozowanie w ramach dynamicznych cykli biznesowych
• Zarządzanie alokacją kapitału z coraz większą precyzją
• Wspieranie wzrostu przy jednoczesnym zachowaniu dyscypliny i mechanizmów kontrolnych

Działamy mniej jak tradycyjny zespół technologii finansowych, a bardziej jak organizacja produktowa osadzona w strukturach finansowych — odpowiadając nie tylko za systemy, lecz także za rezultaty. Ponieważ na taką skalę finanse nie polegają wyłącznie na zarządzaniu liczbami. Chodzi o kształtowanie sposobu, w jaki firma podejmuje decyzje szybko, jasno i z przekonaniem.

Od czego dyrektorzy finansowi muszą zacząć w przypadku AI

Większość dyrektorów finansowych rozpoczyna swoją drogę z AI, myśląc o przypadkach użycia, narzędziach, dostawcach i ROI. AI nie działa jednak w izolacji. Opiera się na danych, procesach, modelu operacyjnym i dyscyplinie decyzyjnej.

Jeśli te elementy są rozproszone, AI ich nie upraszcza — wzmacnia ich fragmentację. Nie uzyskuje się lepszych odpowiedzi. Uzyskuje się szybciej błędne odpowiedzi.

Zanim więc zapytasz: „Gdzie możemy zastosować AI?”, zapytaj: „Czy nasz system finansowy jest zaprojektowany tak, aby dostarczać spójne dane gotowe do podejmowania decyzji?”. AI nie jest bowiem strategią. Jest akceleratorem dowolnego systemu, który już posiadasz.

Skoncentruj się na:

• Jasne źródło prawdy (definicje, metryki, zarządzanie)
• Standaryzowane procesy we wszystkich obszarach finansów
• Solidne podstawy danych i architektury
• Kultura, która ceni kwestionowanie wyników, a nie ich bezkrytyczne akceptowanie

Jak integracja AI usprawnia przepływy pracy w finansach

Oto usprawnienia, które zaobserwowałem dzięki AI w finansach:

• Skrócenie czasu realizacji (30–60%): analiza odchyleń, która wcześniej zajmowała 2–3 dni, jest teraz wykonywana w ciągu kilku godzin, a działania wspierające zamknięcie miesiąca (analiza, wsparcie uzgodnień) zostały znacząco ograniczone. To obszar, w którym AI przynosi natychmiastowe efekty — szybkość.
• Większa dokładność prognoz (poprawa o 5–15% w perspektywie krótkoterminowej): prognozy krótkoterminowe (4–8 tygodni) wyraźnie się poprawiły; AI wychwytywało wskaźniki wyprzedzające, które ludzie ignorowali (trendy wykorzystania, sygnały behawioralne). Istotne zastrzeżenie: dokładność poprawiła się bardziej w stabilnych środowiskach, a mniej w zmiennych.
• Wzrost produktywności (uwolnienie 20–40% możliwości analityków): analitycy poświęcają mniej czasu na gromadzenie danych, a więcej na ich interpretację. Jeden analityk może teraz obsłużyć zakres pracy, który wcześniej wymagał 1,5–2 etatów. Nie zawsze przekłada się to na obniżenie kosztów — oznacza lepszą alokację talentów.
• Wcześniejsze wykrywanie ryzyka (dni → niemal w czasie rzeczywistym): ryzyka przepływów pieniężnych, anomalie i wartości odstające są identyfikowane szybciej; zmniejszył się „efekt zaskoczenia” podczas przeglądów biznesowych. To subtelna, ale potężna zmiana — mniej eskalacji w ostatniej chwili.

Oto, co się nie poprawiło (lub uległo pogorszeniu):

• Nadmierna pewność co do wyników: narracje generowane przez AI brzmią wiarygodnie, nawet gdy są błędne. Na początku zespoły zaczęły ufać wynikom bez ich weryfikowania, co jest bardziej niebezpieczne niż błędy manualne.
• Fałszywa precyzja: AI tworzy iluzję pewności: „Prognoza wskazuje 97,2% pewności”. Decyzje finansowe nie są jednak wyłącznie ćwiczeniami probabilistycznymi — obejmują strategię, czas i kontekst.
• Uzależnienie od danych ujawniło słabe fundamenty: AI nie naprawiło problemów z danymi. Powiększyło je: niespójne hierarchie, słabe dane podstawowe, rozproszone systemy. Śmieci na wejściu oznaczają wzmocnione śmieci na wyjściu.
• Ograniczony wpływ na planowanie długoterminowe: AI miało trudności z planowaniem rocznym, scenariuszami strategicznymi i decyzjami dotyczącymi alokacji kapitału. Ponieważ nie są to problemy związane z rozpoznawaniem wzorców — są to problemy wymagające osądu.

Niekomfortowa prawda jest taka, że AI nie obniżyło kosztów finansów tak bardzo, jak oczekiwano. Przeniosło koszty z pracy do mocy obliczeniowej, z wysiłku manualnego do zarządzania modelami oraz z analityków na inżynierów i infrastrukturę danych.

Dlaczego AI wspiera decyzje finansowe, ale to ludzie kierują się osądem

Najprościej można przedstawić podział między zadaniami AI a zadaniami ludzi tak: AI powinno wskazywać wzorce, a ludzie powinni podejmować zobowiązania.

Polegam na AI w obszarach, w których skala, szybkość i rozpoznawanie wzorców są ważniejsze niż osąd:

• Prognozowanie (krótkoterminowe i kroczące): AI doskonale radzi sobie z przetwarzaniem wielu sygnałów — danych historycznych, sezonowości, danych o lejku sprzedażowym i wskaźników zewnętrznych — oraz z ciągłą aktualizacją prognoz. Eliminuje uprzedzenia wynikające ze statycznego planowania opartego na kalendarzu.
• Analiza odchyleń: AI może natychmiast rozłożyć odchylenia na tysiące wymiarów: co się zmieniło, gdzie nastąpiła zmiana i co prawdopodobnie ją spowodowało. Wcześniej zajmowało to całe dni. Teraz odbywa się niemal w czasie rzeczywistym.
• Modelowanie przepływów pieniężnych: nie podejmowanie decyzji, lecz wykrywanie sygnałów: trendy zachowań płatniczych, ryzyka związane z windykacją i wzorce płynności. AI pomaga ujawnić ryzyka wcześniej niż tradycyjne raporty.
• Wykrywanie ryzyka (operacyjnego i finansowego): AI jest bardzo skuteczne w identyfikowaniu anomalii: nietypowych transakcji, odchyleń od mechanizmów kontrolnych i nietypowych zachowań. Nie „rozumie ryzyka”, ale wskazuje miejsca wymagające analizy.

Jednak w obszarach, w których liczą się kontekst, kompromisy i odpowiedzialność, pozostawiam te zadania wyraźnie po stronie ludzi:

• Alokacja kapitału: Żaden model nie rozumie strategii, wyczucia czasu ani pozycji konkurencyjnej tak jak kadra kierownicza. Sztuczna inteligencja może pomóc w analizie scenariuszy — ale nie może decydować, na jakie zakłady postawić.
• Planowanie długoterminowe i budżetowanie: Budżety nie są prognozami — są zobowiązaniami. Odzwierciedlają intencje, priorytety i kompromisy w całej organizacji.
• Ostateczne decyzje dotyczące ryzyka: Sztuczna inteligencja może wskazywać anomalie, ale jakie ryzyko jest akceptowalne? Na jaki kompromis warto się zdecydować? To decyzje kadry kierowniczej, a nie wyniki modelu.
• Partnerstwo biznesowe i wywieranie wpływu: Finanse to nie tylko liczby — chodzi również o wpływanie na decyzje: kwestionowanie założeń, wyczuwanie atmosfery i rozumienie intencji stojących za prośbami. Sztuczna inteligencja nie ma kontekstu dotyczącego ludzkich relacji.

Jeśli sztuczna inteligencja podejmuje za Ciebie decyzje, posunąłeś się za daleko. Jeśli sztuczna inteligencja nie dostarcza informacji do podejmowania decyzji, nie wykorzystujesz jej wystarczająco.

Dlaczego sztuczna inteligencja nie zautomatyzowała w pełni finansów

Narracja brzmiała: „Sztuczna inteligencja zautomatyzuje finanse”.

Tak się nie stało. Zautomatyzowała części procesów, ale wprowadziła nowe warstwy:

• Walidacja modeli
• Obsługa wyjątków
• Wymogi dotyczące zarządzania i audytu

Rzeczywistość jest taka, że nie eliminuje się ludzi — przenosi się ich do ról nadzorczych.

Dlaczego wdrażanie sztucznej inteligencji jest problemem behawioralnym

Skoro mowa o ludziach, wdrażanie sztucznej inteligencji nie jest problemem technologicznym — jest problemem behawioralnym.

Początkowo zakładałem, że jeśli zbudujemy odpowiednie modele, ludzie będą z nich korzystać → wnioski będą pojawiać się szybciej → decyzje się poprawią → wnioski będą pojawiać się jeszcze szybciej → poprawi się dokładność → a za tym pójdzie zaufanie.

Wszystko logiczne. Wszystko niepełne. Zbudowaliśmy coś technicznie solidnego: lepsze wykrywanie odchyleń, szybsze wnioski i bardziej przejrzyste narracje. A jednak poziom wdrożenia był nierówny.

Powodem było to, że zespoły finansowe nie zmagały się z brakiem wniosków. Zmagały się z rezygnacją ze sposobu, w jaki zawsze wykonywały swoją pracę.

Analitycy nadal odtwarzali modele w programie Excel „tylko po to, aby je zweryfikować”. Liderzy ufali temu, co rozumieli, a nie temu, co sugerował model. Przeglądy nadal opierały się na starych formatach, a nie na nowych wnioskach.

System się zmienił. Zachowanie nie — przynajmniej nie od razu.

Żałuję, że nie zrobiłem tego:

• Zacząć od modelu operacyjnego, a nie od dokładności modelu: Określić, jak zmienią się decyzje, jak będą wyglądać spotkania i co zostanie usunięte, a nie tylko dodane. Zamiast pytać: „Czy model jest poprawny?”, należy pytać: „Czy zastąpi on coś, co ludzie robią dzisiaj?”
• Projektować z myślą o zaufaniu, a nie tylko o inteligencji: Zaufanie nie wynika ze wskaźników dokładności ani zaawansowania technicznego. Wynika z przejrzystości, możliwości wyjaśnienia i spójności w czasie. Wcześniej zainwestowałbym w to, aby wyniki można było podważać, a nie tylko podziwiać.
• Położyć szczególny nacisk na zarządzanie zmianą: Potraktowaliśmy to jak wdrożenie systemu. Tak nie było. Była to zmiana sposobu myślenia: od tworzenia analiz do przeglądania wniosków, od kontroli do współpracy ze sztuczną inteligencją oraz od pewności do myślenia probabilistycznego.
• Najpierw uporządkować dane i definicje (bardziej, niż to zrobiliśmy): Wiedzieliśmy, że dane mają znaczenie. Nie doceniliśmy jednak, jak duże. Sztuczna inteligencja nie toleruje niejednoznaczności.

Mogłem uniknąć:

• Cykli przerabiania, podczas których zespoły odtwarzały to, co sztuczna inteligencja już wygenerowała
• Nadmiernego rozbudowywania modeli, które nie zmieniały decyzji
• Wczesnego sceptycyzmu, który w rzeczywistości wynikał z braku zaufania, a nie z braku dokładności
• Fałszywego przekonania, że lepsze wyniki = automatyczne wdrożenie

Dlaczego sztuczna inteligencja zmienia założenia dotyczące kontroli finansowej

W finansach uczymy się myśleć: więcej kontroli = większa dokładność; więcej zatwierdzeń = mniejsze ryzyko; więcej struktury = lepsze wyniki. Dlatego budowaliśmy systemy, które były: sztywne, sekwencyjne i zaprojektowane tak, aby zapobiegać błędom.

Optymalizowaliśmy przewidywalność, a nie responsywność; audytowalność, a nie zawsze jakość decyzji.

Działało — ale za cenę szybkości, elastyczności, a czasem nawet przejrzystości.

AI nie działa dobrze w sztywnych środowiskach. Rozwija się dzięki: ciągłym przepływom danych, dynamicznym danym wejściowym i sygnałom w czasie rzeczywistym. Pokazało mi, że kontrola nie wynika z ograniczeń — wynika z widoczności.

Musiałem przejść od:

• Zapobiegania błędom z wyprzedzeniem → Szybkiego wykrywania i korygowania błędów
• Okresowych przeglądów (miesięcznych/kwartalnych) → Ciągłego monitorowania
• Ludzkich punktów kontrolnych wszędzie → Interwencji opartej na wyjątkach

Oto gdzie było to widoczne:

• Prognozowanie: od statycznych prognoz opartych na kalendarzu → do prognoz stale aktualizowanych i opartych na sygnałach
• Kontrole finansowe: od ograniczania rygorystycznych wstępnych akceptacji → do zwiększenia wykrywania anomalii w czasie rzeczywistym i walidacji po zdarzeniu
• Alokacja kapitału: od pewności → do probabilistycznego myślenia opartego na scenariuszach

Zmiana jest prosta, ale trudna. Trzeba przejść od kontroli poprzez ograniczenia do kontroli poprzez inteligencję i widoczność. A kiedy już to dostrzeżesz, nie można wrócić. Ponieważ celem finansów nie jest zapobieganie każdemu błędowi. Chodzi o umożliwianie podejmowania lepszych decyzji, szybciej — przy wystarczającej kontroli, a nie maksymalnej kontroli.

Dlaczego CFO powinni przeprojektować prognozowanie

Większość organizacji finansowych nadal prowadzi prognozowanie tak, jakby był rok 2005: miesięczne cykle, statyczne założenia, intensywna ręczna konsolidacja i retrospektywne przeglądy.

AI nie pasuje do tego modelu.

Przeszliśmy od prognozowania opartego na kalendarzu, miesięcznych aktualizacji, analizy odchyleń po zamknięciu okresu, retrospektywnych przeglądów i intensywnych prac przygotowawczych do prognozowania opartego na sygnałach:

• Ciągła warstwa prognozowania: sygnały w czasie rzeczywistym i stale aktualizowane prognozy
• Wykrywanie odchyleń w pierwszej kolejności przez AI: system sygnalizuje zmiany, a dział finansowy analizuje wyjątki
• Przeglądy ukierunkowane na decyzje: przejście od „Co się wydarzyło?” do „Co się wydarzy?”

Oto rezultaty:

• Czas uzyskania wiedzy ↓ ~50%
• Przydatność prognoz ↑ znacząco
• Rola działu finansowego zmieniła się w rolę partnera w podejmowaniu decyzji.
• Produktywność analityków ↑ 30–40%

Przeprojektuj prognozowanie tak, aby stało się ciągłym systemem opartym na sygnałach. Ponieważ gdy to się zmienia, finanse stają się aktywnym operatorem biznesu.

Jak AI usprawnia prognozowanie i analizę odchyleń

W LinkedIn jestem dopiero na początku, więc oto przykład wcześniejszej transformacji, w ramach której bezpośrednio włączyliśmy AI do procesu prognozowania i analizy odchyleń.

Zespoły finansowe poświęcały nieproporcjonalnie dużo czasu na wyjaśnianie tego, co się wydarzyło:

• Ręczna analiza odchyleń w setkach centrów kosztów
• Statyczne prognozy aktualizowane co miesiąc lub kwartał.
• Silna zależność od modeli programu Excel i ludzkiego rozpoznawania wzorców
• Zanim spostrzeżenia były gotowe, sytuacja biznesowa zdążyła się już zmienić.

Mieliśmy dane — ale nie mieliśmy skalowalnego sposobu ich interpretacji. Dlatego wprowadziliśmy warstwę opartą na AI, działającą na danych dotyczących planów i wyników rzeczywistych, która mogła:

• Automatycznie wykrywać anomalie i czynniki odchyleń w różnych wymiarach (region, produkt, kategoria kosztów)
• Generować narracje pierwszego poziomu wyjaśniające „dlaczego” — a nie tylko „co”.
• Stale aktualizować prognozy na podstawie wskaźników wyprzedzających, a nie tylko trendów historycznych.

Jednak prawdziwa zmiana nie dotyczyła modelu — dotyczyła modelu operacyjnego:

• Dział finansowy przeszedł od tworzenia analiz do przeglądania i kwestionowania spostrzeżeń.
• Prognozowanie stało się bardziej ciągłe i w mniejszym stopniu oparte na kalendarzu
• Przeglądy biznesowe przesunęły się z pytania „co wydarzyło się w zeszłym miesiącu” na „co wydarzy się później”.

Ulepszenia były wyraźne. Czas potrzebny na analizę odchyleń skrócił się z dni do godzin. Trafność prognoz wzrosła, ponieważ uwzględniliśmy sygnały w czasie rzeczywistym zamiast opóźnionych danych wejściowych. Co najważniejsze, dział finansowy zyskał miejsce przy podejmowaniu decyzji na wcześniejszym etapie, a nie dopiero po fakcie.

Najważniejsza nauka? AI nie zastąpiła osądu finansowego — zmusiła nas do wykorzystywania go tam, gdzie naprawdę ma znaczenie. Wartość działu finansowego nie polega bowiem na lepszym wyjaśnianiu przeszłości. Polega na pomaganiu firmie w szybszym podejmowaniu działań dotyczących przyszłości.

Dlaczego AI ma trudności z narracjami analizy odchyleń

Jednym z obszarów, w których dostrzegliśmy wyraźne ograniczenia, były generowane przez AI narracje dotyczące analizy odchyleń powiązane ze sprawozdawczością finansową.

Liczby się zgadzały. Narracja jednak nie zawsze była trafna. Na przykład model przypisał wzrost kosztów operacyjnych „zwiększeniu zatrudnienia w kluczowych regionach” — co było prawdopodobne, ale błędne. Rzeczywistą przyczyną było jednorazowe przeklasyfikowanie księgowe i przesunięcie w czasie ujęcia naliczeń. Model rozpoznawał wzorce, a nie rzeczywistość.

W rezultacie analiza była niedokładna, niemożliwa do prześledzenia i podważała zaufanie do zespołu. Oto jak to naprawiliśmy:

• AI generuje sygnały i hipotezy, a nie ostateczne narracje.
• Każdy wynik musi być możliwy do prześledzenia.
• Wprowadziliśmy warstwy „pewność + dowody”.

Walidacja przez człowieka stała się wyraźnie określonym etapem, a nie czymś zakładanym.

Jak CFO mogą przewodzić transformacji finansów opartej na AI

Oto moja rada: Nie ścigaj AI. Napraw finanse — AI podąży za nimi.

• Zacznij od systemu, a nie od narzędzia.
• Przeprojektuj pracę, zamiast tylko ją automatyzować.
• Oddziel sygnał od osądu.
• Zainwestuj w zaufanie, zanim zaczniesz skalować działania.
• Zaakceptuj, że koszty się przesuną, a nie znikną.
• Samodzielnie przewodź zmianie sposobu działania.
• Zbuduj „system operacyjny finansów”, a nie odizolowane projekty pilotażowe.

AI nie uczyni cię lepszym CFO. Ujawni jednak, czy twoja funkcja finansowa została od początku zaprojektowana tak, aby skalować inteligencję.

Pankaj dzieli się spostrzeżeniami

Nie ścigaj AI. Napraw finanse — AI podąży za nimi.

Bądź na bieżąco

Bądź na bieżąco z działaniami Pankaja Prasoona, który na LinkedIn kształtuje przyszłość finansów. Odwiedź także jego osobistą stronę internetową.

Na The CFO Club pojawi się więcej wywiadów z ekspertami!