Sztuczna inteligencja przebudowuje cykl raportowania

Zanim założył TheFinanceNewsletter.com i BeFluentInFinance.com, Andrew Lokenauth zajmował stanowiska dyrektora i wiceprezesa ds. finansów w kilku znanych bankach. Obecnie jest liderem opinii w dziedzinie finansów i ma ponad 3 mln obserwujących.

Porozmawialiśmy z Andrew, aby dowiedzieć się, jaki wpływ AI wywiera na branżę — jakie niesie ze sobą ryzyko i korzyści. Oto, co nam powiedział.

Automatyzacja, zanim AI stało się modnym hasłem

Karierę rozpocząłem w Citi, a następnie pracowałem w Goldman Sachs, AIG, JPMorgan i Signature Bank, zajmując się FP&A, finansami strategicznymi, relacjami inwestorskimi i rozwojem przedsiębiorstwa. Na długo przed tym, zanim AI stało się tematem rozmów, automatyzowałem procesy finansowe za pomocą Pythona, SQL i VBA. W Goldman skróciłem o kilka dni cykle raportowania rachunku zysków i strat. W Signature Bank zbudowałem systemy, które skróciły czas potrzebny kadrze kierowniczej na uzyskanie wniosków z kilku dni do mniej niż 24 godzin. Kiedy pojawiła się generatywna AI, nie wydawała mi się przełomowa. Była naturalnym kolejnym krokiem w pracy, którą wykonywałem już od prawie dwóch dekad.

Po odejściu z finansów instytucjonalnych założyłem TheFinanceNewsletter.com i BeFluentInFinance.com, gdzie piszę o finansach i technologii dla ponad 100 000 subskrybentów newslettera oraz ponad 3 milionów obserwujących w mediach społecznościowych. Moje spostrzeżenia na ten temat były publikowane w Forbes, CNBC, Wall Street Journal i Business Insider. Nadal o tym piszę z tego samego powodu, dla którego zainteresowałem się tym tematem: większość rozmów wciąż jest zbyt teoretyczna, zbyt mocno napędzana przez dostawców i zbyt oderwana od tego, jak finanse rzeczywiście funkcjonują w praktyce.

Prowadzę również praktykę doradczą w niepełnym wymiarze, w ramach której pełnię funkcję zewnętrznego CFO i COO dla szybko rozwijających się startupów oraz firm średniej wielkości osiągających przychody od 1 mln do 5 mln USD.

Jak AI zmienia miesięczne raportowanie

Największą zmianą w mojej pracy w ciągu ostatnich 12 miesięcy było zastąpienie statycznych miesięcznych pakietów raportowych warstwą FP&A opartą na AI, która działa na podstawowych systemach finansowych klienta. Pobiera dane z oprogramowania księgowego, systemu CRM i systemu płacowego, a następnie na bieżąco przeprowadza automatyczną analizę odchyleń.

Wcześniej zespół finansowy poświęcał pierwsze pięć do siedmiu dni roboczych każdego miesiąca na pobieranie danych, uzgadnianie ich i formatowanie prezentacji, która była już nieaktualna, gdy kierownictwo ją oglądało. Teraz te same informacje są dostępne w ciągu kilku godzin, przy czym AI zajmuje się agregacją danych i wykrywaniem odchyleń, a człowiek analizuje wyniki pod kątem kontekstu i kwestii wymagających osądu.

Rezultaty były spójne we wszystkich projektach:

• Cykle zamknięcia miesiąca skracają się o około 30–40%.
• Przygotowanie prezentacji dla zarządu skraca się z około 3 dni do mniej niż 6 godzin.
• Wskaźniki błędów spadają, ponieważ mniejsza liczba czynności wykonywanych ręcznie oznacza mniej ręcznych pomyłek.
• Zespoły finansowe przenoszą swoją energię z gromadzenia danych na faktyczną analizę biznesową.
• Jakość decyzji w całej firmie się poprawia, ponieważ CFO może analizować dane finansowe w czasie rzeczywistym.

Technologia nie jest skomplikowana. Tym, czego brakuje większości zespołów, jest gotowość do przeprojektowania przepływu pracy.

Proces zamykania i raportowania wspierany przez AI

Oto szczegółowy opis procesu zamykania i raportowania krok po kroku:

1. Automatyczne pobieranie danych za pomocą Fivetran: Zaplanowany potok pobiera dane z oprogramowania księgowego, systemu CRM i systemu płacowego do czystej, scentralizowanej bazy danych co 24 godziny.
2. Uzgadnianie i oznaczanie odchyleń za pomocą BlackLine wspierane przez AI: Warstwa AI porównuje wartości rzeczywiste z budżetem dla każdej głównej pozycji, oznacza odchylenia przekraczające określone progi i generuje wyjaśnienie każdego oznaczenia w prostym języku.
3. Weryfikacja przez człowieka: Osoba odpowiedzialna za finanse analizuje każdą oznaczoną pozycję, dodaje kontekst biznesowy i decyduje, co wymaga eskalacji. W zakresie komentarzy dotyczących zmian wspiera ją FloQast AI.
4. Panel i narracyjne podsumowanie za pomocą Datarails: Sformatowana prezentacja dla zarządu i podsumowanie dla kadry kierowniczej są automatycznie generowane na podstawie zweryfikowanych danych i gotowe do dystrybucji.

To, co wcześniej zajmowało 3 dni, teraz zajmuje od 4 do 6 godzin.

Przykłady z życia pokazujące, jak AI pomaga i szkodzi w raportowaniu miesięcznym

Myśli Andrew

Wyglądający na wiarygodny wynik nie jest tym samym co wynik rzeczywiście godny zaufania.

Oto przykład. Współpracowałem z firmą z sektora fintech w fazie Series B, w której wdrożyliśmy system monitorowania przepływów pieniężnych wspierany przez AI. System wykrył ryzyko koncentracji klientów sześć tygodni przed tym, jak przerodziło się ono w problem z płynnością.

Model wykrył wzorzec w strukturze wiekowej należności, który umknął ludzkiemu weryfikatorowi podczas kilku wcześniejszych miesięcznych zamknięć okresu. To pojedyncze wykrycie było warte więcej niż całkowity koszt wdrożenia.

Z drugiej strony miałem klienta, którego prognoza wygenerowana przez AI była nietrafiona o 15–20% w miesiącach charakteryzujących się dużą zmiennością faktur. Model został wytrenowany na historycznych wzorcach, które nie uwzględniały niedawnej zmiany struktury przychodów. Wynik wyglądał profesjonalnie i wiarygodnie, a nikt go nie zakwestionował, dopóki dyrektor finansowy nie zauważył odchylenia podczas spotkania zarządu.

Wyglądający na wiarygodny wynik nie jest tym samym co wynik rzeczywiście godny zaufania.

AI odpowiada za „co”, a ludzie za „i co z tego”

Czynności najbardziej odpowiednie dla AI to te, które opierają się na jasnych zasadach i historycznych wzorcach oraz charakteryzują się dużą powtarzalnością. Korzystam z AI do:

• Uruchamiania modeli prognostycznych
• Analizy odchyleń
• Modelowania scenariuszy przepływów pieniężnych
• Wykrywania anomalii
• Rutynowego raportowania

Obszary, w których ludzie pozostają zaangażowani, obejmują decyzje dotyczące alokacji kapitału, oceny ryzyka, negocjowanie umów, komunikację z inwestorami, interpretację przepisów oraz wszystko, co wymaga zrozumienia kontekstu biznesowego, którego nie ma w danych. Model może zasygnalizować, że tempo spalania gotówki wzrasta. Nie powie jednak, że przyczyną jest problem w relacji z założycielem albo celowe zaniżanie prognoz sprzedaży przez przedstawiciela handlowego.

Stosowany przeze mnie sposób myślenia jest następujący: AI odpowiada za „co”, a ludzie za „i co z tego”.

To jeden z najbardziej praktycznych sposobów myślenia o integracji AI z funkcją finansową. Jedno bez drugiego jest niekompletne, a oba scenariusze błędów — nadmierna automatyzacja i niewystarczająca automatyzacja — kosztują organizacje realne pieniądze.

Dlaczego nadmierna automatyzacja i nadmierna pewność co do AI stanowią poważne zagrożenie dla zespołów finansowych

AI przynosi wiele korzyści. Jednak jego wady również są realne.

AI tworzy fałszywe poczucie pewności, gdy dane bazowe nie są uporządkowane. Widziałem zespoły finansowe, które ufały raportom odchyleń wygenerowanym przez AI bez kwestionowania jakości danych źródłowych, co stwarza realne ryzyko.

Istnieje również pułapka nadmiernej automatyzacji: gdy usuniesz kontrolę człowieka z zbyt wielu etapów, tracisz wiedzę instytucjonalną, która pozwala wychwycić to, czego modele nie potrafią dostrzec.

Uważam, że w tej dziedzinie potrzebujemy bardziej uczciwego raportowania na ten temat i mniej marketingowego entuzjazmu dostawców.

Gdzie AI sobie nie radzi

Jeśli chodzi o finanse, AI nie radzi sobie dobrze w trzech głównych obszarach.

Po pierwsze, spodziewałem się, że AI będzie bardziej zaawansowana w interpretacji wymogów zgodności i ocenie regulacyjnej. W latach pracy w Signature Bank i Amalgamated Bank znaczna część pracy związanej z kontrolami finansowymi opierała się na niuansach i osądzie: analizowaniu wytycznych regulacyjnych, przewidywaniu oczekiwań kontrolerów, rozpoznawaniu sytuacji, w której dana liczba technicznie spełnia wymagania, ale mimo to uzasadnia oznaczenie jej jako wymagającej uwagi. Dzisiejsze narzędzia AI potrafią wyszukiwać odpowiednie przepisy i podsumowywać dokumenty zawierające wytyczne. Nie potrafią jednak odtworzyć osądu, który wynika z wieloletniego zasiadania przy jednym stole z regulatorami.

Po drugie, chodzi o generowanie ścieżki audytu i możliwość wyjaśnienia działania systemu w złożonych procesach finansowych. Gdy zarządzałem relacjami z inwestorami w Signature Bank, instytucji o wartości aktywów przekraczającej $110B, każda liczba, która trafiała do dokumentu składanego w SEC, na rozmowę dotyczącą wyników lub do zgłoszenia regulacyjnego, miała udokumentowaną ścieżkę audytu i jasno wskazaną osobę odpowiedzialną. Dane wyjściowe generowane przez AI, zwłaszcza te tworzone przez systemy oparte na dużych modelach językowych, rzadko mają ciąg rozumowania, który spełniłby wymagania regulatora lub zewnętrznego audytora. Wynik może być prawidłowy, ale nie zawsze da się pokazać sposób jego uzyskania w formie wymaganej w środowisku zgodności.

Po trzecie, są to firmy na wczesnym etapie rozwoju, dysponujące chaotyczną infrastrukturą danych. Założenie stojące za AI wymaga względnie czystych i połączonych danych. Większość startupów ich nie ma. Przyjrzyjmy się temu bliżej.

Dlaczego każda inicjatywa związana z AI powinna zaczynać się od audytu danych

Przemyślenia Andrewa

Jakość danych jest prawdziwym wąskim gardłem. Nie model, nie narzędzie i nie dostawca… Każda inicjatywa związana z AI powinna zaczynać się od audytu danych, a nie od wyboru narzędzia.

Jakość danych jest prawdziwym wąskim gardłem. Nie model, nie narzędzie i nie dostawca. Przystępowałem do pierwszego projektu finansowego wykorzystującego AI, oczekując, że najtrudniejsza będzie technologia. Tak nie było. Najtrudniejsze okazało się odkrycie, że dane finansowe firmy znajdowały się w trzech różnych systemach, które nie komunikowały się ze sobą, miały niespójne zasady nazewnictwa i wielomiesięczne braki we wpisach. Około 60% harmonogramu projektu poświęciliśmy na oczyszczanie danych, zanim narzędzia AI mogły zrobić cokolwiek użytecznego.

Każda inicjatywa związana z AI powinna zaczynać się od audytu danych, a nie od wyboru narzędzia. Trzeba wiedzieć, jakie dane się posiada, gdzie się znajdują, jak są czyste i czy mają wystarczająco uporządkowaną strukturę, aby model mógł się na ich podstawie uczyć. Ten jeden krok pozwoliłby zaoszczędzić tygodnie na poprawkach i znacznie wcześniej skorygować oczekiwania kadry kierowniczej.

Stary model polegał na zatrudnianiu większej liczby osób, aby uzyskać więcej informacji i wniosków. Nowy model zakłada budowę lepszej infrastruktury danych, a następnie wykorzystanie AI do zwielokrotnienia efektów pracy obecnego zespołu. To inna decyzja dotycząca alokacji kapitału, a większość liderów finansowych jeszcze jej nie podjęła.

Jak zespoły finansowe zmieniają się pod wpływem AI

Największą zmianą, jaką obserwuję w zespołach, jest ograniczenie warstwy młodszych analityków. Zadaniami, które wcześniej wymagały pracy od 2 do 3 analityków zajmujących się pobieraniem danych, uzgadnianiem i podstawową analizą odchyleń, może teraz zająć się warstwa AI, nad której wynikami czuwa jedna osoba. Nie zawsze oznacza to zmniejszenie zatrudnienia. Częściej ta sama liczba pracowników zostaje przekierowana do zadań o większej wartości: współpracy z biznesem, analizy scenariuszy, komunikacji z inwestorami i planowania strategicznego.

Zmienia się również profil kompetencyjny dobrego kandydata do zespołu finansowego. Najlepsi ludzie, których dziś szukam, nie są po prostu biegli w rachunkowości lub modelowaniu finansowym. Rozumieją, jak pracować z wynikami generowanymi przez AI, wiedzą, kiedy zaufać modelowi, a kiedy go zakwestionować, i potrafią jasno przekazywać wnioski finansowe interesariuszom spoza działu finansowego. Takie połączenie rygoru finansowego, znajomości AI i umiejętności komunikacyjnych jest obecnie rzadkie i wiąże się z premią.

Czego CFO muszą się nauczyć, aby odnieść sukces w nadchodzącej dekadzie

CFO, którzy odniosą sukces w nadchodzącej dekadzie, będą bardzo różnić się od tych, którzy odnosili sukcesy w minionej dekadzie. Techniczne umiejętności finansowe (modelowanie, raportowanie, zgodność) będą coraz częściej podstawą obsługiwaną przez AI. Umiejętności definiujące świetnych CFO to osąd, komunikacja, myślenie strategiczne i zdolność do przewodzenia w warunkach niejednoznaczności.

Moja rada to inwestować w umiejętności, których sztuczna inteligencja nie potrafi odtworzyć. Buduj silniejsze relacje z liderami biznesowymi. Poprawiaj swoją zdolność do przekazywania spostrzeżeń finansowych odbiorcom niezwiązanym z finansami. Rozwijaj prawdziwy osąd strategiczny, a nie tylko umiejętności analizy finansowej. To właśnie te kompetencje będą definiować najlepszych dyrektorów finansowych w przyszłości wspomaganej przez sztuczną inteligencję.

Cztery kroki, które powinien podjąć każdy dyrektor finansowy

Cztery rzeczy, które powiedziałbym teraz każdemu dyrektorowi finansowemu:

Po pierwsze, zanim zrobisz cokolwiek innego, przeprowadź audyt danych. Dowiedz się, gdzie znajdują się Twoje dane finansowe, jak są uporządkowane i czy mają strukturę wystarczającą do tego, by model mógł z nich korzystać.

Po drugie, zacznij od jednego przepływu pracy. Dyrektorzy finansowi, których widziałem odnoszących sukcesy dzięki sztucznej inteligencji, wybierają najbardziej problematyczny i najbardziej powtarzalny proces w swoim obszarze — zwykle comiesięczne zamknięcie ksiąg albo prezentację dla zarządu — a następnie przeprojektowują przepływ pracy, zanim go zautomatyzują. Ta kolejność ma znaczenie. Najpierw opracuj przepływ pracy na papierze, a dopiero potem zbuduj go w narzędziu. Udokumentuj każdy etap procesu, który chcesz zautomatyzować, określ, które kroki opierają się na regułach (gotowe do obsługi przez sztuczną inteligencję), a które wymagają osądu (wymagają udziału człowieka), a następnie odpowiednio go zbuduj.

Po trzecie, zdefiniuj punkty kontroli dokonywane przez człowieka, zanim uruchomisz rozwiązanie. Każdy wynik wygenerowany przez sztuczną inteligencję w przepływie pracy finansowej powinien mieć wyznaczoną osobę odpowiedzialną za jego zatwierdzenie.

Po czwarte, zmierz wartości bazowe, zanim zaczniesz. Jeśli nie wiesz, ile czasu zajmuje obecnie zamknięcie ksiąg ani jaki jest obecny poziom błędu prognoz, nie możesz udowodnić, że sztuczna inteligencja coś poprawiła.

Te cztery kroki brzmią prosto — i takie właśnie są. Jednak większość organizacji pomija dwa lub trzy z nich, ponieważ zbyt niecierpliwie chce przejść do technologii. To właśnie stąd bierze się większość rozczarowań.

Śledź jego działalność

Możesz śledzić działalność Andrew Lokenautha na LinkedInie, YouTubie oraz na jego osobistej stronie internetowej. Możesz też zajrzeć do The Finance Newsletter oraz na stronę BeFluentInFinance.com.

W The CFO Club pojawi się więcej wywiadów z ekspertami!