Ekonomi- och operativa chefen säger att det verkliga AI-projektet är rena data, inte smart automatisering

Dave Leaver är CFOO på Mention Me, ett B2B SaaS-företag i serie B inom rekommendationer och ambassadörskap.

Vi satte oss ner med Dave för att ta reda på var AI ger störst hävstång i ekonomiarbetsflöden. Här är vad han sa.

CFO:er bör kunna ange riktningen — inte bara rapportera om den

Jag heter Dave. Jag är CFOO på Mention Me, ett B2B SaaS-företag i London. Jag är också medgrundare av HP-1, ett DTC-varumärke som drivs av en kreatör och som jag bygger från grunden.

Min väg var inte konventionell. Jag började med att satsa på en karriär inom professionell idrott. När det inte blev av utbildade jag mig till revisor — och flyttade sedan till Sydney för att söka solen.

Mer än tjugo år senare har jag arbetat med konsultverksamhet på KPMG, inom FMCG och i ASX-noterade företag, lett ekonomifunktioner åt kändisar och byggt upp djup erfarenhet av teknikstartupbolag med stöd av VC- och PE-kapital på båda sidor av världen. Jag har byggt ekonomifunktioner från grunden, skalat företag över kontinenter och haft ansvar för resultaträkningar värda hundratals miljoner.

Men jag passade aldrig in i stereotypen av den tråkiga revisorn. Jag älskar enkelhet, och jag tycker att arbete måste vara resultatinriktat. Om en uppgift inte för något framåt tar jag bort den.

Den instinkten fick mig att gå på tvärs med hur ekonomifunktioner traditionellt arbetar. Noggrant, korrekt och ett steg efter verksamheten — så siffrorna blir rätt, men när analysen väl når fram är besluten redan fattade.

När AI kom tog jag därför till mig det — inte som en trend att följa, utan som ett sätt att rensa bort manuellt arbete. Jag lägger mindre tid på att rapportera siffror och mer tid på vad de betyder och vart verksamheten bör ta vägen härnäst. Samma system som jag använder för att driva mina egna företag ger mig siffror i realtid, styrelsematerial som berättar en historia i stället för att bara rapportera den och en slimmad ekonomifunktion som kan skalas utan att antalet anställda ökar.

Jag anser att en CFO bör kunna ange riktningen, inte bara rapportera om den i efterhand.

Ett slimmat team som drivs av AI

Mention Me är ett B2B SaaS-företag i serie B inom rekommendationer och ambassadörskap, med huvudkontor i London och finansiering från Octopus Ventures och Eight Roads. Vi säljer till varumärken i Storbritannien, Europa och längre bort.

Mitt ansvarsområde är bredare än enbart ekonomi. Det omfattar ekonomi, HR och personal, strategi och verksamhet — så jag är lika nära hur vi rekryterar och organiserar oss som jag är siffrorna.

Strukturen är medvetet slimmad. Ett litet internt team hanterar kärnverksamheten, medan en utkontrakterad funktion stödjer det transaktionella arbetet. Funktionen drivs av AI. Vi har automatiserat rapportering, datapipelines och förstahandsanalys — arbete som tidigare krävde fler personer. Det gör att teamet kan lägga sin tid på bedömningar i stället för produktion.

Jag har använt samma angreppssätt i min egen roll. Jag har byggt en AI-”stabschef” som hjälper mig att hantera vardagen, sorterar min inkorg, markerar vad som behöver besvaras, fångar upp åtgärder från möten och samlar allt i en morgonbriefing, så att jag börjar varje dag med att veta exakt var jag ska fokusera.

Där AI briljerar jämfört med där människor behövs

AI står för produktionen, människor står för bedömningarna — för det mesta.

På AI-sidan finns allt som involverar mönster, beräkningar eller sammanställning. Det omfattar sifferarbetet i prognoser, att bygga modellen, att rulla fram faktiska utfall och att justera scenarier. Vid avvikelseanalys är AI mycket bra på att upptäcka förändringar och identifiera deras källa. Den hanterar också kassaflödesmodellering, det praktiska arbetet med styrelsematerialet och en första omgång kommentarer. I princip är det här arbetet som tidigare åt upp hela veckan. AI är snabbare än jag, blir inte trött och gör inte aritmetiska misstag klockan nio på kvällen.

Människor hanterar uttryckligen allt som får konsekvenser eller kräver den kontext som maskinen saknar. Kapitalallokering — att besluta vart nästa pund ska gå — är en bedömning av strategi och riskaptit, inte en beräkning.

Detsamma gäller antagandena bakom varje prognos: AI kan köra modellen, men att avgöra om vi verkligen kommer att slutföra affären eller behålla det priset är en mänsklig bedömning, och resultatet är bara så bra som den bedömningen. Riskbedömning, allt som involverar människor och allt jag lägger fram för styrelsen med mitt namn på — det är mitt ansvar.

Anledningen till gränsdragningen är enkel. AI är lysande på att berätta ”vad” och ”var”. Den är betydligt svagare på ”varför” och har inget eget ansvar för frågan ”så vad gör vi åt det?”.

Avvikelseanalys är det tydligaste exemplet: AI berättar för mig att siffran har förändrats och pekar på drivkraften inom några sekunder. Vad vi gör härnäst — det är den del jag får betalt för.

Så kan bokslutet vid månadens slut kortas från 10 dagar till 3 dagar

Jag har nyligen minskat tiden det tar att slutföra månadsbokslutet från tio dagar till tre.

Tidigare var jag tvungen att hämta siffrorna, stämma av dem, bygga presentationen, skriva kommentarerna och bygga om diagrammen — det mesta för hand, med en eller två personer som hanterade merparten. När styrelseunderlaget väl kom fram beskrev det en situation som var flera veckor inaktuell.

Jag automatiserade produktionen och lät människorna stå för bedömningarna. Nu slutför vi bokslutet på tre dagar — inklusive styrelseunderlaget och uppdaterade prognoser.

Här är processen, från rådata i huvudboken till ett styrelseklart underlag.

1. Processen börjar med data. I stället för att exportera siffror och klistra in dem i ett kalkylblad hämtar plattformen livedata från källsystem — huvudboken, lönehanteringen, säljtratten och prenumerationsmåtten — till en enda sammanhängande modell. Bara detta steg eliminerar det mesta av det manuella arbetet och felen vid kopiering och inklistring.
2. Den strukturerar och kontrollerar data: Den standardiserar siffrorna, flaggar automatiskt avstämningsproblem och uppdaterar prognosen utifrån det faktiska utfallet i samma körning, så att framåtblicken aldrig släpar efter den rapporterade bilden.
3. Den bygger resultaten. Diagrammen och styrelseunderlaget sammanställs från samma källa, och AI skriver ett första utkast till kommentarer om vad som har förändrats, så att jag börjar med ett utkast i stället för en tom sida.
4. Människan tar över — den del som spelar roll. Jag stresstestar berättelsen och avgör vad styrelsen behöver höra: vad som är en tillfällig avvikelse, vad som är strukturellt och vilket beslut jag rekommenderar. Maskinen levererar ett starkt utkast på några timmar; bedömningen av vad det betyder förblir min.

AI hanterar produktionen från början till slut, ända fram till den punkt där konsekvenserna börjar. Där kliver jag in.

Hastigheten och kvaliteten förbättrades samtidigt. Underlaget speglar var verksamheten befinner sig nu, inte för tre veckor sedan. Eftersom jag inte längre behöver kämpa med att få siffrorna på plats kan jag ägna tid åt att forma berättelsen, förstå vad som driver förändringarna och avgöra vilka beslut som ska presenteras för styrelsen. Kort sagt slutade vi rapportera siffrorna och började förklara dem.

För- och nackdelarna med AI inom finans

De goda resultaten går att mäta. Utöver förbättringarna av månadsbokslutet tar scenarioplanering nu minuter i stället för en eller två dagar. Och genom att automatisera produktionsarbetet har vi sparat över sexsiffriga kostnader för personal inom finans som funktionen annars skulle ha behövt — en kostnadsbesparing som betalar för allt annat.

En mindre uppenbar, kvalitativ vinst är den tid jag har sparat. De timmar jag tidigare lade på att sammanställa siffror går nu till att tolka dem, vilket gör samtalen med styrelsen skarpare och omvandlar funktionen från en rapporteringsfunktion till en beslutsfattande funktion.

Men det finns en verklig nackdel. AI har ibland självsäkert fel. Den ger välformulerade svar som ändå är subtilt felaktiga — ett feltolkat antagande, en siffra som inte stämmer vid avstämning. Dess språkliga säkerhet gör det lätt att lita på den utan att kontrollera.

Be den om livsråd, så ser du samma sak i en mer underhållande form: den är oerhört självsäker, håller vanligtvis med dig och har ofta fullständigt nonsens till svar.

Finansversionen är bara svårare att upptäcka. I början gick jag på det mer än en gång. Jag har behövt bygga upp och förankra en disciplin i teamet där AI:s resultat behandlas som ett första utkast, aldrig som ett slutgiltigt svar. En människa kontrollerar fortfarande varje siffra som presenteras för styrelsen.

Varför CFO:er måste lägga grunden innan AI integreras

Dave berättar

Datafundamentet är själva projektet, inte uppvärmningen inför det… Magin fungerar först när det tråkiga grundarbetet är klart.

Datafundamentet är själva projektet, inte uppvärmningen inför det.

När jag började trodde jag att det svåra och värdefulla arbetet var AI:n: modellerna, automatiseringen och de smarta resultaten. Jag såg rensningen och sammanlänkningen av data som en snabb förberedelse innan det riktiga byggarbetet började. Det var precis tvärtom.

Grundarbetet var själva bygget. Merparten av arbetet, och det mesta som avgjorde om det faktiskt fungerade, fanns i det oansenliga lagret: rena data, en genomtänkt struktur och tillförlitliga anslutningar till källsystemen.

Som ett resultat lade jag tidigt ner arbete på att bygga smarta funktioner ovanpå data som inte var redo, och fick välpolerade resultat som jag inte fullt ut kunde lita på. Det innebar att jag ändå behövde gå tillbaka och göra grundarbetet i efterhand. Om jag hade vetat det skulle jag ha lagt upp arbetet i motsatt ordning: Få infrastrukturen på plats först och lägg sedan intelligensen ovanpå. Samma mål, hälften så mycket bortkastad tid och energi.

Magin fungerar först när det tråkiga grundarbetet är gjort.

Så kan CFO:er förbättra personalplaneringen med AI

I de flesta företag, och särskilt inom SaaS där personalen med bred marginal är den största kostnaden, är personalplaneringen fortfarande ett trubbigt verktyg. Dessa företag använder ett kalkylblad med roller, en rekryteringsplan som fastställs vid budgeteringen och ett antal som alla betraktar som fast tills något tvingar fram en omprövning. Det är märkligt eftersom detta är den största enskilda hävstången som en CFO kontrollerar, men den modelleras ofta på det minst dynamiska sättet.

Jag gjorde om vår metod för personalplanering och gick från en statisk lista till en drivkraftsbaserad modell som var kopplad till resten av planen. I stället för ”vi kommer att anställa tolv personer i år” blir det ”den här rollen utlöses av den här mängden i säljtratten, den här av den här intäktströskeln ...”, så att rekryteringar kopplas till det som motiverar dem.

Eftersom den finns i den sammanlänkade modellen kan jag justera den direkt: lägga till en rekrytering, ändra tidpunkten och se hur effekten slår igenom i resultaträkningen, kassapositionen och den finansiella uthålligheten.

Som ett resultat slutade personalstyrkan att vara en årlig gissning och blev i stället ett beslut i realtid. När någon frågar ”Har vi råd med den här rekryteringen?” kan jag svara under mötet, inte utifrån magkänslan utan utifrån dess påverkan på den finansiella uthålligheten och tidpunkten. Det gör ett av de mest avgörande och känsloladdade samtalen i företaget till ett samtal som i stunden vilar på siffror.

Därför är Claude ett oumbärligt verktyg för CFO:er

Claude är utan tvekan mitt förstahandsverktyg. Det är inte ett finansverktyg för ett enda ändamål, och det är precis därför jag tycker så mycket om det; det hanterar allt som andra verktyg inte kan anpassa sig till.

Ärligt talat förväntade jag mig mer av färdiga finansverktyg som har byggt in ”AI” i en befintlig produkt. De flesta är chattfönster ovanpå samma programvara, och de förändrar inte på något meningsfullt sätt hur arbetet utförs. De gör en uppgift bra – om ens det.

Men Claude kan göra allt. Det bygger modellerna, skriver utkast till styrelsekommentarerna, granskar data, skriver analyserna och fungerar som den tänkande partner som jag prövar beslut mot. Det hanterar det breda spektrum av uppgifter som fyller min vecka och anpassar sig till vad jag än ger det härnäst.

Det största misstaget CFO:er gör med AI

Här är mitt råd:

1. Det största misstaget jag ser CFO:er göra är att behandla AI som ett inköpsbeslut — en tolv månader lång utvärdering, pilot och utrullning. Jag har gjort det misstaget. När den processen är klar har verktygen redan ändrats två gånger. Använd i stället AI själv, i verkligt arbete, den här veckan. Du lär dig mer om var det hjälper och var det vilseleder dig under två veckors praktisk användning än från någon leverantörsdemonstration.
2. Vänta inte på det perfekta verktyget. Marknaden för färdiga lösningar erbjuder fortfarande till största delen en chattruta som monterats ovanpå gammal programvara. Du kan bygga mer än du tror; tröskeln för att skapa egna lösningar har sjunkit dramatiskt. CFO:er som kommer att dra ifrån kommer att se detta som en förmåga att utveckla snarare än en tjänst att köpa.
3. Viktigast av allt: få den tråkiga delen rätt. Rena data och välfungerande processer är inte bara en oansenlig förutsättning för AI; de är hela grunden. AI ovanpå röriga data producerar bara självsäkert nonsens snabbare. Fixa grunderna först.
4. Och behåll ditt omdöme i centrum. AI förändrar hur arbete utförs, inte vem som är ansvarig för det. Den färdighet som är viktigare än någonsin är inte att producera analysen — det är att veta om den stämmer och vad man ska göra åt det. Det är fortfarande jobbet. Det har det alltid varit.

Följ med

Du kan följa Dave Leavers arbete på LinkedIn.

Fler expertintervjuer kommer på The CFO Club!