Hälso- och tekniksektorns ekonomichef säger att det svåra inte är AI – utan det som finns under ytan

Fernando Blumenkron är ekonomichef på det globala företaget inom hälsoteknik Eden. Han implementerar för närvarande AI i ekonomiprocesserna, med särskilt fokus på fakturering, kravhantering och kostnadskategorisering.

Vi satte oss ner med Fernando för att ta reda på vad han framgångsrikt har automatiserat. Han sa att framgången beror på den underliggande infrastrukturen.

Skala upp ekonomiavdelningen bortom startupgenomförande

Jag leder ekonomiavdelningen på Eden, ett AI-baserat företag inom hälsoteknik med bas i USA som är verksamt i hela Latinamerika. Företaget befinner sig i en tillväxtfas, med en amerikansk moderbolagsstruktur och komplex kommersiell, juridisk och skattemässig verksamhet i Mexiko, Brasilien, Colombia och andra regionala marknader.

Ekonomifunktionen omfattar en verksamhet med flera juridiska enheter och valutor, med SaaS- och användningsbaserade intäkter, implementeringstjänster, distributörsrelationer, företagskunder, lokala faktureringskrav, valutaexponering samt kostnadshantering för AI och infrastruktur.

Teamet är litet och bygger på ekonomifunktionens centrala verksamhetsområden: FP&A, redovisning, fakturering, kravhantering, matchning av inbetalningar, skatt och regelefterlevnad samt strategisk ekonomi. En stor del av min roll är att skala upp ekonomiavdelningen från startupgenomförande till en mer institutionaliserad verksamhetsmodell, med starkare kontroller, bättre data, renare O2C-processer och ett närmare samarbete med försäljning, juridik, verksamheten och produktteamet.

Så förändrar AI ekonomiverksamheten

Under det senaste året har vi flyttat delar av ekonomiavdelningen från manuell datasammanställning till AI-assisterad processövervakning, särskilt inom fakturering, kravhantering och kostnadskategorisering.

Tidigare lade ekonomiteamet för mycket tid på att hämta data från olika system, rensa rapporter, kontrollera fakturastatus, granska förfallna fordringar, kategorisera kostnader och manuellt identifiera behov av uppföljning. Arbetet var nödvändigt, men mycket operativt och reaktivt.

Vi införde AI-baserade arbetsflöden som övervakar ekonomisk data, synliggör avvikelser, klassificerar transaktioner, identifierar prioriteringar inom kravhanteringen och förbereder det första analyslagret för mänsklig granskning. Målet var inte att ersätta ekonomiavdelningens bedömningar, utan att ta bort det repetitiva förberedelsearbete som hindrade teamet från att fokusera på beslut.

Som ett resultat blev ekonomiavdelningen snabbare och mer proaktiv. Teamet lägger nu mindre tid på att sammanställa information och mer tid på att agera utifrån den: prioritera försenade konton, identifiera faktureringsluckor tidigare, förbättra kostnadssynligheten och eskalera problem med bättre sammanhang. Den största förbättringen är att AI flyttade oss från att ”rapportera vad som har hänt” till att ”upptäcka vad som behöver uppmärksammas”.

Så effektiviserar AI ekonomiavdelningens kravhanteringsprocess

Som ett exempel bygger vi ett AI-drivet arbetsflöde för kravhantering.

Ekonomiavdelningen strävar efter att hantera kravhanteringen i en enda applikation, vilket eliminerar behovet av att växla mellan faktureringsdata, rapporter över förfallna fordringar, e-post, Slack, betalningsuppgifter och kundanteckningar.

AI identifierar förfallna konton, läser betalnings- och kommunikationshistoriken, prioriterar risker och rekommenderar nästa åtgärd: påminnelse, eskalering, banner, betalningsplan eller juridisk granskning. Systemet genererar sedan meddelandet, följer upp svaret, uppdaterar ärendet och eskalerar vid behov.

Allt sker inom Claudes företagsversion, som skyddar känslig information och även hanterar tokenanvändningen.

Människor godkänner fortfarande känsliga åtgärder, men arbetsflödet blir mer automatiserat, centraliserat och proaktivt.

Varför ekonomiska bedömningar fortfarande behöver mänsklig fingertoppskänsla

Det leder mig till en annan punkt.

AI kommer att driva prognosunderlag, stöd för budgetering, avvikelseanalys, kostnadskategorisering, prioritering av kravärenden, identifiering av faktureringsundantag, övervakning av kassaflödet och riskmarkering. Men mänskligt omdöme krävs fortfarande för budgetgodkännande, kapitalallokering, kreditbeslut, betalningsplaner, juridisk eskalering, investerarkommunikation och avvägningar kring kassans uthållighet.

Principen är enkel: AI ska snabbare synliggöra risker, mönster och alternativ. Ekonomifunktionen äger fortfarande beslutet, ansvaret och verksamhetens avvägningar.

Hur AI skapar falsk trygghet om datainfrastrukturen är bristfällig

Fernandos tankar

I slutändan är AI inte den svåra delen. Den svåra delen är rena data, tydligt ägarskap och en väldefinierad process.

Resultaten är fortfarande tidiga, eftersom detta är en del av vår färdplan och ännu inte fullt ut skalat.

Den främsta fördelen är förstås hastigheten: mindre tid går åt till att sammanställa och rensa data, och det går snabbare att identifiera faktureringsluckor, prioriteringar för kravhantering, kostnadsproblem och drivkrafter bakom avvikelser.

Den kvalitativa förbättringen handlar om fokus: ekonomifunktionen kan ägna mer tid åt bedömningar och eskalering och mindre tid åt den första analysen.

Den främsta nackdelen är datakvaliteten. AI kan skapa falsk trygghet om källdatan är ofullständig eller dåligt strukturerad.

Det har inte heller eliminerat behovet av rena system och kontroller. Om faktureringsdata, kundstatus, avtal eller kostnadskategorier är inkonsekventa kan AI producera snabbare analyser, men inte nödvändigtvis bättre analyser.

I slutändan är AI inte den svåra delen. Den svåra delen är rena data, tydligt ägarskap och en väldefinierad process.

Lägg därför mer tid i början på att definiera datamodellen, reglerna för undantag, godkännandepunkterna och lagren för mänsklig granskning innan ni försöker automatisera. Om vi hade gjort det skulle vi ha kunnat undvika mycket omarbete och många falska positiva resultat.

Hur AI omdefinierar ekonomisk styrning och prognostisering

AI visar att styrning inte behöver innebära fler kontrollpunkter, kalkylblad eller godkännanden. I många fall kommer starkare styrning från bättre insyn i realtid: att upptäcka undantag tidigare, flagga ovanliga mönster och dirigera problem till rätt person före månadsslutet.

AI har också förändrat hur vi ser på prognostisering. Prognosen bör inte vara en statisk månatlig övning. Den bör bli en levande modell som kontinuerligt uppdateras när nya signaler kommer in.

Varför CFO:er bör utforma om order-till-betalningsprocessen för AI

CFO:er behöver utforma om order-till-betalningsprocessen.

Målet bör vara ett integrerat, automatiserat och granskningsbart flöde från orderläggning till fakturering, kravhantering och betalningsmatchning, så att verksamheten kan frigöra kassaflöde så snabbt som möjligt.

Det innebär att AI bör hjälpa till att upptäcka faktureringsluckor, utlösa kravåtgärder, prioritera kravhantering, stämma av betalningar, flagga tvister och eskalera risker – allt inom ett sammanhängande arbetsflöde.

Vi utformar om detta område så att ekonomifunktionen går från manuell uppföljning och reaktiv kravhantering till proaktiv intäktsstyrning.

Det önskade resultatet är enkelt: snabbare kassakonvertering, färre missade fakturor, bättre kontroller, bättre granskningsbarhet och mer tid för ekonomifunktionen att ägna åt bedömningar i stället för att jaga data.

Hur CFO:er kan utnyttja AI för kontinuerlig förbättring

Mitt råd? CFO:er bör spela in och dokumentera allt. I en AI-driven verksamhetsmodell gäller att om något inte fångas upp, har det inte hänt.

Den största möjligheten är att ge teamen möjlighet att göra mer med mindre: högre produktion, snabbare analyser och mer tid för bedömningar, snarare än manuell förberedelse.

Men den verkliga destinationen är inte bara individuell produktivitet; det handlar om att bygga loopar för kontinuerlig förbättring där AI ständigt observerar processen, identifierar friktion, rekommenderar lösningar och gör arbetet enklare och effektivare över tid.

Ekonomifunktionen bör röra sig i den här riktningen: inte bara använda AI som ett verktyg, utan utforma ekonomiprocesser som förbättrar sig själva dygnet runt, alla dagar i veckan.

Följ med

Följ arbetet av Fernando Blumenkron på LinkedIn.

Fler expertintervjuer kommer på The CFO Club!