Senior direktör för LinkedIns system för ekonomichefen säger att AI förändrar ekonomifunktionen från rapporteringsfunktion till operativsystem

Pankaj Prasoon är Senior Director för CFO-system och teknik på LinkedIn. Han har två decenniers erfarenhet av arbete på ansedda organisationer som Microsoft och Infosys.

Vi intervjuade Pankaj för att få veta hur han bygger om ekonomifunktionen från grunden. Han berättade vad som fungerar med AI-drivna ekonomiprocesser – och vad som inte gör det.

Att förändra ekonomifunktionen från rapporteringsfunktion till operativsystem

Jag har tillbringat närmare två decennier i skärningspunkten mellan ekonomi, företagssystem och produktutveckling – inom organisationer som Microsoft, Infosys och nu LinkedIn, där jag hjälper till att forma framtidens ekonomiteknik.

Min resa började inte med AI. Den började med frustration. Frustrationen över att sitta i rum där två system visade två olika siffror. Frustrationen över att ekonomiteam ägnade mer tid åt att stämma av det förflutna än åt att forma framtiden. Frustrationen över att se otroligt skickliga ekonomichefer begränsas av fragmenterade system och fördröjda insikter.

AI fungerar som en förändringsdrivande kraft. Den blottlägger allt som redan var trasigt:

• Stela processer
• Fördröjda insikter
• Överdrivet beroende av manuella bedömningar
• System utformade för kontroll, inte intelligens

Det som entusiasmerar mig med den här tidpunkten är inte automatisering – det är förstärkning. För första gången kan ekonomichefer gå från efterklokhet till framförhållning, från rapportering till påverkan och från effektivitet till ändamålsenlighet.

I dag fokuserar jag på att bygga det jag kallar en modell för strategi och plattformar för finansteknik – där arkitektur, produktutvecklingstänkande och AI förenas för att skapa ett system som inte bara följer verksamheten, utan aktivt formar den. Framtidens ekonomi handlar nämligen inte om att stänga böckerna snabbare. Den handlar om att hjälpa verksamheten att fatta bättre beslut innan siffrorna ens är skrivna.

Pankaj delar med sig

AI fungerar som en förändringsdrivande kraft. Den blottlägger allt som redan var trasigt.

Att leda LinkedIns CFO-organisation

Jag leder teknik och plattformar för ekonomifunktionen inom LinkedIns CFO-organisation – en global verksamhet värd flera miljarder dollar som bedrivs i stor skala över geografiska marknader, produkter och regulatoriska miljöer.

Komplexiteten är den man kan förvänta sig i det här skedet:

• Flera intäktsströmmar inom Talent Solutions, marknadsföring och Premium
• En global närvaro med regionsspecifika krav på regelefterlevnad, skatter och operativa modeller
• Djup integration mellan ekonomi-, försäljnings-, HR- och produktsystem

Men den verkliga utmaningen är inte omfattningen. Det är sammankopplingen.

Ekonomifunktionen står i dag i centrum för varje kritiskt beslut:

• Planering och prognostisering genom dynamiska verksamhetscykler
• Att hantera kapitalallokering med allt större precision
• Att stödja tillväxt och samtidigt upprätthålla disciplin och kontroller

Vi arbetar mindre som ett traditionellt teknikteam för ekonomi och mer som en produktorganisation inbäddad i ekonomifunktionen – med ansvar inte bara för systemen, utan även för resultaten. På den här skalan handlar ekonomi nämligen inte bara om att hantera siffror. Det handlar om att forma hur företaget fattar beslut snabbt, tydligt och med tillförsikt.

Var CFO:er måste börja med AI

De flesta CFO:er inleder sin AI-resa med att tänka på användningsområden, verktyg, leverantörer och avkastning på investeringen. Men AI verkar inte isolerat. Den bygger ovanpå dina data, dina processer, din operativa modell och din beslutsdisciplin.

Om dessa delar är fragmenterade förenklar AI dem inte; den förstärker fragmenteringen. Du får inte bättre svar. Du får snabbare felaktiga svar.

Innan du frågar: ”Var kan vi använda AI?” bör du därför fråga: ”Är vårt ekonomisystem utformat för att producera konsekventa data som är redo att ligga till grund för beslut?” AI är nämligen inte en strategi. Den accelererar det system du redan har.

Fokusera på:

• En tydlig källa till sanning (definitioner, mätvärden, styrning)
• Standardiserade processer inom ekonomiområden
• En stark grund för data och arkitektur
• En kultur som värdesätter att ifrågasätta resultat, inte acceptera dem

Hur AI-integration förbättrar ekonomiprocesser

Här är de förbättringar jag har sett med AI inom ekonomi:

• Minskad cykeltid (30–60 %): Avvikelseanalys som tidigare tog 2–3 dagar sker nu på några timmar, och stödaktiviteter vid månadsbokslut (analys, stöd vid avstämningar) har minskat betydligt. Det är här AI ger omedelbara resultat — snabbhet.
• Prognosprecision (5–15 % förbättring på kort sikt): Kortsiktiga prognoser (4–8 veckor) förbättrades avsevärt; AI identifierade ledande indikatorer som människor ignorerade (användningstrender, beteendesignaler). Men en viktig nyansering: Precisionen förbättrades mer i stabila miljöer och mindre i volatila.
• Ökad produktivitet (20–40 % ökad analytikerkapacitet): Analytiker lägger mindre tid på att samla in data och mer tid på att tolka den. En analytiker kan nu täcka det som tidigare krävde 1,5–2 heltidstjänster. Det leder inte alltid till kostnadsminskningar — det leder till bättre fördelning av kompetens.
• Tidigare riskupptäckt (dagar → nästan i realtid): Kassaflödesrisker, avvikelser och extremvärden identifieras snabbare; överraskningsmomentet i verksamhetsgenomgångar har minskat. Det här är subtilt men kraftfullt — färre eskaleringar i sista minuten.

Här är det som inte förbättrades (eller blev sämre):

• Övertro på resultaten: AI-genererade beskrivningar låter korrekta även när de är fel. I början började team lita på resultaten utan att ifrågasätta dem, vilket är farligare än manuella fel.
• Falsk precision: AI skapar en illusion av säkerhet: ”Prognosen anger 97,2 % konfidens”. Men ekonomiska beslut är inte enbart probabilistiska övningar — de omfattar strategi, timing och sammanhang.
• Data­beroendet blottlade svaga grunder: AI löste inte dataproblemen. Det förstärkte dem: inkonsekventa hierarkier, bristande masterdata och fragmenterade system. Dålig data in, förstärkt dålig data ut.
• Begränsad påverkan på långsiktig planering: AI hade svårt med årsplanering, strategiska scenarier och beslut om kapitalallokering. Eftersom detta inte är mönsterproblem — de är omdömesproblem.

Den obekväma sanningen är att AI inte minskade ekonomifunktionens kostnader så mycket som människor förväntade sig. Den flyttade kostnaden från arbetskraft till beräkningskraft, från manuellt arbete till modellstyrning och från analytiker till ingenjörer och datainfrastruktur.

Varför AI informerar ekonomiska beslut, men människor står för omdömet

Det enklaste sättet att se på uppdelningen mellan AI-uppgifter och mänskliga uppgifter är: AI bör informera om mönster; människor bör fatta åtaganden.

Jag förlitar mig på AI inom områden där omfattning, snabbhet och mönsterigenkänning är viktigare än omdöme:

• Prognostisering (kortsiktig och rullande): AI är utmärkt på att ta in flera signaler — historiska data, säsongsvariationer, pipeline-data och externa indikatorer — och kontinuerligt uppdatera prognoser. Det eliminerar snedvridningen i statisk, kalenderstyrd planering.
• Avvikelseanalys: AI kan omedelbart bryta ned avvikelser över tusentals dimensioner: vad som förändrades, var det förändrades och vad som sannolikt orsakade det. Tidigare tog detta dagar. Nu sker det nästan i realtid.
• Kassaflödesmönster: Inte beslutsfattande, utan signaldetektering: trender i betalningsbeteende, inkasseringsrisker och likviditetsmönster. AI hjälper till att synliggöra risker tidigare än traditionella rapporter.
• Riskdetektering (operativ och finansiell): AI är mycket effektivt på att identifiera avvikelser: ovanliga transaktioner, avvikelser från kontroller och avvikande beteenden. Det ”förstår” inte risk, men markerar var man bör titta.

Men jag låter det vara uttryckligen mänskligt inom områden där sammanhang, avvägningar och ansvar är viktiga:

• Kapitalallokering: Ingen modell förstår strategi, timing eller konkurrenspositionering på det sätt som ledningen gör. AI kan informera scenarier — men kan inte avgöra var man ska satsa.
• Långsiktig planering och budgetering: Budgetar är inte prognoser — de är åtaganden. De speglar avsikter, prioriteringar och avvägningar i hela organisationen.
• Slutliga riskbeslut: AI kan uppmärksamma avvikelser, men vilken risk är acceptabel? Vilken avvägning är värd att göra? Det är beslut för ledningen, inte modellresultat.
• Affärspartner och påverkan: Ekonomi handlar inte bara om siffror — det handlar om att påverka beslut: utmana antaganden, läsa av rummet och förstå avsikten bakom förfrågningar. AI har ingen kontext för mänsklig dynamik.

Om AI fattar dina beslut har du gått för långt. Om AI inte informerar dina beslut använder du det inte tillräckligt.

Varför AI inte har automatiserat ekonomifunktionen fullt ut

Berättelsen var: ”AI kommer att automatisera ekonomi.”

Det hände inte. Det automatiserade delar av arbetsflödena, men introducerade nya lager:

• Validering av modeller
• Hantering av undantag
• Styrnings- och revisionskrav

Verkligheten är att man inte tar bort människor — man flyttar dem till tillsynsroller.

Varför införandet av AI är ett beteendeproblem

På tal om människor: införandet av AI är inte ett teknikproblem — det är ett beteendeproblem.

Inledningsvis antog jag att om vi byggde rätt modeller skulle människor använda dem → insikterna skulle komma snabbare → besluten skulle förbättras → insikterna skulle komma ännu snabbare → noggrannheten skulle förbättras → och förtroendet skulle följa.

Allt logiskt. Allt ofullständigt. Vi byggde något tekniskt starkt: bättre avvikelsedetektering, snabbare insikter och tydligare berättelser. Ändå var införandet ojämnt.

Eftersom ekonomiteamen inte hade problem med brist på insikter. De hade problem med att släppa taget om hur de alltid hade arbetat.

Analytiker byggde fortfarande om modeller i Excel ”bara för att validera”. Ledare litade på det de förstod, inte på det modellen föreslog. Granskningar var fortfarande förankrade i gamla format, inte i nya insikter.

Systemet förändrades. Beteendet gjorde det inte — åtminstone inte omedelbart.

Jag önskar att jag hade gjort detta:

• Börja med verksamhetsmodellen, inte modellens noggrannhet: Definiera hur besluten ska förändras, hur möten ska se ut och vad som ska tas bort, inte bara läggas till. I stället för att fråga: ”Är modellen korrekt?” fråga: ”Kommer detta att ersätta något som människor gör i dag?”
• Utforma för förtroende, inte bara intelligens: Förtroende kommer inte från noggrannhetsmått eller teknisk sofistikering. Det kommer från transparens, förklarbarhet och konsekvens över tid. Jag skulle tidigare ha investerat i att göra resultaten möjliga att ifrågasätta, inte bara imponerande.
• Överinvestera i förändringsledning: Vi behandlade det som en systemutrullning. Det var det inte. Det var ett skifte i tankesätt – från att bygga analyser till att granska insikter, från kontroll till samarbete med AI och från visshet till sannolikhetstänkande.
• Åtgärda data och definitioner först (mer än vi gjorde): Vi visste att data var viktigt. Vi underskattade hur viktigt. AI tolererar inte tvetydighet.

Jag hade kunnat undvika:

• Omarbetscykler där team byggde om det som AI redan hade producerat
• Överdriven teknisk utformning av modeller som inte förändrade besluten
• Tidig skepsis som egentligen berodde på bristande förtroende, inte bristande noggrannhet
• Den felaktiga tron att bättre resultat = automatiskt införande

Varför AI omformar antaganden om ekonomisk kontroll

Inom ekonomi tränas vi att tänka: mer kontroll = större noggrannhet; fler godkännanden = mindre risk; mer struktur = bättre resultat. Därför byggde vi system som var: rigida, sekventiella och utformade för att förhindra misstag.

Vi optimerade för förutsägbarhet, inte responsivitet; för granskningsbarhet, inte alltid för beslutskvalitet.

Det fungerade — men till en kostnad: snabbhet, anpassningsförmåga och ibland även tydlighet.

AI fungerar inte bra i rigida miljöer. Den trivs med: kontinuerliga dataflöden, dynamiska indata och signaler i realtid. Den visade mig att kontroll inte kommer från begränsningar — den kommer från insyn.

Jag var tvungen att gå från:

• Förebygga fel i förväg → Upptäcka och korrigera dem snabbt
• Periodiska granskningar (månadsvis/kvartalsvis) → Kontinuerlig övervakning
• Kontrollpunkter med mänsklig inblandning överallt → Undantagsbaserade ingripanden

Här blev detta tydligt:

• Prognostisering: gick från statiska, kalenderstyrda prognoser → kontinuerligt uppdaterade, signalstyrda prognoser
• Finansiella kontroller: minskade omfattande förhandsgodkännanden → ökade realtidsbaserad avvikelsedetektering och validering efter händelsen
• Kapitalallokering: gick från säkerhet → sannolikhetsbaserat tänkande och scenariobaserat tänkande

Förändringen är enkel, men svår. Du måste gå från kontroll genom begränsningar till kontroll genom intelligens och insyn. Och när du väl ser det kan du inte gå tillbaka. Eftersom målet med ekonomi inte är att förhindra varje misstag. Det är att möjliggöra bättre beslut, snabbare — med tillräcklig kontroll, inte maximal kontroll.

Varför CFO:er bör göra om prognostiseringen

De flesta ekonomiavdelningar arbetar fortfarande med prognostisering som om det vore 2005: månatliga cykler, statiska antaganden, omfattande manuell konsolidering och bakåtblickande granskningar.

AI passar inte in i den modellen.

Vi gick från kalenderstyrd prognostisering, månatliga uppdateringar, avvikelseanalys efter periodens slut, bakåtblickande granskningar och omfattande förberedelsearbete till signalstyrd prognostisering:

• Kontinuerligt prognostiseringslager: realtidssignaler och kontinuerligt uppdaterade prognoser
• AI-först för avvikelsedetektering: systemet flaggar förändringar och ekonomiavdelningen granskar undantag
• Beslutsorienterade granskningar: Gå från ”Vad hände?” till ”Vad kommer att hända?”

Här är resultaten:

• Tid till insikt ↓ ~50%
• Prognosernas relevans ↑ betydligt
• Ekonomifunktionen skiftade till att bli en beslutspartner.
• Analytikernas produktivitet ↑ 30–40%

Gör om prognostiseringen till ett kontinuerligt, signalstyrt system. När det väl förändras blir ekonomi en aktiv aktör i verksamheten.

Så förbättrar AI prognostisering och avvikelseanalys

Det är fortfarande tidigt för mig på LinkedIn, så här är ett exempel från en tidigare omvandling där vi integrerade AI direkt i processen för prognostisering och avvikelseanalys.

Ekonomiteamen ägnade en oproportionerligt stor del av sin tid åt att förklara vad som hade hänt:

• Manuell avvikelseanalys över hundratals kostnadsställen
• Statiska prognoser som uppdaterades månadsvis eller kvartalsvis.
• Stort beroende av Excel-modeller och mänsklig mönsterigenkänning
• När insikterna var klara hade verksamheten redan gått vidare.

Vi hade data — men inget skalbart sätt att tolka den. Därför introducerade vi ett AI-drivet lager ovanpå våra planerings- och utfallsdata som kunde:

• Automatiskt upptäcka avvikelser och drivkrafter bakom avvikelser över olika dimensioner (region, produkt, kostnadskategori)
• Generera berättelser på första nivån som förklarade ”varför” — inte bara ”vad”.
• Kontinuerligt uppdatera prognoser baserat på ledande indikatorer, inte bara historiska trender.

Men den verkliga förändringen var inte modellen — det var verksamhetsmodellen:

• Ekonomifunktionen gick från att bygga analyser till att granska och ifrågasätta insikter.
• Prognostiseringen blev mer kontinuerlig och mindre kalenderstyrd
• Verksamhetsgranskningar gick från ”vad som hände förra månaden” till ”vad som kommer att hända härnäst”.

Förbättringarna var tydliga. Cykeltiden för avvikelseanalys minskade från dagar till timmar. Prognosprecisionen förbättrades eftersom vi införlivade realtidssignaler i stället för eftersläpande indata. Och framför allt fick ekonomifunktionen en plats tidigare i beslutsfattandet, inte först i efterhand.

Den viktigaste lärdomen? AI ersatte inte ekonomifunktionens omdöme – det tvingade oss att använda det där det faktiskt spelar roll. För ekonomifunktionens värde ligger inte i att förklara det förflutna bättre. Det ligger i att hjälpa verksamheten att agera på framtiden tidigare.

Varför AI har svårt med berättelser för avvikelseanalys

Ett område där vi såg tydliga begränsningar var AI-genererade berättelser för avvikelseanalys kopplade till finansiell rapportering.

Siffrorna stämde. Men berättelsen stämde inte alltid. Modellen tillskrev exempelvis ökade rörelsekostnader till ”ökad rekrytering i nyckelregioner” – rimligt, men fel. Den faktiska drivkraften var en engångsomklassificering i redovisningen och en tidsförskjutning av upplupna kostnader. Modellen matchade mönster, inte verkligheten.

Resultatet blev alltså att den var inexakt, inte spårbar, och att den urholkade förtroendet för teamet. Så här åtgärdade vi det:

• AI genererar signaler och hypoteser, inte slutliga berättelser.
• Varje resultat måste vara spårbart.
• Vi införde lager för ”konfidens + evidens”.

Mänsklig validering blev explicit, inte underförstådd.

Så kan CFO:er leda en AI-driven omvandling av ekonomifunktionen

Här är mitt råd: Jaga inte AI. Få ordning på ekonomifunktionen – AI kommer att följa efter.

• Börja med systemet, inte verktyget.
• Gör om arbetet, automatisera det inte bara.
• Skilj signal från omdöme.
• Investera i förtroende innan du skalar upp.
• Acceptera att kostnader kommer att förskjutas, inte försvinna.
• Led själv förändringen av arbetssätt och beteenden.
• Bygg ett ”operativsystem för ekonomifunktionen”, inte isolerade pilotprojekt.

AI kommer inte att göra dig till en bättre CFO. Men det kommer att avslöja om din ekonomifunktion från början var utformad för att skala upp användningen av intelligens.

Pankaj delar med sig

Jaga inte AI. Få ordning på ekonomifunktionen – AI kommer att följa efter.

Följ med

Följ Pankaj Prasoon när han fortsätter att forma ekonomifunktionens framtid på LinkedIn. Besök även hans personliga webbplats.

Fler expertintervjuer kommer snart på The CFO Club!