AI-nativ finansexpert delar sina arbetsflöden – och hur han gör dem granskningsbara

Sergei Mochtchenkov har arbetat med finans i mer än 20 år, bland annat i CFO-roller. Nu är han fraktionerad CFO och har rådgivit över 300 klienter inom en mängd olika branscher.

Vi satte oss ner med Sergei för att lära oss mer om de arbetsflöden och verktyg han använder i finansorganisationer. Här är vad han berättade.

En AI-infödd CFO

Jag heter Sergei Mochtchenkov och är CFA. Jag är en fraktionerad CFO baserad i Kyiv och arbetar med företag i Nordamerika, Europa och andra delar av världen. Jag har arbetat med finans i mer än 20 år: finansiell modellering, värdering, investeringsanalys och datavisualisering (Excel, Power BI, SQL). Under den tiden har jag gett råd till fler än 300 klienter, stöttat skuld- och aktietransaktioner på över 1 miljard dollar samt flera börsintroduktioner inom tekniksektorn, och varit CFO eller chefsanalytiker för verksamheter som sträcker sig från en AI-driven plattform för influencer-marknadsföring till en fastighetsfond i Kalifornien.

Strukturen är medvetet slimmad. Jag sitter högst upp som CFO och chefsanalytiker; ett litet team hanterar bokföring, avstämningar och rapportering, medan AI-agenter arbetar däremellan — tolkar kontoutdrag, kategoriserar transaktioner, granskar modeller och utarbetar rapporter. Komplexiteten kommer mindre från antalet medarbetare än från variationen: strukturer med flera enheter, koncerninterna konton, investerarvattenfall, SAFE-avtal och ägarförteckningar samt en blandning av ekonomisystem (QuickBooks, Xero, Odoo, Shopify och Amazon Seller Central).

Min väg till AI var praktisk, inte teoretisk. Fraktionerat arbete innebär att betjäna många klienter samtidigt, och flaskhalsen var alltid densamma: timmar som gick åt till att rensa data, bygga om modeller och granska kalkylblad innan något verkligt tänkande kunde börja. När AI blev tillräckligt tillförlitlig för att läsa en huvudbok, tolka kontoutdrag eller spåra en bruten formelkedja byggde jag om min verksamhet kring den.

I dag positionerar jag mig som en AI-infödd fraktionerad CFO: AI gör det tunga arbetet med data och första utkast, medan jag ägnar min tid åt bedömningar — vad siffrorna betyder och vad ägaren bör göra härnäst.

Så effektiviserar AI databeredningen i finansverksamheten

Här är den största förändringen jag har gjort med AI: jag slutade behandla förberedelsen av rådata som mänskligt arbete.

Varje nytt uppdrag började med flera dagars grovjobb — att ladda ner PDF-kontoutdrag från flera banker, konvertera dem halvmanuellt och sedan kategorisera tusentals transaktioner rad för rad innan någon analys kunde påbörjas. Fel smög sig in, och den dyraste personen i uppdraget ägnade sin tid åt den minst värdefulla uppgiften.

Därför byggde jag en AI-assisterad process. Claude skriver och kör Python (med pdfplumber), som tolkar kontoutdrag från olika banker och omvandlar dem till rena Excel-filer, och varje resultat valideras genom en fullständig balansavstämning — ingående balans plus transaktioner måste vara lika med utgående balans, period för period — så att inget godtas utan kontroll. Transaktionerna hamnar sedan i en Supabase-databas där AI kategoriserar dem enligt mappningsregler som jag definierar och godkänner, och allt tvetydigt skickas vidare till mig. I ett nyligt uppdrag omfattade detta fyra enheter hos fyra mycket olika banker — amerikanska och saudiska, neobanker och traditionella banker.

Som resultat minskade genomloppstiden för datafasen kraftigt, noggrannheten ökade eftersom valideringen är systematisk i stället för stickprovsmässig, och min tid flyttades från inmatning till bedömning — att granska undantag, koncerninterna flöden och närståendeposter, vilket är där de verkliga insikterna finns.

Så driver AI modellgranskningar

Jag genomför ofta granskningar och ombyggnader av finansiella modeller. Så här gör jag:

• Steg 1 — Fastställ reglerna: Skapa ett Claude-projekt med skriftliga instruktioner: namnkonventioner, leveranser enbart på engelska, formler som oformaterad text samt filer som ingår respektive inte ingår i omfattningen.
• Steg 2 — Inventering och beroendekarta: Claude använder Python (openpyxl) för att katalogisera varje blad, namngivet område, extern länk, hårdkodat tal och formelmönster och bygger sedan en karta över vad som matar vad. Vi ändrar inte några celler förrän vi förstår modellens struktur.
• Steg 3 — Feljakt: AI spårar beräkningskedjor mot modellens avsedda logik — vattenfallsmodeller, IRR, skuldscheman och kassaflöde — och tar fram en fellista med information om cellplatser, allvarlighetsgrad och påverkan i dollar. Innan vi klassificerar något som ett fel som är värt att åtgärda kontrollerar vi om något längre ned i kedjan läser den cellen.
• Steg 4 — Genomförande i två chattar: Jag använder en huvudchatt för avgränsning och granskning samt en separat genomförandechatt. Genomförandechatten får ett skriftligt uppgiftsunderlag åt gången, utför det och kontrollerar självständigt huvudchattens resonemang. När två AI-genomgångar inte överensstämmer signalerar den till mig att undersöka saken vidare.
• Steg 5 — Verifiering: Jag genomför fullständiga omberäkningar, skanningar efter noll fel, avstämningar mot källdokument och stresstester av viktiga scenarier. Därefter granskar jag själv ändringarna och logiken.

Varför AI hanterar data och människor hanterar bedömningar

När det gäller var AI ska användas och var människor ska användas är min regel enkel: AI förbereder, testar och utarbetar utkast; en människa fattar beslut och undertecknar.

Jag förlitar mig på AI för:

• Dataimport och avstämning: tolkning av kontoutdrag, kategorisering av transaktioner samt analys av kundfordringar och leverantörsskulder.
• Modellgranskning: spårning av formelkedjor, identifiering av brutna länkar, hårdkodade åsidosättanden och latenta fel i kundmodeller. AI läser tusentals formler utan att bli trött.
• Prognostisering: För e-handelskunder har jag byggt system för efterfrågeprognoser som rensar data, normaliserar för säsongsvariationer och annonsutgifter samt tar fram försäljningsintervall med 95 % konfidensband som matar en inköpsplan.
• Avvikelseanalys
• Kommentarer i första utkastet
• Scenariokörningar
• Efterforskning, till exempel konkurrensjämförelser och marknadsdata

Det som uttryckligen förblir mänskligt:

• Antaganden: En modell är bara så bra som den tillväxttakt, kapitaliseringsränta eller kundbortfallsantagande som ligger bakom den, och detta kräver förståelse för verksamheten och människorna som driver den.
• Kapitalallokering, värderingsslutsatser och allt som skickas till en investerare, långivare eller styrelse i mitt namn: Som CFA-innehavare är jag ansvarig för slutsatsen, och ansvar kan inte delegeras till en modell.
• Beslut om människor och relationer: Kostnadsbesparingar som påverkar roller, förhandlingar och samtalet med en grundare vars plan inte fungerar.

De två främsta fördelarna med AI inom finans

Omfattningen av verifieringen har varit en stor fördel med AI. Den kontrollerar uttömmande arbete som tidigare kontrollerades genom stickprov. Nyliga exempel omfattar: en arbetsbok för verifiering av 134 mätvärden inför en filmproduktions investerarpresentation, där vi spårade varje siffra i presentationen tillbaka till källdokument; ett offertverktyg för en kund med 126 uppgifter och cirka 1 200 formler, som levererade noll formelfel; samt en konvertering av kontoutdrag för fyra enheter där varje period klarade en fullständig balansavstämning.

Kostnaden är en annan fördel. AI gör det möjligt för organisationer att automatisera repetitiva uppgifter och processer. Det gör det också enkelt att säga upp oanvända programvarulicenser och minska marknadsföringsutgifterna i kanaler som presterar dåligt.

Lärdomar från de områden där AI har svårt att leverera

AI-fel är farliga just eftersom de ser professionella ut. Jag har sett välpolerade resultat med en felaktig områdesreferens eller en feltolkad radpost som skulle kunna passera en ytlig granskning. Ett litet men talande exempel: formler som citerades i en rapport innehöll ett inledande likhetstecken, så kalkylarket försökte utvärdera dem, vilket ledde till brutna referenser och falska varningar om cirkelreferenser. Nu föreskriver en stående regel att formler i leveranser ska skrivas som oformaterad text.

AI kommer också gärna att ”åtgärda” sådant som inte spelar någon roll. Innan jag beslutar om ett värde ska återställas eller korrigeras kontrollerar jag först om något längre ned i kedjan faktiskt läser det. Denna enkla disciplin sparar mycket bortkastat arbete.

Och här är ett par specifika områden där AI inte levererar:

• Stora äldre Excel-modeller: Jag förväntade mig att AI bara skulle förstå och åtgärda en modell med 30 flikar. Det gör den inte. Stora arbetsböcker med externa länkar, dolda blad, gammal VBA eller ActiveX-kontroller och åratal av ändringar överväldigar den — den tappar tråden mellan flikarna och föreslår lösningar som förstör något på annat håll. Långsammare och mer disciplinerade metoder fungerar bättre: börja med att skapa en inventering och en beroendekarta över modellen; låt sedan AI arbeta med en avgränsad uppgift i taget, följt av en separat kontroll av resultatet. AI är en skicklig analytiker, men ännu inte en arkitekt.
• Prognoser vid regimskiften: Statistiska prognoser och maskininlärningsprognoser fungerar utmärkt när framtiden liknar det förflutna — exempelvis säsongsbunden efterfrågan inom e-handel. Eftersom jag bor och arbetar i Ukraina ser jag ofta hur dåligt historiebaserade modeller hanterar krig, sanktioner, valutachocker och plötslig kostnadsinflation. I sådana miljöer producerar AI självsäkra siffror utan verklig grund; scenariotänkande och mänskligt omdöme är betydligt viktigare.

Och en mindre sak: transaktionskategorisering planar ut. AI hanterar huvuddelen bra, men den tvetydiga återstoden — överföringar mellan närstående parter, ägarutgifter och koncerninterna flöden — är precis där redovisningsrisken finns, och det kräver fortfarande en mänsklig regelbok.

Hur AI introducerar dolda kostnadsrisker inom finans

Ekonomichefer måste hålla ett öga på beräkningskostnaden som en dold rörlig kostnad för sålda varor.

Många ledare ser fortfarande AI som programvara — en fast prenumeration. För AI-baserade produkter är det inte så. Varje användaråtgärd kan utlösa modellkörningar, och kostnaden för inferens ökar med användningen, promptens längd och valet av modell. Det förvandlar något som ser ut som en SaaS-verksamhet med hög marginal till något med verkliga och volatila rörliga kostnader. Jag ser regelbundet AI-startups vars bruttomarginaler i det tysta minskar när de växer, eftersom deras modelldesign förutsatte marginaler som för programvara och ingen följde upp kostnaden per kund, funktion eller transaktion.

Lösningen är grundläggande ekonomisk disciplin tillämpad på en ny kostnadspost: Mät enhetsekonomin på nivån för varje AI-anrop, redovisa beräkningskostnader som kostnad för sålda varor där de hör hemma, sätt upp budgetar och varningar, anpassa modellens storlek efter uppgiften och prissätt produkten med beräkningskostnaden i åtanke. Kontroll av beräkningskostnader är nu ett centralt ansvar för ekonomichefen i alla AI-intensiva verksamheter — inte en teknisk detalj.

Så hanterar du AI

AI behöver styrning, inte bara promptar. Till en början behandlade jag det som ett mycket snabbt verktyg, men det beter sig mycket mer som en briljant nyanställd utan minne av gårdagen och med en stark vilja att vara hjälpsam. Här är tre saker jag skulle säga till mitt tidigare jag om jag kunde:

• Skriv ner reglerna en gång. Alla företag har outtalade konventioner — hur procentsatser visas, vilka konton som visas i vilken rapport, hur formler dokumenteras och på vilket språk leveranser ska vara. Om de bara finns i ditt huvud kommer AI att göra något annat varje gång, på ett sätt som verkar "rimligt".
• Skilj på frågor och ändringar. Fråga AI varför ett tal ser märkligt ut, så kommer den ofta att "rätta" det. Min stående regel nu är: när jag ställer en fråga svarar AI först och väntar på godkännande innan den ändrar något. Tidigt hade det förhindrat flera tysta redigeringar som jag var tvungen att återställa.
• Håll uppgifterna små och lämna originalet orört. Mina första försök gav AI för mycket på en gång — "granska hela den här modellen och åtgärda den". Resultaten såg imponerande ut och var svåra att verifiera. Avgränsade uppdragsbeskrivningar, en ändring i taget, en ren kopia av originalet och en ändringslogg gör varje steg kontrollerbart.

De här tre sakerna skulle ha sparat mig timmar av omarbete, några pinsamma nästan-misstag som upptäcktes vid granskning och den felaktiga tron, under en tid, att AI:s främsta värde är snabbhet. Det främsta värdet är att du har råd att verifiera allt — men bara om du utformar processen för det.

Så kan AI användas inom rörelsekapital

De flesta ekonomiteam hanterar fortfarande kundfordringar, leverantörsskulder och lager med månadsrapporter och magkänsla, trots att det är här kontanter skapas eller binds. Men AI är ovanligt starkt inom detta område eftersom indata är omfattande, repetitiva och innehåller mönster som människor inte har tid att upptäcka.

Två områden som jag har gjort om:

• Lager- och inköpsplanering för e-handel: För varumärken inom sportkläder, badkläder, leksaker och proteinbars ersatte vi "beställ om det som sålde förra säsongen" med ett prognossystem som jag redan kort har berört. Vi rensar försäljningshistoriken, normaliserar för säsongsvariationer och annonsutgifter, prognostiserar efterfrågan med 95-procentiga intervall och tar sedan fram en inköpsplan som uttryckligen väger lagringskostnad, bruttomarginal, avkastning på eget kapital, volymrabatter och leverantörens ledtid mot varandra. Resultatet är ett inköpsbeslut baserat på ett spann av möjliga utfall, där kostnaden för att ha fel åt endera hållet synliggörs på förhand — i stället för en enda gissning.
• Kundfordringar, leverantörsskulder och kommunikation: Jag bygger Claude-drivna analyser av kundfordringar, leverantörsskulder och företagets egen kommunikation, så att ekonomiavdelningen inte bara ser att en faktura är försenad, utan också varför — en tvist, ett leveransproblem eller en kund under press — och kan agera tidigare. Samma perspektiv upptäcker dubbla eller ovanliga leverantörsbetalningar och leverantörsvillkor som gradvis har förändrats utan att någon uppmärksammat det.

Varför Claude Code och Cowork förändrar spelplanen inom ekonomi

Claude förändrar spelplanen — särskilt i sin agentbaserade form (Claude Code och Cowork), där det inte bara chattar utan arbetar med filer, skriver och kör Python, läser och bygger Excel-modeller samt ansluter till databaser och affärsapplikationer.

Med det kan jag tolka kontoutdrag, granska en modell med 30 flikar, bygga ett prognossystem, skriva ett investerarmemo och bygga ett dataunderlag som är klart för Power BI — och, vilket är viktigt, det skriver kod som jag kan behålla, köra om och granska, i stället för att bara ge mig svar. Instruktioner på projektnivå gör att jag kan ange varje kunds regler en gång, så att arbetet förblir konsekvent mellan sessionerna.

Men Excel förblir ovärderligt. Det är fortfarande det språk som investerare, långivare och styrelser läser, och de bästa AI-arbetsflödena jag kör avslutas med ett rent och transparent kalkylblad som en människa kan kontrollera rad för rad.

Så förändrar AI team och utbildningsvägar

Pyramiden har blivit en diamant. Traditionellt behöver en ekonomifunktion många juniora medarbetare som arbetar med datainmatning, avstämningar och första utkast till modeller, några seniora medarbetare som granskar dem och en partner högst upp. I dag gör AI det mesta av detta grundarbete.

Därför har den kompetensmix jag söker förändrats. Mindre värde i snabbhet vid databearbetning och mycket mer i tre saker: att förstå hur ett företag tjänar pengar, förmågan att skriva en exakt arbetsbeskrivning och testa resultatet samt självförtroendet att säga till en grundare att en siffra eller en plan är fel.

Den öppna frågan för yrket gäller utbildningsvägen. Juniorer brukade lära sig genom att utföra grovjobbet. Om AI gör det måste vi medvetet lära ut omdöme — genom att låta människor granska, ifrågasätta och förklara AI-resultat i stället för att skapa dem från grunden.

Fem råd till CFO:er

Här är mina råd till CFO:er:

• Använd AI själv den här veckan i verkligt arbete. Delegera inte AI till en innovationskommitté och vänta inte på den perfekta utrullningen i hela företaget. Ta en smärtsam, repetitiv process – en avstämning, en modellgranskning, ett första utkast till ett styrelseunderlag – och gör den personligen med AI. Du kan inte leda en omvandling som du inte själv har upplevt.
• Utforma kontrollerna innan du skalar upp. Varje AI-arbetsflöde behöver en inbyggd kontroll som inte bygger på att man litar på AI: en genomgång av saldon, en avstämning mot huvudboken, en andra oberoende genomgång. AI gör fel snabbare och mer övertygande än en junior analytiker, så din kontrolldesign måste vara bättre än tidigare.
• Behåll omdöme och ansvar hos människor. Låt AI förbereda, testa och ta fram utkast; låt människor behålla ansvaret för antaganden, kapitalallokering och allt som undertecknas i ditt namn. Skriv ner den gränsen så att ditt team vet var den går.
• Bygg om teamet, inte bara verktygen. Framtidens ekonomiteam är mindre, mer senior och mer analytiskt. Investera i personer som kan formulera frågor, utmana siffror och prata med verksamheten – de färdigheterna förstärks av AI; ren databehandling gör det inte.
• Mät värde, inte aktivitet. Snabbare rapportering är bra, men den verkliga frågan är om du hittar mer värde: marginaler som du inte såg, kapital som är bundet på fel plats, en affär som har prissatts fel. Om AI frigör ekonomiteamets tid och den tiden inte går till beslut har du bara automatiserat det gamla arbetet.

Följ arbetet

Du kan följa Sergei Mochtchenkovs arbete på LinkedIn. Besök också aistartupcfo.com och financialmodeling.net.

Fler expertintervjuer kommer snart i CFO-klubben!