AI bygger om rapporteringscykeln

Innan Andrew Lokenauth grundade TheFinanceNewsletter.com och BeFluentInFinance.com hade han direktörs- och VP-roller inom finans på flera välkända banker. I dag är han en opinionsbildare inom finansiella discipliner med över 3 miljoner följare.

Vi pratade med Andrew för att få en bild av vad AI gör med branschen — riskerna och möjligheterna. Här är vad han berättade.

Automatisering innan AI blev ett modeord

Jag började min karriär på Citi och arbetade sedan på Goldman Sachs, AIG, JPMorgan och Signature Bank i roller inom FP&A, strategisk finans, investerarrelationer och företagsutveckling. Jag automatiserade finansiella arbetsflöden med Python, SQL och VBA långt innan AI blev ett samtalsämne. På Goldman kortade jag ner rapporteringscyklerna för resultat- och balansräkningar med flera dagar. På Signature Bank byggde jag system som minskade tiden från analys till insikt för ledningen från flera dagar till under 24 timmar. När generativ AI kom kändes det inte omvälvande. Det kändes som det naturliga nästa steget i det arbete jag redan hade utfört i nästan två decennier.

Efter att ha lämnat den institutionella finansvärlden grundade jag TheFinanceNewsletter.com och BeFluentInFinance.com, där jag skriver om finans och teknik för över 100 000 prenumeranter på nyhetsbrev och över 3 miljoner följare i sociala medier. Mina insikter i ämnet har publicerats i Forbes, CNBC, Wall Street Journal och Business Insider. Jag fortsätter att skriva om det av samma anledning som jag blev intresserad av det: det mesta av samtalet är fortfarande för teoretiskt, för leverantörsdrivet och för långt från hur finans faktiskt fungerar i praktiken.

Jag driver också en rådgivningsverksamhet på deltid, där jag arbetar som extern CFO och COO för snabbväxande startupföretag och medelstora företag med intäkter på mellan $1M och $5M.

Så förändrar AI månadsrapporteringen

Den största förändringen i mitt arbete under de senaste 12 månaderna har varit att ersätta statiska månadsrapporteringspaket med ett AI-drivet FP&A-lager ovanpå kundens centrala ekonomisystem. Det hämtar data från bokföringsprogram, CRM och lönesystem och genomför automatiserad avvikelseanalys löpande.

Tidigare brukade ett ekonomiteam ägna månadens första fem till sju arbetsdagar åt att hämta data, stämma av den och formatera en presentation som redan var inaktuell när ledningen fick se den. Nu finns samma insikt tillgänglig inom några timmar, där AI hanterar datainsamling och identifiering av avvikelser och en människa granskar resultatet med hänsyn till sammanhang och bedömningar.

Resultatet har varit konsekvent i alla uppdrag:

• Månadsboksluten blir ungefär 30 till 40 % kortare.
• Produktionen av styrelsepresentationer minskar från cirka 3 dagar till under 6 timmar.
• Felfrekvensen sjunker eftersom färre manuella steg innebär färre manuella misstag.
• Ekonomiteamen kan lägga sin energi på faktisk affärsanalys i stället för datainsamling.
• Kvaliteten på besluten i hela verksamheten förbättras eftersom CFO:n kan analysera ekonomin i realtid.

Tekniken är inte komplicerad. Det som de flesta team saknar är viljan att göra om arbetsflödet.

En AI-driven arbetsprocess för månadsbokslut och rapportering

Här är en steg-för-steg-genomgång av arbetsprocessen för månadsbokslut och rapportering:

1. Automatiserad datahämtning via Fivetran: En schemalagd pipeline hämtar data från bokföringsprogram, CRM och lönesystem till en ren, centraliserad databas var 24:e timme.
2. AI-driven avstämning och avvikelseflagging via BlackLine: AI-lagret jämför utfall med budget för varje större post, flaggar avvikelser över definierade tröskelvärden och genererar en lättförståelig förklaring av varje flagga.
3. Manuell granskning: Ekonomiansvarig granskar varje flaggad post, lägger till affärssammanhang och avgör vad som behöver eskaleras. Personen får hjälp av FloQast AI med kommentarer om förändringar.
4. Instrumentpanel och narrativ rapportering via Datarails: Ett formaterat styrelsepresentationsmaterial och sammanfattning för ledningen genereras automatiskt från de granskade uppgifterna och är klara för distribution.

Det som tidigare tog tre dagar tar nu 4 till 6 timmar.

Verkliga exempel på hur AI hjälper och skadar månadsrapporteringen

Andrews tankar

Ett resultat som ser övertygande ut är inte samma sak som ett tillförlitligt resultat.

Här är ett exempel. Jag arbetade med ett fintechföretag i serie B där vi implementerade ett AI-drivet system för övervakning av kassaflödet som flaggade en koncentrationsrisk bland kunderna sex veckor innan den utvecklades till ett likviditetsproblem.

Modellen upptäckte ett mönster i förfallna kundfordringar som en mänsklig granskare hade missat under de föregående månadsboksluten. Den enda upptäckten var värd mer än hela kostnaden för implementeringen.

På den negativa sidan hade jag en kund vars AI-genererade prognos avvek med 15 till 20 % under månader med stora variationer i faktureringen. Modellen hade tränats på historiska mönster som inte återspeglade en nylig förändring i intäktsmixen. Resultatet såg välpolerat och övertygande ut, och någon ifrågasatte det inte förrän CFO:n upptäckte avvikelsen under ett styrelsemöte.

Ett resultat som ser övertygande ut är inte samma sak som ett tillförlitligt resultat.

AI äger ”vad” – människor äger ”och vad betyder det?”

De aktiviteter som lämpar sig bäst för AI är de som har tydliga regler, historiska mönster och hög repetitionsgrad. Jag använder AI för:

• Körningar av prognosmodeller
• Avvikelseanalys
• Scenariomodellering av kassaflöden
• Avvikelsedetektering
• Rutinrapportering

Där människor fortfarande är involverade är i beslut om kapitalallokering, riskbedömningar, avtalsförhandlingar, investerarkommunikation, tolkningar av regelverk och allt som kräver förståelse av affärssammanhang som inte finns i uppgifterna. En modell kan flagga att er burn rate ökar. Den kan inte berätta att orsaken är ett problem i relationen till en grundare eller att en säljare medvetet underskattar sin pipeline.

Den mentala modell jag använder är denna: AI äger ”vad”, människor äger ”och vad betyder det?”.

Detta är ett av de mest praktiska sätten att tänka kring AI-integration i ekonomifunktionen. Det ena utan det andra är ofullständigt, och båda felaktiga angreppssätten – överautomatisering eller otillräcklig automatisering – kostar organisationer riktiga pengar.

Varför överautomatisering och överdriven tilltro till AI är stora risker för ekonomiteam

AI medför många fördelar. Men nackdelarna är också verkliga.

AI skapar en falsk känsla av trygghet när den underliggande datan inte är ren. Jag har sett ekonomiteam lita på AI-genererade avvikelserapporter utan att ifrågasätta kvaliteten på källdatan, och det skapar verkliga risker.

Det finns också en fälla med överautomatisering: när du tar bort mänsklig granskning från för många steg förlorar du den verksamhetskunskap som upptäcker sådant som modeller inte kan se.

Jag tycker att branschen behöver mer ärlig rapportering om detta och mindre leverantörshype.

Där AI inte räcker till

När det gäller ekonomi brister AI främst på tre områden.

För det första förväntade jag mig att AI skulle ha kommit längre när det gäller tolkning av efterlevnadskrav och regulatoriska bedömningar. Under mina år på Signature Bank och Amalgamated Bank byggde en stor del av arbetet med finansiell kontroll på nyanserade bedömningar: att läsa regulatorisk vägledning, förutse granskares förväntningar och veta när ett tal tekniskt sett godkänns men ändå bör flaggas. AI-verktyg kan i dag hitta relevanta regler och sammanfatta vägledningsdokument. Men de kan inte återskapa den bedömningsförmåga som kommer av att i åratal ha suttit mitt emot tillsynsmyndigheter.

För det andra handlar det om generering av revisionsspår och förklarbarhet i komplexa finansiella arbetsflöden. När jag ansvarade för investerarrelationer på Signature Bank, en institution på över 110 miljarder dollar, hade varje siffra som ingick i en SEC-rapport, ett resultatsamtal eller en regulatorisk rapportering ett dokumenterat revisionsspår och en tydlig mänsklig ansvarig. AI-genererade resultat, särskilt sådana som produceras av system baserade på stora språkmodeller, har sällan en tankekedja som skulle tillfredsställa en tillsynsmyndighet eller extern revisor. Resultatet kan vara korrekt, men du kan inte alltid visa hur du kom fram till det på det sätt som en miljö med efterlevnadskrav kräver.

Och för det tredje handlar det om företag i tidiga skeden med bristfällig datainfrastruktur. AI-löftet förutsätter relativt rena och sammanlänkade data. De flesta nystartade företag har inte det. Låt oss gå djupare in på det.

Varför varje AI-initiativ bör börja med en datarevision

Andrews tankar

Datakvaliteten är den verkliga flaskhalsen. Inte modellen, inte verktyget, inte leverantören…Varje AI-initiativ bör börja med en datarevision, inte med valet av verktyg.

Datakvaliteten är den verkliga flaskhalsen. Inte modellen, inte verktyget, inte leverantören. Jag gick in i mitt första AI-stödda ekonomiprojekt och förväntade mig att tekniken skulle vara den svåra delen. Det var den inte. Den svåra delen var att upptäcka att företagets finansiella data fanns i tre olika system som inte kommunicerade med varandra, med inkonsekventa namnstandarder och flera månaders saknade poster. Vi lade ungefär 60 % av projektets tidsplan på datarensning innan AI-verktygen kunde göra något användbart.

Varje AI-initiativ bör börja med en datarevision, inte med valet av verktyg. Ta reda på vilka data du har, var de finns, hur rena de är och om de är tillräckligt strukturerade för att en modell ska kunna lära sig av dem. Det enda steget skulle spara veckor av omarbete och återställa ledningens förväntningar mycket tidigare.

Den gamla modellen var att anställa fler personer för att ta fram fler insikter. Den nya modellen är att bygga bättre datainfrastruktur och sedan låta AI mångfaldiga det befintliga teamets resultat. Det är ett annat beslut om kapitalallokering, och de flesta ekonomichefer har ännu inte fattat det.

Så förändras ekonomiteamen på grund av AI

Den största förändringen jag har sett i team är att det juniora analytikerskiktet blir mindre. Uppgifter som tidigare krävde 2 till 3 analytiker för att hämta data, göra avstämningar och genomföra grundläggande avvikelseanalyser kan nu hanteras av ett AI-lager med en person som övervakar resultatet. Det betyder inte alltid att antalet anställda minskar. Oftare omfördelas samma personalstyrka till arbete med högre värde: verksamhetssamarbete, scenarioanalys, investerarkommunikation och strategisk planering.

Kompetensprofilen för en stark ekonomirekrytering förändras också. De bästa personerna jag letar efter nu är inte bara bra på redovisning eller finansiell modellering. De förstår hur man arbetar med AI-resultat, vet när man ska lita på en modell och när man ska ifrågasätta den, och kan kommunicera finansiella insikter tydligt till intressenter utanför ekonomiavdelningen. Den kombinationen av finansiell noggrannhet, AI-kompetens och kommunikationsförmåga är ovanlig just nu och betingar en premie.

Vad ekonomichefer måste lära sig för att lyckas under det kommande decenniet

De ekonomichefer som lyckas under det kommande decenniet kommer att se mycket annorlunda ut än de som lyckades under det föregående decenniet. De tekniska ekonomikunskaperna (modellering, rapportering, efterlevnad) kommer i allt högre grad att vara grundläggande baskrav som hanteras av AI. De färdigheter som kännetecknar en framstående ekonomichef kommer att vara omdöme, kommunikation, strategiskt tänkande och förmågan att leda genom osäkerhet.

Mitt råd är att investera i de färdigheter som AI inte kan efterlikna. Bygg starkare relationer med företagsledare. Förbättra din förmåga att kommunicera finansiella insikter till målgrupper utanför finansområdet. Utveckla äkta strategiskt omdöme, inte bara färdigheter inom finansiell analys. Det är dessa förmågor som kommer att definiera framstående CFO:er i en AI-förstärkt framtid.

Fyra steg som varje CFO bör ta

Fyra saker som jag skulle säga till varje CFO just nu:

För det första: genomför en datarevision innan du gör något annat. Ta reda på var dina finansiella data finns, hur rena de är och om de är tillräckligt strukturerade för att en modell ska kunna arbeta med dem.

För det andra: börja med ett arbetsflöde. De CFO:er jag har sett lyckas med AI väljer den process i sin funktion som orsakar mest problem och upprepas mest — vanligtvis månadsbokslutet eller styrelsepresentationen — och utformar sedan arbetsflödet på nytt innan de automatiserar det. Den ordningsföljden spelar roll. Bygg arbetsflödet på papper innan du bygger det i ett verktyg. Dokumentera varje steg i den process du vill automatisera, identifiera vilka steg som är regelbaserade (AI-redo) och vilka som kräver omdöme (kräver mänsklig medverkan), och bygg sedan därefter.

För det tredje: definiera kontrollpunkter för mänsklig granskning innan du går live. Varje AI-resultat i ett finansiellt arbetsflöde bör ha en ansvarig person som godkänner det.

För det fjärde: mät utgångsläget innan du börjar. Om du inte vet hur lång tid ditt nuvarande bokslut tar eller vilken felprocent din nuvarande prognos har, kan du inte bevisa att AI har gjort det bättre.

De här fyra stegen låter enkla, och det är de. Men de flesta organisationer hoppar över två eller tre av dem eftersom de är ivriga att komma till tekniken. Det är därifrån den största delen av besvikelsen kommer.

Följ med

Du kan följa Andrew Lokenauths arbete på LinkedIn, YouTube och hans personliga webbplats. Eller besök The Finance Newsletter och hans webbplats BeFluentInFinance.com.

Fler expertintervjuer kommer snart på The CFO Club!