AI-agenter spelar ingen roll utan införande

Sibaranjan Patnaik är finans- och strategidirektör på det Indienbaserade GCC:t för ett stort teknikföretag. Med 16 års erfarenhet har han arbetat inom både redovisning och FP&A, vilket har gett honom en omfattande förståelse för hur ekonomifunktioner fungerar.

Vi pratade med Sibaranjan för att lära oss mer om de interna finansagenter han bygger — och varför AI-framgång definieras av de människor som använder den. Här är vad han sa.

Den tekniska omvandlingen av ekonomifunktionen sker äntligen

Jag är Siba — finans- och strategidirektör med cirka 16 års erfarenhet.

Jag började inom redovisning, gick vidare till FP&A, och den resan genom båda sidorna av funktionen har gett mig en helhetsbild av hur ekonomifunktionen fungerar i vardagen — inte bara planerings- och prognoslagret, utan även den transaktions- och rapporteringsmotor som ligger under det.

I dag har mitt ansvarsområde utvidgats bortom ekonomifunktionen — jag leder teknikteam, intäktsfunktioner och flera verksamhetsområden samtidigt och arbetar lika mycket som tvärfunktionell ledare som ekonomichef. Den bredden förändrar hur man ser på omvandling — man slutar se den som ett ekonomiproblem och börjar se den som ett organisatoriskt problem.

Så här i efterhand tycker jag nästan att det är roligt: Under hela min karriär har jag hört talas om teknikdriven omvandling av ekonomifunktionen. Bättre verktyg. Smartare system. Excels död. Ändå har kärnprocessen varit densamma på varje arbetsplats jag kommit till — oavsett om det varit ett stort FMCG-företag, en global återförsäljare eller ett GCC. Hämta data, stäm av den, bygg modellen, formatera presentationen, skicka den vidare. Excel, varje gång.

Vi hade instrumentpaneler som byggde på manuella datauttag. Vi hade planeringsverktyg som fortfarande krävde att någon övervakade antagandena. Tekniken fanns på vissa håll, men omvandlingen kom aldrig riktigt.

Det som är annorlunda nu — och jag säger detta som någon som är skeptisk till hajpen kring ekonomiteknik — är att AI, särskilt agentisk AI, är det första jag har använt som verkligen förändrar det underliggande arbetsflödet, inte bara presentationslagret. I dag använder jag den för att automatisera kommentarer, påskynda scenarioanalyser och hantera det repetitiva analysarbete som tidigare brukade ta upp merparten av en arbetsgrupps vecka.

För första gången i min karriär känner jag verkligen att den utlovade omvandlingen äntligen går i rätt riktning. Och det är detta jag försöker ta med in i samtal när jag handleder unga ekonomer — eftersom möjligheten att ligga steget före är nu.

Att använda AI för att arbeta på en högre strategisk nivå

Jag arbetar för en mogen, börsnoterad organisation med global verksamhet. Jag kommer inte att dela specifika detaljer offentligt — jag vill att det ska vara tydligt att det jag delar här endast är mina personliga observationer — men jag kan säga att jag leder en ekonomiorganisation inom en GCC-struktur i Indien. Det innebär att vi är ett strategiskt leveransnav för en mycket större global funktion.

Komplexiteten är verklig; vi gör mer än backofficehantering. Teamet omfattar FP&A, intäkter och teknikfunktioner och arbetar över flera verksamhetsområden med betydande tvärfunktionella beroenden. I den här miljön balanserar vi ständigt global standardisering mot de lokala förutsättningarna för genomförandet.

Ur ett omvandlingsperspektiv har GCC-verksamheter i Indien historiskt setts som kostnadscentrum — byggda för effektivitet, inte inflytande. Jag försöker i stor utsträckning förändra den uppfattningen, både internt och i hur teamet ser på sig självt. Som ekonomipartner för en global affärsenhet inom ett GCC behöver du arbeta på samma strategiska nivå som alla på huvudkontoret. AI är en viktig del av hur vi överbryggar det gapet.

Varför AI-omvandlingar inom ekonomifunktionen kräver tålamod

Jag har inte ett helt utrullat, heltäckande AI-drivet ekonomiarbetsflöde i produktion i dag. Jag skulle vara skeptisk till alla som påstår att de har det i stor skala, med kontroller, inom en reglerad börsnoterad företagsmiljö. Jag har en tydlig riktning, en uppsättning produktivitetsverktyg som verkligen förändrar hur mitt team och jag arbetar dagligen, samt en pipeline av agenter i olika stadier av utveckling och testning.

På produktivitetssidan använder jag AI-verktyg dagligen för att utforma kommunikation, sammanfatta omfattande rapporter, strukturera analyser, förbereda mig inför verksamhetsgenomgångar och tänka igenom scenarier snabbare än jag skulle kunna göra på egen hand. Det här är inte särskilt glamorösa användningsområden, men de samlade tidsbesparingarna är verkliga och de har förändrat kvaliteten på hur jag deltar i samtal.

Mina aktuella framsteg är mer ambitiösa. Jag bygger mot ett arbetsflöde där agenter hanterar de mekaniska delarna av månadsbokslutet — datakonsolidering, avvikelsemarkering och generering av kommentarer — medan människor kommer in på gransknings- och bedömningsnivån. Arkitekturen finns på plats och testningen pågår. Det tar tid att få allt rätt och att säkerställa att rätt kontroller finns på plats.

Jag delar detta som ett pågående arbete i stället för att framställa det som något färdigt, eftersom jag tycker att ekonomibranschen redan har tillräckligt många som säljer in slutmålet. Det som är värdefullt är att höra hur resan ser ut i realtid — vad som fungerar, vad man håller på att komma fram till och vad som är svårare än väntat.

Det är där jag befinner mig. Jag bygger omsorgsfullt, rör mig stadigt framåt och väntar inte på perfektion innan jag börjar.

Så förbättrar AI avvikelsekommentarer

En nylig förändring jag har gjort gäller avvikelsekommentarer. Alla ekonomiteam gör det. Varje månad, utan undantag, sätter sig någon ner och skriver två till tre sidor som förklarar varför utfallet låg över eller under planen. Rad för rad. I teorin är det viktigt arbete, men i praktiken är ungefär 80 % av det mekaniskt. Siffrorna finns redan där. Avvikelserna är redan beräknade. Det som tar tid är översättningen — att omvandla data till meningar som en intressent utanför ekonomifunktionen kan läsa och agera utifrån.

Innan vi ändrade detta kunde en senior analytiker ägna större delen av en dag enbart åt kommentarerna. Inte för att personen arbetade långsamt — utan för att det verkligen tog så lång tid att göra det ordentligt för flera kostnadsställen och verksamhetsområden. Och när det väl var klart, granskat och formaterat hade tidsfönstret för det samtal som arbetet skulle möjliggöra redan krympt.

Jag byggde en agent som hanterar det första utkastet. Den hämtar siffrorna, identifierar de väsentliga avvikelserna och genererar strukturerade kommentarer på ett enkelt affärsspråk. Analytikerns uppgift är nu att granska, finslipa och lägga till bedömningslagret — det sammanhang som bara en människa med verksamhetskunskap kan bidra med.

Det påverkar hastigheten, men det förändrar också kvaliteten på samtalet. När din analytiker inte är utmattad av att skriva kan personen komma till granskningsmötet och fundera på vad avvikelsen innebär för nästa kvartal — inte bara på vad som hände förra månaden. Det var den förändringen jag ville åstadkomma. En dag av mekaniskt skrivande kan bli två timmars tänkande.

En modell för vad som förblir mänskligt

Min modell är enkel: om det är mekaniskt, automatisera det. Om det kräver bedömning, låt det förbli mänskligt. Det är allt.

Det låter självklart, men de flesta ekonomiteam arbetar inte så. Människor utför mekaniskt arbete och kallar det analys. AI-verktyg står oanvända eftersom ingen tydligt har definierat gränsen.

AI hanterar datakonsolidering, avstämningar, avvikelsemarkering, kommentarer i första utkastet, uppdateringar av prognosmodeller när antaganden förändras, standardiserade rapportpaket och kassaflödesprognoser baserade på historiska mönster. Det här är repetitiva, regelstyrda uppgifter med hög volym. Människor bör inte längre lägga betydande tid på dem. En agent gör det snabbare, mer konsekvent och utan den trötthet som smyger sig på mot slutet av en bokslutscykel.

Människor hanterar allt som kräver sammanhang, relationer och bedömning. Vad innebär den här avvikelsen för verksamheten? Bör vi omfördela kapital till det här initiativet eller avvakta med hänsyn till marknadsförhållandena? Hur bör vi presentera den här risken för ledningen? Är den här prognosen trovärdig i sin riktning, eller anpassar vi bara en siffra till ett mål? AI kan bidra med underlag till alla dessa samtal, men kan inte ta ansvar för dem.

Här drar jag gränsen: AI ger mitt team information snabbare och i bättre skick än tidigare. Men beslutet — och ansvaret för det — ligger kvar hos personen. Jag försöker inte kringgå en begränsning; det är så det är utformat.

Hur AI förbättrar ekonomiteamets effektivitet och självförtroende

Den mest pålitliga effekten är positivt nog en omfördelning av tid. Att automatisera mekaniska uppgifter — datahämtning, avstämningar, standardrapportering, kommentarer i första utkastet — ger varje person flera timmar tillbaka varje vecka. Inte teoretiska timmar, utan verkliga. Om du är medveten om hur människor använder den tiden börjar du se analyser av högre kvalitet, snabbare svar på verksamhetens frågor och ekonomer som är engagerade i sitt arbete i stället för att slita sig igenom en bokslutscykel.

Även prognoskvaliteten förbättras — inte för att AI är smartare än dina analytiker, utan för att analytikerna är mindre utmattade och har mer tid att granska antaganden i stället för att bara fylla i modellen. Trötta människor fattar dåliga beslut. Utvilade människor med rena data fattar bättre beslut.

Kvalitativt sett är den mest betydelsefulla förändringen självförtroendet. När ett ekonomiteam slutar lägga den mesta energin på att producera och börjar tolka, uppträder de annorlunda i verksamhetens diskussioner. De har åsikter. De säger ifrån. Det är den kulturella förändringen som är svår att mäta men omöjlig att missa.

AI:s största risker för misslyckanden inom ekonomi

Sibaranjan Shares

Den största risken för misslyckanden som jag ser är team som automatiserar dåliga processer. Om de underliggande uppgifterna är röriga, arbetsflödena är trasiga…då påskyndar AI bara problemet. Skräp in, skräp ut, men snabbare.

Nu till det negativa. Den största risken för misslyckanden som jag ser är team som automatiserar dåliga processer. Om de underliggande uppgifterna är röriga, arbetsflödena är trasiga eller teamen inte förstår siffrorna, påskyndar AI bara problemet. Skräp in, skräp ut, men snabbare.

Den andra risken för misslyckanden är att förlita sig för mycket på resultat som människor inte helt förstår. AI kan producera en vackert strukturerad prognos, en analys av avvikelser som ser övertygande ut och en tydlig scenariomodell. Och om personen som presenterar den inte kan förklara hur den togs fram eller var antagandena kommer ifrån — då är det en risk. Inte en teknisk risk. En bedömningsrisk. AI ska göra ditt team skarpare, inte mer passivt. Om den gör motsatsen är det en risk som ingen pratar tillräckligt högt om.

Den tredje risken för misslyckanden är införandet. Du kan bygga den mest eleganta agenten, men om teamet inte litar på den eller inte förändrar sitt arbetssätt med den, blir den oanvänd. Förändringsledning är inte valfritt.

Varför införandet av AI kräver omformade arbetsflöden

När AI inte fungerar är det ett människoproblem.

Jag har byggt agenter som fungerar. Jag har sett dem testas, valideras och godkännas. Sedan såg jag team i tysthet kringgå dem och återgå till sina gamla metoder. Inte av illvilja, utan av vana, bekvämlighet och en genuin övertygelse om att deras manuella version var mer tillförlitlig, även när den inte var det.

Det är gapet som ingen pratar tillräckligt om i samtal om AI-transformation. Alla fokuserar på vad som ska byggas. Väldigt få fokuserar på vad som måste förändras hos människan som använder verktyget för att det verkligen ska göra skillnad.

Ekonomer är i synnerhet utbildade för att vara noggranna och riskaverta. Det är en styrka i arbetet. Det blir ett hinder när du ber dem lita på ett system som de inte har byggt och inte helt kan se in i. Så fort ett AI-resultat ser lite fel ut — även om det är korrekt — återgår de till att göra det själva. Och när det har hänt några gånger slutar de använda agenten.

Jag har lärt mig att införande inte är ett kommunikationsproblem. Att skicka ett mejl med texten "vi har ett nytt verktyg, använd det gärna" gör ingenting. Det är ett problem med beteendeförändring. Du måste utforma arbetsflödet kring verktyget, inte bara lägga in det i det befintliga arbetsflödet och hoppas att människor anpassar sig.

Varför Claude utmärker sig i ekonomiska användningsområden

Jag använder flera verktyg, och jag tror att det är rätt strategi just nu. Vi befinner oss i en utforskningsfas, och alla verktyg utvecklas fortfarande snabbt. Att välja ett i dag och ignorera resten vore fel beslut.

Men om jag var tvungen att luta åt ett håll har Claude utmärkt sig specifikt för ekonomiarbete. Förmågan att resonera kring komplexa scenarier, arbeta med siffror i sitt sammanhang, utarbeta strukturerade analyser och hantera nyanserat affärsspråk gör det särskilt användbart för den typ av tankekrävande arbete som FP&A kräver.

Verktygen förändras snabbt, och det verktyg som blir en del av mitt långsiktiga arbetsflöde måste förtjäna det. Just nu håller jag mig nyfiken på alla och låter användningsområdena avgöra.

Blanda inte ihop inköp av AI-verktyg med AI-transformation

Här är mina råd:

1. Sluta vänta på den perfekta företagsstrategin innan ni agerar. De flesta CFO:er jag talar med sitter på en transformationsplan som har varit under granskning i sex månader. Samtidigt lägger deras team fortfarande halva arbetsveckan på sådant som de kunde automatisera redan i dag. Möjligheten finns här och nu. Ta vara på den.
2. Blanda inte ihop köp av verktyg med att åstadkomma transformation. Jag har sett organisationer lägga betydande summor på plattformar, licenser och konsulter och komma ut på andra sidan med samma arbetsflöden som de började med, bara dyrare. Tekniken är inte den svåra delen. Den svåra delen är att ärligt bedöma hur teamet arbetar och vara villig att förändra det.
3. Investera i era medarbetare innan ni investerar i verktyg. En ekonom som förstår vad AI kan och inte kan göra, som skriver bra instruktioner, som granskar AI-resultat kritiskt och tillför det mänskliga omdömet – den personen är mer värdefull än vilken plattform ni än köper. Bygg upp den förmågan i teamet. Den ger kumulativa effekter.
4. Få ordning på era data. AI kommer att synliggöra varje spricka i er datagrund snabbare än något annat. Om era siffror inte är korrekta, era processer inte är dokumenterade och era system inte kommunicerar med varandra – åtgärda det först. Annars automatiserar ni kaos.
5. CFO:ns arbete förändras oavsett om ni använder AI eller inte. Frågan är om ni formar den förändringen eller reagerar på den. De ekonomichefer som kommer att spela roll om fem år är de som är tillräckligt nyfikna för att experimentera, tillräckligt ödmjuka för att lära sig av det som inte fungerar och tillräckligt beslutsamma för att bygga något.

Nöj er inte med att ha en åsikt om AI. Gör något med det.

Sibaranjan delar med sig

Här är mina råd: Sluta vänta på den perfekta företagsstrategin innan ni agerar. Blanda inte ihop köp av verktyg med att åstadkomma transformation. Investera i era medarbetare innan ni investerar i verktyg. Få ordning på era data. CFO:ns arbete förändras oavsett om ni använder AI eller inte … Nöj er inte med att ha en åsikt om AI. Gör något med det.

Följ med

Du kan följa Sibaranjan Patnaiks arbete på LinkedIn.

Fler expertintervjuer kommer på CFO-klubben!