CFO på SaaS-företag säger att AI förbättrar ekonomiskt omdöme endast när ledare håller sig till arbetsflödena

Nithin Shetty är CFO på Scrut Automation, där han samtidigt ansvarar för treasury, FP&A, gränsöverskridande efterlevnad och intäktsverksamhet. Han började där när intäkterna uppgick till 500 000 dollar i ARR, och nu uppgår de till 20 miljoner dollar i ARR.

I det här samtalet berättade Nithin hur han använder AI vid rätt tidpunkter i rätt arbetsflöden, så att hans omdöme och ansvar fortfarande upprätthålls.

Att inte närma sig AI-transformationen som en observatör

Jag heter Nithin Shetty. Jag är auktoriserad revisor och CFO och har ägnat det senaste decenniet åt att bygga upp ekonomifunktioner från grunden i snabbväxande, VC-finansierade SaaS-bolag.

Min resa har formats mindre av en linjär karriärväg och mer av upprepad exponering för kaos i stor skala. Jag började med tre verksamheter under min praktik som revisor, inom tillverkning, FMCG och försörjning av sjömatsprodukter – inte strategiskt, utan för att jag inte kunde skilja på att tänka på företagande och att driva ett företag. Den instinkten har aldrig lämnat mig.

Efter att ha kvalificerat mig som revisor tog jag på mig uppdrag som deltids- och interim-CFO inom fem branscher, däribland tillverkning, SaaS, mobilitet, media och EdTech. Varje uppdrag gällde en pressad affärsmodell och krävde att jag snabbt skapade finansiell tydlighet och fattade avgörande beslut med ofullständig information. Detta är fortfarande kärnan i det jag gör.

I dag är jag CFO på Scrut Automation, ett SaaS-bolag inom GRC och efterlevnad. Under tre år har hela min operativa kontext varit ett företag som hjälper organisationer att hantera risker och automatisera efterlevnad, och AI omstrukturerar nu varje antagande som verksamheten byggdes på. Jag har följt denna omvälvning från insidan, samtidigt som jag driver den finansiella infrastruktur som finansierar den.

Jag närmar mig inte AI-transformationen som en observatör. Jag har levt mitt i den på företagsnivå och i realtid sett hur AI förändrar produktekonomi, säljcykler, kundförväntningar och enhetsekonomi.

Organisatorisk komplexitet

Min ekonomiorganisation är en del av Scrut Automation, ett serie B-bolag inom GRC och efterlevnad, med Lightspeed, MassMutual Ventures och Endiya Partners som investerare. Vi skalade upp från 500 000 dollar till 20 miljoner dollar i ARR under tre och ett halvt år, vilket krävde att ekonomifunktionen växte och omstrukturerades flera gånger under en och samma anställningstid.

Jag leder en verksamhet med 20 personer inom fem vertikaler. Det centrala ekonomiteamet består av 12 personer, med stöd av 3 inom intäktsverksamhet, 2 inom kundframgångsverksamhet, 1 inom juridik och efterlevnad samt 2 inom löner och skatt. Mina direktrapporterande är en ekonomisk controller och en ansvarig för FP&A. Företagssekreterar- och juridiktjänster hanteras genom ett strukturerat löpande avtal utanför personalstyrkan.

Vår verksamhet präglas av gränsöverskridande komplexitet. Vi verkar genom ett indiskt holdingbolag och ett amerikanskt dotterbolag. Jag hanterar konsoliderad rapportering, internprissättning, koncerninterna avräkningar, avstämning mellan US GAAP och Ind AS, efterlevnad i Delaware samt delstatliga skattedeklarationer som en del av vår regelbundna verksamhet. Intäktsredovisningen omfattar USD och INR och täcker prenumerationsbaserad ARR, professionella tjänster och användningsbaserade komponenter, strukturerade enligt både Ind AS 115 och ASC 606.

Omfattningen gör denna funktion något ovanlig för ett serie B-bolag. Intäktsverksamhet och kundframgångsverksamhet rapporterar till ekonomiavdelningen, inte av hävd utan eftersom jag var ensam ansvarig för prestationsdata i alla system. Att äga GTM- och kundhälsodata gjorde det även operativt logiskt att äga dessa funktioner. Denna struktur har bestått och visat sitt värde under varje styrelsecykel.

Hur AI minskar tiden för utformning och tolkning

Innan jag började använda AI systematiskt tog finansiell kommunikation mest tid i min kalender utan att resultatet förbättrades proportionellt. Att skriva en styrelseuppdatering, ett investerarmemo eller en ledningskommentar om månadssiffrorna krävde att jag växlade mellan analys och skrivande. Själva utformningsprocessen tog tid som i stället borde ha ägnats åt det underliggande tänkandet.

Jag började använda Claude som ett lager för utformning och tolkning av finansiell kommunikation och FP&A-resultat. Jag slutförde analysen och använde sedan AI för att strukturera berättelsen, stresstesta logiken i min presentation av siffrorna och kontrollera om den underliggande datan stödde min framställning. Jag började också använda det för en första granskning av avtal och dokument, vilket minskade tiden från att jag tog emot ett dokument till att jag hade en strukturerad uppsättning frågor klar för juridikavdelningen.

Som ett resultat förändrades min tidsfördelning påtagligt. Cykeln för att utforma styrelsekommunikation har kortats avsevärt. Ännu viktigare är att kvaliteten på granskningen förbättrades, eftersom jag använde AI för att argumentera mot min egen tolkning innan jag presenterade den. Det synliggjorde luckor som jag tidigare bara skulle ha upptäckt i mötesrummet.

Ett månatligt rapporteringsarbetsflöde från verkligheten

Jag kommer att beskriva den månatliga rapporteringscykeln till styrelsen och investerare i detalj. Den består av två sammanlänkade faser: sifferfasen samt berättelse- och scenariefasen. AI används i båda, men spelar en olika roll i respektive fas.

Cykeln börjar när ekonomicontrollern slutför månadsbokslutet. Därefter har jag de faktiska siffrorna för intäkter, kostnader, förbränningstakt och de centrala SaaS-mätvärdena: ARR, NRR, förbränningsmultipel och CAC-återbetalningstid. Först granskar jag siffrorna manuellt innan AI får påverka något. Den ordningsföljden är viktig. Jag behöver själv bilda mig en uppfattning om vad som hände innan jag tar in någon extern tolkning, eftersom jag annars riskerar att fastna i AI:s inramning i stället för att utveckla min egen.

Efter min inledande granskning använder jag Claude för att tolka avvikelser. Jag tillhandahåller faktiska siffror jämförda med budget, jämförelser med föregående period och viktiga förändringar. Därefter använder jag AI för att stresstesta min tolkning av vad som drev varje väsentlig avvikelse. I det här skedet frågar jag inte vad som hände – det vet jag redan. I stället frågar jag om min förklaring till varför det hände är den mest korrekta och fullständiga versionen. AI lyfter fram alternativa förklaringar som jag kan ha förbisett och uppmärksammar logiska luckor i berättelsen innan den går till styrelsen.

Resultatet från den fasen förs direkt vidare till scenariomodelleringsfasen. Baserat på månadens faktiska siffror och drivkrafterna bakom avvikelserna uppdaterar jag den levande finansiella modellen. Därefter använder jag AI för att stresstesta de framåtblickande antagandena. Det är här jag utvecklar scenarier. Jag kör tillväxt-, bas- och konservativa scenarier. Jag använder AI för att utmana antagandena bakom vart och ett av dem, särskilt när det gäller intäktsutveckling, förbränningstakt och finansiell uthållighet. Här frågar jag om styrelsen kommer att upptäcka en lucka i något av dessa scenarier som jag ännu inte har hanterat.

Den sista fasen handlar om att skriva utkasten. Jag använder AI för att ta fram det första utkastet till berättelsen för styrelsen, ledningens kommentarer och investeraruppdateringen. Därefter granskar och skriver jag om utkastet flera gånger innan jag färdigställer något. AI-utkastet fungerar som en startpunkt och strukturellt ramverk, inte som en färdig produkt. I min omskrivning tar jag hänsyn till tonen, min bedömning av vad som ska betonas och sättas i sitt sammanhang samt en förståelse för vad varje investerare behöver höra just då.

Varför CFO:er måste vara medvetna om var AI placeras i arbetsflödet

Jag är medveten om var AI placeras i arbetsflödet. Det placeras före min bedömning, inte i stället för den. Jag granskar och tar ansvar för varje resultat. Att upprätthålla den gränsen har varit viktigt, särskilt vid rapportering till styrelsen och investerare, där precision och ansvarsskyldighet inte kan kompromissas bort.

Men jag har ingen fast lista över AI-uppgifter respektive mänskliga uppgifter. Det handlar helt enkelt om var kostnaden för att ha fel går att återhämta och var den inte gör det.

När det gäller AI-informerade uppgifter är de områden där jag får störst hävstång tolkning av avvikelseanalys, scenariomodellering och finansiell kommunikation. Avvikelseanalys är ett bra exempel. Själva beräkningen har aldrig varit problemet. Problemet har alltid varit snabbheten och kvaliteten i berättelsen kring den: att förstå vad siffran faktiskt säger, vad som drev den och vilken ledningsåtgärd som är rätt. AI har påtagligt förbättrat snabbheten och djupet i det tolkande lagret.

Scenariomodellering och stresstester är andra områden där AI gör sig förtjänt av sin plats. Jag använder det för att stresstesta antaganden, generera alternativa scenarier som jag kanske inte intuitivt skulle ha valt och utmana modellens logik innan den går till vd:n eller styrelsen. Det fungerar som en strukturerad djävulens advokat. Stöd inom FP&A och en första avtalsgranskning följer samma logik. Det handlar om analytiskt arbete i stora volymer som kan upprepas, där resultatet ligger till grund för ett mänskligt beslut i stället för att ersätta det.

Områden som fortfarande uttryckligen är mänskliga omfattar kapitalallokering, bedömningar kring kapitalanskaffning, kommunikation med styrelsen och investerare i det sista steget samt alla beslut med en relations- eller anseendedimension. Låt mig förklara varför.

Kapitalallokering i ett företag i Series B-fasen är inte ett matematiskt problem. Det är en bedömning av vilka satsningar man ska göra med begränsade resurser, under osäkerhet och med ofullständig information. CFO:n äger den bedömningen och är ansvarig för den. AI kan modellera scenarier, men kan inte bära ansvaret.

Kapitalanskaffning är det tydligaste exemplet på ett helt mänskligt område. Investerarrelationer, förhandling av villkor, att läsa av stämningen i en affär och att veta när man ska trycka på och när man ska avvakta är inget jag skulle delegera till AI eller ens i hög grad låta AI påverka. Insatserna är för höga och variablerna alltför mänskliga.

Styrelsekommunikationen i sista ledet förblir mänsklig av en annan anledning. Jag har använt AI för att utarbeta och stresstesta logiken i min presentation. Men det jag levererar till Lightspeed, MassMutual Ventures och Endiya Partners är min bedömning av verksamheten och min inramning av riskerna. Det innebär att min trovärdighet står på spel. AI finns tidigare i processen, inte i själva ögonblicket.

Så påverkar AI:s begränsningar ekonomiteamen

Nithin betonar

AI har fel med stor övertygelse på sätt som är svårare att upptäcka än uppenbara misstag. Ett räknefel i ett kalkylblad syns. En rimlig men subtilt felaktig narrativ tolkning av en avvikelse gör det inte.

Jag har redan tagit upp många av fördelarna med AI inom ekonomiarbete. På den negativa sidan följer här tre ärliga iakttagelser.

AI har fel med stor övertygelse på sätt som är svårare att upptäcka än uppenbara misstag. Ett räknefel i ett kalkylblad syns. En rimlig men subtilt felaktig narrativ tolkning av en avvikelse gör det inte. Tidigt upptäckte jag två fall där AI-genererade kommentarer felaktigt beskrev drivkraften bakom en kostnadsavvikelse på ett sätt som hade varit pinsamt i ett styrelsesammanhang. Det förändrade hur noggrant jag granskar AI:s resultat innan de förs vidare.

Den andra begränsningen är kontexten. AI har inget institutionellt minne. Varje gång jag använder det måste jag återskapa kontexten från grunden. För en ekonomifunktion där beslutshistorik, investerarrelationer och den strategiska berättelsen är djupt kontextberoende är detta en verklig begränsning. Det innebär att AI fungerar bäst för avgränsade uppgifter med tydlig omfattning, snarare än för sådant som kräver en djup förståelse av hur vi hamnade här.

Den tredje är användningen inom teamet. Att få ett ekonomiteam att använda AI på ett bra sätt, i stället för att undvika det eller förlita sig för mycket på det, har krävt aktiv styrning. Impulsen att klistra in ett nummer i AI och acceptera resultatet utan att ifrågasätta det är en verklig risk, särskilt bland yngre medarbetare. Att bygga rätt vanor kring användningen av AI har varit lika viktigt som själva verktygen.

Tre områden där AI inte bör användas inom ekonomi

Det område där AI tydligast har presterat sämre för mig är allt som kräver bedömningar av människor och relationer.

Tidigt försökte jag använda AI för att strukturera och formulera svåra samtal: beslut om ersättning, prestationssamtal med seniora teammedlemmar och kommunikation till investerare om missade mål. Resultaten var tekniskt sammanhängande men helt fel i praktiken. De var anpassade för en generell professionell kontext, inte för den specifika relationens historik, individens personlighet eller den outtalade dynamik som avgör hur samtalen tas emot. Jag slutade helt att använda det för den typen av uppgifter.

Ett annat område är framåtblickande riskbedömning i en startupmiljö. AI är mycket bra på att identifiera risker med historiska föregångare och mönsterigenkänning. Det identifierar däremot dåligt de specifika risker som är viktiga i en snabbväxande, kapitalbegränsad verksamhet som snabbt ändrar inriktning, där hot ofta inte har uppstått i just den konfigurationen tidigare. När vi genomförde företagsomställningen på Scrut och samtidigt hanterade en ny intäktsprognos kändes de AI-genererade riskramverken generiska. De verkliga riskerna vid den tidpunkten var specifika för våra investerarrelationer, säljteamets förmåga att genomföra en segmentförändring och vår burn rate i förhållande till tidsplanen för kapitalanskaffningen. AI kunde inte på ett användbart sätt synliggöra något av detta.

Det sista området är prognosprecision under volatila perioder. Många utgår implicit från att AI kommer att förbättra prognosprecisionen inom FP&A. I en stabil miljö med mycket data kan det vara sant. I ett SaaS-företag i Series B-fasen som genomgår en strategisk omställning, med ett säljteam i förändring och en produkt under snabb utveckling, är historiska mönster inte användbara. Indata är för brusiga och verksamheten förändras snabbare än någon modell på ett meningsfullt sätt kan lära sig. AI gav mig fler scenarier under den perioden, men inte bättre scenarier.

Så förändras ekonomiteam med AI

Det har förändrat vad jag rekryterar för, utan att ännu förändra hur många jag rekryterar.

Den tekniska ribban för att börja i mitt ekonomiteam har inte sänkts. Men den tekniska kravprofilen har förändrats. Jag fokuserar mindre på om någon kan bygga en modell eller ta fram en avvikelseanalys och mer på om personen kan tänka kritiskt kring resultat som inte är deras egna.

Den specifika förmåga jag nu uttryckligen letar efter är en konstruktiv skepsis mot AI: instinkten att granska i stället för att acceptera. En teammedlem som betraktar ett sammanhängande AI-resultat som korrekt är nu en belastning, till skillnad från för två år sedan, eftersom mängden och trovärdigheten hos AI-resultat innebär att okritiskt accepterande skapar risk i stor skala.

Den andra förändringen är att controllern och FP&A-ansvarige har flyttat uppströms. Det innebär mindre tid på produktion och mer tid på granskning, tolkning och ifrågasättande. Den övergången har inte varit smidig för alla. Vissa människor definierar sitt värde utifrån hur mycket de producerar, och när AI minskar behovet av den produktionen har det krävt att man aktivt hanterar hur de ser på sina egna bidrag.

Teamets struktur har ännu inte förändrats. Kompetenskraven inom den strukturen har förändrats avsevärt.

Varför Claude är ekonomichefens viktigaste AI-verktyg

Claude är mitt förstahandsverktyg. Inte för att det är det mest specialiserade verktyget i min uppsättning, utan för att det ger störst hävstång. Alla andra ekonomiverktyg jag använder tjänar ett specifikt arbetsflöde. Claude fungerar över alla dessa verktyg.

Jag använder det specifikt för tolkning av avvikelser och stresstestning av scenarier. Dessa två aktiviteter står i centrum för varje betydelsefull ekonomidiskussion jag har: med vd:n, styrelsen och investerare. Att kunna utmana min tolkning av siffrorna och stresstesta antagandena i min modell innan dessa samtal har förbättrat hur jag deltar i dem.

Det överträffar alla andra verktyg eftersom det förbättrar mitt tänkande i stället för att bara snabba upp min produktion. Alla andra verktyg jag använder optimerar för produktion. Det här optimerar för omdöme. I rollen som ekonomichef är den skillnaden viktigare än alla effektivitetsmått.

Gör AI ekonomichefer utbytbara?

Nithin betonar

Den obekväma sanningen är att AI inte delar upp ekonomichefer i relevanta och irrelevanta. Det påskyndar separationen mellan ekonomichefer som verkligen tänkte och ekonomichefer som främst producerade. Den skillnaden fanns redan före AI. Den var bara svårare att se.

Frågan jag önskar att du hade ställt är om AI gör ekonomichefer mer eller mindre utbytbara.

Det vanliga svaret är mindre utbytbara. AI hanterar analysarbetet, och ekonomichefen rör sig uppåt i värdekedjan, fokuserar på omdöme och strategi och blir mer oumbärlig.

Jag tycker att det delvis är fel.

Ekonomichefer som kommer att bli mindre utbytbara använder AI för att utveckla skarpare omdöme, starkare relationer med styrelsen och djupare strategiskt tänkande, och investerar i de mänskliga förmågor som AI inte kan återskapa.

Ekonomichefer som kommer att bli mer utbytbara använder AI för att ta fram bättre resultat utan att utveckla ett bättre tänkande, förväxlar snabbare analys med djupare insikt och låter verktyget ersätta den intellektuella noggrannhet som rollen alltid har krävt.

Den obekväma sanningen är att AI inte delar upp ekonomichefer i relevanta och irrelevanta. Det påskyndar separationen mellan ekonomichefer som verkligen tänkte och ekonomichefer som främst producerade. Den skillnaden fanns redan före AI. Den var bara svårare att se.

Jag tänker regelbundet på det. Det är frågan som håller mig ärlig kring hur och varför jag använder dessa verktyg.

Hur ekonomichefer bör navigera i AI-drivna förändringar

Mitt råd börjar obekvämt, så jag börjar med det.

De flesta CFO:er kommer att göra detta fel genom att gå för långsamt fram och sedan överkorrigera. Jag ser redan ett mönster av långvarig, försiktig observation följd av ett stressat införande med bristande styrning när konkurrenstrycket gör passivitet ohållbar. Båda ändarna av detta mönster är kostsamma. Den CFO som väntar för länge tappar mark när det gäller produktivitet, talanger och strategisk relevans. Den CFO som skyndar sig att införa AI i arbetsflöden med höga insatser utan den styrningsinfrastruktur som krävs för att upptäcka fel, och det första allvarliga misstaget i ett styrelse- eller investerarsammanhang kommer att få funktionen att ta ett betydande steg tillbaka.

1. Sätt dig personligen och omedelbart in i arbetet. Använd inte en arbetsgrupp, delegera inte utforskandet till en junior medarbetare och nöj dig inte med att läsa om det. För att utveckla ett genuint omdöme om var AI hör hemma i en ekonomifunktion ska du själv använda det i verkligt arbete och uppleva både dess hävstångseffekt och dess felkällor på nära håll. En CFO som inte personligen har använt AI i en styrelseuppdatering, en avvikelseanalys eller en scenariomodell saknar grund för att fatta bra beslut om var det ska införas i stor skala.
2. Styr gränsdragningen uttryckligen innan du behöver göra det. Definiera i förväg vilka beslut AI får bidra till och vilka beslut som uteslutande förblir mänskliga. Låt inte den gränsen förbli underförstådd. I en ekonomifunktion kostar en otydlig gräns dig: styrelsekommunikation innehåller subtila fel, riskbedömningar missar kontextspecifika hot och kapitalallokeringsbeslut optimeras utifrån historiska mönster i stället för framåtblickande omdöme. Skriv ner gränsen, kommunicera den till ditt team och se över den regelbundet i takt med att verktygen utvecklas.
3. Betrakta införandet av AI som en fråga om teamets förmåga, inte om verktyg. Tillgång till AI-verktyg kommer inte att vara den begränsande faktorn i de flesta ekonomifunktioner; det kommer teamets omdöme och förmåga att använda dem väl att vara. Juniora medarbetare riskerar att bli alltför beroende och acceptera AI:s resultat utan att granska dem. Det skapar kvalitetsrisk i just de arbetsflöden där du söker effektivitet. Att bygga rätt vanor – instinkten att ifrågasätta AI:s resultat i stället för att bekräfta det – är ett ledningsproblem som kräver aktiv uppmärksamhet.
4. Detta råd gäller specifikt CFO:er i snabbväxande eller VC-finansierade företag. Dina investerare följer hur du tänker kring AI, inte bara hur ditt företag använder det. En CFO som kan tala flytande och konkret om AI-integrering i ekonomifunktionen, inklusive var det inte har fungerat, signalerar en operativ mognad som är viktig i styrelserelationer och inför nästa kapitalanskaffning. Vag entusiasm kring AI är lika skadlig som okunskap om det.
5. Och de flesta CFO:er kommer att göra motstånd mot detta råd. AI:s intåg minskar inte betydelsen av mänskligt omdöme i ekonomiskt ledarskap; det ökar den. När AI tar över mer av det analytiska arbetet och utformningen av texter blir det som förblir uteslutande mänskligt mer synligt och mer avgörande. Relationsförståelse, ansvarstagande, förmågan att läsa av rummet i ett styrelsemöte och omdömet att veta när modellen har fel, även när den verkar ha rätt. AI automatiserar inte dessa förmågor; det förstärker deras betydelse, just eftersom allt runt omkring dem automatiseras. CFO:er som lyckas i detta skede kommer att investera i dessa mänskliga förmågor samtidigt som de integrerar AI i sina arbetsflöden.

Följ med

Du kan följa Nithin Shettys arbete på LinkedIn.

Fler expertintervjuer kommer på CFO-klubben!