Det behöver financefunktionen göra för att kunna lita på AI

Två av tre financefunktioner testar AI, men saknar en gemensam riktning. När ekonomi- och financeledare fick beskriva var de befinner sig i sin AI-resa, svarade 67 procent att de använder AI i enskilda delar av verksamheten utan en samlad plan.

Frågan ställdes under webinaret AI i praktiken för finance, som vi på Gazella arrangerade tillsammans med Visma Software Nordic. Samtalet modererades av Caroline Wettermark, Executive Growth Manager på Gazella. I panelen satt Kenneth Flaglien, Head of ERP and AI Development på Visma Software Nordic, Jakob Hedström, CFO på Visma Software Nordic, och Erik Wennhall, VD på Gazella. Här är några av de viktigaste lärdomarna, och vad de betyder för dig som leder en financefunktion.

Intresset för AI är stort bland ekonomifunktioner, och de flesta har redan tagit sina första steg. Men det sker ofta ad hoc. En medarbetare börjar använda ett AI-verktyg, ett team testar en funktion i affärssystemet, någon bygger en egen agent. Det skapar energi och lärdomar, men sällan en gemensam riktning och strategi som hela funktionen kan samlas kring.

En strategi behöver inte börja med ett stort transformationsprogram. Den kan börja med att besvara några grundläggande frågor:

När riktningen är tydlig blir det lättare att välja rätt första användningsområde och att skapa stöd för arbetet i teamet.

I dag är det relativt att enkelt bygga en dashboard genom att skriva en prompt. För ett år sedan kändes det banbrytande. Nu är det vardag. Men en dashboard man inte litar på har inget värde, och det är där många organisationer står just nu.

Ett av de vanligaste misstagen när man börjar använda AI är att lita på svaret utan att veta hur det togs fram, eftersom det är lätt att missförstånd uppstår. Att fråga AI ”Vad sålde vi förra månaden?” kan betyda fakturerat belopp, nya order, order som hunnit faktureras eller nya ramavtal. Alla svaren är rimliga. Om ingen har definierat vad som avses väljer AI själv, och den svarar alltid. Du vet bara inte vilket svar du fick.

AI ovanpå en välordnad datakälla fungerar bra. Men AI ovanpå hundra källor med spridda och ostrukturerade dokument ger ofta missvisande resultat, eftersom AI aldrig blir smartare än den information den har tillgång till.

AI fungerar bäst där det finns ett rätt svar att pröva mot. Där det finns ett tydligt rätt svar kan AI testa sig fram outtröttligt tills den hittar det. Det är också så AI tränas: genom att få veta om ett svar var rätt eller fel. Ger man AI ett facit kan den börja resonera på egen hand, eftersom den vet var den ska landa.

I en organisation finns det facit i ekonomin. Det som faktiskt fakturerades, betalades och kom in på banken är bolagets gemensamma sanning. Den ändras inte över tid och den är inte subjektiv. Därför blir financefunktionen den naturliga ägaren av det ramverk som AI ska arbeta inom: vilka definitioner som gäller, vilka regler som styr och hur olika siffror hänger ihop.

I praktiken kan det se ut så här: När AI kopplas till bolagets egna datakällor är nästa steg att lära den hur organisationen ser på siffrorna och definierar olika begrepp. Varje svar kan sedan stämmas av mot det senaste månadsbokslutet. Med ett fastställt facit att falla tillbaka på, och kontroller för exempelvis GDPR, blir det möjligt att lita på resultatet.

Inom några år kan medarbetare i ekonomifunktionen i praktiken komma att leda AI-agenter. De kommunicerar med en övergripande agent som fördelar uppgifter som betalningar och analyser till mindre agenter och rapporterar avvikelser tillbaka.

För att den modellen ska fungera behöver någon berätta för agenterna vad siffrorna betyder och hur de hänger ihop. Det är ett financearbete snarare än ett tekniskt arbete. Därför ser vi på Gazella en tydligt ökande efterfrågan på business controllers med teknisk förståelse, personer som kan formulera verksamhetens logik och vara grindvakter för vad som är sant i datan. Rollen förväntas också förändras. Mindre tid går åt till att ta fram analyser och rapporter, mer tid till att omsätta slutsatserna i verksamheten.

Redovisning, controllership och internkontroll blir inte mindre viktiga, snarare tvärtom. När ett bolag har många agenter i arbete växer behovet av att säkerställa att de använder rätt data, följer behörighetsstrukturer och lever upp till lagar och regler. Även på sikt handlar det sannolikt om människa och AI tillsammans, eftersom verksamheter förändras hela tiden och någon behöver avgöra vad som är bolagets riktning.

Det klokaste är ofta att börja smalt, säkra datan och bygga förtroende innan man bygger brett. Några konkreta utgångspunkter:

Att gå från spridda experiment till AI som går att lita på handlar till stor del om människor. Det kräver någon som förstår både affären och datan, och tid att göra grundarbetet ordentligt. Ibland finns den kompetensen redan i teamet och behöver bara frigöras. Ibland behövs ett tillskott, permanent eller under en period.

Funderar du på vad ert ekonomiteam behöver för att ta nästa steg? Oavsett om ni behöver kompetens inom ekonomi eller förstärkning för att komma igång med AI så kan vi hjälpa er. Hör gärna av dig till oss på Gazella, så tar vi ett samtal om vad som skulle göra skillnad hos er.