Det lærte jeg af at bygge en AI-baseret økonomifunktion

Økonomifunktionen arbejder nu i realtid. For mig er muligheden langt større end hurtigere regnskabsafslutning eller hyppigere opdatering af prognoser. Det handler om at følge virksomheden, mens den forandrer sig, hjælpe lederne med at handle tidligere og give økonomiafdelingen mere tid til at præge det næste, der sker.

Da jeg kom til OpenAI for to år siden, var der kun en lille økonomiafdeling til at understøtte en virksomhed i ekstraordinær vækst. Vi skulle opbygge funktionen fra bunden og gøre AI til en grundlæggende del af den måde, vi arbejder, træffer beslutninger og understøtter virksomheden på.

Jeg så også et velkendt udgangspunkt. Regnskabsafslutning og opdatering af prognoser indebar stadig manuelt, tilbagevendende arbejde: at finde oplysninger, forklare ændringer og samle input til en beslutning. Vi havde adgang til verdens mest avancerede AI-værktøjer, men var stadig ved at lære at gentænke økonomifunktionen med dem som fundament.

Derfor satte vi os to ambitiøse mål: regnskabsafslutning på dag nul og automatiserede prognoser, der opdateres løbende.

Tanken bag regnskabsafslutning på dag nul er at give lederne et afstemt og sporbart realtidsbillede af virksomhedens økonomiske stilling. Løbende prognoser bygger videre på dette grundlag og viser, hvordan virksomheden forandrer sig, hvad der kan ske som det næste, og hvilke beslutninger der kan ændre resultatet.

Vi arbejder stadig hen imod begge mål. Arbejdet har allerede ændret den måde, vores team arbejder på. Det har bragt os videre fra begrænsningerne ved statiske regneark, manuelle søgninger efter dokumentation og præsentationer og hen imod live-værktøjer, der bygger på virksomhedens samlede kontekst og data. Det har også gjort økonomimedarbejdere i stand til selv at udvikle de værktøjer, deres arbejde kræver, og bringe deres ekspertise længere ud i organisationen.

For mig er det det egentlige løfte ved en AI-baseret økonomifunktion: et team, der forstår, hvad der sker, mens det sker, hjælper lederne med at se de kommende valgmuligheder og giver virksomheden mere tid til at handle, mens resultatet stadig kan påvirkes.

Det kræver mere end blot at tage ny teknologi i brug. Det kræver, at arbejdet gentænkes omkring de beslutninger, der betyder noget, at medarbejderne får plads til at eksperimentere, at der indbygges tydeligt ansvar i alle arbejdsgange, og at det pålidelige arbejde, AI udfører, måles for at dokumentere investeringsafkastet.

Her er fem praktiske erfaringer, som enhver CFO kan bruge.

Det første skridt var bred adgang. Medarbejderne skal have frihed til at udforske AI i deres eget arbejde. Adgang skaber størst værdi, når den kombineres med strukturerede eksperimenter med virkelige problemer.

Vi inviterede salgsingeniører med til et hackathon i økonomiafdelingen og bad teamet medbringe arbejde, de gerne ville forandre. Et af resultaterne var IR-GPT, en tilpasset GPT, der bygger på det godkendte materiale, som vores investor relations-team bruger til at besvare due diligence-spørgsmål. Vi begyndte også at udvikle tilpassede GPT'er til blandt andet indkøb og skat.

Hackathonet gjorde AI til et praktisk værktøj frem for en abstrakt mulighed. På én dag kunne medarbejderne identificere en tilbagevendende opgave, udvikle en løsning, afprøve den med kolleger og forbedre den. Anvendelsesmulighederne kom fra dem, der var tættest på arbejdet, mens tekniske eksperter hjalp dem med at komme hurtigere frem.

For CFO'er er læren enkel: Der er brug for både eksperimenter nedefra og strategi oppefra. Giv medarbejderne sikker og effektiv AI, og lad dem, der er tættest på arbejdet, finde bedre måder at løse opgaverne på. Samtidig skal ledelsens opmærksomhed og ressourcer rettes mod de ændringer, der får størst betydning for virksomheden. Den reelle mulighed opstår, når de to mødes: praktiske idéer fra frontlinjen anvendt på virksomhedens vigtigste prioriteter.

Økonomiafdelinger bruger enorme kræfter på at samle grundlaget for en beslutning. En prognosegennemgang kan kræve, at medarbejderne finder de nyeste data, afstemmer regneark, forklarer afvigelser, udarbejder diagrammer og dokumenter og omsætter dokumenterne til præsentationer. Analysen når til sidst frem til beslutningstageren, men en stor del af teamets tid er allerede brugt på at samle den.

AI ændrer arbejdets grundlæggende enhed. Økonomiledere kan gentænke hele forløbet fra kildedata til beslutning.

Tag regnskabsafslutningen som eksempel. Enhver CFO kender den månedlige proces: faktiske tal i ét system, indkøbsordrer i et andet, periodiseringer i et regneark og forklaringen på en afvigelse begravet i en beskedtråd.

Vi arbejder hen imod en anden driftsmodel. Ambitionen bag regnskabsafslutning på dag nul er at samle godkendte udgiftsplaner, faktiske tal fra hovedbogen, indkøbsordrer, periodiseringer og transaktionsoplysninger i en visning, der afstemmes løbende. Hver afvigelse kan spores tilbage til den underliggende aktivitet. AI kan udarbejde en indledende forklaring og markere de undtagelser, der kræver opmærksomhed. Økonomifunktionen validerer tallene, foretager faglige vurderinger og har ansvaret for den endelige godkendelse.

Regnskabsafslutningen forsvinder ikke. Det, der begynder at forsvinde, er det hektiske arbejde med at genskabe billedet af virksomheden efter periodens udløb.

Det afstemte grundlag kan danne basis for en prognose, der opdateres løbende. Vores team udvikler arbejdsgange, der samler statistiske modeller, salgssamtaler, dokumentation på kundeniveau, driftsdata og økonomifunktionens faglige vurderinger.

Vi bevæger os ud over regnearks begrænsninger og over mod mere interaktive værktøjer, der samler den statistiske prognose, den underliggende dokumentation og scenarier i én livevisning. Lederne kan se, hvad der har ændret sig, hvorfor det har ændret sig, og hvilke beslutninger der kan påvirke resultatet. Når en ny kundeforpligtelse mangler i basisscenariet, kan systemet finde den underliggende dokumentation frem og vise, hvordan en justering vil påvirke kvartalet eller året. Økonomifunktionen kan gennemgå antagelserne, sammenligne scenarier og beslutte, om den godkendte prognose skal opdateres.

Den samme visning kan hjælpe lederne med at træffe bedre beslutninger om kapitalallokering. En økonomiafdeling kan se, hvor marketingudgifterne giver afkast, hvor resultaterne begynder at flade ud, og hvilken effekt det kan have at omfordele den næste krone.

Målet er automatiserede prognoser. Vejen dertil går gennem en visning, der opdateres løbende, hurtigere scenarieanalyser og et tydeligt ejerskab i økonomifunktionen.

Den overordnede lære er at begynde med en vigtig beslutning og arbejde baglæns derfra. Kortlæg de data, værktøjer, godkendelser og overdragelser, der kræves for at understøtte den. Afgør derefter, hvilke dele AI kan analysere, koordinere eller udføre. Det øger både hastigheden og kvaliteten i hele beslutningsprocessen.

Den større forandring er, at økonomimedarbejdere nu selv kan udvikle de værktøjer, deres arbejde kræver.

Ny forskning fra OpenAI viser, at 40 % af økonomimedarbejdernes specialiserede brug af AI vedrører arbejde uden for den traditionelle økonomifunktion, mens 22 % vedrører tekniske opgaver.

Alle på mit team udvikler tilpassede AI-dashboards og værktøjer med ChatGPT Work og Codex. Arbejdet bevæger sig fra statiske Excel-modeller og PowerPoint-præsentationer mod live-dashboards, der bygger på virksomhedens samlede kontekst og data. Værktøjerne kan videreføre en analyse, besvare opfølgende spørgsmål og blive opdateret, når de underliggende oplysninger ændrer sig.

En kollega, der understøtter vores annonceforretning, havde aldrig programmeret før. Han brugte Codex til at udvikle et værktøj, der omsætter vores månedlige annonceprognose til uge- og dagsplaner. Det tager højde for hverdage og helligdage, sammenligner prognoser og sikrer, at hvert tal er knyttet til den godkendte model. Marketingledere kan hurtigt se, hvad der har ændret sig, hvor de bør investere, og hvilket afkast yderligere investeringer kan give.

De mennesker, der forstår problemet, kan nu være med til at forme løsningen. Udviklingen af disse værktøjer får dem også til at genoverveje den sædvanlige måde at udføre arbejdet på. En økonomimedarbejder kan skabe den beslutningsinfrastruktur, virksomheden har brug for, afprøve den sammen med kolleger og forbedre den, efterhånden som arbejdet udvikler sig.

Økonomiafdelinger bliver ikke mindre specialiserede. De får mulighed for at bringe deres ekspertise længere ud i organisationen.

IR-GPT lærte os noget vigtigt om kontrol. Due diligence-spørgsmål fra investorer kan kræve, at en analytiker gennemgår tidligere materiale, udarbejder et svar, kontrollerer konsistensen og koordinerer gennemgangen. Med en tilpasset GPT, der bygger på godkendte kilder, kan arbejde, som før tog flere timer og nogle gange fortsatte natten over, nu resultere i et stærkt første udkast på få sekunder.

Menneskets rolle er fortsat central. Vores investor relations-team læser udkastet, tilføjer faglige vurderinger og kontekst og sikrer, at vores svar er konsistente på tværs af investorer. AI gør arbejdet hurtigere. Mennesker har ansvaret for resultatet.

Det er den rette model for økonomifunktionen. CFO'er bør samarbejde med IT- og governanceteams om at definere, hvilke data et AI-system må tilgå, hvilke handlinger det må udføre, hvornår der kræves godkendelse, og hvornår et problem skal eskaleres. Ethvert output bør kunne føres tilbage til en pålidelig kilde. Enhver prognose bør ledsages af en klar forklaring. Enhver ændring af et godkendt basisscenarie bør kræve økonomifunktionens godkendelse.

Den kortvarige trend med ”tokenmaxxing” er kommet og gået. Det er nu enkelt at fastsætte forbrugsgrænser, budgetkontroller, rollebaseret adgang, regler for modelrouting og godkendelsestærskler. CFO'er kan styre brugen af AI med samme disciplin som enhver anden variabel omkostning og samtidig give teamene plads til at udvikle og eksperimentere.

Et tydeligt ansvar skaber den nødvendige tillid til at øge tempoet. Når sammenfatning, afstemning og forberedelse går hurtigere, får økonomimedarbejderne mere tid til at udfordre antagelser, rådgive virksomheden og foretage faglige vurderinger.

CFO'er har brug for et målekort for AI, der bygger på de driftsmæssige resultater. Flere brugerlicenser eller et større tokenforbrug fortæller ikke ret meget. Det afgørende er, om arbejdet bliver udført ordentligt, og hvad det reelt koster.

Stil fire spørgsmål til hver arbejdsgang:

• Udførte AI arbejde, der gjorde en forskel?
• Hvad kostede det inklusive medarbejdertid, gennemgang og omarbejde?
• Var resultatet godt nok til at blive brugt?
• Hjalp det os med at komme hurtigere frem eller træffe en bedre beslutning?

For en økonomiafdeling kan værdifuldt arbejde være en opdateret prognose, en forklaret afvigelse, en besvaret revisionsanmodning eller et besvaret spørgsmål fra bestyrelsen. For regnskabsafslutningen kan målekortet omfatte gennemløbstid, andelen af automatisk afstemte transaktioner, antallet af undtagelser, der kræver gennemgang, og den tid, det tager at forklare en afvigelse. For prognoser kan det omfatte prognosens nøjagtighed, opdateringshyppighed, den tid, det tager at udarbejde et nyt scenarie, og kvaliteten af de beslutninger, prognosen understøtter.

Den billigste model er ikke altid den mest økonomiske. Hvis en bedre model giver et pålideligt svar med færre forsøg og mindre gennemgang, kan den samlet set koste mindre.

Økonomifunktionen befinder sig i centrum for strategi, kapital, data, risiko og resultater. Det giver CFO'er en enestående indsigt i virksomhedens drift og et stærkt mandat til at lede dens AI-transformation.

En AI-baseret økonomifunktion er kendetegnet ved hurtigere cyklusser, stærkere kontroller, bedre beslutninger og mere tid til faglige vurderinger. Vejen begynder med en meningsfuld arbejdsgang og udvides på baggrund af dokumenterede resultater: Giv medarbejderne værktøjerne, hjælp dem med at gentænke arbejdet, fasthold et tydeligt ansvar, og mål resultatet.

Regnskabsafslutning på dag nul og løbende prognoser udtrykker en større ambition: en økonomiafdeling, der forstår, hvad der sker, mens det sker, viser lederne, hvad der kan ske som det næste, og hjælper virksomheden med at træffe bedre beslutninger tidligere.

Resultatet er en økonomiafdeling med større kapacitet og en CFO med et klarere billede af virksomheden. Det skaber også en brugbar model for, hvordan hele virksomheden kan omsætte intelligens til varig værdi. Som jeg altid siger: Man kan ikke blive det, man ikke kan se. Hvis vores økonomiafdelinger skal tage mulighederne med AI til sig, må vi vise dem, hvordan det ser ud – og som CFO'er skal vi gå forrest.

Min økonomiafdeling har vist, hvordan det fungerer i praksis. Du kan se optagelsen her⁠(åbner i et nyt vindue).