Vad jag lärde mig av att bygga en AI-baserad ekonomifunktion

Ekonomifunktionen arbetar nu i realtid. För mig är möjligheten mycket större än att stänga böckerna snabbare eller uppdatera en prognos oftare. Det handlar om att se verksamheten förändras, hjälpa ledningen att agera tidigare och ge ekonomiteamen mer tid att påverka vad som händer härnäst.

När jag började på OpenAI för två år sedan hade ett litet ekonomiteam i uppgift att stödja ett företag som växte oerhört snabbt. Vi behövde bygga upp funktionen från grunden och göra AI till en central del av hur vi arbetar, fattar beslut och stödjer verksamheten.

Jag såg också ett välbekant utgångsläge. Bokslut och prognosuppdateringar innebar fortfarande återkommande manuellt arbete: att hitta information, förklara förändringar och sammanställa beslutsunderlag. Vi hade tillgång till världens mest avancerade AI-verktyg men höll fortfarande på att lära oss hur ekonomifunktionen kunde omformas kring dem.

Därför satte vi upp två djärva mål: nolldagarsbokslut och automatiserade prognoser som uppdateras kontinuerligt.

Tanken bakom ett nolldagarsbokslut är att ge ledningen en avstämd och spårbar realtidsbild av företagets finansiella ställning. Kontinuerliga prognoser bygger vidare på den grunden och visar hur verksamheten förändras, vad som kan hända härnäst och vilka beslut som kan påverka utfallet.

Vi arbetar fortfarande mot båda målen. Arbetet har redan förändrat hur vårt team arbetar. Det har fört oss bortom begränsningarna hos statiska kalkylblad, manuella sökningar efter underlag och presentationer, mot liveverktyg som bygger på verksamhetens fullständiga kontext och data. Det har också gjort det möjligt för ekonomer att bygga de verktyg som arbetet kräver och använda sin expertis på fler områden.

För mig är det den verkliga potentialen hos en AI-baserad ekonomifunktion: ett team som förstår vad som händer medan det händer, hjälper ledningen att se vilka val som väntar och ger verksamheten mer tid att agera medan utfallet fortfarande går att påverka.

För att nå dit krävs mer än att införa ny teknik. Det krävs att arbetet utformas på nytt kring de beslut som är viktiga, att människor får utrymme att experimentera, att varje arbetsflöde har en tydlig ansvarsfördelning och att det tillförlitliga arbete som AI utför mäts för att ge en tydlig avkastning på investeringen.

Här är fem praktiska lärdomar från våra erfarenheter som alla ekonomichefer kan tillämpa.

Det första steget var bred tillgång. Människor behöver frihet att utforska AI i sitt eget arbete. Tillgång skapar störst värde när den kombineras med strukturerade experiment kring verkliga problem.

Vi bjöd in säljtekniker till ett hackaton för ekonomifunktionen och bad teamet att ta med sig arbetsuppgifter som de ville förändra. Ett av resultaten var IR-GPT, en anpassad GPT som utgår från det godkända material som vårt team för investerarrelationer använder för att besvara granskningsfrågor. Vi började också bygga anpassade GPT:er för bland annat inköp och skatt.

Hackatonet förvandlade AI från en abstrakt möjlighet till ett fungerande verktyg. På en enda dag kunde deltagarna identifiera en återkommande uppgift, bygga en lösning, testa den med kollegor och förbättra den. Användningsfallen kom från dem som stod närmast arbetet, medan tekniska experter hjälpte dem att komma framåt snabbare.

Lärdomen för ekonomichefer är enkel: ni behöver experiment underifrån och strategi uppifrån. Ge människor tillgång till säker och kompetent AI och låt dem som står närmast arbetet hitta bättre sätt att få saker gjorda. Samtidigt bör ledningens uppmärksamhet och resurser riktas mot de förändringar som har störst betydelse för verksamheten. Den verkliga möjligheten uppstår när de möts: praktiska idéer från dem som utför arbetet tillämpas på era viktigaste prioriteringar.

Ekonomiteam lägger enormt mycket kraft på att sammanställa beslutsunderlag. En prognosgranskning kan kräva att medarbetare hittar de senaste uppgifterna, stämmer av kalkylblad, förklarar avvikelser, skapar diagram, förbereder dokument och omvandlar dokumenten till presentationsbilder. Analysen når till slut beslutsfattaren, men då har en stor del av teamets tid redan gått åt till att sammanställa den.

AI förändrar vad som utgör en arbetsenhet. Ekonomichefer kan utforma hela vägen från källdata till beslut på nytt.

Ta bokslutet som exempel. Alla ekonomichefer känner till månadsprocessen: utfall i ett system, inköpsorder i ett annat, periodiseringar i ett kalkylblad och förklaringen till en avvikelse begravd i en meddelandetråd.

Vi arbetar mot en annan verksamhetsmodell. Ambitionen bakom ett nolldagarsbokslut är att koppla samman godkända utgiftsplaner, huvudbokens utfall, inköpsorder, periodiseringar och transaktionsuppgifter i en vy som stäms av kontinuerligt. Varje avvikelse kan spåras till den underliggande aktiviteten. AI kan ta fram en inledande förklaring och flagga de undantag som kräver uppmärksamhet. Ekonomifunktionen validerar siffrorna, gör kvalificerade bedömningar och ansvarar för det slutliga godkännandet.

Bokslutet försvinner inte. Det som börjar försvinna är den hektiska jakten på att återskapa bilden av verksamheten efter periodens slut.

Den avstämda grunden kan användas för en prognos som uppdateras kontinuerligt. Vårt team bygger arbetsflöden som sammanför statistiska modeller, säljsamtal, underlag på kontonivå, verksamhetsdata och ekonomifunktionens bedömningar.

Vi går bortom kalkylbladens begränsningar till mer interaktiva verktyg som samlar den statistiska prognosen, underlagen och scenarierna i en gemensam realtidsvy. Ledningen kan se vad som har förändrats, varför det har förändrats och vilka beslut som skulle kunna påverka utfallet. När ett nytt kundåtagande saknas i utgångsläget kan systemet lyfta fram underlagen och visa hur en justering skulle påverka kvartalet eller året. Ekonomifunktionen kan granska antagandena, jämföra scenarier och avgöra om den godkända prognosen ska uppdateras.

Samma vy kan hjälpa ledningen att fatta bättre beslut om kapitalallokering. Ett ekonomiteam kan se var marknadsföringskostnader ger avkastning, var resultaten börjar avta och vad en omfördelning av nästa krona skulle kunna innebära.

Målet är automatiserade prognoser. En vy som uppdateras kontinuerligt, snabbare scenarioanalys och ett tydligt ägarskap hos ekonomifunktionen är vägen dit.

Den övergripande lärdomen är att börja med ett avgörande beslut och arbeta bakåt. Kartlägg de data, verktyg, godkännanden och överlämningar som krävs för att stödja beslutet. Avgör sedan vilka delar AI kan analysera, samordna eller utföra. Det förbättrar både hastigheten och kvaliteten i hela beslutscykeln.

Den större förändringen är att ekonomer nu själva kan bygga de verktyg som arbetet kräver.

Ny forskning från OpenAI visar att 40 % av ekonomers specialiserade AI-användning gäller arbete utanför traditionell ekonomi och att 22 % gäller ingenjörsrelaterade uppgifter.

Alla i mitt team bygger anpassade AI-dashboardar och verktyg med ChatGPT Work och Codex. Arbetet går från statiska Excel-modeller och PowerPoint-presentationer till livedashboardar som bygger på verksamhetens fullständiga kontext och data. Verktygen kan föra en analys vidare, svara på följdfrågor och uppdateras när den underliggande informationen förändras.

En kollega som stödjer vår annonsverksamhet hade aldrig programmerat. Han använde Codex för att bygga ett verktyg som omvandlar vår månatliga annonsprognos till vecko- och dagsplaner. Det tar hänsyn till vardagar och helgdagar, jämför prognoser och håller varje siffra knuten till den godkända modellen. Marknadschefer kan snabbt se vad som har förändrats, var de bör investera och vilken avkastning ytterligare investeringar kan ge.

De som förstår problemet kan nu själva utforma lösningen. När de bygger verktygen får det dem också att ompröva hur arbetet brukar utföras. En ekonom kan skapa den beslutsinfrastruktur som verksamheten behöver, testa den med kollegor och förbättra den i takt med att arbetet utvecklas.

Ekonomiteamen blir inte mindre specialiserade. De får möjlighet att använda sin expertis på fler områden.

IR-GPT lärde oss något viktigt om kontroll. Frågor vid investerargranskningar kan kräva att en analytiker söker igenom tidigare material, skriver ett svar, kontrollerar enhetligheten och samordnar granskningen. Med en anpassad GPT som utgår från godkända källor går det nu att få ett gediget första utkast på några sekunder till ett arbete som tidigare tog flera timmar och ibland fortsatte över natten.

Människans roll är fortfarande central. Vårt team för investerarrelationer läser utkastet, tillför bedömningar och sammanhang och kontrollerar att våra svar är konsekventa gentemot olika investerare. AI påskyndar arbetet. Människor ansvarar för resultatet.

Det är rätt modell för ekonomifunktionen. Ekonomichefer bör tillsammans med IT- och styrningsteam fastställa vilka data ett AI-system får åtkomst till, vilka åtgärder det får vidta, när ett godkännande krävs och när ett problem ska eskaleras. Varje resultat ska kunna kopplas till en tillförlitlig källa. Varje prognos ska ha en tydlig förklaring. Varje ändring av ett godkänt utgångsläge ska kräva ekonomifunktionens godkännande.

Den kortvariga trenden med ”tokenmaxxing” har kommit och gått. Nu är det enkelt att ange användningsgränser, budgetkontroller, rollbaserad åtkomst, regler för modellstyrning och trösklar för godkännande. Ekonomichefer kan hantera AI-användningen med samma disciplin som andra rörliga kostnader och samtidigt ge teamen utrymme att bygga och experimentera.

Tydlig ansvarsfördelning skapar den trygghet som krävs för att arbeta snabbare. När sammanställning, avstämning och förberedelser går snabbare får ekonomer mer tid att ifrågasätta antaganden, ge råd till verksamheten och göra kvalificerade bedömningar.

Ekonomichefer behöver ett styrkort för AI som utgår från verksamhetens resultat. Att köpa fler licenser eller använda fler token säger inte särskilt mycket. Det viktiga är om arbetet blir väl utfört och vad det faktiskt kostar.

Ställ fyra frågor för varje arbetsflöde:

• Utförde AI ett arbete som hade betydelse?
• Vad kostade det, inklusive medarbetarnas tid, granskning och omarbete?
• Var resultatet tillräckligt bra för att användas?
• Hjälpte det oss att arbeta snabbare eller fatta ett bättre beslut?

För ett ekonomiteam kan värdefullt arbete innebära att en prognos uppdateras, en avvikelse förklaras, en revisionsförfrågan hanteras eller en fråga från styrelsen besvaras. För bokslutet kan styrkortet omfatta ledtid, andelen transaktioner som stäms av automatiskt, antalet undantag som kräver granskning och tiden det tar att förklara en avvikelse. För prognoser kan det omfatta prognosprecision, uppdateringsfrekvens, tiden det tar att ta fram ett nytt scenario och kvaliteten på de beslut som prognosen ligger till grund för.

Den billigaste modellen är inte alltid mest ekonomisk. Om en bättre modell ger ett tillförlitligt svar med färre försök och mindre granskning kan totalkostnaden bli lägre.

Ekonomifunktionen står i centrum för strategi, kapital, data, risk och resultat. Det ger ekonomichefer ett unikt perspektiv på hur företaget fungerar och ett starkt mandat att leda AI-omställningen.

En AI-baserad ekonomifunktion kännetecknas av snabbare cykler, starkare kontroller, bättre beslut och mer tid för kvalificerade bedömningar. Vägen börjar med ett meningsfullt arbetsflöde och breddas utifrån resultat: ge människor verktygen, hjälp dem att utforma arbetet på nytt, håll ansvarsfördelningen tydlig och mät utfallet.

Nolldagarsbokslut och kontinuerliga prognoser uttrycker en större ambition: ett ekonomiteam som förstår vad som händer medan det händer, visar ledningen vad som kan hända härnäst och hjälper företaget att fatta bättre beslut tidigare.

Resultatet är ett ekonomiteam med större kapacitet och en ekonomichef med tydligare överblick över verksamheten. Det skapar också en fungerande modell för hur hela företaget kan omvandla intelligens till varaktigt värde. Som jag alltid brukar säga: du kan inte bli det du inte kan se. Om vi vill att våra ekonomiteam ska ta till sig AI:s möjligheter måste vi visa hur det kan se ut – och för oss ekonomichefer börjar det med oss själva.

Mitt ekonomiteam har visat hur det här fungerar i praktiken. Du kan se inspelningen här⁠(öppnas i ett nytt fönster).