Från träffsäkrare prognoser till snabbare hantering av stora mängder data. Jesper Gardtman på Onestream berättar om hur AI håller på att omforma finansfunktioner och arbetssätt – och vilka fallgropar man ska undvika.
Jesper Gardtman, ansvarig för affärsutveckling på techföretaget Onestream, har specialiserat sig på AI-lösningar för finansfunktioner. Han menar att ett av de mest populära användningsområdena för AI som de sett hittills är inom prognoser och scenariemodellering.
Jesper Gardtman på Onestream
– Historiskt sett har prognoser sällan varit så träffsäkra som man önskar och ofta tagit lång tid att skapa. Det beror till stor del på de många omvärldsfaktorer och interna företagsspecifika faktorer som påverkar företagens efterfrågan, intäkter och kostnader. Att manuellt bygga prognosmodeller som får med till exempel säsongseffekter, makroekonomiska svängningar och förändringar i råvarupriser är väldigt svårt. Här erbjuder AI en lösning.
AI-baserade prognoser
Genom att samla in historiska data för det som ska prognostiseras, samt addera relevanta omvärlds- och företagsspecifika faktorer, kan en AI-modell träna på datan och skapa en prognos. Det går att justera antaganden – till exempel förändringar i inflation, valutakurser eller öppettider för en fabrik – som modellen kan ta hänsyn till och sedan ta fram en ny prognos. Något som blir avgörande för funktionaliteten är även tillgången till historiska data av tillräckligt hög kvalitet.
– Att snabbt justera prognoser baserat på förändringar i omvärlden, vilket ofta är ett krav i många företag, är AI väldigt bra på. Vi har genomfört över 150 projekt inom en mängd olika industrier och kan se att när AI används ökar träffsäkerheten i prognoserna med i genomsnitt 24 procent. Tiden det tar att göra en prognos minskar med i genomsnitt 86 procent. En mer träffsäker prognos kan i sin tur leda till stora vinster: företaget blir smartare i allt ifrån personal- till inventariehantering och strategiska investeringar.
Användning av AI-agenter
Ytterligare ett område med stor potential är användningen av AI-agenter, berättar Jesper Gardtman.
– De flesta använder generiska språkmodeller, vilket funkar bra för att processa textmassor. Utmaningen vi har sett är att dessa modeller är ganska begränsade när det kommer till bearbetning av finansiell data. Det blir ofta fel när de ska räkna på grund av hallucinationer och bristande träning på företagsspecifik metadata (produktdefinitioner, valutor, kontotyper, etc). Därför har vi tagit fram AI-agenter som är specifikt tränade på bolagens koncernrapporteringssystem och datan som finns där.
Istället för att behöva navigera i ett komplext budget-, prognos- och rapporteringssystem för att hitta rätt data kan användaren helt enkelt ställa frågor till en AI-agent som letar fram information och genererar analyser och rapporter.
– Du sparar tid och gör datan som finns i systemet mer lättillgänglig. Personer som annars kanske inte haft tillgång till datan på grund av bristande teknisk kompetens kan ta del av komplex – men väldigt värdefull – information på ett helt annat sätt.
Identifiering av avvikelser
Jesper Gardtman nämner även avvikelseidentifiering som ett område där AI har potential att bidra med stort värde.
– AI:n kan hitta mönster och avvikelser som en controller inte ser. Det går att få en transparens i hur verksamheten tjänar och spenderar pengar på en detaljnivå som är svår att komma åt manuellt, eftersom det tar för mycket tid.
För att få till ett bra och effektivt arbete med AI gäller det dock att förstå vilka affärsproblem man vill tackla, menar han.
– Användning av AI, likt annan ny teknik, bör grunda sig i ett väldefinierat affärsproblem som man vill lösa. Det ska inte vara en lösning som letar efter ett problem.
Förändringsledning är avgörande
En klassisk utmaning när det kommer till implementering av AI-verktyg är att få organisationen att acceptera ett nytt arbetssätt – både i chefsled och bland de med mer operativa roller
– Det är viktigt att vara öppen för ny teknik och inte låst vid till exempel gamla manuella Excel-baserade prognosmodeller som man är trygg med. Det krävs en förändringsvilja hos organisationen.
Säkerhet och behörigheter i fokus
Jesper Gardtman lyfter säkerheten som något företag bör prioritera.
– Företag behöver säkerställa att modeller som behandlar känslig data inte pratar med omvärlden och delar data som kan hamna i orätta händer. Det är grundläggande. Det är även viktigt att AI-agenter som behandlar finansiellt känslig data förstår vilken användare inom organisationen som har rätt att se vilken typ av information, säger han och fortsätter:
– Säg att jag är en controller som frågar en AI-agent om insiderinformation. Företagen måste säkerställa att en sådan agent inte ger den typen av känslig information till en användare som inte har behörighet. Den typen av rollbaserad accesskontroll som finns i andra system behöver även agenterna ha.
Kvalitetssäkring av AI-genererad information
Kvalitetssäkring av AI-genererad information är något som Jesper Gardtman och hans kollegor har jobbat aktivt med, och träffsäkerhet är en viktig fråga för finansfunktioner.
– Det vi bland annat gjort är att exponera slutanvändaren för de antaganden som ligger till grund för AI-genererade prognoser. Hur resonerade modellen när den kom fram till det här svaret? Vilka drivare gjorde att prognosen blev som den blev? Då har vi inte bara en AI som spottar ur sig ett färdigt svar, utan vi kan också kontrollera antagandena, säger han och avslutar:
– Det är samma sak med AI-agenter: det handlar om att visa användaren hur AI:n har resonerat och räknat så att svaret kan valideras.
