Möjligheter, risker och vad som krävs för att lyckas.

Du har förmodligen redan fått frågan från ledningsgruppen eller styrelsen: Vad gör vi med AI? Kanske ställer du den själv. Frågan är enkel, men svaret är lite mer komplicerat, och det är värt att ta den på allvar innan ni sätter i gång.

För det finns en skillnad mellan att använda AI och att använda AI på ett sätt som faktiskt tillför värde. Den skillnaden avgörs inte av vilket verktyg ni väljer, utan av vad ni har på plats innan ni börjar.

Möjligheterna är konkreta och redan tillgängliga

Verktygen finns, erfarenheterna finns och nyttan går att mäta. Här är fyra områden där AI kan göra verklig skillnad för en ekonomifunktion.

Automatisering frigör tid för rätt saker – Fakturering, avstämningar, reseräkningar. Uppgifter som tar tid men sällan kräver eftertanke är lågt hängande frukt för AI. Resultatet är färre fel, kortare ledtider och medarbetare som kan lägga sin energi där den faktiskt gör skillnad.

Snabbare rapportering – Föreställ dig en ledningsrapport som inte kräver flera dagars manuellt arbete att sätta ihop. AI kan sammanställa och visualisera data automatiskt, så att ledningen får rätt insikter i realtid och inte veckor senare. Men det kommer med ett ansvar, ju mer AI tar plats i ekonomiprocesserna, desto viktigare blir datakvaliteten och de interna kontrollerna. AI ska vara det som lyfter besluten, inte det som fattar dem.

ROI som går att följa upp – Färre manuella timmar, kortare stängningstider och lägre felfrekvens är effekter som går att följa upp och värdera. Det gör AI till en investering som faktiskt går att utvärdera löpande, till skillnad från många andra förändringsinitiativ. Men det kräver att ni definierar vad ni mäter innan ni börjar, inte efteråt.

Bättre beslutsstöd tidigare – Tänk om ledningen kunde se riskerna innan de blir problem, eller testa olika scenarier direkt i ledningsrapporten. Genom att kombinera historiska data med AI-modeller kan ni förutse kassaflöden, identifiera risker tidigt och fatta mer proaktiva beslut. Det är den typen av beslutsstöd som flyttar ekonomiavdelningen från backoffice till strategisk partner.

Riskerna är minst lika konkreta

De flesta har koll på möjligheterna. Färre har lika bra koll på det som kan gå fel, och det är ofta där det kostar mest. Här är fyra risker som är värda att ta på lika stort allvar.

Garbage in, garbage out – AI löser inte bristande datakvalitet, utan förstärker den. Om masterdata är inkonsekvent eller periodiseringsregler tillämpas fel, lär sig modellen felen och förstärker dem i skala. Det betyder att grunderna måste vara på plats innan ni skalar upp. AI är inte en genväg förbi röriga data, det är en förstoring av dem.

När ingen äger datan, äger ingen heller felet – En risk som är lätt att missa är när datakvalitet inte är någons uttalade ansvar. När AI förstärker fel i skala är det inte alltid enkelt att spåra var det gick fel eller vem som ska rätta till det. För att AI ska fungera i ekonomifunktionen behöver ni vara tydliga med vem som äger vilken data, vem som får ändra den och vem som svarar när något inte stämmer.

AI hallucinerar och i siffrornas värld kostar det – AI kan producera siffror som ser korrekta ut, är rimliga i sitt sammanhang och ändå är helt fel. Det farliga är inte att felet uppstår, utan risken att ingen ifrågasätter det. I en ekonomifunktion där beslutsunderlag går rakt in i ledningsgruppen behöver allt som gått igenom AI ha en ansvarig person bakom sig, inte bara ett system.

Kompetenstapp sker tyst – När AI sköter rutinerna tappar medarbetare gradvis djupförståelsen för grundprocesserna. Inte för att de blir sämre, utan för att de inte längre behöver använda dem. Man slutar förstå sina egna siffror utan att märka det, och det märks inte förrän något går fel och ingen längre vet hur man felsöker manuellt. Det är en av de svåraste riskerna att fånga, just för att den är osynlig tills den inte längre är det.

Svarta lådor klarar inte revision – Många AI-lösningar är proprietära, vilket betyder att ingen annan än leverantören riktigt vet hur de fungerar. Det är ett hanterbart problem när AI används i periferin. Det är ett annat problem när AI sitter i kärnan av er finansiella rapportering. Med skärpta revisionskrav ställs allt högre krav på spårbarhet och förklarbarhet. Kan ni förklara vilket underlag som låg till grund för er prognos? Kan ni spåra hur AI kom fram till en slutsats som sedan påverkade ett beslut? Om svaret är nej är det en fråga som är värd att ta på allvar innan den ställs av revisorn.

Vad krävs för att lyckas?

Det som skiljer dem som lyckas med AI från dem som gör en dyr läxa är inte vem som kom igång snabbast, utan vilka som förstod vad de gav sig in på.

Möjligheterna är verkliga och redan tillgängliga. Riskerna är lika verkliga och ofta underskattade. Det är förmågan att hantera båda samtidigt som avgör utfallet, inte vilket verktyg ni väljer eller hur ambitiös er roadmap är.

Det som faktiskt krävs är tre saker: att ni vet vad AI ska göra, att någon äger ansvaret när det går fel och att ni har förmågan att upptäcka det när det händer. Enkelt att formulera, men mindre enkelt att ha på plats. De organisationer som kan svara på de frågorna innan de sätter i gång är redan bättre rustade än de flesta.

Vi på Andersen Consulting Sweden samtalar gärna med CFO:er och ekonomichefer som vill ta nästa steg på ett genomtänkt och ansvarsfullt sätt. Hör av er om ni vill bolla var ni befinner er och vad som är ett rimligt nästa steg för just er verksamhet.