Vi visste at noe ikke stemte. Capa fant ut hva.

For litt siden oppdaget vi at noe ikke stemte i våre egne økonomiske data. Vi visste at det var en feil et sted, men ikke nøyaktig hvor den lå eller hva som hadde forårsaket den. Så gjorde vi det som etter hvert har blitt helt naturlig for oss. Vi ga problemet til Capa og hun fant feilen, men det var egentlig ikke det mest interessante. Capa forklarte hva som hadde skjedd, hvorfor tallene ikke stemte og hva vi måtte gjøre for å rette det.

Det ble et viktig øyeblikk for oss. Ikke fordi én regnskapsfeil er spesielt dramatisk, men fordi det gjorde noe veldig tydelig: Verdien av en AI-CFO ligger ikke først og fremst i hvor gode svar den kan gi. Verdien ligger i hva den kan oppdage, forstå og hjelpe oss med å gjøre noe med. Og det har påvirket hvordan vi nå bygger Capa.

Problemet med AI er at du ofte må vite hva du skal spørre om

Mye av AI-en vi bruker i dag starter på samme måte. Et tomt felt og «Hva kan jeg hjelpe deg med?» Det er kraftfullt at vi kan stille spørsmål, laste opp dokumenter, analysere informasjon og be AI-en undersøke nesten hva som helst. Men det finnes en ganske stor begrensning i denne modellen. Du må vite hva du skal spørre om.

Hvis jeg ikke vet at marginen på en del av virksomheten har begynt å falle, hvorfor skulle jeg spørre om den? Hvis jeg ikke har oppdaget at en kostnad utvikler seg unormalt, hvorfor skulle jeg undersøke den? Hvis likviditeten gradvis svekkes, men fortsatt ser grei ut i dag, hva får meg til å spørre hva som skjer om tre måneder? Og hvis det ligger en feil i regnskapet som ingen har oppdaget ennå, kommer ingen til å skrive: «Kan du finne feilen jeg ikke vet at jeg har?»

Det er her vi mener en AI-CFO må gjøre noe mer. Den må følge med.

En god CFO venter ikke på det riktige spørsmålet

Tenk på hvordan en god CFO arbeider. Hun sitter ikke på kontoret og venter på at daglig leder skal komme inn og stille det perfekte spørsmålet. Hun følger med på virksomheten. Hun ser at marginene begynner å bevege seg feil vei. Hun reagerer når kostnadene utvikler seg annerledes enn forventet. Hun ser at likviditeten kan bli strammere noen måneder frem i tid. Hun oppdager at budsjettet og virkeligheten begynner å skli fra hverandre. Og hun kommer ikke bare med et rødt varsel.

Hun sier: Dette har skjedd. Dette er sannsynligvis årsaken. Dette kan konsekvensen bli. Dette bør vi gjøre. Og så stopper ikke jobben nødvendigvis der.

Hun følger opp.

Ble tiltaket gjennomført? Forsvant problemet? Utviklet marginen seg som forventet? Ble likviditeten bedre? Det er denne arbeidsformen vi bygger inn i Capa.

Fra signal til handling, og tilbake igjen

Vi har derfor begynt å tenke på Capa som en kontinuerlig arbeidsflyt: OPPDAGE → FORSTÅ → KONSEKVENSBEREGNE → ANBEFALE → HANDLE → FØLGE OPP

Men dette er ikke en rett linje, det er en loop. Capa oppdager noe i økonomien. Hun forsøker å forstå hva som har skjedd og hvorfor. Deretter vurderer hun hva det kan bety for virksomheten. For resultatet, marginene, likviditeten, budsjettet eller andre relevante størrelser.

Så kommer spørsmålet: Hva bør vi gjøre med det?

Capa kan anbefale et tiltak. Etter hvert ønsker vi også at Capassa, der det er riktig og trygt, skal kunne hjelpe brukeren videre fra anbefaling til handling. Og så kommer kanskje den delen jeg synes er aller mest interessant: Capa fortsetter å følge med. Fungerte tiltaket? Er situasjonen løst? Har noe annet endret seg? Hvis ikke, starter loopen igjen.

Oppdage. Forstå. Konsekvensberegne. Anbefale. Handle. Følge opp. Og så oppdage på nytt. Det er ganske annerledes enn å produsere en rapport én gang i måneden.

Å finne feilen er bare begynnelsen

Det finnes allerede teknologi som kan finne avvik, og det kommer til å bli mye mer av den. Regnskapssystemene vil bli flinkere til å oppdage feil. Dashboards kan markere tall som beveger seg utenfor et intervall. AI kan identifisere anomalier i store datamengder, og det er bra. Men et rødt varsel er ikke en beslutning. Tenk deg at Capa oppdager at bruttomarginen har falt betydelig de siste tre månedene.

Det første spørsmålet er selvfølgelig: Hva har skjedd?

Men deretter kommer de langt mer interessante spørsmålene.

• Hvorfor har det skjedd?
• Hvilke produkter, kunder eller kostnader driver endringen?
• Hvis utviklingen fortsetter, hva betyr det for resultatet ved utgangen av året?
• Hva gjør det med likviditeten?
• Er dette et midlertidig avvik eller starten på en trend?

Og viktigst: Hva bør vi gjøre nå? Det er derfor vi ikke ønsker å bygge en anomalitetsmotor som bare finner ting. Vi bygger en økonomisk arbeidsflyt som hjelper deg fra signal til handling.

Og det handler ikke bare om å finne feil

Dette synes jeg er viktig. For når vi sier «avvik», er det lett å tenke på noe negativt. Men økonomiske data inneholder hele tiden signaler om både problemer og muligheter. En kundegruppe kan plutselig vokse raskere enn resten. Marginene kan forbedres. Kontantstrømmen kan gjøre det mulig å investere tidligere enn planlagt. En virksomhet kan ha fått større økonomisk handlingsrom enn ledelsen er klar over. Salget kan utvikle seg langt bedre enn budsjettet, men samtidig skape et kommende likviditetsbehov.

Derfor bør ikke spørsmålet Capa stiller bare være: «Er det noe galt her?»

Det bør være: «Er det noe her ledelsen burde vite, eller gjøre noe med?»

Det er en vesentlig forskjell.

For regnskapskontorene blir dette enda mer interessant

En daglig leder har kanskje ett selskap å følge med på. En regnskapsfører kan ha ansvar for svært mange kunder. Et regnskapskontor kan ha flere hundre eller tusen virksomheter i porteføljen. Ingen mennesker kan kontinuerlig analysere alle disse selskapene. Det betyr også at rådgivning ofte starter for sent. Kunden tar kontakt når hun allerede har oppdaget problemet. Eller regnskapsføreren oppdager noe fordi hun tilfeldigvis arbeider med akkurat den kunden den dagen.

Men hva hvis teknologien kunne snu dette? Se for deg at du kommer på jobb mandag morgen og Capa sier: 11 kunder trenger oppmerksomhet. Fire av dem bør dere kontakte nå. Hos én faller marginene. Hos en annen utvikler likviditeten seg svakere enn forventet. En tredje har en kostnadsutvikling som skiller seg vesentlig fra tidligere måneder. Og en fjerde vokser så raskt at det kan være på tide å diskutere finansiering og likviditetsbehov. Da har AI gjort noe langt mer interessant enn å automatisere regnskapsarbeid. Den har funnet ut hvor mennesket kan skape størst verdi.

Kanskje det er slik proaktiv rådgivning faktisk kan skaleres

Regnskapsbransjen har snakket om mer rådgivning i mange år. Men det finnes et praktisk problem som ofte undervurderes. Noen må vite hvem man skal kontakte. Noen må vite hvorfor. Noen må vite hva man bør snakke med kunden om. Og det må kunne gjøres på tvers av en kundeportefølje som er altfor stor til at hvert selskap kan analyseres manuelt hver uke. Det er her jeg tror AI kan endre rådgivning mer fundamentalt enn vi hittil har snakket om. Ikke ved å erstatte rådgiveren. Men ved å gjøre hele porteføljen analyserbar. Teknologien kan følge med på alle. Mennesket kan bruke tiden sin der den faktisk trengs.

Vi bygger ikke Capa for å ha enda en chatbot

Denne erfaringen har også gjort oss tydeligere på hva vi ikke skal konkurrere på. Det kommer til å finnes AI-chat i nesten alle økonomisystemer. Det kommer til å finnes dashboards, rapportgeneratorer, agenter og anomalideteksjon. Mye av dette kommer etter hvert til å bli standard. Vi tror derfor at Capassa må ligge et annet sted. Regnskapssystemet skal produsere og strukturere de økonomiske dataene. Capa skal følge med på dem, forstå hva de betyr og hjelpe virksomheten eller rådgiveren videre. Oppdage → forstå → konsekvensberegne → anbefale → handle → følge opp. Og så begynner det på nytt. Det er fortsatt mye vi skal bygge før denne loopen fungerer slik vi ønsker i alle situasjoner. Men den lille feilen vi fant i våre egne tall gjorde retningen veldig konkret for meg.

Det mest interessante var ikke at Capa fant en feil. Det var at hun fant noe som krevde oppmerksomhet, forklarte hvorfor, og hjalp oss videre mot hva vi burde gjøre med det.

Det er den AI-CFO-en vi bygger.