AI är aldrig bättre än datan bakom

Alla pratar om hur AI ska förändra ekonomifunktionen. Analysera huvudboken, förklara avvikelser, uppdatera prognosen och ge ledningen svar på några sekunder.

Men det finns en fråga som ofta glöms bort:

Kan AI:n lita på datan den analyserar?

Det har aldrig varit enklare att börja använda AI i ekonomiarbetet. En controller kan exportera en rapport, ladda upp den i ett AI-verktyg och ställa frågor om kostnader, marginaler eller kassaflöde.

Svaren kommer snabbt. De är välformulerade och ser ofta övertygande ut.

Men AI:n vet inte automatiskt om siffrorna är korrekta, fullständiga eller jämförbara. Den vet inte om ett konto har mappats på olika sätt i två bolag, om en dimension saknas eller om filen innehåller gamla siffror.

Den kan analysera informationen den får.

Den kan inte garantera att informationen speglar verkligheten.

AI kan hitta mönster, men inte alltid förstå dem

Tänk dig en koncern med flera bolag och affärssystem. Ett bolag använder Microsoft Dynamics, ett annat Visma och ett tredje Fortnox.

I ett system bokförs en viss kostnad på ett konto. I ett annat delas samma kostnad upp på flera konton. Ett bolag använder kostnadsställen konsekvent, medan ett annat saknar motsvarande dimensioner.

För en människa med kunskap om organisationen kan skillnaderna gå att förklara.

För en AI-modell kan det se ut som att verksamheten har förändrats.

Modellen kanske identifierar en kostnadsökning, men saknar den kontext som behövs för att avgöra om ökningen är verklig, beror på en omklassificering eller har uppstått genom olika sätt att registrera samma information.

Det illustrerar en viktig skillnad:

Att ha mycket data är inte samma sak som att ha användbar data.

En huvudbok är inte en färdig datamodell

Det går att använda AI för att analysera en huvudbok eller ett kalkylark. För en avgränsad fråga kan det vara både snabbt och värdefullt.

Men en huvudbok är inte en färdig bild av verksamheten.

För att kunna jämföra bolag, perioder och affärsområden behöver informationen sättas i ett gemensamt sammanhang. Konton behöver mappas, dimensioner harmoniseras och relationerna mellan resultat, balans och kassaflöde förstås.

Dessutom behöver organisationen vara överens om vad informationen betyder.

Vad räknas som återkommande intäkter? Hur definieras bruttomarginal? Vilka kostnader ska belasta ett visst affärsområde? Hur hanteras interna transaktioner mellan koncernbolag?

AI kan räkna på ett nyckeltal på några sekunder.

Men om verksamheten saknar en gemensam definition av nyckeltalet blir svaret fortfarande osäkert.

Risken är inte bara att AI ger fel svar

När ett traditionellt kalkylark innehåller ett fel går det ofta att följa beräkningen och upptäcka var problemet uppstod.

Ett AI-genererat svar kan vara svårare att bedöma. Det presenteras med ett tydligt språk och en logisk förklaring, även när underlaget innehåller luckor eller motsägelser.

Den största risken är därför inte alltid ett uppenbart felaktigt svar.

Det är ett trovärdigt svar som bygger på felaktig eller ofullständig data.

För ekonomifunktionen blir spårbarheten därför central. Det behöver gå att förstå var siffran kommer ifrån, när den uppdaterades och hur den har bearbetats.

Annars blir det svårt att avgöra om AI:n har identifierat en verklig affärsinsikt eller bara förstärkt ett problem som redan fanns i datan.

AI gör ett gammalt problem mer synligt

Fragmenterad data är inget nytt problem.

Ekonomifunktioner har länge lagt tid på att exportera information från olika system, mappa konton, kontrollera filer och sammanställa rapporter. Excel har ofta blivit platsen där informationen till slut fogas samman.

Det fungerar så länge någon vet vilken fil som är rätt, hur mappningen ska göras och varför två system visar olika resultat.

När AI introduceras blir beroendet av denna kunskap ännu tydligare.

En AI-modell kan bearbeta stora datamängder, men den kan inte automatiskt ersätta den kontext som finns i manuella arbetsmoment eller hos enskilda medarbetare.

För att AI ska förstå verksamheten måste även kontexten bli en del av datagrunden.

Det innebär gemensamma definitioner, konsekventa dimensioner, kvalitetssäkrade integrationer och en struktur som visar hur information från olika delar av organisationen hänger ihop.

AI-resan börjar inte med valet av AI

Många organisationer börjar sin AI-satsning med att jämföra modeller, verktyg och användningsområden.

Vilken lösning kan analysera snabbast? Vilken kan skapa bäst prognoser? Vilken kan ge ledningen svar direkt?

Men för CFO:n finns en mer grundläggande fråga:

Har vi den datagrund som krävs för att svaren ska gå att lita på?

Först när finansiell och operativ data är samlad, strukturerad och harmoniserad kan AI användas med kontroll. Då kan modellen analysera hela verksamheten utifrån samma definitioner och samma finansiella logik.

Det skapar förutsättningar för att upptäcka avvikelser tidigare, förklara varför marginaler förändras, identifiera risker och ta fram mer relevanta prognoser.

AI går då från att vara ett fristående experiment till att bli en del av verksamhetsstyrningen.

Målet är inte bättre AI. Målet är bättre beslut.

Exopen samlar finansiell och operativ data från flera affärssystem i en gemensam struktur. Informationen harmoniseras och görs tillgänglig för rapportering, analys, planering och AI.

Ekonomifunktionen kan fortsätta arbeta i verktyg som Excel och Power BI, men med en gemensam datagrund som gör siffrorna jämförbara och spårbara genom hela organisationen.

Det är grunden för AI som inte bara levererar snabba svar, utan svar som faktiskt går att använda.

För bättre AI börjar inte med en bättre prompt.

Det börjar med bättre data.

Är er datagrund redo?

Gör Exopens snabbanalys och identifiera om er organisation har ett rapporteringsproblem eller ett dataproblem.

Starta snabbanalysen