– Agentisk AI kan løfte både kvalitet og effektivitet i økonomiavdelingen

Ikke før har økonomiavdelingen blitt tutet ørene fulle av forventninger til hva kunstig intelligens kan gjøre for dem, før daglig leder forventer å se resultater. Inn på banen kommer agentisk AI, som mange setter sin lit til at kan være teknologien som automatiserer oppgavene og frigjør CFO. 

Sammen med et knippe kolleger skrev EY-partner Kenneth Løvbrøtte Fegri nylig en lengre artikkel om agentisk AI i økonomiavdelingen. Økonomi24 tok en prat med ham, hvor vi utfordret ham til å være enda mer konkret. 

– Det er en teknologi som er i veldig rask utvikling og har stort potensial. CFO får stadig større krav og forventninger internt om å forstå potensialet innenfor sitt område. For en økonomifunksjon øker også de eksterne kravene. Det forventes raskere rapportering, mer detaljer og det kommer stadig flere regulatoriske krav, sier Fegri.

Paradokset: Har mer data, men tiden går til det samme som før

Han peker samtidig på et paradoks som mange i økonomiavdelingen vil kjenne seg igjen i: Virksomheten sitter på mer data enn noen gang, men fortsatt går en stor del av arbeidsdagen med til å flytte, kontrollere og sammenstille tall manuelt. 

– Teknologien er nå moden nok til at vi kan håndtere hele prosesser med en større grad av selvstendighet enn det som var mulig tidligere, sier Fegri.

Han er opptatt av å forklare forskjellen mellom en vanlig språkmodell og en AI-agent på en måte som faktisk gir mening i en økonomihverdag. For ham er kjernen at språkmodellen først og fremst svarer, mens agenten kan utføre. Det er nettopp derfor han mener dette kan bli et reelt skifte for økonomifunksjonen, ikke bare enda et nytt digitalt hjelpemiddel.

– En språkmodell er reaktiv, mens en agent er proaktiv. Den kan utføre handlinger, som å logge seg inn i systemene dine, hente tall fra flere kilder, utføre beregninger, sette opp en rapport eller sende et varsel uten at du trenger å trykke på «kjør»-knappen hver gang. Men språkmodellen ligger fortsatt i bunnen, mens agentisk AI er programvaren på toppen som utfører oppgavene, sier han.

– Begynn med repetitive oppgaver med høyt volum

Fegri mener økonomiavdelinger til å begynne med bør se etter oppgaver som er repetitive, regelstyrte og datatunge. Det er gjerne der man raskest kan hente ut verdi, samtidig som risikoen er lettere å avgrense og kontrollere.

– Typiske eksempler er ulike former for avstemminger, der man bruker mye tid på å kontrollere at tall stemmer på tvers av ulike kilder. AI kan gjøre mer avanserte avstemminger enn før, sier han.

Han trekker også frem månedsavslutning som et naturlig område å vurdere, nettopp fordi flere kontroller kan flyttes frem i tid og gjøres løpende i stedet for å hope seg opp mot slutten av perioden. Fakturahåndtering kan være et godt startpunkt der volumene er høye, mens likviditetsprognoser og andre prognoser gjerne krever et bedre datagrunnlag og derfor oftere egner seg som fase to. 

Det avgjørende er datakvaliteten

Et sentralt spørsmål for mange økonomisjefer er om agentisk AI forutsetter et større teknologiskifte før man i det hele tatt kan begynne. Her er Fegri mindre kategorisk enn mange kanskje venter. 

– Svaret er nei, man må ikke nødvendigvis bytte ut alt. Agentisk AI er ofte designet for å fungere på toppen av eksisterende systemer via integrasjonslag. Det kan faktisk bidra til å forlenge levetiden på eksisterende systemer fordi man får hentet ut mer verdi av dem.

For ham er det ikke først og fremst spørsmålet om systemene er gamle eller nye som avgjør hvor raskt man kan komme i gang. 

– Det avgjørende er om datakvaliteten holder, og om informasjonen er tilgjengelig på en måte som gjør den brukbar i en automatisert prosess. Ofte er det mer opprydding i dataene som skal til enn man tror.

– Økonomene må uansett eie problemstillingen og vurdere kvaliteten på det agenten leverer.

For CFOen som vil komme i gang raskt, er rådene hans påfallende jordnære. Han anbefaler å starte med å kartlegge hvor teamet bruker tid, deretter velge en avgrenset pilot, og så gjøre en ærlig vurdering av datagrunnlaget før man bestemmer seg for teknologi og tempo. Det er en oppskrift som peker mer mot praktisk forbedringsarbeid enn mot store visjoner.

– Kartlegg tidsbruk og friksjon. Fokus på «jobs to be done», altså hva som skal komme ut av prosessen, og ikke hvordan man gjør det i dag. Velg en avgrenset pilot. Vurder datagrunnlaget ærlig. Agenten er aldri bedre enn dataene den har tilgang til.

Kontroll først, autonomi deretter

Når AI-agenter skal brukes i økonomistyring og regnskap, blir spørsmålet om kontroll og ansvar uunngåelig. Fegri understreker at tryggheten kommer av å bygge teknologien inn i en arkitektur med tydelige grenser, klare roller og sporbarhet i alle ledd. 

– Tryggheten bygges gjennom arkitekturen helt fra start. Vi snakker om kontrollert autonomi. Agentene opererer selvstendig, men innenfor tydelige rammer. Hvis noe faller utenfor normalen, skal oppgaven eskaleres til et menneske. Mennesket fungerer som en gatekeeper, sier han. 

Han mener dessuten at agentene på enkelte områder faktisk kan gi bedre kontroll enn dagens manuelle arbeidsformer. Mange økonomiprosesser foregår fortsatt i regneark, e-poster og uformelle rutiner der sporbarheten er begrenset. 

– En fordel med agenter er at de kan logge alt de gjør. Dette gir faktisk full sporbarhet, noe som ofte er bedre enn i dagens manuelle prosesser der mange jobber i Excel-filer uten loggføring. Trygghet kommer av å designe systemet riktig, ikke ved å unngå teknologien, sier Fegri.

Mer kapasitet, men ansvaret består

Dersom en AI-agent gjør en feilvurdering som fører til feil i rapporteringen, er det fortsatt selskapet og menneskene i de aktuelle rollene som sitter med ansvaret. Det som endrer seg, er hvordan kontrollene bygges rundt prosessen, og hvor i arbeidsflyten de må ligge.

– Ansvaret ligger alltid hos virksomheten og menneskene i de aktuelle rollene. Det endrer seg ikke selv om man bruker et AI-verktøy. Men kontrollstrukturen rundt prosessen endres, for eksempel ved bruk av automatisk validering av input og output, samt periodiske manuelle gjennomganger av hvordan modellene fungerer.

For mange mindre og mellomstore bedrifter vil terskelen også handle om kompetanse. Må man ansette data scientists for å ta dette i bruk, eller er teknologien blitt såpass tilgjengelig at økonomifolk kan eie den selv? Her mener Fegri at utviklingen de siste årene har gjort inngangsbarrieren klart lavere, fordi det er kommet flere standardløsninger som er laget for folk med forretningsforståelse, ikke bare tung teknologibakgrunn.

– Man trenger ikke nødvendigvis Data Scientists for å komme i gang. Det har kommet mange standardløsninger som er tilgjengelige for økonomer med god forretningsforståelse og nysgjerrighet på nye verktøy. Det er litt som å lære seg et nytt regnskapssystem.

Det fritar likevel ikke økonomifunksjonen fra ansvar. Tvert imot mener han at økonomene selv må eie både problemstillingen og vurderingen av om det agenten leverer faktisk holder mål. Teknologien kan gjøre mer, men den kan ikke overta forretningsforståelsen. Den blir snarere mer verdifull når mer av det manuelle maskineriet flyttes ut av hverdagen.