Finanslag over hele verden sliter med å skrive prognoser og forklare hvorfor tallene ikke stemmer. Hvert månedlig oppdateringsløp tar uker, og de fleste timer går med til å samle data, formatere regneark og skrive forklaringer som ingen leser. Men det endrer seg. Med generativ AI kan finanslag nå lage nøyaktige prognoser og forklare avvikene i naturlig språk - på minutter, ikke dager.
Hvordan fungerer generativ AI i finans?
Generativ AI i finans er ikke bare en bedre regnemaskin. Den kombinerer historiske finansdata med eksterne signaler - som markedstrender, nyheter og leverandørdata - for å forutsi fremtiden. Men det som gjør den unik, er at den ikke bare sier hva som vil skje. Den forklarer hvorfor.
Et system som brukes av store bedrifter, som DataRobot eller Datarails, henter data fra SAP S/4HANA, Oracle eller andre ERP-systemer. Den analyserer tidligere kassestrømmer, salgsvariasjoner og til og med hvordan kunder betaler i ulike sesonger. Deretter bruker den et stort språkmodell som GPT-4 til å skrive en forklaring som en CFO kan lese i en møte. Ikke en liste med tall, men en fortelling: «Salget sank 12 % i mars fordi to viktige kunder reduserte bestillingene etter en leverandørkrisen i Asia, og vi så en økning i tilbakeføring i Nord-Europa på grunn av koldere vær.»
Dette er ikke science fiction. King’s Hawaiian, en amerikansk matprodusent, brukte en slik løsning og reduserte rentekostnadene med over 20 %. Hvorfor? Fordi de nå kunne forutsi kassestrømmen med nøyaktighet på daglig basis, ikke kvartalsvis. De kunne planlegge lånebeløp bedre, og unngå dyre kortfristede lån.
Hva er forskjellen mellom tradisjonell prognose og AI?
Tradisjonell finansprognose bygger på Excel-modeller som er laget for 5 år siden. En analyst legger inn antagelser om vekst, inflasjon og salg, og kjører modellen en gang i måneden. Hvis noe skjer - en ny konkurrent, en økning i råstoffpriser - må modellen manuelt oppdateres. Det tar tid. Og når det gjøres, er det ofte for sent.
Med generativ AI skjer alt i sanntid. Modellen oppdateres hver dag, eller selv hver time, basert på nye data. Den kjører tusenvis av «hva-om»-scenarioer: Hva hvis inflasjonen stiger med 3 %? Hva hvis en leverandør går konkurs? Hva hvis valutakursen endres? Og den gir deg ikke bare resultatene - den skriver en kort, klar forklaring for hver scenario.
En undersøkelse fra Cherry Bekaert viser at finanslag som bruker AI har 25 % høyere nøyaktighet i prognosene sine og er 18 % mer effektive i ressursbruk enn lag som ikke bruker AI. Og det er ikke bare tall. Et senior FP&A-lagmedlem på Reddit skrev: «Jeg har redusert min månedlige prognose fra 10 dager til 3. Jeg slipper å skrive 50 sider med forklaringer. AI gjør det for meg.»
Hvordan håndterer AI avvik?
Avviksanalyse er kanskje den mest tidkrevende delen av finansarbeidet. Når det faktiske resultatet ikke stemmer med prognosen, må du finne ut hvorfor. Var det en feil i modellen? En uventet markedskris? En feil i registreringen?
Tradisjonelt: Du åpner 15 regneark, sammenligner kolonner, leter etter feil, snakker med salgsavdelingen, kaller på logistikk. Det tar 2-3 dager. Med AI: Du klikker på et avvik, og systemet sier: «Avviket på 14 % i salg i Nord-Norge skyldes en 3-dagers systemnedetid i kundens ERP-system, som forsinket leveranser. Samtidig økte konkurrentens markedsføring med 40 % i samme perioden.»
Dr. Nick Castellina fra Aberdeen Group sier at AI kan skanne tidligere trender, eksterne signaler og ustrukturerte data - som nyheter eller resultatrapporter - og automatisk markere svakheter i prognosene. Det er som om du har en ekspert som alltid sitter ved siden av deg og sier: «Vent litt - dette stemmer ikke.»
Hvilke systemer brukes i 2025?
De største aktørene i markedet er ikke lenger bare spesialiserte fintech-firmaer. De store ERP-leverandørene har lagt inn generativ AI direkte i sine plattformer.
- SAP har sluppet Joule, en AI-assistent som er integrert i S/4HANA Finance. Den kan generere prognoser og avviksanalyser direkte fra finansdataene dine.
- DataRobot har utviklet en app som analyserer kassestrømmer fra SAP S/4HANA og SAP Datasphere, og gir forslag til hvordan du kan redusere renter og unngå kasseproblemer.
- Datarails bruker RAG (retrieval-augmented generation) - en teknikk som kombinerer store språkmodeller med dine egne finansdata - for å gi nøyaktige og forklarede prognoser.
- Anaplan og Adaptive Insights har lagt til AI-funksjoner, men de mangler den naturlige språkgenereringen som gjør generativ AI så kraftfull.
De fleste løsninger krever ikke at du skriver kode. De har brukervennlige grensesnitt som ligner på Excel - bare mye smartere. Du trenger ikke å være en datavitenskapsmann. Du trenger å forstå finans. Og det er alt.
Hva er utfordringene?
Det er ikke alltid perfekt. En Gartner-undersøkelse fra 2024 viser at 43 % av tidlige brukere har problemer med å integrere AI-utskriftene i eksisterende godkjenningsprosesser. Hva om AI sier at du skal redusere budsjettet med 15 %, men sjefen din ikke forstår hvorfor?
Det er her forklarbarhet kommer inn. De beste systemene viser ikke bare svaret - de viser hvordan de kom fram til det. De viser hvilke data de brukte, hvilke modeller, og hvorfor en bestemt variabel var viktig. Det bygger tillit.
En annen utfordring er datakvalitet. 68 % av bedrifter som prøver AI sier at dårlige eller ufullstendige data er hovedproblemet. Hvis du har 2 år med mangelfull registrering, kan ikke AI gjøre noe. Den trenger minst 3-5 år med ryddige, konsistente data.
Det er også et problem med «svarte bokser». Hvis AI gir et svar uten å forklare det, kan det være farlig i regulerte bransjer. SEC (USAs finansmyndighet) krever nå at bedrifter dokumenterer hvordan AI-bruk påvirker finansielle rapporter. IFRS Foundation vil levere retningslinjer for dette i første kvartal 2025.
Hvordan starter du?
Start ikke med å bytte ut hele systemet. Start med et lite prosjekt. Velg én prosess: kassestrømprognose, for eksempel.
- Samle 3-5 år med historiske kassestrømsdata fra ERP-systemet ditt.
- Velg en løsning som er integrert med din nåværende teknologi (SAP, Oracle, etc.).
- Sett opp en pilot med et lite lag - 2-3 personer.
- Kjør den i 60 dager. Sammenlign AI-prognosene med de manuelle.
- Mål: Hvor mange timer sparte dere? Hvor mye mindre avvik var det? Hvor fornøyd var ledelsen med forklaringene?
Det tar vanligvis 3-6 måneder før du ser reell verdi. Men når du gjør det, vil du ikke gå tilbake. En undersøkelse fra The Hackett Group viser at 92 % av CFO-er planlegger å øke investeringen i AI for finans de neste tre årene.
Hva kommer neste?
Det neste steget er «selvkjørende finans». Bain & Company forutsier at innen 2027 vil AI ikke bare forutsi - den vil handle. Hvis en prognose viser at du har for lite kasse, kan systemet automatisk be om et lån. Hvis salget faller, kan det redusere utgifter i enkelte avdelinger uten at noen må godkjenne det manuelt.
Det høres skremmende ut. Men det er ikke om å ta kontrollen fra mennesker. Det er om å fjerne den monotone jobben. Når AI tar vare på prognoser, avvik og rapporter, kan finansfolk fokusere på det som virkelig teller: strategi, risiko, vekst og samarbeid med andre avdelinger.
Den som vinner i denne omgangen, er ikke den som har den mest avanserte teknologien. Den som vinner, er den som bruker AI til å gi sine mennesker mer tid - og mer mening - i jobben sin.
Hva er forskjellen mellom AI og tradisjonell finansprognose?
Tradisjonell prognose bruker statiske Excel-modeller som oppdateres manuelt én gang i måneden. AI bruker sanntidsdata, kjører tusenvis av scenarier daglig, og genererer automatisk forklaringer i naturlig språk. AI er raskere, nøyaktigere og gir forståelse - ikke bare tall.
Trenger jeg programmeringserfaring for å bruke generativ AI i finans?
Nei. De fleste enterprise-løsninger har brukervennlige grensesnitt som ligner på Excel eller Power BI. Du trenger å forstå finans - ikke å skrive kode. Analysatorer trenger 2-4 uker med opplæring. Ledere trenger nesten ingen opplæring - de leser bare forklaringene.
Hvorfor er datakvalitet så viktig?
AI lærer av data. Hvis historiske data er mangelfulle, inkonsistente eller ukorrekte, vil AI lage dårlige prognoser - og forklaringer som ikke stemmer. De beste systemene krever minst 3-5 år med ryddige, konsistente finansdata for å trene modellen riktig.
Kan AI gjøre feil i prognoser?
Ja. AI er ikke magisk. Den klarer ikke å forutsi uventede kriser som pandemier, kriger eller plutselige markedssvingninger - fordi de ikke har noen historiske mønstre. Derfor er menneskelig oversikt nødvendig. AI gir forslag - mennesker tar beslutninger.
Hvordan måler jeg suksessen med AI i finans?
Mål tre ting: 1) Reduksjon i avvik mellom prognose og virkelighet, 2) Antall timer spart per prognosecyklus, og 3) Tilfredshet fra ledelse og andre avdelinger med forklaringene. Hvis du reduserer prosessen fra 10 til 3 dager og øker nøyaktigheten med 25 %, har du suksess.
Post Comments (7)
AI i finans? Hører det ut som en skikkelig fiskekake. Når skal vi se den første CEOen som blir satt i fengsel fordi AI sa at de skulle ta opp lån og så gikk hele selskapet i knipe? De sier at det er 'forståelig', men hvem kontrollerer at AI ikke bare lager historier som passer for sjefen sin? 🤔
Å ja, selvfølgelig. GPT-4 som CFO. Hvor mange milliarder har vi allerede tapt på 'AI-genererte forklaringer' som ikke stemmer med virkeligheten? Jeg jobber i finans i 17 år, og ingen algoritme vil noensinne forstå at mennesker er irrasjonale - og det er nettopp det som driver markedet. Det her er bare nytt navn på gammel flauhetsmaskin. 😌
Det er viktig å skille mellom teknologisk mulighet og praktisk implementering. Generativ AI kan virkelig redusere administrative byrder og øke nøyaktigheten i prognoser, men kun hvis datakvaliteten er på nivå. En viktig faktor er også forklarbarhet - systemer som ikke kan dokumentere sine antagelser vil møte motstand i regulerte miljøer. Det er ikke bare om å bytte ut Excel, men om å bygge tillit gjennom transparens.
En pilot med 3-5 år med data og en klar målsetting er en god start. Hackett Groups resultat er overbevisende - men bare hvis man ikke ignorerer de 43 % som har integreringsutfordringer.
OMG THIS IS THE FUTURE!!! 🚀 AI SKRIVER FORKLARINGER FOR MEG??? JEG HAR SKREVET 1000 SIDER MED EXCEL OG KJØRT OM OG OM OG OM... OG NÅ SKAL DEN GJØRE DET FOR MEG???
DU HAR IKKE LØST ALLE PROBLEMER MEN DU HAR LØST DE VIKTIGSTE. JEG VIL KJØPE DETTET I DAG. 🤖💸 #FINANSAI #NOMORESPREADSHEETS
ja men det er jo bare sånn at hvis dataa er rørt så blir ai også rørt? jeg jobba på en bedrift som prøvde det og så ble alle forklaringene ganske dumme fordi noen hadde skrevet 'salg' som 'salj' i 2 år... så ai tenkte at det var en ny kategori 😅
Det er virkelig spennende å se hvordan AI kan frigjøre finansfolk fra den monotone jobben. Jeg liker at du sier at det ikke handler om å erstatte mennesker, men om å gi dem mer tid til det som virkelig teller.
Det er som når man får en sekretær som kan lese og skrive - man slipper å skrive e-poster og kan snakke med kunder i stedet. AI er ikke en trollmann, men en kraftig hjelpemiddel. 💡
92% av cfoer skal øke investeringer? hah. det er bare de som har fått presse fra konsulenter som selger løsninger. de fleste har ikke en skikkelig datastruktur og bruker ai som et smørrebrød for å unngå å fikse grunnproblemer. det er bare nytt navn på å skjule dårlig ledelse bak en maskin. 🤷♂️