AI arver dit rod, men den kan også hjælpe dig med at rydde op

Hvis det er svært for medarbejderne at finde vej gennem økonomifunktionens systemer, data og integrationer, bliver det også svært for en digital medarbejder - altså en AI-agent, der kan løse opgaver på tværs af systemer. Det betyder ikke, at I skal vente med AI, til fundamentet er perfekt. Tværtimod kan den første relevante anvendelse være at bruge AI til at afdække rodet, forbedre strukturen og gentænke de processer, som ikke længere passer til forretningen.

For en kunde skulle vi udvikle en digital medarbejder, som kunne samle tre debitorlister fra tre lande i én rapport. Umiddelbart var opgaven ligetil: Læs filerne, harmonisér indholdet, og skab et samlet overblik.

Da vi åbnede filerne, viste virkeligheden sig at være en anden.

De var skrevet på tre sprog, overskrifterne stod ikke i samme række, og beløbene var angivet i to valutaer. Debitor aldersfordelingen var opbygget forskelligt fra land til land, og nogle kategorier skulle derfor lægges sammen, før tallene kunne sammenlignes. Midt i datagrundlaget lå der subtotaler og tomme skillelinjer, mens én af filerne manglede det kundenummer, som skulle have bundet oplysningerne sammen.

Selv beløbene krævede særbehandling. Nogle celler indeholdt tal, mens andre indeholdt tekst, der blot lignede tal. Decimaltegn, tusindtalsseparatorer og parenteser omkring negative beløb varierede på tværs af filerne.

Hver enkelt afvigelse var banal, men tilsammen udgjorde de størstedelen af opgaven.

Det er en erfaring, som går igen i mange AI-projekter: Selve teknologien er sjældent den eneste eller største udfordring. Det afgørende arbejde består ofte i at forstå den virkelighed, teknologien skal fungere i og sætte konteksten for den digitale medarbejder.

Når medarbejdere skal navigere mellem flere systemer, lokale regneark, manuelle overførsler og forskellige definitioner af de samme data, kompenserer de løbende for kompleksiteten. De ved måske, at ét felt ikke kan bruges, at et bestemt selskab arbejder med en anden struktur, eller at et beløb først er retvisende, når en manuel korrektion er gennemført.

Denne viden er sjældent beskrevet samlet. Det er implicit viden, der ligger hos medarbejderne, i deres arbejdsgange og i de kontroller, de har udviklet gennem årene.

En digital medarbejder har ikke automatisk adgang til sådan en indforståethed. Den ser de data, instruktioner og systemadgange, den får stillet til rådighed. Hvis sammenhængene er uklare, bliver dens grundlag for at træffe eller foreslå beslutninger tilsvarende usikkert.

Derfor er spørgsmålet ikke kun, om jeres data har høj kvalitet. Det er også, om økonomifunktionens processer er forståelige og tilstrækkeligt ensartede til, at andre end de mest erfarne medarbejdere kan følge dem.

En praktisk tommelfingerregel er denne:

Hvis en ny medarbejder har svært ved at forstå processen uden hjælp fra tre erfarne kolleger, vil en digital medarbejder også have brug for mere end adgang til systemet.

Microsofts Payables Agent til Dynamics 365 Business Central illustrerer problemstillingen. Agenten kan blandt andet aflæse fakturaer, matche leverandører og foreslå kontering. Ifølge Microsoft bygger forslagene blandt andet på kontoplanen, den tilgængelige transaktionshistorik og virksomhedens hidtidige regnskabspraksis.

Det gør løsningen nyttig, fordi den kan genkende og anvende kendte mønstre. Men det betyder samtidig, at historiske data ikke nødvendigvis repræsenterer den praksis, virksomheden ønsker fremover. De viser den praksis, virksomheden hidtil har fulgt.

Hvis en bestemt omkostning gennem længere tid er konteret uhensigtsmæssigt, eller hvis stamdata indeholder lokale varianter af den samme leverandør, kan AI videreføre mønstret. Ikke fordi teknologien fejler, men fordi den arbejder ud fra det grundlag, den har fået.

Microsoft understreger derfor også, at forslagene skal gennemgås af et menneske, og at agenten ikke automatisk bogfører fakturaer uden godkendelse. Det er en vigtig sikkerhed, men den løser ikke hele udfordringen. Hvis medarbejderen har stor tillid til systemets forslag, kan en uhensigtsmæssig historisk praksis stadig blive godkendt og videreført.

AI gør med andre ord ikke kun arbejdet hurtigere. Den kan også gøre den eksisterende praksis mere konsekvent, uanset om praksissen er hensigtsmæssig eller ej.

Konklusionen bør ikke være, at økonomifunktionen skal gennemføre et flerårigt oprydningsprogram, før den må tage AI i brug. Det vil i mange virksomheder betyde, at man aldrig kommer i gang.

En bedre tilgang er at vælge et afgrænset område, hvor AI både kan skabe værdi og gøre økonomifunktionen klogere på sit fundament.

I eksemplet med debitorlisterne kunne arbejdet med den digitale medarbejder synliggøre, præcis hvor selskabernes datadefinitioner og arbejdsgange var forskellige. Det gav ikke kun et grundlag for at bygge løsningen. Det gjorde det også muligt at stille mere grundlæggende spørgsmål:

• Har vi brug for forskellige aldersfordelinger i de enkelte lande?

• Hvorfor mangler kundenummeret i én fil?

• Hvilke manuelle korrektioner foretager medarbejderne hver måned?

• Skyldes forskellene reelle lokale behov, eller er de blot historisk betingede?

• Kan data hentes direkte fra kildesystemerne frem for at blive udvekslet i lokale regneark?

På den måde bliver AI-projektet en anledning til at forstå og forbedre processen, ikke blot til at automatisere den eksisterende version.

Det er et vigtigt skifte. Hvis ambitionen alene er at sætte strøm til den nuværende proces, risikerer I at gøre en uhensigtsmæssig arbejdsgang hurtigere. Hvis ambitionen også er at undersøge, hvorfor processen ser ud, som den gør, kan AI være med til at udfordre status quo.

Datagrundlaget er kun den ene del af fundamentet. Den anden del er de handlinger, den digitale medarbejder får lov til at udføre.

Når en medarbejder får adgang til et økonomisystem, bliver rettighederne normalt vurderet i forhold til personens rolle. Når en digital medarbejder bliver konfigureret, er der en risiko for, at adgangen i stedet bliver bestemt af alt det, løsningen teknisk skal kunne.

Dermed kan flere funktioner blive samlet hos den samme digitale aktør. Den kan måske oprette eller ændre data, foreslå en kontering, danne et bilag og sende det videre i processen. Hvis rettighederne ikke bliver vurderet samlet, kan en ellers velkendt funktionsadskillelse gradvist blive udhulet.

Økonomistyrelsens vejledning om statslige betalinger kræver personmæssig adskillelse mellem registrering og betaling. Reglerne er målrettet staten, men det bagvedliggende kontrolprincip er relevant langt bredere: Den aktør, der registrerer en transaktion, bør ikke uden videre kunne gennemføre hele forløbet alene.

For CFO’en er det derfor nyttigt at behandle en digital medarbejder som enhver anden aktør i processen. Kortlæg, hvad den kan disponere, godkende, bogføre og betale. Vurdér derefter, hvilke godkendelser, begrænsninger og efterfølgende kontroller der er nødvendige. Det afgørende er derfor, hvilke handlinger den digitale medarbejder kan udføre, og hvordan handlingerne bliver kontrolleret.

En første AI-løsning behøver ikke forudsætte et perfekt systemlandskab. Den bør til gengæld vælges på en måde, som både skaber en konkret gevinst og forbedrer jeres forståelse af fundamentet.

Begynd med én afgrænset proces, og stil tre spørgsmål.

1. Hvor skal den digitale medarbejder hente sin viden?

Kortlæg de systemer, filer, datakilder og instruktioner, der indgår i processen. Undersøg, hvor medarbejderne foretager manuelle tilpasninger, og hvor de bruger erfaring til at fortolke data, som ikke er entydige.

Målet er ikke en overordnet datastrategi. Målet er at forstå de konkrete oplysninger, som den digitale medarbejder skal kunne stole på.

2. Hvad må den digitale medarbejder gøre?

Beskriv den digitale medarbejders rolle på samme måde, som I ville beskrive en medarbejders rolle. Hvilke oplysninger må den læse og ændre? Hvilke forslag må den udarbejde? Hvornår skal et menneske godkende, og hvilke handlinger må løsningen aldrig gennemføre alene?

Rettigheder og kontroller bør være en del af designet fra begyndelsen, ikke noget der tilføjes, når løsningen er klar til drift.

3. Hvad bør processen være fremover?

Undgå at gøre den nuværende arbejdsgang til en ufravigelig kravspecifikation. Brug i stedet projektet til at undersøge, hvilke trin der skaber værdi, hvilke der kompenserer for dårlige systemintegrationer, og hvilke der alene eksisterer af historiske årsager.

Nogle gange er det rigtige resultat en digital medarbejder. Andre gange er det en enklere proces, bedre stamdata eller en integration, som fjerner behovet for, at nogen overhovedet skal flytte oplysningerne.

AI-modeller og leverandører udvikler sig hurtigt, og den løsning, I vælger i dag, vil sandsynligvis ændre sig markant over de kommende år. Det gør det fristende at vente på den næste model eller det næste modne standardprodukt.

Men de forbedringer, som gør økonomifunktionen forståelig for en digital medarbejder, har også værdi for de mennesker, der arbejder i den. En mere entydig kontoplan, bedre stamdata, tydelige integrationer og gennemtænkte adgangsrettigheder reducerer kompleksiteten, uanset hvilken teknologi der senere bliver lagt oven på dem.

Derfor behøver valget ikke stå mellem at rydde op og at komme i gang med AI. Den første velvalgte anvendelse kan gøre begge dele: skabe en konkret forbedring her og nu og samtidig vise, hvor fundamentet bør styrkes.

AI arver det systemlandskab, de data og de processer, I allerede har. Men brugt rigtigt kan den også hjælpe jer med at se dem klarere og bygge dem bedre.

En digital medarbejder fungerer ikke uafhængigt af resten af økonomifunktionen. Den skal kunne hente pålidelige data, forstå processens regler, arbejde sammen med de eksisterende systemer og indgå i en organisation med tydeligt ansvar.

Digitaliseringscirklen hjælper med at se løsningen i sammenhæng. AI er ikke et ekstra lag, der automatisk fjerner kompleksiteten nedenunder. Til gengæld kan en konkret AI-anvendelse gøre kompleksiteten synlig og vise, hvor data, processer, systemer eller kompetencer bør forbedres.