AI potrzebuje finansów bardziej niż finanse potrzebują kolejnego narzędzia AI

Artykuł powstał we współpracy z naszym ekspertem, Pawłem Jędrzejewskim, Senior Systems & Business Analyst w DataRiseLab.

Podsumowanie:
Firmy często szukają kompetencji związanych z danymi i AI poza organizacją, choć część najważniejszej wiedzy już mają: w swoich zespołach finansowych. Controllerzy, księgowość i FP&A znają znaczenie liczb i wyjątki w procesach. Wiedzą też, gdzie mogą pojawić się rozbieżności w interpretacji danych i kiedy wynik ma sens biznesowy. Nie chodzi o to, żeby controllerzy czy księgowi zaczęli programować. Jednak ich udział w projekcie od samego początku zwiększa prawdopodobieństwo, że wdrożone narzędzia będą realnie wspierać codzienne funkcjonowanie firmy i przełożą się na osiągane wyniki.

Firmy chcące rozwijać kompetencje w obszarze danych i AI najczęściej robią dwie rzeczy: szkolą pracowników albo rekrutują nowych specjalistów. To naturalny kierunek, ale często pomija wiedzę i doświadczenie, które w organizacji już istnieją.

W wielu organizacjach zasoby potrzebne do skutecznej pracy z danymi są bliżej, niż może się wydawać. Bardzo często znajdują się w finansach, a dokładniej w controllingu, księgowości, FP&A i raportowaniu zarządczym. To właśnie tam powstaje wiedza o tym, skąd pochodzą liczby, co dokładnie oznaczają, kiedy można je porównywać i gdzie łatwo wyciągnąć błędne wnioski, gdy ktoś interpretuje dane bez znajomości procesu.

Ma to ogromne znaczenie, ponieważ liczba może być technicznie poprawna, a jednocześnie prowadzić do błędnych decyzji biznesowych. Przychód może oznaczać wartość zafakturowaną, przychód rozpoznany zgodnie z zasadami rachunkowości (UoR, IFRS lub US GAAP), wartość przyjętych zamówień albo środki, które faktycznie wpłynęły na konto. Marża może uwzględniać rabaty, koszty logistyki i bonusy roczne albo pomijać część z nich. Nawet „Klient” może oznaczać płatnika, odbiorcę lub pojedynczy rekord w systemie. Każdą z tych wartości można obliczyć poprawnie. Problem polega na tym, że nie każda odpowie na pytanie, na które firma próbuje znaleźć odpowiedź.

I właśnie tutaj zaczyna się kluczowa rola finansów w projektach związanych z danymi i AI.

Dlaczego AI potrzebuje finansów?

AI może wygenerować odpowiedź w kilka sekund. Może podsumować dane, wskazać odchylenie, przygotować komentarz do wyniku albo pomóc w prognozowaniu. Ale AI nie wie samo z siebie, czy dana liczba rzeczywiście oznacza to, co biznes chce z niej wyczytać.

Jeżeli model dostaje dane bez kontekstu, będzie działał na tym, co widzi w strukturze tabeli, raporcie lub systemie. Nie zrozumie automatycznie, że dana marża nie uwzględnia bonusów rocznych, że wynik z raportu zarządczego różni się od wyniku księgowego albo że dwa działy używają tego samego KPI w innym znaczeniu.

To właśnie dlatego dane nie mogą być traktowane wyłącznie jako temat technologiczny. W projektach AI sama architektura danych nie wystarczy. Potrzebne są jeszcze definicje, reguły biznesowe, kontrola jakości i odpowiedzialność za interpretację wyniku. A te kompetencje bardzo często znajdują się właśnie w działach finansowych organizacji.

Problem pojawia się, gdy finanse wchodzą do projektu za późno

W wielu organizacjach scenariusz wygląda podobnie. Zespół Data buduje model. IT integruje systemy. Biznes zamawia dashboard, raport albo rozwiązanie AI. Dopiero na końcu pojawia się pytanie:

Kto sprawdzi, czy wynik jest poprawny?

Najczęściej odpowiedź brzmi: controlling. To właśnie do controllingu trafiają pytania o liczby, definicje, różnice między raportami i sposób liczenia KPI. Wtedy często okazuje się, że dane nie uwzględniają istotnych korekt, hierarchia klientów jest nieaktualna albo dwa działy inaczej definiują ten sam wskaźnik.

Technicznie rozwiązanie może działać poprawnie. Problem w tym, że zostało zbudowane na zasadach, których nikt wcześniej wspólnie nie ustalił.

Dla biznesu oznacza to jedno: zamiast szybciej podejmować efektywne decyzje dzięki nowo wdrożonemu rozwiązaniu, zajmuje się ogarnianiem definicyjnego i pojęciowego chaosu.

Największe bariery nie zawsze są technologiczne

W globalnym badaniu ACCA i CA ANZ, obejmującym 1600 specjalistów finansowych, najczęściej wskazywanymi barierami w lepszym wykorzystaniu danych były:

• • problemy z jakością danych (42%),

  • brak odpowiednich kompetencji (42%),

  • trudność integracji wielu źródeł danych (40%).

Źródło: Enabling finance insight: Bridging skills and data gaps for AI-enabled finance | ACCA & CA ANZ

To ważne, bo te bariery bardzo często występują łącznie. Organizacja ma dane. Ma systemy. Ma narzędzia. Czasem ma nawet wdrożone rozwiązania AI. Ale nie ma uzgodnionych definicji, jasnej odpowiedzialności za dane i wspólnego sposobu walidacji wyników.

W takiej sytuacji kolejne narzędzie nie rozwiązuje problemu. Może go jedynie pogłębić.

Jeżeli firma nie wie, która liczba jest właściwa, AI nie sprawi magicznie, że stanie się ona bardziej wiarygodna. Może natomiast bardzo szybko opisać ją w przekonujący sposób. I właśnie to jest jedno z największych ryzyk dla podejmujących decyzje biznesowe menedżerów.

Finanse powinny być przy stole od początku

Zespoły finansowe nie powinny pojawiać się dopiero na etapie końcowej akceptacji raportu. Powinny uczestniczyć w projekcie wcześniej, gdy firma definiuje problem, projektuje dane i ustala sposób sprawdzania wyników.

Controller może pomóc określić, jaką decyzję ma poprawić dane rozwiązanie, które wskaźniki rzeczywiście wpływają na tę decyzję oraz jakie wyjątki i ograniczenia należy uwzględnić. Księgowość może opisać zależności między księgą główną, dokumentami źródłowymi, korektami okresowymi i raportami. FP&A może połączyć wynik finansowy z cenami, wolumenami, zatrudnieniem, produkcją, zapasami albo zachowaniem klientów.

Dopiero takie połączenie pozwala przejść od danych do projektowania rozwiązania, które przyniesie firmie realną biznesową korzyść.

To szczególnie ważne w projektach AI. Jeżeli celem jest prognozowanie sprzedaży, wykrywanie odchyleń, automatyzacja raportowania lub wsparcie decyzji zarządczych, model musi pracować na danych, które mają jasne znaczenie biznesowe. Inaczej będzie analizował liczby, ale niekoniecznie odpowiadał na właściwe pytanie.

Czy każdy controller musi znać się na programowaniu?

Raport ACCA wskazuje, że liderzy finansów nie oczekują powszechnego przekształcania księgowych czy controllerów w osoby piszące kod. Potrzebują raczej ludzi, którzy potrafią rozsądnie korzystać z nowych narzędzi, rozumieją możliwości rozwiązań no-code i low-code oraz potrafią współpracować z zespołami IT i Data.

Jednocześnie 72% badanych oceniło swoje kompetencje w zakresie generatywnej AI jako podstawowe lub zerowe: 38% respondentów ocenia się na poziomie podstawowym, a 34% deklaruje brak doświadczenia.

Źródło: Enabling finance insight: Bridging skills and data gaps for AI-enabled finance | ACCA & CA ANZ

To pokazuje realną lukę kompetencyjną. Nie oznacza jednak, że finanse powinny samodzielnie budować całą architekturę danych, pisać modele AI i projektować infrastrukturę technologiczną.

Znacznie większą wartość tworzy wspólny zespół. Finanse odpowiadają za znaczenie liczb, zasady kontroli, kontekst biznesowy i logikę wskaźników. Specjaliści technologiczni odpowiadają za architekturę, integrację, bezpieczeństwo i skalowanie rozwiązania. Raport ACCA podkreśla, że skuteczna praca z danymi i AI wymaga właśnie łączenia kompetencji finansowych, analitycznych, inżynieryjnych i technologicznych.

To właśnie na styku tych obszarów powstaje kontekst, którego nie da się odtworzyć samym dostępem do danych.

Przykład: zanim zautomatyzujesz proces, uporządkuj jego logikę

Dobrze pokazuje to przykład opisany w raporcie ACCA.

Jedna z organizacji z branży nieruchomości i hotelarstwa prowadziła proces budżetowania w oparciu o plik Excel zawierający około 50 powiązanych zakładek. Samo otwarcie modelu zajmowało 20-30 minut, ręczna konsolidacja trwała kilka dni, a różne zespoły pracowały na różnych wersjach danych.

Zespół finansowy przebudował ten proces i stworzył rozwiązanie obsługujące ponad 700 tysięcy wierszy danych oraz 15 osobnych modeli biznesowych. Czas otwierania skrócono do mniej niż dwóch minut, a konsolidację zautomatyzowano.

Najważniejsza lekcja z tego przykładu nie dotyczy jednak samego narzędzia. Zespół nie zaczął od budowy dashboardu. Najpierw rozdzielił jeden ogromny plik na mniejsze plany biznesowe, ustandaryzował sposób wprowadzania danych, dodał potrzebne wymiary analizy i zbudował wspólny model danych. Dopiero później zautomatyzował konsolidację i raportowanie.

Technologia przyspieszyła proces, ale wcześniej finanse musiały uporządkować jego logikę. To bardzo ważna różnica. Wartość nie pojawiła się dlatego, że wdrożono nowe rozwiązanie. Pojawiła się dlatego, że wcześniej uporządkowano sposób pracy z danymi i wspólnie ustalono zasady działania procesu.

Największa szansa dla finansów

Właśnie w tym miejscu znajduje się największa szansa dla controllerów, księgowych i zespołów FP&A.

Nie chodzi o to, żeby szybciej tworzyć te same pliki. Nie chodzi też o to, żeby dokładać kolejne narzędzie do procesu, który już dziś jest niejasny. Chodzi o aktywną rolę finansów w ustalaniu:

• • co dokładnie oznaczają używane wskaźniki,

  • gdzie wynik może być błędny,

  • kto odpowiada za jego interpretację,

  • jaką decyzję ma wspierać analiza,

  • kiedy można zaufać wynikowi.

To przesuwa finanse z roli zespołu, który „sprawdza liczby na końcu”, do roli partnera, który współtworzy fundamenty pod dane, analitykę i AI.

A to jest zupełnie inny poziom wpływu na organizację.

Od czego można zacząć?

Nie potrzeba od razu wielkiego programu transformacji. Wystarczy wybrać jeden proces, w którym finanse są dziś „ludzkim interfejsem” między systemami. Może to być ręczne łączenie plików sprzedażowych, uzgadnianie marży, aktualizacja forecastu albo przygotowanie raportu zarządczego.

Przed rozpoczęciem automatyzacji warto wspólnie odpowiedzieć na pięć pytań:

• • Jaką decyzję chcemy poprawić lub przyspieszyć? Nie jaki raport chcemy zbudować, tylko co ktoś ma dzięki niemu zrobić lepiej.

  • Jak dokładnie definiujemy najważniejsze wskaźniki? Trzeba wskazać źródło, regułę obliczenia, właściciela i najważniejsze wyjątki.

  • Które elementy procesu są dziś wykonywane ręcznie? Warto oddzielić pracę, która wymaga oceny biznesowej, od kopiowania, uzgadniania i przenoszenia danych.

  • Kto i w jaki sposób sprawdzi wynik? Walidacja nie powinna pojawiać się dopiero po zbudowaniu rozwiązania.

  • Po czym poznamy, że projekt przyniósł wartość? Może to być krótszy czas procesu, mniej poprawek, większa dokładność forecastu albo szybsza reakcja na odchylenie.

Taka rozmowa pozwala zwykle szybko ustalić, czy firma naprawdę potrzebuje AI, prostszej automatyzacji, lepszego modelu danych czy po prostu wspólnej definicji wskaźnika. Pozwala też rozwijać kompetencje finansów na rzeczywistym zadaniu, zamiast zaczynać od kolejnego ogólnego szkolenia z technologii.

Finanse nie muszą budować AI. Powinny współtworzyć jego fundamenty

Controller przyszłości nie musi być najlepszym programistą w firmie. Powinien jednak wiedzieć, co rozwiązanie ma policzyć, jakiej decyzji ma służyć i kiedy jego wynikowi można zaufać.

Finanse nie muszą samodzielnie budować modelu. Powinny jednak znaleźć się przy stole, zanim ktoś zacznie go budować. Bo w świecie AI przewagę zyskają nie te organizacje, które mają najwięcej narzędzi, ale te, które potrafią połączyć technologię z właściwym kontekstem biznesowym.

A ten kontekst bardzo często zaczyna się właśnie od finansów.