AI i finansiell planering

Innan vi dyker djupare in i hur AI faktiskt kan användas inom finansiell planering och analys, kan det vara bra att först reda ut vad AI egentligen är. 

AI är ett brett begrepp som används i en mängd olika sammanhang, vilket ibland gör det svårt att greppa exakt vad det innebär – särskilt i relation till finansiell planering. För att göra det mer konkret brukar man därför dela in AI i tre huvudkategorier: språkmodeller, prediktiva modeller och AI-agenter. Alla dessa modeller kan vara relevanta för FP&A-arbete. 
 

Vilka AI-modeller kan skapa värde för FP&A? 

 

Språkmodeller 

Språkmodeller (LLM) – som ChatGPT – är “generalister” som är bra på text. De kan snabbt förstå, sammanfatta och formulera innehåll, eller säkerställa en konsekvent tonalitet. Detta gör modellerna användbara när ni sitter med ostrukturerat underlag från olika delar av organisationen, som exempelvis: budgetkommentarer, affärsplaner, mejltrådar eller Excel-anteckningar. Samtidigt kräver de ofta mänskligt omdöme då de kan “hallucinera” (generera svar som låter säkra men är fel). Svaren som kommer från språkmodeller påverkas också mycket av vilket underlag och vilken kontext de får. 

 

Prediktiva modeller 

Prediktiva modeller är tvärtom mer “specialister”. De tränas för ett tydligt syfte. Exempel på detta är: prognostisera försäljning, identifiera trender, hitta avvikelser eller kategorisera data. Den främsta styrkan hos prediktiva modeller ligger i att de är starka på att hitta mönster och samband i stora datamängder. Utmaningen hos dessa modeller är ofta transparensen (det som kallas för “black box” och som betyder att modellen har svårt att förklara varför den ger ett visst svar) och risken för “overfitting”. Det senare innebär att modellen lär sig historiska slumpmönster och tappar precision när verkligheten förändras. 

 

AI Agenter

AI-agenter bygger ofta på språkmodeller men tar det ett steg längre. De kan bryta ned en uppgift i flera steg, att hämta mer information och jämföra med historik, identifiera samband mellan externa datakällor och använda verktyg och system för att ta sig hela vägen från information till färdig analys. Potentialen är stor för mer avancerad automatisering i FP&A, men för att det ska fungera i praktiken krävs det bra datatillgång, tydliga instruktioner och mål samt att ramarna (data, verktyg, kontroll) är väl definierade. 

Nedan finner du en överblick av de tre AI-modellerna, deras styrkor och utmaningar. 

Hur AI kan användas i FP&A-arbetet idag: möjligheter och utmaningar 

För att AI ska kunna skapa verkligt värde inom finansiell planering och analys behöver det kopplas till faktiska processer och arbetsuppgifter i organisationen. De handlar sällan enbart om budget och prognos, utan spänner ofta över både strategiska och operativa behov i verksamheten som exempelvis:  

 

• Strategiskt beslutsstöd och affärscase 
• Processutveckling och förbättringsarbete
• Data, system- och modellansvar
• Operationell finansiell analys, rapportering och avvikelsehantering 
• Kommunikation och stöd till verksamheten
• Budget, prognos och planeringsprocesser 

 

Nedan fokuserar vi på de tre sistnämnda punkterna och hur AI kan förenkla och förbättra arbetet där.   

Operationell och finansiell analys – Från siffror till insikter  

Operationell och finansiell analys är kärnan i FP&A-arbetet. Det är också här AI redan idag har störst möjlighet att bidra till arbetet – framför allt genom att minska de manuella uppgifterna och höja kvaliteten på analyserna. 

AI-agenter kan exempelvis användas för att automatisera mer avancerade flöden inom FP&A. Detta gäller inte bara genom att “svara på frågor”, utan genom att agera på data och driva arbetet framåt.  

En AI-agent kan bland annat flagga avvikelser baserat på prediktiva modeller, undersöka avvikelser proaktivt genom att hämta mer information och jämföra med historik, generera rapporter automatiskt genom att ta fram datagrund, skapa visualiseringar och dela till rätt personer, och identifiera samband mellan finansiella, operativa och externa datakällor. 

Tänk dig att en agent upptäcker en marginalavvikelse, plockar fram försäljningsdata, jämför med leveransstatus och sammanfattar orsaken i ett kort meddelande till ansvarig controller – helt utan manuell handpåläggning! 

Men för att det ska fungera i praktiken krävs bra datatillgång, tydliga instruktioner och mycket relevant kontext. Det är också anledningen till att få bolag har fått det att fungera riktigt bra än så länge. 

Från rapport till förståelse – AI som stöd i FP&A-kommunikation 

En stor del av arbetet inom FP&A handlar inte om att ta fram siffror, utan om att förklara vad de betyder. Här kan AI vara ett särskilt användbart stöd. 

Språkmodeller kan exempelvis hjälpa till att översätta det finansiella resultatet till ett mer operativt sammanhang genom att koppla finansiella nyckeltal till underliggande drivare i verksamheten. Språkmodeller kan också sammanfatta långa rapporter, mötesdiskussioner eller beslutsunderlag till kortare, mer lättillgängliga format. 

Detta gör det enklare att anpassa kommunikationen efter mottagaren – oavsett om det är ledningsgrupp, operativa chefer eller andra delar av organisationen. På sikt kan AI kanske även bidra till bättre struktur kring definitioner, KPI:er och affärsregler, vilket kan minska risken för missförstånd och att det förekommer olika tolkningar av samma siffror eller begrepp inom verksamheten. 

AI kan också användas mer aktivt i dialogen med verksamheten, till exempel genom att följa upp rapportutskick, samla in återkoppling eller fånga upp återkommande frågor. Det ger FP&A bättre underlag för att förbättra både rapportering och arbetssätt över tid. 
 

AI i budget och prognos – snabbare analys och bättre beslutsunderlag 

Även i budget- och prognosarbetet finns det flera områden där AI kan bidra, särskilt när det gäller analys och scenarioarbete. 

Prediktiva modeller kan bland annat användas för att identifiera trender och skapa prognosförslag. Genom att använda prediktiva modeller i budget och prognosarbetet kan man även upptäcka tidiga signaler på förändringar och skapa like-for-like modeller eller kategorisera data. Det är dock viktigt att komma ihåg att förklarbarhet är avgörande och att ett av de vanligaste problemen med prediktiva modeller är att de upplevs som en “black box”. Det vill säga att man får ett resultat men vet inte hur modellen kommit fram till svaret, vilket både minskar tilliten till siffrorna och gör att det kan bli svårt att motivera beslut utifrån dem.

Genom att använda AI-agenter i budget och prognosarbetet, kan ni. ta automatiseringen ett steg längre än vad traditionella modeller kan. Detta görs inte bara genom att föreslå siffror, utan även dela upp processen i steg, agera proaktivt och leverera förklaringar i varje steg. Ni kan till exempel få automatiska prognosförslag, löpande uppdateringar av prognoser baserat på nya datakällor och förklara kommentarer vid varje beräkning eller antagande.  

Det är viktigt att komma ihåg att budgeten inte främst handlar om att förutspå framtiden så exakt som möjligt. Den är ett styrverktyg som utgår från mål, prioriteringar och strategiska vägval. Här kan AI stötta genom att simulera olika scenarion och belysa konsekvenser – men riktningen måste fortsatt sättas av människor. Man bör även tänka på att AI-modellen bara är så bra som den kontext den får tillgång till! En tydlig datamodell och definierad affärslogik gör därmed stor skillnad. 

I mer komplexa planeringsprocesser kan AI-stödda flöden även bidra till ökad transparens, genom att varje antagande och beräkning kompletteras med förklarande kommentarer snarare än att presenteras som en siffra utan sammanhang. 
 

Behöver allt vara AI? 

Det finns i princip oändliga möjligheter med AI, men just därför är det också viktigt att ställa sig frågan – behöver allt vara AI? Visa uppgifter kan gynnas mycket av AI, men det finns också tillfällen då det kan lösas smidigare med traditionella metoder, t.ex. att skicka påminnelser inför deadlines. En schemalagd kalenderfunktion kan ofta göra jobbet mer tillförlitligt och billigare. Rätt använt kan AI-agenter spara tid och höja kvalitén, men fel använt kan de bli kostsamma, osäkra och krångligare än nödvändigt. 

Kom igång med AI med vår guide 

Det finns inga universella lösningar för hur AI ska användas i finansiell planering. Men det finns tydliga mönster kring var tekniken redan idag kan skapa värde – och vilka fallgropar som är vanliga.  I vår guide ”AI i finansiell planering – hype eller verklighet?” går vi djupare in på: 

• hur AI används och kan användas i finansiell planering idag
• vilka användningsområden som skapar störst värde inom FP&A
• konkreta tips på hur organisationer kan komma igång på ett strukturerat sätt

 

Dessutom får du i guiden ett exempel på en AI-prompt för finansiell planering och analys som du kan testa själv! Ladda ned guiden och fördjupa dig i hur AI kan bli ett praktiskt stöd i er finansiella planering.  

 

Ladda ner guiden