I løpet av konseptvalideringsfasen av Corvenia , Jeg snakket med en CFO som var spent. Styret hans hadde nettopp godkjent et budsjett for en AI-agent som ville kjøre på tvers av deres økonomiske data. Autonom analyse. Sanntids varianskommentar. Varsler før problemer dukker opp i tallene.
Seks måneder senere ringte han tilbake. Agenten var live. Resultatene var sikre. Og de tok feil ofte nok til at ingen stolte på dem.
AI var ikke problemet. Dataene under det var.
Agentic AI er den mest omtalte utviklingen innen bedriftsprogramvare akkurat nå. AI-agenter som ikke bare svarer på spørsmål, men iverksetter tiltak. Årsak på tvers av data. Flagganomalier. Start arbeidsflyter. Bokoppføringer. Generer brettpakker.
Demoene er imponerende. Leverandørens løfter er spesifikke. Og den underliggende antagelsen i nesten alle tonehøyder er at dataene agenten din vil resonnere på er rene, konsistente og strukturert godt nok til å støtte den typen resonnement.
For de fleste økonomiteam som kjører flere enheter på tvers av flere ERP-er, er denne antagelsen feil.
Hvordan ERP-data egentlig ser ut
Hver ERP har sin egen datamodell. egne kontostrukturer. Sin egen måte å representere en salgstransaksjon på, et kostnadssenter, et konserninternt lån.
Tripletex håndterer inntektsgjenkjenning annerledes enn Business Central. Fortnox strukturerer kontoplanen annerledes enn Microsoft Finance & Operations. Xledger har sin egen dimensjonsmodell.
Ingen av dem var designet for å snakke med hverandre, og ingen av dem ble designet med AI-resonnement i tankene. De ble designet for å lukke bøker nøyaktig innenfor ett system.
Når en gruppe kjører fire ERP-er på tvers av ti enheter, er de underliggende dataene ikke ett datasett med fire kilder. Det er fire forskjellige representasjoner av den økonomiske virkeligheten, hver internt konsistent, hver strukturelt uforenlig med de andre.
En AI-agent som prøver å resonnere på tvers av disse dataene, jobber ikke med et klart bilde av gruppen. Den jobber med fire forskjellige språk, uten en oversetter i mellom.
Utgangene vil være trygge. De vil referere til reelle tall. Og de vil ta feil på måter som er vanskelige å oppdage, fordi feilene kommer fra feiljustert struktur i stedet for feil verdier.
Arbeidet ingen vil snakke om
Før Agentic AI kan gjøre noe nyttig på økonomiske data, må noen løse normaliseringsproblemet.
Prøvebalansen og hovedbokdataene fra hver ERP lagres forskjellig. Ikke bare navngitt annerledes, strukturert annerledes. Noen lagrer kostnadssenterdimensjoner som kontoattributter, andre som separate hierarkier. Når du trekker tidsseriedata over fire ERP-er for å stille et enkelt spørsmål som «hvordan gikk gruppens inntektstrend de siste tolv månedene», sammenligner du ikke det samme fire ganger. Du sammenligner fire forskjellige representasjoner av inntekter, hver internt korrekt, ingen av dem direkte sammenlignbare.
Det betyr å ta datamodellen fra hver ERP og kartlegge den til en enkelt kanonisk struktur. Hver kontokode fra hvert system er kartlagt til en konsistent ekvivalent på gruppenivå. Hver transaksjon klassifiseres på samme måte uavhengig av hvilken ERP den stammer fra. Hver konsernintern flyt identifiseres og merket slik at en agent ikke dobbelteller den som ekstern inntekt.
Dette er ikke glamorøst arbeid. Det gir ikke en imponerende demo. Men det er forutsetningen for alt som kommer etter.
Jeg har brukt tjue år på å bygge AI-systemer for regulerte næringer. Forsikring, bank, finansielle tjenester. Mønsteret er alltid det samme. Teamene som får AI til å jobbe i produksjon er de som brukte seriøs tid på datalaget før de berørte modelllaget. Teamene som hopper over det trinnet blir trygge på at AI produserer upålitelige utganger, og bruker deretter dobbelt så lang tid på å prøve å forstå hvorfor.
Med økonomiske data er innsatsen høyere. En hallusinasjon i en chatbot for kundeservice er pinlig. En hallusinasjon i en variansanalyse som påvirker en styrebeslutning er en annen problemrekkefølge.
Hva AI-klare økonomiske data egentlig betyr
Når det kanoniske laget eksisterer, blir tre ting mulig som ikke var mulig før.
For det første kan en agent resonnere konsekvent på tvers av hele gruppen. Det fungerer fra en datamodell, ikke fire. Konto 4010 i Tripletex og konto 3000 i Business Central er det samme i det kanoniske laget. Agenten trenger ikke å gjette.
For det andre faller støyen ut. Konserninterne transaksjoner som vises som inntekter i en enhet og kostnader i en annen, elimineres allerede før agenten ser dataene. Det resonnerer på konsernets faktiske økonomiske stilling, ikke på en oppblåst versjon av den.
For det tredje kan driftsdata sitte sammen med økonomiske data i samme struktur. CRM-rørledning, personalkostnader, prosjektmarginer. Ikke som et eget datasett som krever en egen spørring, men som en del av den samme kanoniske modellen som agenten allerede jobber med. Spørsmålet «hvorfor falt marginen» blir besvarbart fordi det økonomiske signalet og den operasjonelle konteksten er på samme sted.
Dette er hva vi mener når vi snakker om å gjøre data AI-klare. Ikke bare rene data. Ikke bare raskere rapportering. Strukturert på en måte som en AI-agent kan resonnere uten å innføre feil i sømmene.
Vi bygde det kanoniske datalaget på Corvenia fordi vi måtte. Du kan ikke gjøre sanntidskonsolidering på tvers av flere ERP-er uten den. Hver enhet kobler sin ERP, og dataene normaliseres automatisk til en enkelt modell. Kontokartlegging er et klassifiseringsproblem. AI håndterer det, en kontroller godkjenner det, og det gjøres på få minutter.
Det vi ser nå er at verdien av det laget strekker seg utover konsolidering. Grupper som har det er i stand til å sette AI-agenter på toppen av sine økonomiske data og få pålitelige resultater. Grupper som ikke har det, vil få agenter som høres autoritative ut og produserer tall som krever at en kontroller verifiserer hver linje før noen stoler på dem.
Agentisk AI innen finans kommer. Bedriftene som drar nytte av det er de som bygger grunnlaget først. Det kanoniske datalaget er ikke et trinn du kan hoppe over. Det er trinnet alt annet avhenger av.
