Under konceptvalideringsfasen av Corvenia , Jag pratade med en CFO som var upphetsad. Hans styrelse hade just godkänt en budget för en AI-agent som skulle köra över deras ekonomiska data. Autonom analys. Varianskommentar i realtid. Varningar innan problem dyker upp i siffrorna.
Sex månader senare ringde han tillbaka. Agenten var live. Utgångarna var säkra. Och de hade fel tillräckligt ofta för att ingen litade på dem.
Det är inte AI som är problemet. Uppgifterna under det var.
Agentic AI är den mest omtalade utvecklingen inom företagsprogramvara just nu. AI-agenter som inte bara svarar på frågor utan vidtar åtgärder. Orsak över data. Flagganomalier. Starta arbetsflöden. Bokposter. Generera kartongpaket.
Demos är imponerande. Säljarens löften är specifika. Och det underliggande antagandet i nästan varje pitch är att de data som din agent kommer att resonera om är rena, konsekventa och strukturerade tillräckligt bra för att stödja den typen av resonemang.
För de flesta ekonomiteam som driver flera enheter över flera ERP är det antagandet fel.
Hur ERP-data faktiskt ser ut
Varje ERP har sin egen datamodell. egna kontostrukturer. Ett eget sätt att representera en försäljningstransaktion, ett kostnadscenter, ett koncerninternt lån.
Tripletex hanterar intäktsredovisning annorlunda än Business Central. Fortnox strukturerar sin kontoplan annorlunda än Microsoft Finance & Operations. Xledger har sin egen dimensionsmodell.
Ingen av dem var utformade för att prata med varandra, och ingen av dem var designade med AI-resonemang i åtanke. De var utformade för att stänga böcker exakt inom ett system.
När en grupp kör fyra ERP över tio enheter är den underliggande data inte en datauppsättning med fyra källor. Det är fyra olika representationer av den finansiella verkligheten, var och en internt konsekvent, var och en strukturellt oförenlig med de andra.
En AI-agent som försöker resonera över dessa data arbetar inte med en tydlig bild av gruppen. Det arbetar med fyra olika språk, utan en översättare däremellan.
Utgångarna kommer att vara säkra. De kommer att referera till reella siffror. Och de kommer att ha fel på sätt som är svåra att upptäcka, eftersom felen kommer från feljusterad struktur snarare än felaktiga värden.
Arbetet som ingen vill prata om
Innan Agentic AI kan göra något användbart på finansiella data måste någon lösa normaliseringsproblemet.
Testsaldot och redovisningsdata från varje ERP lagras på olika sätt. Inte bara namngiven annorlunda, strukturerad annorlunda. Vissa lagrar kostnadscentraldimensioner som kontoattribut, andra som separata hierarkier. När du drar tidsseriedata över fyra ERP: er för att ställa en enkel fråga som ”hur utvecklades gruppens intäkter under de senaste tolv månaderna” jämför du inte samma sak fyra gånger. Du jämför fyra olika representationer av intäkter, var och en internt korrekt, ingen av dem direkt jämförbar.
Det innebär att ta datamodellen från varje ERP och kartlägga den till en enda kanonisk struktur. Varje kontokod från varje system mappas till en konsekvent motsvarighet på gruppnivå. Varje transaktion klassificeras på samma sätt oavsett vilken ERP den har sitt ursprung i. Varje företagsinternt flöde identifieras och taggas så att en agent inte dubbelräknar det som extern intäkt.
Detta är inte glamoröst arbete. Det ger inte en imponerande demo. Men det är förutsättningen för allt som kommer efter.
Jag har tillbringat tjugo år på att bygga AI-system för reglerade branscher. Försäkring, bank, finansiella tjänster. Mönstret är alltid detsamma. De team som får AI att arbeta i produktionen är de som spenderade seriös tid på datalagret innan de rörde modelllagret. Teamen som hoppar över det steget blir säkra på att AI producerar opålitliga resultat och spenderar sedan dubbelt så lång tid på att försöka förstå varför.
Med finansiella data är insatserna högre. En hallucination i en kundtjänstchatbot är pinsamt. En hallucination i en variansanalys som påverkar ett styrelsebeslut är en annan problemordning.
Vad AI-redo finansiell data egentligen betyder
När det kanoniska lagret existerar blir tre saker möjliga som inte var möjliga tidigare.
För det första kan en agent resonera konsekvent över hela gruppen. Det fungerar från en datamodell, inte fyra. Konto 4010 i Tripletex och konto 3000 i Business Central är samma sak i det kanoniska lagret. Agenten behöver inte gissa.
För det andra faller bullret ut. Koncerninterna transaktioner som skulle visas som intäkter i en enhet och kostnader i en annan elimineras redan innan agenten ser data. Det resonerar om koncernens faktiska finansiella ställning, inte på en uppblåst version av den.
För det tredje kan operativa data sitta tillsammans med finansiella data i samma struktur. CRM-pipeline, personalkostnader, projektmarginaler. Inte som en separat datauppsättning som kräver en separat fråga, men som en del av samma kanoniska modell som agenten redan arbetar med. Frågan ”varför minskade marginalen” blir besvarad eftersom den finansiella signalen och det operativa sammanhanget är på samma plats.
Det här är vad vi menar när vi pratar om att göra data AI-redo. Inte bara rena data. Inte bara snabbare rapportering. Strukturerad på ett sätt som en AI-agent kan resonera över utan att införa fel i sömmarna.
Vi byggde det kanoniska datalagret på Corvenia för att vi var tvungna. Du kan inte göra realtidskonsolidering över flera ERP: er utan den. Varje enhet ansluter sin ERP, och data normaliseras automatiskt till en enda modell. Kontomappning är ett klassificeringsproblem. AI hanterar det, en controller godkänner det, och det görs på några minuter.
Vad vi ser nu är att värdet på det lagret sträcker sig bortom konsolidering. Grupper som har det är i stånd att sätta AI-agenter ovanpå sina ekonomiska data och få tillförlitliga resultat. Grupper som inte har det kommer att få agenter som låter auktoritativa och producerar nummer som kräver att en styrenhet verifierar varje rad innan någon litar på dem.
Agentisk AI inom finans kommer. De företag som drar nytta av det är de som bygger grunden först. Det kanoniska datalagret är inte ett steg du kan hoppa över. Det är steget allt annat beror på.
