För några år sedan var ett månadsbokslut med manuell avstämning över ett par affärssystem och en styrelserapport som levererades en vecka efter periodens slut en försvarbar lösning. Nästa nivå av kapacitet, en konsoliderad realtidsvy med möjlighet att borra sig ner från valfri KPI till en källpost i valfri dotterbolagsreskontra, krävde ett flerårigt IT-projekt. De flesta koncerner köpte det inte, och de gjorde rätt i det eftersom avkastningen var svår att motivera.
Den avvägningen har förändrats, och jag tror inte att förändringen har prisats in.
Vad AI förändrade är inte vad de flesta antar. Den konsoliderade realtidsvyn var alltid en möjlighet. Flaskhalsen var att bygga den, inte att driva den. AI gjorde det dramatiskt billigare att bygga den. Kontokartläggning över inkompatibla kontoplaner är ett klassificeringsproblem, och AI hanterar sådana väl. Att upptäcka koncerninterna flöden mellan enheter är mönsterigenkänning, och AI hanterar även sådana väl. Det arbete som tidigare krävde ett standardiseringsprojekt över varje dotterbolag kräver nu att en controller godkänner föreslagna kartläggningar i ungefär tjugo minuter i veckan.
Kostnaden för att överbrygga minskade. Ribban flyttades. De flesta ekonomichefer jag har pratat med sedan jag började på Corvenia har inte kollat det.
Hur det här ser ut i praktiken. Två koncerner, samma struktur. Tjugo dotterbolag vardera. Tre eller fyra affärssystem inblandade. Tripletex för den norska verksamheten, Business Central för den tyska, Visma Net för företaget som förvärvades under Q1.
Koncern A stänger fortfarande månadsbokslutet varje månad, stämmer av manuellt och presenterar styrelserapporten veckan efter.
Koncern B har en levande konsoliderad vy. Ekonomichefen kan borra sig ner från vilken koncernrad som helst till källposten i vilket dotterbolag som helst. En agent upptäcker avvikelser innan controllern ens frågar.
Båda byggde upp kapaciteten med start idag. De betalade ungefär lika mycket. Skillnaden är vad var och en gjorde med hur modellen hanterar siffrorna.
Var modellen hanterar siffrorna är det underliggande arkitektoniska beslutet, och de flesta nya verktyg gör samma misstag. De låter en modell hantera allt i samma körning.
Dessa modeller är bra på klassificeringsarbete, ta kontokartläggning över dotterbolag som exempel: Ett dotterbolag som använder Tripletex taggar en extern tjänstekostnad på ett sätt; ett annat som använder Fortnox taggar samma typ av kostnad annorlunda. AI kartlägger båda till samma koncernrad, controllern godkänner, och det som tog en analytiker sex veckor tar nu tjugo minuter.
Dessa modeller är dåliga på beräkningar; en koncernintern skuld på 1 000 000 NOK mellan två enheter kräver en elimineringspost på exakt minus 1 000 000 NOK, inte något som modellen är 99% säker på är nära. En balansräkning som är 99% balanserad är inte balanserad.
Kör båda uppgifterna genom en AI och beräkningarna driver iväg. Ett litet fel på ett koncerninternt lån är osynligt på radnivå. Över 40 dotterbolag ackumuleras det till en koncern-EBITDA som revisorn hittar vid årsskiftet, efter att styrelsen har sett fel siffra två gånger.
Det rena sättet är tre lager. AI överst för klassificeringsarbetet. En deterministisk motor i mitten för beräkningarna. Oföränderlig spårbarhet i botten som spårar varje koncernsiffra tillbaka till en källpost i ett namngivet dotterbolag. Varje lager gör det den är bäst på.
Jag har framfört detta argument tidigare inom ett annat område. Under de åtta år jag var CTO för ett AI-företag som byggde lösningar för försäkringsbranschen, dök samma återkommande fråga upp i arkitekturgranskningar. Var i stacken hanterar modellen siffror som måste vara försvarbara under tillsynsmyndigheternas granskning? Mönstret upprepas här. Nyheten är AI-lagret överst. Den deterministiska kärnan under är decennier äldre än AI-diskussionen. Misstaget de flesta nya AI-produkter inom finans gör är att behandla det nya lagret som en ersättning för den gamla kärnan istället för ett tillägg till den.
Koncernens ekonomichef som fortfarande kör den manuella månadsbokslutslösningen är inte långsammare vid månadsslutet på något sätt som tidigare spelade roll. Att vara långsammare vid månadsslutet var acceptabelt 2022. Nackdelen visar sig nu på platser som tidigare var osynliga. När sponsorn ber om ett 13-veckors kassaflöde samlat över de fyra affärssystemen till fredag, kan du inte producera det utan tre veckors analytikerarbete. När due diligence inleds för enheten som förvärvades under Q1, kan du inte svara på frågan om enhetsekonomi. När revisorn drar i spårbarhetstråden för en Q3-eliminering, kan du inte visa källposten den spåras tillbaka till. Frågorna är desamma som de alltid har varit. Det nya är att svaret nu förväntas inom minuter, eftersom jämförbara grupper har det inom minuter, eftersom ribban flyttades.
Hindret är budgetens utformning. Kategorin i ekonomichefens huvud är fortfarande "konsolideringsprojekt", kostnadsmodellen är den fleråriga IT-insats de minns från 2022, posten för 2027 är byggd kring en leverantör vars prissättning förutsätter den insatsen. Den nya utformningen, veckor av anslutning snarare än månader av utbyte, passar inte den budgetstruktur som redan godkänts.
Vi byggde Corvenia för den nya utformningen. Mappning är AI. Elimineringar är deterministiska. Härstamning är oföränderlig. ERP-systemen stannar där de är. Qben Infra driver över 40 dotterbolag över fyra ERP-system med denna arkitektur, inklusive Tripletex, Fortnox, PowerOffice Go och Xledger. Att onboarda en ny enhet tar dagar, inte den flera månader långa integration som IT-kalendern fortfarande förutsätter.
