CFO:n behöver skilja verklig AI-nytta från hype
Christian Sandström, docent från Chalmers, om teknikbubblor, datakvalitet och varför ekonomiavdelningen behöver börja med grunden
AI står högt på CFO:ns agenda, men många ekonomiavdelningar brottas fortfarande med en mer grundläggande fråga: går det att lita på den data som AI ska bygga på? Vid ett Unit4-event på Skokloster lyfte Christian Sandström, docent från Chalmers och kolumnist i Affärsvärlden, fram historiska teknikbubblor och missade teknikskiften för att visa varför företag behöver skilja verklig AI-nytta från överdrivna löften. För ekonomiavdelningen handlar nästa steg om tillförlitliga data, tydliga användningsområden och en strategi som kopplar tekniken till verksamhetens faktiska behov.
Det stod ”A Kodak Moment” sprejat på en sliten mur i Rochester, New York. Formuleringen hade fått en ny innebörd i staden där Kodak en gång var själva symbolen för fotografins framtid.
I Rochester hade 50 000 människor arbetat i fabriker som producerade så mycket fotografisk film att årsproduktionen räckte från jorden till månen och tillbaka. Kodak hade dessutom byggt en av världens första digitalkameror redan på 1970-talet. Ändå gick bolaget under. Det tog tid. Vargen ropade länge innan den kom. Men till slut förändrades marknaden i grunden.
Det är med den berättelsen som Christian Sandström inleder sin föreläsning på Skokloster och skytteklubben Wings&Clays, där Unit4 samlat partners och potentiella kunder för ett samtal om AI, affärssystem och teknikskiften. Han börjar i historien eftersom samma mönster ofta återkommer: etablerade organisationer kan både underskatta verkliga teknikskiften och överinvestera i teknik som ännu saknar praktiska förutsättningar.
– Kodak byggde en digitalkamera. En av medarbetarna lade sina första år på att utveckla den och resten av karriären på att förstå hur man introducerar den innovationen i en stor och mogen organisation som Kodak. Det gick inte. Det är det mönstret vi behöver förstå, säger Christian Sandström.
Teknikhype följer ofta samma mönster
Innan han pratar AI tar Christian Sandström ett varv genom historien: 3D-printing, etanol, kommunala bolag som skulle sätta upp etanolfabriker i Afrika och vätgasbaserat stål. Enligt honom återkommer ofta samma dramaturgi: stora löften, politisk eller kommersiell entusiasm, kapitalflöden och sedan en mer komplicerad verklighet.
The Economist kallade 3D-printing för ”en andra industriell revolution” år 2013. McKinsey rankade tekniken som en av de mest disruptiva. Tekniken fick verklig betydelse, men i mer avgränsade tillämpningar än många föreställde sig. I dag används 3D-printing bland annat för att tillverka individuellt anpassade hörsnäckor. Det blev en praktisk nisch, inte en fabriksrevolution.
Lärdomen för AI är tydlig: den största nyttan uppstår sällan där löftena är som mest svepande. Den uppstår där tekniken används för konkreta problem i avgränsade processer.
Christian Sandström ser liknande mönster i gröna teknikbubblor. När teknik, ekonomi och politiska ambitioner hamnar i otakt ökar risken för satsningar som blir svåra att räkna hem. Han lyfter Northvolt som ett aktuellt exempel och pekar även på vätgasbaserad ståltillverkning, där de tekniska och ekonomiska förutsättningarna fortfarande är avgörande.
– Det måste finnas tekniska landvinningar först. Det räcker inte med politiska löften, säger Christian Sandström.
Är AI annorlunda?
Samtidigt är Christian Sandströms svar på frågan om AI bara är en bubbla mer nyanserat än man kanske väntar sig. Han pekar på tre faktorer som gör AI strukturellt annorlunda än många tidigare teknikhyper: den långsiktiga ökningen av beräkningskapacitet, att digital kunskap kan återanvändas och spridas, samt nätverkseffekter där AI-system kan bli mer värdefulla ju fler som använder dem.
Det innebär inte att alla AI-investeringar är kloka eller att alla tillämpningar kommer att ge avkastning. Men tekniken kan få långsiktig betydelse även om delar av marknaden präglas av överdrivna förväntningar.
– Vi är mitt i AI-hypen och det är svårt att förutspå utvecklingen. Men en del talar för att det kommer en bubbla runt AI likt IT-bubblan med efterföljande ekonomisk nedgång, men sen använder vi tekniken länge och med stor nytta på ett sätt som förändrar väldigt mycket.
Från teknikskifte till CFO-fråga
Historien visar också varför stora organisationer ofta har svårt att agera i tid. Ny teknik börjar nästan alltid smått, medan stora företag ofta tänker stort. Befintliga kompetenser kan tappa i värde. Branschstrukturer förändras. Och när marknaden väl passerar en brytpunkt blir handlingsutrymmet snabbt mindre.
Kodak hade mängder av digitala produkter, men de var utspridda och saknade tydlig prioritering. Det är samma risk som många företag står inför med AI i dag. Det testas generativ AI, automatisering och analysverktyg, men om initiativen inte kopplas till tydliga verksamhetsmål riskerar AI att bli en produktlista snarare än en strategi.
För ekonomiavdelningen och CFO:n blir frågan därför inte bara vilken AI-lösning som ska införas. Den viktigare frågan är vilka beslut, processer och arbetsflöden som ska förbättras, och vilka data som krävs för att det ska fungera.
I diskussionen efter föreläsningen återkom flera deltagare till samma utmaning: företag vill använda AI, men vet inte om de kan lita på sin egen data. En av deltagarna uttryckte det så här:
– Vi kämpar fortfarande med att kunna lita på data. Kvaliteten är för dålig och vi tittar fortfarande för mycket bakåt. Men vi vågar heller inte stå utanför det som händer inom AI, vi vågar inte avstå från att köpa en 3D-printer, så att säga.
Det fångar ett dilemma som många CFO:er känner igen. Trycket att agera på AI är stort, men förutsättningarna är ofta ojämna. Data finns i flera system, definitioner skiljer sig åt och rapporteringen är inte alltid tillräckligt snabb eller tillförlitlig.
Affärssystemet som grund för praktisk AI
Finans och ekonomi har en fördel som få andra företagsfunktioner delar: arbetet bygger på siffror som går att stämma av. Det finns ofta ett facit. Det gör ekonomidata till ett av de områden där AI kan skapa konkret nytta, om datan är ren, strukturerad och tillgänglig när den behövs.
För CFO:n kan det handla om automatiserad fakturahantering, prognosmodeller, avvikelseanalys, finansiell planering och analys, rapportering eller datavalidering. Alla dessa tillämpningar kräver en datamiljö där information är korrekt, gemensamt definierad och möjlig att använda i verksamhetens faktiska processer.
Unit4 har byggt sitt affärssystem med ett semantiskt datalager. Det innebär att data kan beskrivas, förstås och användas på ett mer sammanhängande sätt över olika processer. För AI-baserade arbetssätt är detta centralt, eftersom tekniken behöver förstå vad informationen betyder i verksamhetens kontext.
Börja med användningen, inte verktyget
Diskussionen vid Skokloster landar i tre slutsatser:
För det första: titta på faktisk användning, inte på hype. AI gör störst skillnad i avgränsade tillämpningar, exempelvis automatiserad fakturahantering, prognosmodeller, finansiell planering och analys samt datavalidering.
För det andra: bygg grunden innan taket. Datakvalitet, gemensamma definitioner och tillförlitlig rapportering är förutsättningen för fungerande AI.
För det tredje: ha en strategi, inte en produktlista. Det är inte fel att prova nya lösningar. Men utan tydlig riktning riskerar organisationen att få många initiativ, men ingen sammanhållen bild av vart man är på väg.
– Finns det bubblor, opportunister och påhitt inom AI-utvecklingen? Ja. Men det finns fundamentala förändringar bakom denna teknikutvecklingen ändå. Det gäller att se vad som faktiskt sker – inte vem som ropar högst, avslutar Christian Sandström.
Håll dig uppdaterad
Rekommenderade bloggar
Populära bloggar
Missa inte de senaste Unit4-bloggarna
Registrera dig för branschinsikter och exklusivt innehåll