OpenAI og PwC melder et partnerskab ud med et klart løfte til CFO’er om AI-agenter i finans til automatisering, bedre forecasting og stærkere kontroller (ifølge OpenAIs pressemeddelelse, kilde 1206). Ambitionen er at modernisere CFO-funktionen og frigøre tid fra drift til beslutning. Det rammer et øjeblik, hvor mange økonomiafdelinger er kørt trætte i manuelle kontroller og patchwork i ERP.
Vi ser samme bevægelse hos kunderne. Først BI-eksperimenter, nu efterspørgsel efter reel automatisering i AP, AR og planlægning. Spørgsmålet, vi får igen og igen, er ikke om potentialet findes, men hvem der bærer risikoen når noget går skævt.
En logisk næste fase
Pwc kommer med finans- og riskkompetencer. OpenAI med agentteknologi. Kombinationen ligger lige i slipstrømmen af den digitalisering, økonomifunktioner har været igennem de sidste år. Vi i Snilld oplever den som en naturlig næste fase, hvor potentialet først forløses, når teknik og governance går hånd i hånd (Snillds faglige vurdering, kilde 1207).
En lille scene fra marts i Ballerup. Kaffemaskinen larmede som et tog. CFO’en sagde: “Få os fri af fakturasumpen, så bruger jeg tiden på marginer og kunder.” Det er præcis løftet her. Mindre sump, mere strategi.
Hvad OpenAI og PwC lover
I OpenAIs tekst står der sort på hvidt, at partnerskabet handler om at bruge AI-agenter til at automatisere finansworkflow, forbedre forecasting, styrke kontroller og modernisere CFO-funktionen i enterprise-kontekst (kilde 1206). Ingen produktblade eller referencearkitektur er offentliggjort i skrivende stund, men retningen er tydelig.
Tænkt enkelt: agenter læser og sammenfatter data, følger regler, udløser handlinger og dokumenterer spor. Mennesker tager kanttilfælde og styrer rammerne. Det er ikke hokus pokus, men orkestrering.
Gevinster i praksis
Hvor rykker det? I højvolumen med lav varians. F.eks. fakturahåndtering, simple afstemninger, standardiserede kreditvurderinger. Beslutningsstøtten bliver hurtigere, fordi FP&A kan køre scenarier på timer i stedet for uger. CFO-rollen får mere tid til kommercielle valg og kapitalallokering frem for eftersyn (Snillds faglige vurdering, kilde 1207).
Vi har set det virke. I en mellemstor dansk virksomhed reducerede AI-assisterede workflows den manuelle fakturahåndteringstid med cirka 40 procent efter 6–8 ugers fokuseret datarens. Ikke magi, bare disciplin i masterdata og undtagelser. Før oprydning er alting langsomt.
Hold eksemplerne skarpe
AP i kort form: agenten matcher mod PO, tjekker tolerancer og betalingsbetingelser, foreslår kontering, og sender kanttilfælde til godkendelse med en begrundelse. Grønne sager posteres og logs gemmes. Kedeligt på den gode måde.
Forecasting uden store armbevægelser: agenten tester modelvarianter, scorer dem, og viser drivere og usikkerhed, så FP&A kan vælge linje. Det kræver, at forklaringerne lander i finans-sprog, ikke ML-jargon. Ellers bliver det bare en pæn graf.
Integration før intelligens
Det knækker ofte i integrationen. Mange kører Navision eller AX med legacy og lokale tilpasninger. Vi ender ofte med et mellemled, der renser, standardiserer og throttler datastrømme til agent-API’er. Batch til tunge løft, nær realtime til det kritiske. Uden den disciplin løber fejl i klumper, og latency bliver ujævn.
Modeldrift kræver også versionering og styrede ændringsvinduer. En enkelt regelændring kan sende hundredvis af poster til manuel reparation, hvis timingen er uheldig. Vi har set det, en tirsdag lige før månedsluk. Den slags sætter sig i hukommelsen.
Governance samlet et sted
Robust styring er ikke pynt. Uden det ender løsningen som en sort boks ingen stoler på. Vi anbefaler et samlet governance-lag, der er læsbart for revision og nemt at drive:
- Audit trail per handling med reference til kildefelter og beslutningsregler
- Rollebaseret adgang for data, nøgler og beslutningsknuder
- Modelkort med træningsdata, antagelser, kendte begrænsninger
- Godkendelsesflow for regelændringer og modelopdateringer
- Stopkriterier og failsafes ved afvigelser over fast tærskel
Det er meget papir, men giver ro. Vi ser alt for tit, at governance undervurderes i første bølge og bagefter bliver dyrt at retrofitting.
Risici og begrænsninger
Agenter fejler på kanttilfælde, særligt i regnskab med særregler og undtagelser. Datakvalitet er den hyppigste årsag. Adgangsstyring en god nummer to. Regulering er en faktor: revisorer og tilsyn vil se bevis for, at automatisering ikke underminerer retvisende billede eller konsistens.
Black box-problemet er reelt. Hvis en anbefaling ikke kan oversættes til finanslogik, ender den som forslag, ikke beslutning. Det er fint i FP&A. Det er farligt i rapportering. Vi anbefaler en klar skillelinje mellem rådgivende agenter og udførende agenter i første fase.
Drift og ansvar
Hvem ejer løsningen i hverdagen er stadig uklart i det offentlige materiale. Vores erfaring er, at en tredelt model virker: CFO-kontoret ejer processen, IT ejer platform og sikkerhed, og en lille MLOps-funktion ejer modeldrift og monitorering. Så bliver bolden ikke tabt i første incident.
Support ændrer sig. Færre servertickets, flere sager om datadrift, modelperformance og forretningsregler. Incident playbooks skal definere hvornår agenten stopper, og hvem der tager stilling. Vagter omkring månedsluk lyder tungt, men redder nerver, når en reference ændres fem minutter før cut-off.
Omkostninger og skala
Kronerne ligger tre steder: datarens og integration, governance- og kontrollag, samt licenser og drift. De to første er frontloaded. Licenser og compute løber med volumen. TCO kan falde markant i processer med stor volumen og lav varians; i små komplekse processer er gevinsten mindre og mere sårbar.
ROI? Vores erfaringsbaserede interval er 6–18 måneder afhængig af modenhed og volumen. Hurtigst i AP og standardiserede afstemninger. Længere i forecasting, fordi organisationens beslutningsvaner skal justeres, ikke kun modellen.
Tjekliste de første 90 dage
Start småt og mål det hele. Tre skridt, tre uger før en pilot på 8–12 uger:
- Data-audit af masterdata og de 10 felter agenten er mest afhængig af
- PoC-arkitektur med valgt middleware, datamodeller og throttle-plan
- Governance playbook med roller, godkendelser, modelkort, auditlog og stopkriterier
Under piloten sætter I både effekt-KPI’er og risiko-KPI’er. Hvis fejlrate går over X, stopper agenten selv. Hellere et tydeligt stop end skjulte fejl, der siver ind i lukketal.
Hvor vi har set det virke
To use cases går igen. Transaktionsautomatisering i AP/AR, hvor agenten tager det trivielle, og controlleren lukker resten. Forecast-støtte i FP&A, hvor agenten leverer scenarier hurtigt. Industri presser på for AP, services er mere nysgerrige på forecasting. Det matcher også, hvor ROI oftest lander først.
Detaljer afgør forskellen. En kunde havde leverandørnavne med skæve mellemrum fra et gammelt scanningssystem. Det lugtede af pap og toner i arkivet. Vi brugte en uge på at normalisere strengene, og først derefter ramte agenten rent. Småt, men afgørende.
Konkurrencebilledet
Andre konsulenthuse vil fremhæve branchepakker og cases. ERP-leverandører vil tale for native workflows. PwC og OpenAI kombinerer agentmotor og kontrolkompetence, og det er klogt. Men referencearkitektur, roller og pris skal hurtigt blive konkrete, ellers løber feltet videre på andre spor.
Der vil være situationer, hvor native ERP-workflows rækker. Men på tværs af systemer og datakilder ser vi ofte, at agentmønstre leverer fleksibilitet, som enkeltmoduler ikke kan. Test det ærligt.
Snillds rolle i praksis
Vi går til det jordnært. Workshops, data-audit, en stram PoC og et governance-lag, som revision faktisk kan bruge. Vi bygger agenter til finansflows og kobler dem på ERP og BI via middleware for stabile strømme. Efterfølgende 3–6 måneders driftsovervågning, så regler og undtagelser bliver tæmmet før skala. Det lyder ikke prangende. Det holder.
Det vigtigste, vi bringer, er klarhed om ejerskab. Uden det bliver agenten nogens eksperiment og ingens ansvar. Vi har siddet i møderum og fordelt roller mellem controller, IT og datafolk, før noget for alvor begyndte at virke. Den time er godt givet ud.
Hvad vi stadig afklarer
Der mangler åben teknisk dokumentation fra parterne om dataflow, autentifikation og governance-templates. Vi vil se et whitepaper med referencearkitektur og sikkerhedslag. Vi savner også målte effektstørrelser på transaktionsomkostninger og forecast-MAPE, samt en tydelig drifts- og SLA-model og en linje for GDPR ved agentlogning. Indtil da må vi læne os op ad egne erfaringer i udvælgelse af processer og styringslag.
Timing er vigtig. Man behøver ikke være først, men man skal være klar. Data, styring og en realistisk appetit på at ændre arbejdsgange. Ellers bliver det endnu et værktøj med flere manuelle tjek end før.
Konklusion der kan bruges
Hvis jeg var CFO, ville jeg bruge tre uger på at finde tre processer, rense masterdata og designe en PoC med klare stopkriterier. Derefter 8–12 uger med pilot og en styringspakke, der kan bestå et revisionsmøde. Resten følger af håndværk og disciplin. Man mærker forskellen, når månedsluk klapper uden svedige hænder.
Kilder og ansvar i kort form: Partnerskabsfakta og løfter kommer fra OpenAIs pressemeddelelse (kilde 1206). Analytiske vurderinger, implementeringsråd og eksempler er baseret på Snillds erfaringer og manual brief (kilde 1207).
