Artificiell intelligens (AI) kommer att revolutionera en mängd olika områden, allt från transport- och vårdsektorn till medierna och samhället i stort. Men vad de flesta inte känner till är att AI redan håller på att förändra vår vardag.
Du drar redan nytta av AI. Till exempel när Google berättar för dig hur du bör planera körrutten, på ett sätt som ett navigationssystem i en bil aldrig har varit i närheten av.
Eller när söndagarna blir lite skönare för att Spotify spelar låtar som du gillar, men aldrig hört förut. För att de vet vilken musik du tycker om.
Eller när du leker med mobilen tillsammans med barnen och i realtid förvandlas till en apa eller fotomodell, något som tidigare hade krävt ett helt bergrum fyllt med processorkraft.
Hur AI används inom redovisning är kanske inte lika spännande, men vår poäng är att AI inte är science fiction. Det händer nu.
Googles ruttplanerare är bättre än konkurrenternas, men det är inte så lätt att förstå varför, vad som är den magiska ingrediensen. Eller om vi ska ta Spotify som exempel: Om de är bättre än sina konkurrenter på att hitta låtar till dig så kan det bero på att deras AI är bättre, eller på att Spotify är den musiktjänst du har använt mest så att de har mest data att lära upp sin AI med.
Inom intelligent automation, som är vårt specialistområde och där vi använder oss av maskininlärning (inklusive något som kallas djupinlärning), har vi märkt att det är betydligt enklare att förklara nyttan av det vi gör när kunden har spenderat lite tid på att sätta sig in i vad AI är.
Det är först då de förstår skillnaden mellan (och potentialen hos) en automatiseringsplattform som lär sig och en automatiseringslösning som bygger på regler.
På samma sätt som att Spotify lär sig vad du gillar utifrån de låtar du lyssnat på tidigare kan ett ekonomisystem lära sig hur saker och ting ska göras utifrån vad som har gjorts tidigare.
Regelstyrda automatiseringslösningar har funnits i många år, och på en ekonomiavdelning används de ofta för att hantera inkommande fakturor. Problemet blir då att varje regel måste fastställas och uppdateras vid ändringar samt att varje regel måste utarbetas för liknande leverantörer och ärenden. Dessutom omfattar reglerna vanligtvis inte fakturarader.
Som jämförelse kommer en lärande automatiseringslösning att kunna kontera fakturor utifrån tidigare erfarenheter, lära sig av fel och förbättra algoritmen. Den kommer att kunna skilja olika fakturarader åt och tillämpa samma regler på leverantörer som liknar varandra.
- Detta gör det möjligt att uppnå en betydligt högre grad av automatisering, och därmed stora effektiviseringsvinster.
En effektivare redovisning är dock bara början. Ännu mer spännande är de möjligheter som ligger inom analys av olika datapunkter! AI-automatiserad redovisning blir mer exakt och konsekvent än redovisning som görs med regelbaserad automatisering och manuella processer, och kommer därmed ge mycket högre datakvalitet och därmed ett bättre underlag för nyckeltal och analyser.
När alla inkommande fakturor konsekvent behandlas på radnivå i redovisningen kan man bryta ner siffrorna på en helt ny nivå och få tillgång till information man inte haft tidigare. Rapporter kan i realtid visa hur utgifterna utvecklas över tid inom olika kategorier, och vad man spenderar pengar på, till exempel på en avdelning eller i ett projekt.
Genom att sammanställa data från olika källor kan man förhandla fram bättre avtal. Och genom att analysera inköpsmönster i realtid kan du snabbare upptäcka förändringar av efterfrågan och köpmönster.
- Med rollbaserade dashbords som visar data i realtid blir informationen lätt tillgänglig för alla som kan ha nytta av den.
Det här var bara några exempel på alla nya verktyg som blir tillgängliga för CFO och controllers när artificiell intelligens används för automatisering. Vi har faktiskt skrivit en hel e-bok om ämnet.