Trends in the digital accounts department

Jeg hedder Dan Rose Johansen og jeg har fået den glæde at skrive et gæsteindlæg til Acubiz om kunstig intelligens. Jeg er administrerende direktør og stifter af virksomheden TodAi. Jeg har grundlagt TodAi for at gøre kunstig intelligens mere jordnær og tilgængelig for så mange virksomheder i Danmark som muligt. I denne artikel vil jeg forsøge at gøre konceptet konkret og anvendeligt. God læselyst!

TL;DRKunstig intelligens inden for finansverdenen behøver ikke at være abstrakt eller skræmmende. I dette gæsteindlæg argumenterer Dan Rose Johansen, administrerende direktør for TodAi, for, at virksomheder misforstår AI ved at forveksle den med automatisering, og at velafgrænsede AI-projekter inden for områder som den digitale regnskabsafdeling kan skabe konkret værdi uden behov for store team af specialister eller massive investeringer.

Kunstig intelligens, eller som jeg bare kalder det, AI, er et diffust emne for mange. Men det behøver det ikke nødvendigvis at være. Det er muligt at gøre konceptet både jordnært og tilgængeligt, og på den måde appellere til mange flere virksomheder og dets medarbejdere end hvad er tilfældet i dag.

Én af de helt store udfordringer ved at brede AI ud, er den naturlige modstand imod forandring. For lige meget hvordan vi vender og drejer det, så er AI genstand for et paradigmeskift inden for mange funktioner i rigtig mange brancher. De muligheder som AI, og for den sags skyld også Robotics og Machine Learning, tilbyder, vil i fremtiden medføre en anderledes arbejdsstyrke. En arbejdsstyrke der ændrer sig. Medarbejdere vil ikke miste sit job, men selve jobfunktionen og arbejdsopgaverne vil ændre sig.

Derfor er det vigtigt, at virksomheder forsøger at omfavne AI’s mange muligheder for at forblive konkurrencedygtige fremover – og det er slet ikke så farligt som mange tror.

Vi er slet ikke enige om, hvad AI er

Det største problem som jeg oplever ved den føromtalte ”modstand” mod AI er, at vi er lidt forvirrede når der bliver talt om kunstig intelligens eller AI. Vi har nemlig ikke et fælles sprog for det endnu. Her kan nyhedsstrømmen være en del af ”problemet”. Hvis vi ser nærmere på nyhederne omhandlende AI, så handler 12% af dem om Elon Musk og selvkørende biler. Men AI er altså meget mere end det. Det kommer jeg ind på om lidt.

Når vi endnu ikke har et fælles sprog, eller forståelse af AI, så betyder det også, at der faktisk er mange virksomheder, som siger at de bruger kunstig intelligens, men i virkeligheden anvender en anden teknologi. Mange tror per automatik, at hvis en proces er automatiseret, så er AI i spil. Det er det bare ikke altid. Faktisk viser det sig, at kun 40% af danske startups gør brug af AI, og jeg er overbevist om, at det bunder i en misforståelse af konceptet. Det vil som oftest være fordi, at AI forveksles med robotics. Jeg forstår forvekslingen, men det er vigtigt at understrege, at den helt store forskel på de to koncepter er, at robotics ikke kan løse en opgave, som den ikke har set før. Men det kan AI! AI er med andre ord eksperimentelt og efterligner i bund og grund menneskelige handlinger. Robotics på den anden side, kan kun agere ud fra de modtagne instrukser.

Kontroltab er den sidste vigtige faktor, når vi taler om tilbageholdenhed ved at gøre brug af AI. Hvis en virksomhed vælger at anvende AI, så vil følelsen af kontroltab uundgåeligt forekomme, men det er slet ikke så voldsomt som det lyder. Det kommer jeg ind på lige om lidt.

Hvad er det svære ved at arbejde med AI

Da jeg begyndte at arbejde med AI troede jeg, at den nemme del af AI-arbejdet ville være at finde et problem, som var egnet til at blive løst med AI. Det viste sig så tværtimod at være den svære del. Det som jeg troede var svært har vist sig at være den lette del af AI. Det lette er at bygge AI modeller, lave prototyper og at få ideer til hvad der kan løses ved hjælp af AI.

Det svære er at forstå essensen af problemet og herefter løse det ved hjælp af de nødvendige data. For det er som regel både dyrt og besværligt at indsamle data når der skal løses en opgave – også selvom opgaven, som udgangspunkt, virker simpel.

Det betyder naturligvis ikke, at AI er så svært, at det ikke er til at komme i gang med. I modsætning til for få år siden, er det i dag muligt at bygge en AI-model uden nogen som helst form for kode. Og i takt med at der bliver udviklet flere og flere AI-modeller til at løse en stadigvæk bredere vifte af problemer, vil flere af modellerne blive såkaldte hyldevarer, som man bare kan pille ned, købe og bruge. Nemt og bekvemt – plug and play.

Hvordan bliver fremtiden med AI?

Hvordan fremtiden kommer til at se ud med et mere modent marked for AI, er noget, som jeg ved, ligger mange på sinde. Da AI blev introduceret var det største fokus, at robotterne kom og overtog vores jobs – det skabte naturligvis en del af den modstand, som jeg berørte indledningsvist. Hverken robotter (robotics) eller kunstig intelligens (AI) kommer til at tage vores jobs. Det er jeg helt overbevist om. Men vores jobs ændrer sig.

Lad os bruge et regnskabsafdelingen for eksempel. Hvis en medarbejder i dag bruger 80 % af sin tid på at indtaste data i et ERP-system og kun 20 % på kontrol, vil denne fordeling vende sig i fremtiden. På lang sigt vil det være muligt at få AI til at varetage opgaver, som medarbejderne i dag udfører manuelt. Det kan ske via et standardprodukt, men selv et standardprodukt skal udvikles over tid for at kunne fungere optimalt. Her adskiller AI sig væsentligt fra robotteknologi. AI træffer sine valg på baggrund af erfaring. Med andre ord skal du »træne« din AI, så den kan løse de opgaver, du ønsker, at den skal løse.

Du træner din AI ved at vise den eksempler på hvad en ”rigtig” medarbejder i den pågældende funktion ville gøre. Herefter registrerer AI så alle de faktorer og variabler, som der var til stede i eksemplet, og registrerer, at ud fra netop disse, blev det konkrete valg truffet af den ”rigtige” medarbejder.

I sin regnskabsafdeling kan en medarbejder eksempelvis træne sin AI, ved at vise hvordan en faktura ser ud. AI vil herefter bruge sin forforståelse til vurdere om der er tale om en faktura eller ej. Anvendes en AI-hyldevare, vil den allerede have en forståelse som er foruddefineret. Herefter er det muligt bygge ovenpå forståelsen ved at træne sin AI. Medarbejderen forsøger altså så vidt muligt at fylde viden ind i sin AI, som kan have relevans for, om den givne opgave eller problem kan blive løst.

Når medarbejderen træner AI’en, er det vigtigt at give den opgaver af forskellig sværhedsgrad. Det kan være en udfordring kvittering hvorfra oplysningerne skal udlæses. Hvis den AI, der bruges til at aflæse kvitteringen, rapporterer tilbage, at den er 90 % sikker på, hvad der står på kvitteringen, kan medarbejderen forsøge at træne AI’en yderligere ved at indtaste data, der kan hjælpe AI’en til at blive endnu mere sikker næste gang, den skal aflæse en kvittering. Hvis AI’en ikke kan trænes yderligere, kan dette være en af de opgaver, som AI’en videregiver til en »rigtig« medarbejder, der kan udføre den nødvendige kontrol.

Sådan kommer du i gang med AI

Hvis du tænker, at det lyder rigtig spændende med AI, men at du ikke lige er helt komfortabel ved at lade et stykke selvtænkende software håndtere arbejdsopgaver i din virksomhed, så er mit bedste bud at du starter med at prøve en emailbot. En emailbot er en AI, som kan lære at forstå, sortere, videresende og besvare e-mails. Det giver dig mulighed for at teste teknologien af og se om det virker i din organisation.

AI bliver et konkurrenceparameter i fremtiden. Derfor kan I lige så godt begynde at overveje hvilke arbejdsopgaver, som AI kan løse for jer. Og husk, at det ikke er svært at finde ud af, hvor AI eller robotics kan sættes til det ”kedelige” arbejde, men det svære ligger i at gennemskue, hvad det kedelige arbejde egentlig består af. En ting er sikkert – bruger I den tid, som det kræver at integrere AI i jeres virksomhed, vil I kunne drage fordel af det mange år ud i fremtiden.

Ofte stillede spørgsmål

Hvad er forskellen mellem kunstig intelligens og automatisering i finansielle processer?

Automatisering udfører en foruddefineret, regelbaseret opgave uden menneskelig indgriben. AI går et skridt videre ved at lære af data og træffe beslutninger eller fremsætte forudsigelser, som ikke er blevet eksplicit programmeret. Mange virksomheder tror, at de bruger AI, når de i virkeligheden bruger automatisering. Det er vigtigt at kende forskellen, da datakravene, implementeringsindsatsen og de forventede resultater adskiller sig markant mellem de to.

Hvor anvendes kunstig intelligens egentlig i regnskabsafdelinger i dag?

Praktiske anvendelser af kunstig intelligens inden for finansområdet omfatter klassificering af fakturaer, påvisning af afvigelser i forbindelse med udgiftssvindel, automatiseret kontokodning baseret på historiske mønstre samt prognoser for pengestrømme. Disse anvendelsestilfælde bygger på strukturerede finansielle data, hvilket gør dem lettere at håndtere end mere omfattende AI-projekter, og de kan reducere den manuelle behandlingstid betydeligt.

Har vi brug for et dedikeret data science-team for at implementere AI i vores økonomiafdeling?

Ikke nødvendigvis. Mange moderne finansielle softwareplatforme integrerer AI-funktioner direkte i deres arbejdsgange, hvilket betyder, at man kan drage fordel af maskinlæring uden at skulle opbygge et data science-team. Hvis man derimod ønsker at udvikle egne modeller, har man brug for ekspertise inden for data science, som er en af de mest efterspurgte jobfunktioner i dette årti.

Hvad er de største hindringer for indførelsen af kunstig intelligens i danske virksomheder?

Gæsteforfatteren peger på manglen på et fælles sprog omkring AI som den største hindring. Virksomhederne er ikke enige om, hvad AI egentlig betyder, hvilket gør det svært at føre konstruktive samtaler om implementeringen. Andre hindringer omfatter datakvaliteten, som ofte er lavere end forventet, samt den kulturelle modstand mod forandring, der følger med enhver procesændring.