Wanneer de basis automatisch wordt, gaat je aandacht naar waar het ertoe doet.
Ik leerde dit nadat ik vier keer was gezakt voor mijn rijexamen. Ik was gefocust op de techniek: versnellingen, het aangrijppunt, welke hendel waarvoor diende. Allemaal belangrijk, maar niet het volledige plaatje. De examinatoren gaven allemaal dezelfde feedback: te weinig aandacht voor de weg.
Maar bij mijn vijfde poging viel alles eindelijk op zijn plek. De wegen waren niet vriendelijker geworden, maar de basisvaardigheden gingen eindelijk automatisch. Mijn aandacht kon zich weer richten op waar die nodig was: buiten, waar het examen hem altijd al had willen hebben.
Financiële teams leggen dezelfde test af
Ik heb mijn carrière lang FP&A-teams zien falen op dezelfde manier als ik. Niet door een gebrek aan vaardigheid, maar door een gebrek aan beschikbare aandacht. Wanneer de volledige capaciteit van een team vastzit in de uitvoering – honderden bestanden die niet aansluiten, versies die niemand kan afstemmen, fouten die dagen kosten om te achterhalen, inzendingen die één voor één worden nagejaagd – dan overkomen de zaken iemand anders. Je kunt niet adviseren over een beslissing die je niet zag aankomen, omdat je verzandt in de praktische uitvoering ervan.
Het begrotingsseizoen is waar de test het zwaarst is. Een prognose is slechts je beste inschatting van wat er zal gebeuren. Een begroting is een overeenkomst waar teams volgend jaar aan gehouden worden, waardoor het een onderhandeling is met een spreadsheet erbij.
Wanneer er iets misgaat, is het makkelijk om onze tools de schuld te geven – een kapotte formule of een slecht model. Maar het echte probleem tijdens het begrotingsseizoen is dat je geen tijd meer hebt om goed te onderhandelen. Het is het opleveren van de eerste versie omdat je nooit de tijd had om alternatieven te verkennen.
De meeste financiële teams willen niet slechts één iteratie. Ze kunnen zich er slechts één veroorloven. Ik heb er genoeg ontmoet, inclusief die van mij, die alleen die keuze hadden. Het is een van de redenen waarom FP&A-teams moeite kunnen hebben om de waarde toe te voegen waarvoor ze zijn aangenomen. De waarde zat nooit in de bestanden. Hij was buiten, en niemand kon op de weg letten.
Een kijkje achter de schermen
In de laatste editie van deze serie vertelde onze CFO Alistair dat zijn Hoofd FP&A een van de mensen was die de AI-tools bouwden die ons financiële team gebruikt. Dat ben ik, en ik moet de paradox goed uitleggen.
Ik heb jarenlang begrotingscycli uitgevoerd bij andere bedrijven, waarbij ik me verontschuldigde voor het proces en gefrustreerd raakte door de beschikbare tools. Nu zie ik dingen van de andere kant, werkend bij een bedrijf dat zulke tools maakt. Daarom heb ik dit jaar samen met ons productteam gewerkt om ervoor te zorgen dat onze oplossingen de dagelijkse realiteit van financiële teams weerspiegelen. Terwijl ik dit schrijf, starten we onze begrotingscyclus voor 2027 op ons eigen platform, waarbij mijn collega's precies observeren hoe hij verloopt. De persoon die vroeger over de auto klaagde, helpt nu mee met het bouwen ervan. Het minste wat ik kan doen, is je eerlijk vertellen hoe het is om te rijden.
Wat de radertjes vroeger kostten
Een begrotingscyclus in bestanden werkt als volgt: één hoofdmodel wordt een distributiesjabloon, de sjabloon wordt tientallen kopieën, en de kopieën komen gewijzigd terug op manieren die je niet hebt goedgekeurd en niet altijd kunt zien. Cijfers komen binnen in duizenden waar je om eenheden had gevraagd. Iemand voegt een rij in. Bij een vorig bedrijf was ik twee dagen bezig met het herleiden van een enkele afwijking via zes gekoppelde werkmappen naar één cel, waar maanden eerder een formule was overschreven met een getal door iemand die echt van plan was hem terug te zetten.
Onze input is afkomstig van tientallen kostenplaatseigenaren met verschillende functies. Elk daarvan wordt een document om te produceren, te versturen, toe te lichten, na te jagen, te controleren, te corrigeren en opnieuw samen te stellen. Oordeelsvorming is een fractie van het werk. De rest is administratie, uitgevoerd door mensen die zijn aangenomen om oordelen te vellen. Dat is de mechaniek. Dat is waar alle aandacht naartoe gaat.
De basis automatiseren
Wat er voor mij veranderde, gebeurde in twee stappen, en de eerste had niets met AI te maken.
We hebben ons planningsmodel rechtstreeks gekoppeld aan de systemen waar de cijfers vandaan komen. Personeelsbezetting uit het HR-systeem, werkelijke cijfers uit het ERP en commerciële gegevens rechtstreeks van de bron (geen screenshot van de bron). Dat voorkomt de gevaarlijkste fout: een model bouwen op gegevens die al verouderd zijn. Een model kan intern consistent zijn en toch vol overtuiging fout, omdat het is gebouwd op een data-extract dat de dag nadat iemand het ophaalde al verouderd was.
We hebben daarnaast bestanden vervangen door gestructureerde inzendingen. Kostenplaatseigenaren werken in dezelfde structuur als ik, met dezelfde definities, eenheden en hiërarchie. Hun invoer komt terug als voorstellen, en elk voorstel wordt gecontroleerd en goedgekeurd voordat het wordt samengevoegd. Er is geen tweede artefact, dus er is geen versieafstemming, omdat er geen versies zijn. Het platform houdt ook bij wie wat heeft gewijzigd en wanneer. Dat klinkt als overhead tot maart, wanneer een begrotingsverantwoordelijke vraagt waarom een target het bedrag is dat het is, en de begroting zichzelf moet verdedigen.
Niets hiervan is glamoureus. Weten waar het aangrijpingspunt ligt, is dat evenmin. Het is simpelweg de voorwaarde voor al het andere. Dat was de eerste stap.
Wat het blootlegde in plaats van oploste
Maar dit ontdekten we toen we het begonnen te gebruiken. Het inzetten van betere tools op onze eigen data deed wat het overal doet: het bracht nieuwe lacunes aan het licht in plaats van ze op te lossen. Definities die waren afgedwaald, velden waarvan de betekenis in de loop der tijd was verschoven, structuren die nog lang werden voortgezet nadat de reden ervoor allang was verdwenen. Een systeem aan dit alles koppelen loste niets op. Het legde het bloot, waarna mensen het moesten oplossen voordat we er ook maar enigszins op konden vertrouwen.
Leren autorijden loste de gaten in de weg niet op, maar het betekende wel dat ik ze eindelijk kon zien.
Een snelle weg naar de vierde versie
We kunnen het AI-gedeelte niet negeren – dit is tenslotte onze serie Intelligentie aan boord. Maar het is belangrijk te benadrukken: de data moest betrouwbaar zijn voordat de volgende stap logisch werd. We zetten AI in voor de structuur van een model, niet voor de cijfers erin. Deze cyclus hebben we de Modeler Agent voor het eerst gebruikt om onze planningsmodellen direct op te bouwen.
De eerste build is ongelooflijk snel. Je beschrijft het model dat je nodig hebt in gewone taal, bekijkt de planning die het voorstelt, controleert secties, variabelen, tijdstappen en de formules die deze verbinden, en keurt het goed (of niet). Elke formule blijft zichtbaar en bewerkbaar.
Maar de eerste opzet is nooit duur geweest. De vierde wel. Het herstructureren van een model bracht vroeger een flinke prijs met zich mee – dus wanneer een begrotingsverantwoordelijke me vertelde dat een driver niet klopte, was het eerlijke antwoord vaak dat het niet de moeite waard was om het opnieuw op te bouwen. Het model bleef een beetje onjuist, iedereen werkte eromheen en binnen een paar cycli was de workaround institutionele kennis die aan nieuwe medewerkers werd geleerd. Nu herstructureren een middag kost, keert die rekensom zich om. Je hoeft de structuur niet meer te verdedigen en kunt deze gaan veranderen. Het argument wordt beter, omdat het model het eindelijk kan bijhouden.
Ik dacht dat ik snelheid kocht, maar wat ik eigenlijk kreeg was toestemming om van gedachten te veranderen.
Ogen op de weg
We staan nog aan het begin van deze cyclus, niet aan het einde, dus ik zal niet doen alsof ik al weet hoe het afloopt. We zijn ook nog aan het bouwen. Samen met ons productteam testen we juist deze cyclus workflows en takenmanagement binnen xP&A, nu het nog nieuw is. Het is een vreemde manier om een begroting te beheren en een heel goede manier om een product te bouwen.
Als je de komende weken je begrotingscyclus opent, wil ik je twee dingen meegeven (en geen van beide gaat over software): ten eerste, verwacht dat nieuwe tools je dataproblemen eerder blootleggen dan oplossen, en plan de tijd in om ze te verhelpen. Ten tweede, meet de cyclus af aan hoe vaak je oprecht van gedachten bent veranderd over volgend jaar, of hoe vaak je dat zou hebben gedaan als je kon, en niet aan hoeveel dagen het kostte om af te sluiten. Dat is waar ik het enorme potentieel zie van AI en van Lucanets Modeler Agent in het bijzonder: in de mogelijkheid om van gedachten te veranderen.
Voor het eerst in mijn carrière begin ik aan een begrotingsseizoen met een voorbereid gevoel in plaats van me schrap te moeten zetten. Volgend jaar is niet eenvoudiger te voorspellen geworden, net zoals de wegen nooit vriendelijker zijn geworden. Het verschil is dat we voorbij de operationele taken kunnen kijken, en de aandacht van het team weer naar buiten is gericht: op het bedrijf, de beslissingen en de onderhandelingen over volgend jaar, waar een begroting eigenlijk voor bedoeld is.
Het kostte me vijf pogingen om te leren dat het examen nooit om de auto draaide.
