CompounderKan man lita på AI med ekonomisiffror?
Frågan kommer i varje diskussion om AI i ekonomifunktionen, och den är rimlig. Men den är ställd på fel nivå. Det intressanta är inte om modellen kan räkna — det är vad den fick se innan den svarade.
Ett typiskt förlopp ser ut så här. Någon exporterar huvudboken till Excel, laddar upp filen i en chatt och ber om en analys. Svaret kommer på tio sekunder, är välformulerat och ser rimligt ut. Det används i ett underlag. Två veckor senare gör en kollega samma sak med en annan export, och får en annan siffra på samma nyckeltal.
Ingen av gångerna gjorde AI:n något fel i egentlig mening. Den räknade på det den fick. Skillnaden låg i underlaget: en annan periodavgränsning, ett bolag som saknades, en definition av rörelseresultat som inte var densamma.
Tre saker som gör ett svar opålitligt
1. Rådata utan sammanhang
En huvudbok är en lista över konton och belopp. Den innehåller inte koncernrelationerna, inte vilka transaktioner som är interna, inte vilken valutakurs som ska användas var. Får AI:n bara listan måste den gissa — och en språkmodell gissar med samma självförtroende som den redovisar ett faktum.
2. Definitioner som inte är satta
EBITDA, rörelsemarginal och nettoskuld går att räkna på flera sätt som alla är försvarbara. Om definitionen inte följer med datan väljer AI:n den vanligaste läroboksvarianten, inte er. Skillnaden syns inte i svaret, bara i att talet inte stämmer med föregående kvartal.
3. Ingen spårbarhet
Det avgörande testet på ett ekonomiskt underlag är om någon kan följa ett tal tillbaka till ett verifikat. Ett svar som inte går att spåra är inte fel — det är oprövbart, vilket är sämre. Det går inte att motbevisa och inte att försvara.
Vad som faktiskt gör skillnad
Det som gör ett AI-svar tillförlitligt är inte en bättre modell, utan att frågan besvaras mot data som redan är avstämd. Om konsolideringen är gjord, elimineringarna är på plats, valutorna är omräknade och definitionerna är satta — då är det som återstår för AI:n att formulera och analysera. Det är den delen den är bra på.
- Räkna en gång, centralt, enligt organisationens regler — inte en gång per fråga.
- Låt varje tal bära sin definition och sin källa hela vägen ut i svaret.
- Låt behörigheterna gälla även för AI:n. Den som inte får se ett bolag ska inte kunna fråga om det heller.
- Granska alltid underlaget med en människa innan det används för beslut eller extern rapportering.
Frågan att ställa i stället
I stället för ”kan man lita på AI med ekonomisiffror” är den användbara frågan: vad såg den, och kan jag följa svaret tillbaka? Går det att svara på båda är förtroendet välgrundat. Går det inte, spelar det ingen roll hur bra modellen är.
Det är den grunden Compounder bygger: ett lager mellan affärssystemen och AI-verktyget som bär sammanhanget, reglerna och behörigheterna — så att frågan ställs mot rätt underlag från början. Se hur det kopplas ihop via MCP.
