CFO’ens nye fordel: Hvordan AI kan omdanne arbejdsstyrkeplanlægning til en profitmaskine

Arbejdsstyrkeplanlægning behandles ofte som et HR-problem – en måde at sikre, at de rette mennesker er i de rette roller, løse konkurrerende prioriteringer for personale og fastlægge hver teams headcount-allokering. Men med arbejdskomponenter, der udgør op til 70 procent af de samlede forretningsomkostninger, er bundlinjen forbedret, når CFO’er og deres teams regelmæssigt er involveret i arbejdsstyrkeplanlægning – og behandler headcount ikke kun som en omkostningscenter at styre, men som en omsætningslæver, de kan trække i.

Når det udføres godt, kan arbejdsstyrkeplanlægning ikke kun reducere driftsomkostninger, men også udvide margener og øge profit i sidste ende. Brugen af AI kan have en dramatisk indvirkning på dette, med generativ AI, der øger tillid til personaleprognoser, og agensiv AI, der kan overtage specialiserede opgaver, der udelukker behovet for at øge headcount. Desuden er CFO’er i stigende grad i gang med at anvende AI i deres arbejde, og disse tendenser har kombineret til at gøre AI-understøttet arbejdsstyrkeplanlægning til CFO’ens nye fordel, der baner vejen for øget profitabilitet for virksomheden.

GenAI: Fra høje personaleomkostninger til EBITDA-økning

McKinsey har rapporteret, at AI-baserede prognosemodeller kan opnå over 90 procents nøjagtighed i forudsigelse af personalebehov for visse virksomheder, hvilket reducerer overtidssomkostninger med 15-20 procent.

Arbejdsstyrkeplanlægnings rolle er særligt kritisk i blue-collar-serviceindustrien, og BSL, en fysisk sikkerhedsfirma, der sender titusinder af sikkerhedsvagter til tusinder af steder for globale kunder som Nike og Amazon, så endnu bedre resultater end dette benchmark. Det stod over for en udfordring, der er kendt for enhver arbejdskrævende, skiftbaseret forretning: den konstante blødning af overtidsgodtgørelse og dyre sidste-minut-underleveringsomkostninger. Når efterspørgslen steg, eller når der opstod et udstedningsgap, endte virksomheden ofte med at betale en præmie – enten til eksisterende medarbejdere eller til eksterne underleverandører.

BSL kunne reducere overtidssomkostningerne med 30 procent og samtidig bringe underleveringsomkostningerne ned, da det begyndte at bruge mere nøjagtige og længerevarende AI-drevne arbejdsstyrkeplanlægning. Ved at parse medarbejder- og kundeaftaler, oversætte arbejdslove og regulativer til algoritmiske begrænsninger og udføre en kompleks optimering med en multi-rund-attributionsalgoritme under disse begrænsninger, producerede AI-værktøjerne hurtigt en rullende personaleplan på ét år. Tidligere brugte virksomheden uger på at opbygge personaleplaner, der kun så ét til tre måneder frem i tiden. Dette resulterede i en øgning af EBITDA på 200 basispoint ved massiv reduktion af overtid og underleveringsomkostninger, en betydelig forbedring i et felt, hvor margener er notorisk tynde.

I BSL og i mange andre tilfælde var AI’s primære rol ikke at reducere medarbejdere. I stedet reducerede generative AI-værktøjer fluktuation, forbedrede planlægning og hjalp med at opbygge tidsplaner, der både kunder og medarbejdere foretrækker. For eksempel var antallet af sikkerhedsvagter, der blev placeret i rotation for en given position, begrænset til tre, til tilfredshed for kunder, der søger at fastholde vagter, der specialiserer sig i deres virksomheds behov. Antallet af vagter, der kræver en lang pendling, blev reduceret, og arbejdsfrie weekender blev jævnt fordelt. Forandringer som disse øger livskvaliteten for medarbejdere, samtidig med at de forbedrer kundetilfredshed og reducerer omkostningerne og besværet ved medarbejderflugt for virksomheden på længere sigt.

Agensiv AI: Skalering uden headcount

I andre tilfælde kan AI-understøttet arbejdsstyrkeplanlægning også gøre det muligt for virksomheder at undgå at øge medarbejderstaben, så virksomheden kan skale i en billig måde. For eksempel, da Zendata Cybersecurity blev valgt til at implementere en integreret løsning inden for Dubai International Financial Centre og Abu Dhabi Global Market, havde virksomheden brug for at skale hurtigt. Den måtte hurtigt finde en måde at sikre flydende administrativ og teknisk onboarding for tusinder af nye kunder og implementere obligatoriske sikkerhedsauditter hver kvartal. At hyre tilstrækkeligt mange nye ingeniører til denne optrapning ville have været dyrt og udfordrende, med 72 procent af arbejdsgivere globalt, der rapporterer, at de har svært ved at finde den dygtige arbejdskraft, de har brug for.

I stedet brugte sikkerhedsfirmaet en konsulent AI-agent til at onboarde 5.000 slutbrugere på seks uger, og undgik dermed behovet for at rekruttere nye medarbejdere eller påføre en ekstra byrde på eksisterende hold. En anden agent gjorde det muligt for Zendata at implementere kvartalsvis auditter og levere personlige indsigt, diagnose og handlingsplaner til deres kunder. I stedet for at ZenData’s ingeniører brugte en uge på auditterne hver kvartal, blev den menneskelige gennemgang reduceret til en gennemsnitlig time om kvartalen. Dette reducerede den operative arbejdsmængde og accelererede auditprocessen, samtidig med at det løste udfordringen med at finde nok nye ingeniører til at udføre auditterne for det store antal nye kunder.

Hvad CFO’er skal tage med

Den fælles tråd gennem disse eksempler er ikke, at AI reducerer menneskelig dømmekraft i arbejdsstyrkebeslutninger. Det er, at AI fjerner ineffektiver og kompleksiteter, der skabte betydelig omsætningslækage i eksisterende arbejdsstyrkeplanlægningsløsninger.

Generativ AI kan parse tusinder af aftaler, anvende hundredvis af regulativer og producere prognoser over et årslangt horisont i den tid, det ville tage en menneskelig gruppe at opbygge en regneark. Bundlinjen er, at AI giver virksomheder mulighed for at skale hurtigt, absorbere topbelastning uden leadtime og forbedre pris konkurrenceevne og profitabilitet. CFO’er er i stigende grad begyndt at forstå dette og bruger de værktøjer, der er til rådighed i dag – og resultaterne viser sig på regnskabsrapporterne.