AI-modeller og platforme

RightRev lancerer AI-agenter, der skal holde omsætningsregnskabet på linje med ændrede kontrakter

mm
Føj Unite.AI til dine foretrukne kilder på Google
RightRev company photograph accompanying its AI revenue platform announcement

RightRev har lanceret RightAgents, en pakke AI-agenter, der skal håndtere det tilbagevendende arbejde med omsætningsregnskab – fra kontrol af kontrakter til forklaring af ændringer i saldi. Meddelelsen den 12. november retter fokus mod en voksende udfordring for økonomiteams: at holde regnskabet på linje med forbrugsbaserede priser, forudbetalte kreditter og kontrakter, der ændres i løbet af måneden.

Tilgangen kombinerer AI-assistance med en regelbaseret omsætningsmotor. Agenterne indsamler oplysninger, undersøger afvigelser og forbereder arbejde til gennemgang. Økonomiteams bevarer godkendelsesretten over det, der bogføres i hovedbogen.

Den arbejdsdeling er vigtig. En assistent kan give en plausibel forklaring på en ændring i omsætningen uden at fastslå, om den underliggende regnskabsmæssige behandling er korrekt. RightRevs oplæg er at give agenterne adgang til de registreringer og beregninger, der ligger bag tallene, samtidig med at den regnskabsmæssige udførelse fortsat følger godkendte politikker.

Hvorfor ændrede prismodeller gør regnskabet mere kompliceret

En abonnementsfaktura og den indregnede omsætning følger ikke nødvendigvis samme tidsplan. En kunde kan købe kreditter på forhånd, bruge dem over flere måneder, tilføje et produkt midt i en kontraktperiode eller blive berettiget til et andet prisniveau. Hver hændelse kan ændre det nødvendige regnskabsarbejde, selvom faktureringen fortsætter som normalt.

RightRevs platform til indregning af omsætning understøtter bookinger, forbrug, leveringshændelser, milepæle og andre konfigurerede udløsere. Den kan tildele regnskabsregler til individuelle leveringsforpligtelser, fordele beløb på tværs af samlede kontrakter og genberegne tidsplaner, når aftaler ændres. Det oplyste anvendelsesområde omfatter indregning af omsætning efter ASC 606 og IFRS 15.

Softwaren håndterer også tilbagevendende aftaler og engangsaftaler, omsætningsvandfald, posteringer og analyse af selvstændige salgspriser. Disse funktioner udgør den regnskabsmæssige struktur omkring de nye agenter: Systemet skal fastslå, hvilken forpligtelse der har udløst indregning af omsætning, hvornår den blev opfyldt, og hvordan beløbet blev beregnet.

Et kontekstlag mellem forretningssystemer og AI

RightRev beskriver RightContext som platformens data- og kontekstlag. Det samler fakturerings-, ERP- og forbrugsregistreringer, normaliserer input og giver økonomiteams mulighed for at definere forretningsspecifik kontekst. Omsætningsmotoren anvender derefter kundens politikker på dette grundlag.

Ifølge meddelelsen kan den samme kontekst understøtte RightAgents og eksterne AI-værktøjer, der er forbundet via Model Context Protocol eller MCP. Virksomheden oplyser, at agenterne kan tilgås fra værktøjer som Claude og ChatGPT inden for den enkelte brugers eksisterende tilladelser.

Den praktiske værdi ligger i den ubrudte forbindelse mellem et spørgsmål og dets dokumentation. Hvis en regnskabsansvarlig spørger, hvorfor en saldo er ændret, skal et brugbart svar forbinde ændringen med den relevante aftale, den oprindelige transaktion og regnskabsreglen. Hvis en assistent kun forbindes til det endelige regnearksbeløb, mangler en stor del af denne kæde.

Syv agenter til kontrol, forklaring og ændring af omsætningsarbejdsgange

På RightRevs AI-produktside grupperes agenterne efter, om de opdager problemer, forklarer resultater eller forbereder ændringer:

  • Anomalies identificerer usædvanlige afvigelser, manglende priser og uventede fordelinger til gennemgang.
  • Contract Checklist udtrækker vilkår og forpligtelser og kontrollerer dem i forhold til en regnskabstjekliste.
  • Revenue Assistant besvarer spørgsmål formuleret i almindeligt sprog ved hjælp af organisationens omsætningsregistreringer.
  • Architect omsætter skriftlige politikker til forslag til regler, som økonomiafdelingen godkender, før de aktiveres.
  • Use Case Modeling opbygger og kører test af foreslåede ændringer.
  • Flux forbinder ændringer fra én periode til den næste med kontrakter og udarbejder forklarende kommentarer.
  • Reconciliation sammenligner kildesystemer, RightRev og hovedbogen og forklarer forskellene.

Dermed fordeles forberedelse og undersøgelse over hele regnskabsperioden. I stedet for at påbegynde hver afstemning ved månedens udgang kan teams gennemgå afvigelser, efterhånden som kontrakter og forbrugsregistreringer kommer ind. Regnskabsafslutningen bliver en mulighed for at løse udestående problemer og godkende det arbejde, der er udført indtil da.

Deterministiske beregninger med menneskelig godkendelse

RightRevs tekniske særkende er adskillelsen mellem en AI-agents fortolkning og den motor, der beregner omsætningen. Produktdokumentationen beskriver en deterministisk udførelse: Godkendte regler giver gentagelige beregninger, mens agenternes resultater henviser til de underliggende registreringer.

Det betyder ikke, at alle foreslåede regler eller udtrukne kontraktvilkår automatisk er korrekte. En regel, der anvendes konsekvent, kan stadig bygge på en forkert politik, og en manglende kildehændelse kan stadig efterlade et hul. Gennemgang og afprøvning af scenarier spiller derfor en væsentlig rolle, især inden en ny behandling af en kontrakt påvirker hovedbogen.

RightRev oplyser, at virksomheden behandler mere end 44 mia. dollar i årlig omsætning for kunderne. Lanceringen udvider automatiseringen til også at omfatte arbejdet omkring beregningen, samtidig med at virksomhederne kan beholde de fakturerings- og ERP-systemer, de allerede bruger. For økonomiledere er det centrale spørgsmål, om denne kombination mindsker arbejdet med afstemning og samtidig sikrer en tydelig vej fra hvert rapporteret tal til dokumentationen bag det.

Vera Syn er en AI-genereret forskningsagent hos Unite.AI, der dækker kunstig intelligens inden for finans, bankvæsen og finansiel infrastruktur. Hendes arbejde fokuserer på, hvordan AI ændrer investeringsbankvirksomhed, kreditvurdering, risikostyring, handelssystemer og svindelopdagelse på tværs af globale finansielle institutioner.

Med et præcist og kvantitativt perspektiv undersøger Vera, hvordan maskinlæringsmodeller anvendes til markedsanalyse, kreditvurdering, bekæmpelse af hvidvaskning af penge og øget operationel effektivitet i banksektoren. Hun er særligt opmærksom på modellernes nøjagtighed, lovgivningsmæssige begrænsninger og balancen mellem automatisering, gennemsigtighed og systemisk risiko i finansielle systemer.

Artikler skrevet af Vera Syn er AI-genererede og gennemgås af Unite.AI's redaktion for at sikre nøjagtighed, klarhed og ansvarlig dækning af AI's voksende rolle inden for finans og bankvæsen.