Finanse automatyzują strukturę organizacyjną zamiast cyklu przepływu gotówki

W finansach wiele czasu poświęcono na dyskusje o tym, czy pracownicy będą korzystać ze sztucznej inteligencji, czy dyrektorzy finansowi będą ją finansować i czy technologia jest na tyle dojrzała, by wyjść poza fazę eksperymentów. Nie jestem już nawet pewien, czy te pytania są istotne, skoro już obserwujemy stałe wdrażanie sztucznej inteligencji w biurach dyrektorów finansowych.

W niedawnych badaniach firmy Auditoria z 2026 r. 66,5% organizacji z sektora finansowego zadeklarowało zwiększenie inwestycji w AI, a przeciętny zespół finansowy korzystał z niej w 2,43 funkcjach, co oznacza wzrost o 36% w ciągu roku. Jednak tylko 21% badanych stwierdziło, że ich inicjatywy związane z AI przyniosły znaczące, mierzalne rezultaty.

Możliwe wyjaśnienia tego zjawiska są takie, że firmy wybrały niewłaściwe narzędzia, działały zbyt szybko albo nie zdołały skłonić wystarczającej liczby osób do korzystania z nich. Nie do końca się z tym zgadzam, ponieważ wdrażaliśmy sztuczną inteligencję zgodnie ze strukturą organizacyjną działów finansowych. W efekcie inteligentniejsze stały się już działy zobowiązań (AP), należności (AR), zarządzania płynnością oraz planowania i analiz finansowych (FP&A).

Gotówka nie przepływa w ten sposób. Przekracza wszystkie te granice i, jak sądzę, zaczynamy dostrzegać ograniczenia podejścia polegającego na zwiększaniu inteligencji poszczególnych obszarów finansów bez jednoczesnego usprawniania cyklu finansowego, którym wspólnie zarządzają.

Uczyniliśmy poszczególne obszary bardziej inteligentnymi

Jedną z bardziej zaskakujących luk we współczesnych finansach jest to, że stworzyliśmy bardzo zaawansowane sposoby, dzięki którym każdy dział może zrozumieć swoją część przepływu gotówki. Dział zobowiązań (AP) zarządza tym, co wypływa, dział należności (AR) koncentruje się na wpływach, dział zarządzania płynnością dba o płynność finansową, a FP&A stara się przewidywać, jak będą kształtować się wyniki. Każdy zespół może dobrze wykonywać swoją pracę, a mimo to dyrektor finansowy może nie mieć nikogo, kto jasno odpowiadałby za to, co dzieje się z gotówką, gdy przepływa ona między tymi działami.

Weźmy cykl rotacji zobowiązań (DPO) i cykl rotacji należności (DSO). Zespół AP może poprawić wskaźnik DPO o pięć dni i całkiem zasadnie uznać to za postęp, podczas gdy w tym samym kwartale windykacja należności spowolni, a wskaźnik DSO pogorszy się o siedem dni. Oba zespoły mogły wykonać dokładnie to, o co je poproszono, i oba mogą mieć całkiem dobre wyjaśnienie swoich wyników. Mimo to na koniec kwartału firma potrzebuje o dwa dni więcej, by zamienić kapitał obrotowy na gotówkę.

W finansach dobrze przypisuje się odpowiedzialność poszczególnym działom, ale wynik finansowy często kształtuje się na styku ich działań.

Stworzyliśmy systemy do automatyzacji faktur, uzgadniania sald, prognozowania przepływów pieniężnych, zarządzania windykacją należności i sporządzania raportów. Teraz sztuczna inteligencja jest wdrażana w tych samych obszarach, co oznacza ryzyko, że zwiększymy efektywność każdego działu finansów, nie zmniejszając przy tym rozdrobnienia samych finansów.

Szybsza praca nie oznacza krótszej drogi do celu

Jedno z ustaleń naszego badania stale do mnie wraca, bo wyjątkowo dobrze pokazuje ten problem. Obecnie 43,8% respondentów odpowiada na prośby w ciągu 24 godzin — to najwyższy poziom odnotowany przez nas w ciągu czterech lat. Jednocześnie 44,5% zespołów poświęca co tydzień co najmniej 11 godzin na ponaglanie dostawców, klientów i interesariuszy wewnętrznych, w porównaniu z 29,7% rok wcześniej. Kolejne 13,4% poświęca na to ponad 30 godzin tygodniowo.

Te liczby wydają się sprzeczne tylko wtedy, gdy zakładamy, że szybsza odpowiedź oznacza, iż praca jest bliżej zakończenia. Dostawca może na przykład odpowiedzieć na e-mail, ale przekazane informacje nadal mogą być niekompletne. Klient może z kolei odpowiedzieć na prośbę o uregulowanie należności, kwestionując fakturę. Dział finansowy wykrywa rozbieżność, a następnie musi znaleźć kogoś z innej części firmy, kto potrafi ją wyjaśnić.

Uważam, że zbyt dużo czasu poświęciliśmy na mierzenie szybkości wykonywania pojedynczych zadań, a zbyt mało na sprawdzanie, ile czasu mija od wykrycia problemu do jego rozwiązania w sposób, który zmienia wynik finansowy.

Agenci AI podnoszą stawkę

Tradycyjna automatyzacja dobrze służyła nam, przyspieszając bardzo rozdrobniony proces. Sztuczna inteligencja całkowicie zmieniła jednak reguły gry. Agent AI może zacząć podejmować decyzje w ramach zautomatyzowanego procesu. Oznacza to, że cele wyznaczane tym systemom mają znacznie większe znaczenie niż wtedy, gdy oprogramowanie jedynie przenosiło informacje z jednego pola do drugiego.

Problem staje się bardziej widoczny, gdy sztuczna inteligencja zaczyna działać w różnych obszarach finansów. Dział AP może dążyć do optymalizacji terminów płatności, dział AR — do przyspieszenia windykacji należności, a dział zarządzania płynnością — do jej ochrony; każdy z nich realizuje przy tym własne, rozsądne cele. Ryzyko pojawia się wtedy, gdy te systemy podejmują decyzje w oparciu o różne kryteria sukcesu, nie mając wspólnego obrazu wyniku finansowego, który firma chce osiągnąć.

Dlatego kolejnym wyzwaniem związanym ze sztuczną inteligencją w finansach nie jest jej wdrażanie. Chodzi raczej o ustalenie, co system powinien optymalizować i co się dzieje, gdy rozsądne z lokalnej perspektywy decyzje kolidują z szerszym celem finansowym. Uprawnienia, progi zatwierdzania, ścieżki audytu i zasady eskalacji są ważne, ale określają, co system AI może robić. Dyrektorzy finansowi muszą też zdecydować, co system ma osiągnąć w ramach zasad finansowych i ładu korporacyjnego.

Integracja staje się kwestią operacyjną

Brak integracji z istniejącymi systemami jest obecnie najczęściej wskazywaną barierą wdrażania AI — w naszych badaniach odsetek ten wyniósł 36,7%. Opór przed wdrażaniem technologii, który wcześniej zajmował pierwsze miejsce na liście, spadł na siódme. Odrębne badanie przeprowadzone w 2026 roku przez ACCA i CA ANZ wykazało, że 40% specjalistów ds. finansów uważa trudności z integrowaniem wielu źródeł danych za przeszkodę w uzyskiwaniu lepszego wglądu w działalność firmy.

Liderzy finansów nie poświęcają już większości energii na przekonywanie innych, że AI ma swoje miejsce w tej funkcji. Przekonują się, co się dzieje, gdy wiele rozwiązań opartych na AI musi działać w oparciu o te same transakcje, polityki, procedury zatwierdzania, wyjątki i wyniki finansowe.

Przydatne rozwiązanie oparte na AI może działać w ramach jednej funkcji. Przydatny model operacyjny finansów — nie.

Zamiast więc mierzyć postępy liczbą wdrożonych przypadków użycia, zacznijmy ustalać, ile przekazań między zespołami pozostaje od zidentyfikowania problemu do rozwiązania jego skutków finansowych. Zamiast patrzeć wyłącznie na liczbę godzin zaoszczędzonych w obszarze AP lub AR, zapytałbym, czy przepływ środków pieniężnych przez firmę staje się bardziej przewidywalny. Zamiast zaś przypisywać każdej funkcji finansowej własną definicję sukcesu AI, zapytałbym, kto odpowiada za wynik, gdy te definicje są ze sobą sprzeczne.

Przez lata technologie finansowe projektowano z myślą o strukturze organizacji, więc nie dziwi, że AI wdraża się w ten sam sposób. Dyrektor finansowy odpowiada za wyniki tych funkcji, ale ostatecznie firma nie ocenia działu finansowego na podstawie tego, czy działy AP, AR, skarbu lub FP&A osiągają swoje lokalne cele w zakresie efektywności. Liczy się dla niej wspólny wynik finansowy, jaki te działy wypracowują.

Jeśli AI ma w istotny sposób zmienić finanse, to właśnie wspólny wynik finansowy musi stać się przedmiotem transformacji. W przeciwnym razie zautomatyzujemy poszczególne funkcje, poprawimy lokalne wskaźniki, a wynik finansowy nadal będzie rozdrobniony wzdłuż tych samych granic, które mieliśmy zlikwidować.