Agentisk AI i finansfunksjonen - kontrollert autonomi

For CFOer i finansbransjen handler agentisk AI ikke bare om økt autonomi, men like mye om bedre kvalitet, kontroll og beslutningsgrunnlag. 

Oppsummert:

• Agentisk AI skaper størst verdi når teknologien integreres i den daglige arbeidsflyten i finansfunksjonen, ikke som et tillegg til eksisterende prosesser.
• Ved å overta tidkrevende manuelle oppgaver som avstemming og kvalitetssjekker, frigjør AI‑agenter kapasitet til styring, vurdering og beslutningsstøtte.
• Økt autonomi krever streng kontroll: AI‑agenter kan handle innenfor tydelige kontrollrammer, mens mennesker beholder ansvar for godkjenning og faglig vurdering.

Agentisk AI er i en tidlig fase, men adopsjonen i finansfunksjoner øker

Agentisk AI representerer et tydelig skifte sammenlignet med tradisjonell automatisering i finansfunksjonen. Agentisk AI er en form for kunstig intelligens der programvarebaserte AI‑agenter kan forstå mål, planlegge og utføre handlinger autonomt innenfor tydelige rammer for kontroll og godkjenning. Dette gjøres ved å kombinere språkmodeller og data med spesialiserte verktøy og systemer. I motsetning til tradisjonell automatisering kan agentisk AI tilpasse seg kontekst, koordinere oppgaver over tid og samarbeide med andre agenter, mens mennesker beholder ansvar for beslutninger.

Bruken av kunstig intelligens i finansfunksjoner er i rask vekst. I følge 2025 EY Tax and Finance Operations Survey¹ har over 4 av 10 finansfunksjoner begynt å ta i bruk AI. Det viser at mange fortsatt befinner seg i en tidlig adopsjonsfase. Finansfunksjoner beveger seg gradvis fra generelle AI-verktøy, piloter og enkeltstående tester til mer integrerte løsninger for konkrete prosesser.

Agentisk AI skaper verdi i finansfunksjonen

Finansfunksjonen kjennetegnes av store datamengder, standardiserte prosesser og strenge regulatoriske krav. Dette er forhold som gjør området godt egnet for agentisk AI om målet er høyere effektivitet, bedre kvalitet og kontroll. Teknologien kan blant annet bidra til færre åpne avstemmingsposter, raskere periodeavslutning og mer konsistent kvalitet i rapportering og kontrollaktiviteter.

Når agentisk AI integreres i arbeidsflyten, kan systemene i større grad hente og sammenstille data på tvers av siloer, gjennomføre kvalitetssjekker og utarbeide førsteutkast til analyser og rapporter. I finansbransjen, der transaksjonsvolumene er høye og kravene til datakvalitet, sporbarhet og etterlevelse er strenge, kan agentisk AI redusere manuelt arbeid og øke presisjonen i kritiske prosesser. Verdien ligger ikke primært i potensialet for redusert bemanning, men i at finansfunksjonen får økt kapasitet til vurdering, styring og beslutningsstøtte, uten å svekke kontrollmiljøet.

I de følgende avsnittene viser vi noen eksempler på hvordan teknologien kan effektivisere repetitive oppgaver og frigjøre tid til mer verdiskapende arbeid.

(1) Agentisk AI integrert i ERP- og EPM-systemer: Ledende leverandører av ERP og EPM systemer bygger nå agentisk AI inn som en kjernekomponent i løsningene sine. I finansbransjen er ikke målet nødvendigvis full autonomi, men kontrollert autonomi. AI‑agenter utfører avgrensede deler av det operative arbeidet innenfor etablerte rammer for internkontroll, arbeidsdeling og godkjenning.

I praksis innebærer dette at agentene kan identifisere åpne poster, foreslå avstemminger, samle dokumentasjon og forberede bokføringsforslag (og gjennomføre bokføringer), mens mennesker beholder ansvar for gjennomgang, faglig vurdering og endelig godkjenning. Rollebasert tilgang, tydelig sporbarhet og dokumentasjon av beslutningsgrunnlag er avgjørende for å sikre tillit og etterlevelse.

Alt skjer som en integrert del av systemene virksomheten allerede bruker, ikke som et ekstra lag på toppen, og det er ved en slik integrasjon vi ser det største verdipotensialet.

Det finnes også periodeavslutningssystemer der regnskapsmedarbeidere kan bygge og tilpasse egne agenter til å utføre spesifikke oppgaver basert på egne behov. Dette omfatter blant annet støtte til bokføring og avstemming av transaksjoner, samt analyse og dokumentasjonsarbeid i periodeavslutningen. Agentene lærer mønstre i datagrunnlaget, handler basert på triggere og optimaliserer arbeidsflyter i sanntid.

(2) Agentisk AI i et EY-utviklet verktøy for finansiell planlegging: I EY sin egenutviklede plattform for finansiell planlegging og analyse benyttes også AI-agenter som selvstendig håndterer avanserte analyseoppgaver. Flere uavhengige analyseagenter utfører beregninger på historiske data og henter inn relevante bransje- og makroøkonomiske tredjepartsdata for å styrke modellgrunnlaget. Agentene simulerer alternative scenarioer, vurderer konsekvenser på tvers av drivere og identifiserer mulige avvik i fremtidige prognoser. Arbeidet koordineres av en såkalt «manager agent» som styrer prosessen, mens de øvrige agentene gjennomfører analysene. Resultatet er en mer helhetlig og automatisert planleggingsprosess som leverer innsikt raskere og med høyere presisjon enn tradisjonelle metoder.

(3) Agentisk AI i Microsoft-økosystemet: Copilot introduserer agentisk AI direkte i Microsoft økosystemet ved å tilby agenter som støtter sentrale oppgaver i den operative hverdagen. Microsoft har nylig annonsert at de vil lansere Copilot Cowork, som de kaller «en ny generasjon AI-agenter», som kan følge opp oppgaver over tid, koordinere med kolleger og proaktivt foreslå neste steg. Dette markerer et skifte fra dagens verktøy som svarer på spørsmål, til mer autonome agenter som jobber side om side med brukeren i den daglige arbeidsflyten.

I stedet for å være et generelt skrive og søkeverktøy, gjør Copilot agenter det mulig å effektivisere og automatisere konkrete arbeidsoppgaver. Ansatte kan enkelt opprette egne agenter og gi dem tilgang til relevant informasjon, slik at verktøyet kan skreddersys til arbeidsflyten og støtte oppgavene på en mer naturlig og målrettet måte.

Når man jobber med Copilot-agenter, fungerer de som spesialiserte hjelpere som utfører definerte oppgaver i bakgrunnen. Man kan for eksempel lage en agent som utarbeider førsteutkast til noter basert på tidligere rapporter, veileder nye medarbeidere gjennom interne rutiner, kontrollerer bærekraftsrapportering opp mot relevante krav i CSRD-regelverket eller gjennomfører avstemminger mellom regneark og identifiserer avvik. I praksis glir agentene sømløst inn i prosessene, slik at medarbeidere får støtte der behovet oppstår. Dette frigjør tid fra repetitive aktiviteter og gir rom for bedre analyser, vurderinger og annet mer verdiskapende arbeid.

Datakvalitet og kompetanse er avgjørende for videre utvikling

I arbeidet med å øke bruken av agentisk AI i finansfunksjonen, fremstår datakvalitet og kompetanse som de viktigste modningsområdene. EY Tax and Finance Operations Survey 2025² viser at 86 % av ledere prioriterer data, AI og teknologi høyt. Samtidig forutsetter mer avanserte AI-løsninger et datagrunnlag med høy kvalitet og konsistens. I finansfunksjoner med strenge krav til presisjon og sporbarhet kan manglende datamodenhet begrense tilliten til AI-basert innsikt. I tillegg krever overgangen til mer autonome løsninger nye ferdigheter og tydeligere samspill mellom mennesker og teknologi. Etter hvert som denne modenheten bygges, kan potensialet i agentisk AI realiseres i større grad.

Kontrollert autonomi forutsetter tydelig styring, sporbarhet og risikohåndtering

Med økt grad av autonomi skjerpes også kravene til styring, sporbarhet og risikohåndtering. Agentiske systemer introduserer nye former for operasjonell og modellrelatert risiko, som krever sterkere kontroller enn tradisjonell automatisering³. Disse kravene tydeliggjøres gjennom EUs AI-forordning (EU AI Act⁴), som etablerer et risikobasert regelverk for bruk av kunstig intelligens og stiller særskilte krav til AI-systemer som klassifiseres som høy-risiko.

I finansbransjen innebærer dette at agentisk AI må operere innenfor tydelige kontrollrammer, med full sporbarhet i handlinger og datagrunnlag, samt klare godkjenningspunkter der menneskelig involvering er nødvendig. Kontinuerlig overvåkning av agentenes atferd og ytelse er avgjørende for å sikre tillit og regulatorisk etterlevelse.

En fremtid der agentisk AI er motoren bak en mer effektiv finansfunksjon

Vi går mot en fremtid der finansfunksjonen støttes av autonome AI-agenter som arbeider på tvers av systemer og prosesser. Eksemplene i artikkelen viser hvordan agentene kan ta hånd om deler av verdikjeden, fra automatiserte avstemminger til AI-drevne prognoser og scenarioanalyser. Dette reduserer manuelle flaskehalser og gir et mer presist beslutningsgrunnlag.

Fremover ser vi konturene av en finansfunksjon som i større grad opererer med:

• Tettere integrasjon mellom systemer, der agenter arbeider sammen med ERP og EPM-systemer for å sikre raskere, mer presise og datadrevne beslutninger.
• Kontinuerlig closing, der avstemminger og kvalitetssjekker skjer løpende, og avlaster i de mest hektiske rapporteringsperiodene.
• Raskere rapporteringsprosesser, der rapporter, noter og forklarende tekster genereres av agenter.
• Proaktiv finansiell planlegging, der agenter løpende analyserer nøkkeltall og scenarier for å identifisere avvik og risiko tidlig i planleggingsprosessen.

Samlet Samlet sett viser eksemplene at agentisk AI gir størst verdi når teknologien er integrert direkte i sentrale systemer og prosesser, og når bruken er forankret i tydelige prinsipper for styring og kontroll. For finansfunksjoner i finansbransjen, der kravene til etterlevelse og internkontroll er høye, betyr dette at standardiserte, skalerbare løsninger ofte vil gi større effekt enn skreddersydde piloter. For CFOer handler neste fase ikke om å spørre om agentisk AI vil få en rolle i finansfunksjonen, men hvordan teknologien kan tas i bruk på en måte som styrker kvalitet, kontroll og beslutningsgrunnlag. De virksomhetene som lykkes, er de som kombinerer teknologisk innovasjon med moden governance, tydelig rolleforståelse og en bevisst utvikling av kompetanse i finansfunksjonen.