AI i finansfunksjonen: data er den reelle flaskehalsen

Grepene CFO kan gjøre for å sikre at data, prosesser og styring er klart for skalerbar og ansvarlig bruk av AI.

Oppsummert:

• AI-ambisjonene er høye, men svak datakvalitet og begrenset gjennomføringsevne hindrer mange finansfunksjoner i å skalere og hente ut varig verdi fra AI.
• AI krever mer konsistente, tilgjengelige og sporbare finansdata, særlig i bank og forsikring, der kravene til kontroll, dokumentasjon og sporbarhet er høye.
• For CFO-er handler AI readiness om å sikre et solid fundament for data, prosesser og styring, slik at AI kan skaleres på en kontrollert og verdiskapende måte.

AI-ambisjonene er høye, men gjennomføringen henger etter

I vår forrige artikkel om agentisk AI beskrev vi hvordan finansfunksjonen kan automatiseres og forbedres gjennom bruk av AI. Spørsmålet for mange CFO-er er ikke lenger hva som er mulig, men hva som må være på plass for å realisere verdi i praksis.

Våre egne surveydata fra ledere i økonomi- og finansfunksjonen i norsk finansnæring viser at AI står høyt på agendaen. Samtlige respondenter oppgir at AI er viktig, svært viktig eller kritisk for finansfunksjonen, og 65 prosent bruker AI i finansfunksjonen i dag. Samtidig har bare 7 prosent AI integrert i prosesser og systemer. Interessen er høy, men bruken fortsatt fragmentert og i liten grad forankret i kjerneprosessene.

Det samme bildet går igjen i vurderingen av egen utvikling. 87 prosent har ambisjon om at CFO-området skal yte over snittet i bransjen om tre år, mens bare 29 prosent vurderer dagens ytelse som over snittet. Retningen er tydelig, men mange mangler fundamentet som skal til for å omsette ambisjon til faktisk verdi.

Bildet er ikke unikt for norsk finansnæring. EYs egen globale CFO-forskning beskriver det samme gapet mellom ambisjon og handling, og gjennom 2026 trekker flere analyser frem at finansfunksjonen ofte ligger bak andre funksjoner når AI skal tas fra pilot til kjerneprosess. Datakvalitet og datatilgang går igjen som den viktigste barrieren og det understreker hovedpoenget vårt; gapet mellom ambisjon og gjennomføring handler først og fremst om fundamentet, ikke om teknologien i seg selv.

Hvorfor AI stiller andre krav til finansdata

Tradisjonell rapportering, planlegging og analyse kan i mange tilfeller leve med svakheter i datagrunnlaget, så lenge tallene til slutt kan avstemmes, forklares og presenteres. AI fungerer annerledes. Når data brukes på tvers av prosesser for å identifisere mønstre, støtte vurderinger og automatisere deler av arbeidsflyten, blir svakheter i datagrunnlaget mer synlige, og konsekvensene av feil, mangler og inkonsistens større.

Dette blir særlig krevende når finansfunksjonen samtidig står i et betydelig operasjonelt press. I surveyen oppgir 54 prosent at økende regulatoriske og rapporteringsmessige krav er det mest krevende i rollen, mens 44 prosent peker på for lite tid til framoverskuende arbeid og 44 prosent på for lav grad av standardisering og automatisering. Når kapasiteten bindes opp i drift, blir det vanskeligere å etablere datagrunnlaget og arbeidsprosessene som kreves for å skalere AI.

I bank og forsikring blir dette ekstra tydelig, fordi AI må bygge på konsistente definisjoner og sporbarhet mellom kunde-, produkt- og kontraktsdata, transaksjoner, avsetninger, risikomodeller, kapitalrapportering og finansiell rapportering. Når denne sammenhengen ikke er på plass, svekkes både tilliten til innsikten og evnen til å bruke AI i prosesser der kvalitet, kontroll og forklarbarhet faktisk betyr noe.

Fra AI readiness til skalert bruk av AI

Det sentrale poenget med AI readiness er ikke å vurdere data for datas skyld, men å avklare om finansfunksjonen har fundamentet som trengs for å bruke AI i prosesser der kvalitet, kontroll og forklarbarhet betyr noe, som periodeavslutning, prognoser, rapportering og beslutningsstøtte. Skal AI skaleres, kan finansfunksjonen ikke bare være en datakonsument, men må ta aktivt eierskap til hvilke data som trengs, og hvilke krav som skal gjelde.

Barrierene i surveyen understøtter dette bildet. 79 prosent peker på manglende kompetanse, og 53 prosent peker på både datakvalitet/-tilgang og teknologisk infrastruktur, som de største hindringene for AI-implementering. I tillegg har bare rundt en femtedel dedikerte AI-ressurser, noe som bidrar til å forklare hvorfor gjennomføringen går tregt. Poenget er derfor ikke bare å identifisere nye bruksområder, men å vurdere om data, prosesser, roller og plattformer er modne nok til å understøtte AI i praksis.

Når fundamentet styrkes, endrer også mulighetsrommet seg. Da kan AI brukes til mer enn eksperimentering og enkeltstående produktivitetsgevinster. Finansfunksjonen kan i større grad ta i bruk teknologien til å forbedre hvordan arbeidet faktisk utføres, redusere manuelt arbeid og styrke kvaliteten på rapportering, planlegging og analyse. Det er også her utviklingen peker videre. Neste steg, som vi beskrev i artikkelen om agentisk AI, er at AI-agenter gradvis tar over avgrensede deler av arbeidsflyten innenfor tydelige kontrollrammer, på vei mot en mer kontinuerlig og fremoverskuende finansfunksjon. Men den utviklingen forutsetter nettopp det datafundamentet mange fortsatt mangler.

Hvilke grep bør CFO ta nå

CFO-er må se på AI readiness som et ledelsesansvar: å bygge en finansfunksjon med et datagrunnlag, en styringsmodell og en infrastruktur som er moden nok til å bruke AI på en kontrollert og verdiskapende måte. Med utgangspunkt i EYs AI readiness-rammeverk bør CFO-er særlig vurdere seks områder:

• Etabler en tydelig datastrategi. Definer hvordan data og AI skal støtte finansfunksjonens mål, og prioriter bruksområdene der AI kan gi størst effekt, for eksempel innen periodeavslutning, prognoser, rapportering og beslutningsstøtte.
• Prioriter datakvalitet som et ledelsestema. AI forutsetter at finansdata er presise, konsistente og forklarbare nok til å kunne brukes i beslutningsnære prosesser. Manuelle mellomledd, lokale definisjoner og svak dokumentasjon gjør bruken både mindre pålitelig og vanskeligere å skalere.
• Styrk databehandling og standardisering. Sørg for at data er godt organisert, korrekt klassifisert og tilgjengelig i en form som kan brukes på tvers av rapportering, analyse og styring, slik at standardisering og automatisering blir en integrert del av finansarbeidet.
• Klargjør dataeierskap og forvaltning. Det må være tydelig hvem som eier sentrale datasett, hvem som har ansvar for kvalitet og oppdatering, og hvordan endringer håndteres gjennom datalivssyklusen. Uten tydelig eierskap blir AI-initiativer lett avhengige av enkeltpersoner og lokale arbeidsmåter.
• Moderniser dataarkitektur og infrastruktur. Dersom data er spredt på tvers av systemer, regneark og manuelle grensesnitt, blir både automatisering og skalerbar bruk av AI krevende i praksis.
• Forankre datahåndtering og etterlevelse. I finansbransjen må AI brukes innenfor tydelige rammer for ansvarlig og forklarbar AI, kontroll og regulatorisk etterlevelse. Med EUs AI-forordning på plass blir dette et ledelses- og styringstema. Det blir ikke bare et teknisk spørsmål, og god forvaltning av data og modeller blir et fortrinn som styrker kvalitet, sporbarhet og tillit over tid.

Veien videre: slik kommer dere i gang

AI readiness må ikke være et stort transformasjonsprogram for å gi verdi. De som lykkes, starter smått, viser effekt raskt og bygger stein på stein. I EY tilnærmer vi oss dette strukturert: vi kartlegger dagens modenhet, definerer et tydelig målbilde og lager et konkret veikart som lukker gapene. Oversatt til praksis anbefaler vi tre grep, fordelt på det neste kvartalet og det kommende året.

De neste 90 dagene: vis verdi raskt

1. Velg to eller tre avgrensede bruksområder der risikoen er lav og gevinsten rask. Det kan for eksempel være avstemming i periodeavslutningen eller variansforklaringer i internrapportering, områder der AI allerede har fått fotfeste. Sett ett målbart mål per case, som antall dager på månedlig closing eller antall avstemminger som AI kan utføre på egenhånd.

De neste 6 til 12 månedene: bygg skalerbart

2. Styrk datafundamentet og systemintegrasjonen som gjør bruken skalerbar. Etabler tydelig dataeierskap, standardiserte definisjoner og et felles, omforent datagrunnlag på tvers av avdelinger, slik at data ikke forblir siloarbeid i den enkelte funksjon.

3. Etabler gjennomføringskraft. Tydelig eierskap, målrettet kompetanseløft og en fast oppfølgingsrytme sikrer at initiativene faktisk tas i bruk, slik at ambisjon omsettes til varig verdi.

For CFO-er som får dette på plass, endres mulighetsrommet. Da går man fra enkeltstående piloter til en finansfunksjon der AI, og etter hvert agentiske løsninger, gradvis blir en integrert del av arbeidsflyten. Men alt dette hviler på et solid datagrunnlag.

Artikkelen forklarer hva AI readiness innebærer for finansfunksjonen, hvilke barrierer som hindrer skalering av AI, og hvilke grep CFO-er bør ta.