Jak OpenAI buduje dział finansów oparty na AI: pięć lekcji od CFO Sarah Friar
W skrócie
- Sarah Friar, CFO OpenAI, opisuje jak od podstaw zbudowała dział finansów oparty na AI, stawiając sobie za cel zamknięcie ksiąg w zerowym czasie i ciągłe prognozowanie.
- Pracownicy działu finansów OpenAI bez doświadczenia programistycznego tworzą własne narzędzia analityczne przy użyciu ChatGPT Work i Codex, a 22% ich specjalistycznego zastosowania AI dotyczy zadań inżynieryjnych.
- Kluczową zasadą wdrożenia jest łączenie eksperymentowania oddolnego z odpowiedzialnością za każdy wynik — AI przyspiesza pracę, ale ostateczna decyzja zawsze należy do człowieka.
Gdy Sarah Friar dołączyła do OpenAI dwa lata temu jako CFO, zastała mały zespół finansowy obsługujący firmę rosnącą w nadzwyczajnym tempie. Zamiast po prostu zatrudniać kolejnych analityków, postawiła na coś ambitniejszego: zbudowanie działu finansów, w którym sztuczna inteligencja jest fundamentem pracy, a nie tylko dodatkiem openai.com.
Punkt wyjścia był znajomy każdemu CFO. Zamknięcie ksiąg i aktualizacja prognoz nadal wymagały ręcznej, powtarzalnej pracy — wyszukiwania danych, wyjaśniania odchyleń i składania materiałów do decyzji. Paradoks polegał na tym, że firma dysponująca najbardziej zaawansowanymi narzędziami AI na świecie sama jeszcze uczyła się, jak przeprojektować finanse wokół tych narzędzi openai.com.
Dwa ambitne cele: zero-day close i ciągłe prognozowanie
Friar wyznaczyła dwa główne kierunki transformacji. Pierwszy to tzw. zero-day close — zamknięcie ksiąg w czasie rzeczywistym, dające liderom stale uzgodniony i możliwy do prześledzenia obraz sytuacji finansowej firmy. Drugi to zautomatyzowane, nieprzerwanie aktualizowane prognozowanie openai.com.
W praktyce oznacza to połączenie zatwierdzonych planów wydatków, danych z księgi głównej, zamówień zakupu, rozliczeń międzyokresowych i szczegółów transakcji w jednym, stale uzgadnianym widoku. Każde odchylenie można prześledzić do źródłowej aktywności. AI przygotowuje wstępne wyjaśnienie i sygnalizuje wyjątki wymagające uwagi, ale to dział finansów weryfikuje liczby, stosuje osąd i zatwierdza wynik openai.com.
Na tym fundamencie budowane jest ciągłe prognozowanie — narzędzia łączące modele statystyczne, dane ze sprzedaży, informacje na poziomie klientów i dane operacyjne w jeden, interaktywny widok. Liderzy mogą zobaczyć, co się zmieniło, dlaczego i które decyzje mogłyby zmienić wynik openai.com.
Pięć praktycznych lekcji dla każdego CFO
1. Daj dostęp wszystkim, a potem stwórz powód do korzystania
Pierwszym krokiem było szerokie udostępnienie narzędzi AI całemu zespołowi. Friar zorganizowała hackathon finansowy, zapraszając również inżynierów sprzedaży. Efektem był m.in. IR-GPT — własny model GPT oparty na zatwierdzonych materiałach zespołu relacji inwestorskich, służący do odpowiadania na pytania due diligence. Powstały też dedykowane modele GPT dla obszarów takich jak zamówienia i podatki openai.com.
Lekcja dla CFO: potrzebne jest zarówno eksperymentowanie oddolne, jak i strategia odgórna. Narzędzia trafiają w ręce ludzi najbliżej pracy, a uwaga kierownictwa koncentruje się na zmianach najważniejszych dla biznesu openai.com.
2. Przeprojektuj cały przepływ pracy wokół decyzji
Zespoły finansowe poświęcają ogromną energię na zbieranie danych wejściowych do decyzji. AI zmienia jednostkę pracy — zamiast składać dane z wielu źródeł, można przeprojektować całą ścieżkę od danych źródłowych do decyzji. Friar zaleca, by zaczynać od istotnej decyzji i pracować wstecz: mapować dane, narzędzia, zatwierdzenia i przekazania, a następnie określać, które elementy AI może przeanalizować, skoordynować lub wykonać openai.com.
3. Specjaliści finansowi stają się twórcami narzędzi
Badania OpenAI pokazują, że 40% specjalistycznego zastosowania AI przez pracowników finansów dotyczy pracy poza tradycyjnymi finansami, a 22% obejmuje zadania inżynieryjne openai.com.
W praktyce oznacza to, że każdy w zespole Friar buduje własne dashboardy i narzędzia AI przy użyciu ChatGPT Work i Codex.
Jeden z pracowników wspierający biznes reklamowy OpenAI — bez wcześniejszego doświadczenia programistycznego — użył Codex do zbudowania narzędzia przekształcającego miesięczne prognozy reklamowe w plany tygodniowe i dzienne, uwzględniające dni robocze i święta, porównujące prognozy i utrzymujące każdą liczbę powiązaną z zatwierdzonym modelem openai.com.
4. Łącz szybkość z jasną odpowiedzialnością i kontrolą
IR-GPT nauczył zespół ważnej lekcji o kontroli. Pytania due diligence, których obsługa zajmowała wcześniej wiele godzin (a niekiedy ciągnęła się przez noc), teraz generują solidny pierwszy szkic w sekundy. Jednak rola człowieka pozostaje kluczowa — zespół relacji inwestorskich czyta szkic, dodaje osąd i kontekst oraz sprawdza spójność odpowiedzi openai.com.
Friar zaleca CFO współpracę z działami IT i zarządzania, by określić, do jakich danych system AI ma dostęp, jakie działania może podejmować, kiedy wymagane jest zatwierdzenie i kiedy problem powinien być eskalowany. Każdy wynik powinien być powiązany z wiarygodnym źródłem, każda prognoza powinna zawierać jasne wyjaśnienie, a każda zmiana zatwierdzonego planu bazowego powinna wymagać autoryzacji działu finansów openai.com.
5. Mierz wartość na jednostkę inteligencji
CFO potrzebuje karty wyników dla AI opartej na wynikach operacyjnych. Liczba zakupionych licencji czy zużytych tokenów niewiele mówi. Dla każdego przepływu pracy Friar proponuje cztery pytania: czy AI wykonało pracę, która miała znaczenie? Ile to kosztowało (wliczając czas pracowników, weryfikację i poprawki)? Czy wynik był wystarczająco dobry do użycia? Czy pomogło to działać szybciej lub podjąć lepszą decyzję? openai.comDla działu finansów użyteczna praca to np. zaktualizowana prognoza, wyjaśnione odchylenie, obsłużone żądanie audytu lub odpowiedź na pytanie zarządu. Najtańszy model nie zawsze jest najbardziej ekonomiczny — jeśli lepszy model dochodzi do wiarygodnej odpowiedzi przy mniejszej liczbie prób i mniejszej weryfikacji, może kosztować mniej łącznie openai.com.
Co to oznacza
Artykuł Sarah Friar to rzadki przypadek, gdy firma tworząca narzędzia AI publicznie opisuje, jak sama je stosuje w codziennej pracy operacyjnej — i to w obszarze tak wrażliwym jak finanse. Dla polskich CFO i dyrektorów finansowych to konkretny punkt odniesienia: nie chodzi o wymianę jednego oprogramowania na inne, lecz o fundamentalne przeprojektowanie tego, jak praca finansowa jest organizowana i kto ją wykonuje.
Szczególnie istotny jest wątek demokratyzacji tworzenia narzędzi. Jeśli pracownik bez doświadczenia programistycznego może samodzielnie zbudować działające narzędzie analityczne, zmienia się rola działu IT jako jedynego dostawcy rozwiązań wewnętrznych. Dla polskich firm oznacza to zarówno szansę (szybsze wdrożenia, narzędzia lepiej dopasowane do potrzeb), jak i wyzwanie (konieczność ustalenia zasad zarządzania, dostępu do danych i odpowiedzialności za wyniki) openai.com.
Podejście OpenAI pokazuje też, że wdrożenie AI w finansach nie jest projektem jednorazowym — to ciągły proces eksperymentowania, mierzenia i doskonalenia. Firmy, które zaczną budować te kompetencje teraz, zyskają przewagę w postaci szybszych cykli decyzyjnych i lepszej widoczności tego, co dzieje się w biznesie w czasie rzeczywistym. Dla rynku polskiego, gdzie wiele firm wciąż zamyka księgi w tradycyjnym cyklu miesięcznym, perspektywa zamknięcia w czasie zbliżonym do rzeczywistego może wydawać się odległa — ale właśnie takie ambicje wyznaczają kierunek, w którym zmierza cała branża openai.com.
Szerszy kontekst
Jej dwie ambicje: zamknięcie ksiąg w zerowym dniu (zero-day close) oraz prognozowanie, które stale aktualizuje się samo.
Friar argumentowała, że CFO powinni określać, do jakich danych AI ma dostęp, jakie działania może podejmować, kiedy wymagana jest zgoda i kiedy wyjątek musi zostać eskalowany.
Finanse stały się funkcją działającą w czasie rzeczywistym.
Choć AI zmienia zadania finansowe i poszerza możliwości szczupłych zespołów, Friar podkreślała, że zaufanie i relacje międzyludzkie pozostają kluczowe, zwłaszcza w pozyskiwaniu kapitału i w przywództwie.
Analiza
Najważniejszy wniosek z tej historii jest taki, że OpenAI nie opisuje AI w finansach jako dodatku do istniejących procesów, lecz jako fundament, na którym przeprojektowuje się cały przepływ pracy. Źródła wskazują jednak, że ten obraz wymaga dwóch korekt. Po pierwsze, sam artykuł nie podaje wyników finansowych ani mierzalnych efektów (poza rzadkimi przykładami, jak skrócenie pytań due diligence z wielu godzin do sekund), więc trudno ocenić skalę zysku. Po drugie, analityk z thefinanceengineer.io zauważa, że to „widok z góry góry”: większość zespołów finansowych zaczyna od znacznie prostszego pytania, od czego zacząć w poniedziałek (wg thefinanceengineer.io). Dla czytelnika to ważne ostrzeżenie, że zamiast kopiować model OpenAI, lepiej zacząć od jednego, powtarzalnego procesu.
Ten kierunek potwierdza także PYMNTS, który zwraca uwagę, że większość firm średniej wielkości nie ma inżynierskich zasobów ani dostępu do modeli granicznych, jakimi dysponuje OpenAI, a ich zamknięcie miesiąca nadal opiera się na ERP, arkuszach i wiedzy konkretnych osób (wg pymnts.com). Proponowany przez PYMNTS punkt startowy to jeden cykliczny proces finansowy z wyraźnym właścicielem, mierzalnym czasem cyklu i jasnym wynikiem: automatyzacja jego części, śledzenie wyjątków, pomiar obciążenia przeglądem, a dopiero potem decyzja o rozszerzeniu (wg pymnts.com). Ten pragmatyczny wariant jest dla polskich firm bardziej realistyczny niż ambicja zero-day close.
Najmocniejszy wątek, który zyskuje w kontekście innych źródeł, to odpowiedzialność za wyniki. Analityk thefinanceengineer.io wskazuje, że przy zautomatyzowanej pracy człowiek musi zachować czujność, bo system zwykle ma rację, a to nowa umiejętność dla zespołów finansowych. Proponuje dzienniki audytowe dla każdego agenta, wskaźniki pewności według typu danych oraz twardą blokadę procesu bez zatwierdzenia człowieka (wg thefinanceengineer.io). Według PYMNTS CFO powinien przy tym sam określić, do jakich danych AI ma dostęp i kiedy wymagana jest eskalacja (wg pymnts.com). Dla polskiego rynku oznacza to, że wdrożenie AI w finansach zależy mniej od wyboru narzędzia, a bardziej od ustalenia zasad nadzoru, zanim zespół zacznie budować własne rozwiązania.