Антипатерни CFO з AI — LLM для обчислень

Коли CFO 90-людної SaaS-компанії розповів мені, що в його прогнозі $400K помилки, бо модель "порахувала неправильно" всередині LLM, моя реакція була не злість, а впізнавання — я бачив цю помилку шість разів за рік. CFO — найвразливіша роль до тихих fail-mode'ів AI.

Чому помилки CFO унікально небезпечні

Фінанси — роль, де неправильний-але-впевнений AI-вихід виглядає максимально як правильний. Вигадане число з двома знаками після коми читається однаково з реальним. Gartner: CIO прораховують вартість AI-інфраструктури до 1000% — CFO має це ловити, але тільки якщо сам не аутсорснув своє арифметичне мислення тим самим тулам.

Антипатерн 1 — Дати LLM рахувати

Як виглядає: "ChatGPT, змоделюй cash flow на два квартали." Модель видає впевнений, охайно відформатований spreadsheet. Три тотали по рядках помилкові на 4-12%. Ніхто не помічає два тижні.

Чому стається: LLM відчуваються як аналітики. Вихід читається як аналітичний. Вони не кажуть "не можу надійно рахувати" — кажуть "$847,230" без застереження.

Видимий збиток: Дисперсія прогнозу, яку рада не може звести. Рішення на поганих числах. Колапс Builder.ai на $1.3B мав AI-наративні компоненти, а тихіша SMB-версія — шестизначні помилки, що не ловляться до кінця кварталу.

Що робити натомість: LLM оркеструє, детерміновані тули рахують. Юзай LLM для читання входів, формулювання питання, пояснення результатів — але числові операції в коді (Python, SQL, формули, агенти, що викликають тули). Сучасні agentic-фреймворки (function calling, tool use) роблять це легко й дешево. Фраза для запам'ятовування: "LLMs orchestrate, calculators calculate."

Визначення: Plausible-wrong output — AI-відповідь, що відформатована, впевнена, структурно коректна, але числово неправильна. Найважче ловиться у фінансах.

Антипатерн 2 — Деплоїти AI без audit trail

Як виглядає: AI-assisted журнальні проводки, AI-категоризація expenses, AI-драфти variance-коментарів — без запису, яка модель, який prompt, які входи дали вихід.

Чому стається: Швидкість. Логування здається overhead. CFO довіряє senior-аналітику.

Видимий збиток: Вперше аудитори питають "як ви прийшли до цього розподілу?" — тиша. EU AI Act штрафи до €35M / 7% turnover для high-risk без документації. SOX, GDPR, локальні податкові — всі очікують відтворюваності.

Що робити натомість: Кожен AI-вихід у фінансах логується: версія моделі, prompt, входи, raw output, людський review, фінальний запис. Тули для цього є; дисципліна — bottleneck.

Антипатерн 3 — Прорахунок вартості AI-інфраструктури

Як виглядає: CFO дає зелене світло AI-платформі за per-seat ліцензією. Через 6 місяців реальні витрати в 3-10× вище через споживання токенів, vector DB, regeneration ембедингів, інтеграційний eng-час.

Чому стається: Вендори квотують ліцензії, не token-біли, не цикли retrain'у, не eng-час. Gartner 1000% miscalc — звідти.

Видимий збиток: Лінія, що тихо росте в cloud-spend. До моменту, коли стає темою для ради, платформа вже занадто вбудована.

Що робити натомість: Модель TCO з трьох частин: ліцензія + variable usage + інтеграція/підтримка. Для LLM specifically — Anthropic Batch API на 50% дешевший за per-call для non-realtime: одне рішення може зрізати половину суттєвої лінії бюджету. Cost-моніторинг з день 1, не після сюрпризу.

Визначення: Variable AI cost — per-token, per-query, per-vector витрати, що накопичуються з використанням, невидимі при закупі, домінантні на 6-му місяці.

Антипатерн 4 — ROI за один місяць

Як виглядає: CFO міряє ROI на місяці 1 або 3. Числа неімпресивні. Програма зарізана.

Чому стається: Фінансові інстинкти вимагають швидкого фідбеку. Більшість capex оцінюється на 90 днях.

Видимий збиток: Скасування продуктивних AI-інвестицій до productivity dip exit. Microsoft внутрішні дані: 89% юзерів, що пройшли productivity dip, активні через 20 тижнів. Заріжеш на тижні 8 — втратиш; виміряєш на тижні 24 — лишишся.

Що робити натомість: AI ROI — крива на 6-12 місяців, не одна точка. Адопція → збережений час → якість → фінансовий вплив, у тому порядку. Закладіть 12-місячний цикл оцінки в контракт, не 90-денний.

Антипатерн 5 — Пропустити CFO-level тренінг

Як виглядає: CFO не користувався AI-тулами, які фінансує. Підписує чеки на демо й командних саммарі.

Чому стається: Час. Календар CFO найпритисніший.

Видимий збиток: Фінанси стають найменш здатною функцією челенджити чи розширювати AI-плани. BCG 5-годинний поріг: програми <5 годин не міняють поведінки; CFO з нулем годин не побачить LLM-арифметику в слайді.

Що робити натомість: П'ять годин на власних процесах. Variance analysis з AI. Один investor letter. Один цикл reconcile. Грамотність компаундується; AI Tax (~37% rework) падає в фінансах найшвидше — верифікація це ваш native скіл.

Manager scan (приклад 2-хвилинного дайджесту)

• Plan: Q3 forecast з AI-assist. Ціль: цикл 3 дні vs 7.
• Fact: Цикл 4 дні. Три рядки 4-12% off vs source.
• Gap: LLM рахував raw data — без calculator-tool інтеграції. Без audit лога.
• Plan: AI-категоризація expenses (travel).
• Fact: 67% accuracy. 33% rework.
• Gap: Training data без 2024 ребрендів. AI Tax 37% підтверджено.
• Plan: AI infra: $48K/рік per контракт.
• Fact: $11K/міс token bill на 5-му місяці. Аннуалізовано $132K.
• Gap: Не було variable-cost моделі при закупі. Не розглянули Batch API для non-realtime.
• Plan: AI-драфт month-close коментаря.
• Fact: 60% драфтів переписано.
• Gap: Без audit trail; ті самі prompts по командах без фінансового контексту.

Tool tip (AIAdvisoryBoard.me): Plan → Fact → Gap діагностика AI Advisory Board ловить ці антипатерни CFO до удару по P&L. Щоденний дайджест показує, де AI-процеси дають variance, де gap'и audit, де infra-витрати дивергують від прогнозу — по фінансах, ops і решті бізнесу. Найдешевша друга пара очей: https://aiadvisoryboard.me/?lang=en

Micro-case (що змінюється за 7-14 днів)

Профсервісна фірма на 140 людей — CFO за 18 місяців затвердив три AI-тули по компанії. Жоден без audit trail. Жоден без variable-cost моніторингу. Діагностика за тиждень виявила: FP&A команда видає прогнози через LLM з 6-9% варіансом по рядках vs source; реальний spend у 4× перевищує бюджет ліцензії через об'єм токенів. Місячна корекція: ~$25K економії, плюс reconcile прогнозу, що зупинив рішення про over-hire у Q4.

Note on this case: This example is illustrative — based on typical patterns we observe with companies of 30-500 employees, not a single named client. Specific numbers are rounded approximations of common ranges, not guarantees.

Tool tip (AIAdvisoryBoard.me): Зробіть Plan → Fact → Gap діагностику фінансової команди на тиждень до наступного AI-рішення. Вихід: де прогнози дивергують від джерел, де нема audit trail, які процеси з'їдають variable cost швидше за бюджет. AI Advisory Board робить це без інтеграційних проєктів: https://aiadvisoryboard.me/?lang=en — частка вартості однієї квартальної помилки прогнозу.

FAQ

Q: Ми юзаємо Excel-формули з AI-assist — це те саме? Ні, це правильний патерн. LLM допомагає писати/аудитувати формулу; формула рахує детерміновано. Антипатерн — коли LLM видає число прямо в чаті без calculator-кроку.

Q: Як оцінювати AI-тули з обіцянкою фінансового ROI? Три питання: де audit trail, яка variable-cost модель на нашому usage, яка 12-місячна ROI-крива. Якщо вендор не може відповісти — недостатньо для підпису.

Q: Будувати власну AI-фін команду? Для 30-500 людей — зазвичай ні. Один AI-грамотний FP&A lead + чітка вендорська архітектура б'ють in-house без об'єму. Найміть грамотність, купуйте платформи.

Q: Які регуляторні дедлайни? EU AI Act 2026-2027 — high-risk фін-системи мають жорсткі вимоги до документації й аудиту. Навіть не-EU фірми з EU-клієнтами під ризиком. Audit-trail дисципліну починайте зараз — ретрофітити дорого.

Висновок

Робота CFO у AI — не максимум AI. А переконатись, що кожен AI-процес, що торкається числа, відтворюваний, аудитуваний і забюджетований. П'ять антипатернів вище мають один фікс: видимість того, що AI реально робить у фін-процесах, щодня, простою мовою.

Хочете систему, що щодня видає Plan → Fact → Gap по фінансах і ops — подивіться, як працює 7-денна діагностика: https://aiadvisoryboard.me/?lang=en