Komentarz miesięczny ma sens tylko wtedy, gdy pomaga odbiorcy przejść od liczby do jej znaczenia.
Automatyczne wygenerowanie zdania:
Costs +8% vs Budget
tworzy niewielką wartość.
Ciekawie robi się wtedy, gdy system potrafi wskazać, które odchylenia są istotne, skąd wynikają i które wymagają uwagi.
Jak wygląda tradycyjny proces?
Controller otrzymuje actual (wykonanie), porównuje go z budgetem, forecastem i poprzednim rokiem.
Przegląda P&L, sprzedaż i KPI.
Wyszukuje największe odchylenia.
Potem zaczyna pisać komentarz.
Duża część tej pracy jest powtarzalna.
Co może zrobić AI?
System może otrzymać dane Actual, Budget, Forecast, Previous Year oraz odpowiednie dane operacyjne.
Następnie może:
wybrać istotne odchylenia, uszeregować je według wpływu na wynik, połączyć powiązane zmiany i przygotować pierwszą wersję narracji.
Na przykład:
EBITDA była o 1,2 mln zł poniżej forecastu. Główne negatywne czynniki to niższa marża brutto oraz wyższe koszty personalne, częściowo skompensowane niższymi kosztami marketingu.
To można przygotować bardzo szybko.
Gdzie zaczyna się ryzyko?
LLM może stworzyć zdanie brzmiące przekonująco, mimo że interpretacja jest błędna.
Dlatego trzeba rozdzielić:
od
hipotezy dotyczącej przyczyny.
System może policzyć:
70% odchylenia pochodzi z regionu X.
Nie powinien bez dodatkowych danych twierdzić:
przyczyną była agresywna polityka cenowa konkurenta.
Human-in-the-loop
Najbezpieczniejszy jest system hybrydowy.
AI przygotowuje draft.
Controller sprawdza liczby, potwierdza logikę, dodaje kontekst i usuwa nieuzasadnione wnioski.
Dopiero wtedy komentarz trafia do zarządu.
W takim modelu AI nie zastępuje controllera.
Usuwa z jego pracy pustą kartkę i dużą część mechanicznej analizy.
To może być jeden z najbardziej praktycznych pierwszych use case'ów AI w controllingu.