Bagaimana sebenarnya tim FP&A menggunakan AI dalam peramalan

Di seluruh tim FP&A yang kami ajak bicara, pola umumnya tidak meminta AI untuk membuat perkiraan — melainkan meminta AI untuk membantu menjelaskan perkiraan yang sudah dibuat. Setelah prakiraan disusun dalam spreadsheet atau alat perencanaan biasa, langkah selanjutnya hampir selalu berupa narasi: apa yang berubah dibandingkan bulan lalu, alasannya, dan apa dampaknya ke depan. Langkah naratif tersebut adalah saat AI melakukan pekerjaan yang nyata dan diadopsi.

Hal ini sejalan dengan pola yang lebih luas di seluruh pustaka alur kerja Kingston: model paling berguna dalam menyusun dan menjelaskan angka, bukan membuat angka dari awal.

Siklus umum: FP&A menyelesaikan angka perkiraan dalam model yang ada, lalu memasukkan perubahan periode demi periode ke model seperti GPT atau Claude dengan perintah yang meminta narasi varians draf pertama, yang dikelompokkan berdasarkan pendorong. Seorang analis kemudian mengedit draf tersebut — memangkasnya, mengoreksi kesalahan model tentang sebab akibat, dan menambahkan konteks yang hanya diketahui manusia.

Tim melaporkan bahwa hal ini memangkas waktu penyusunan narasi secara signifikan, tanpa mengubah siapa yang memiliki perkiraan itu sendiri atau asumsinya.

Tim yang melaporkan keberhasilan paling sedikit adalah tim yang mencoba membuat model menyentuh model perkiraan secara langsung — menghasilkan rumus atau asumsi di dalam spreadsheet itu sendiri, daripada bekerja dari keluarannya. Pendekatan tersebut menghasilkan lebih banyak pengerjaan ulang, bukan lebih sedikit, terutama karena kesalahan dalam asumsi yang disarankan AI jauh lebih sulit untuk ditangkap dibandingkan kesalahan dalam kalimat yang disarankan AI.

Tim pelajaran praktik berkumpul untuk: menjaga AI berada di bagian hilir perkiraan, bukan di dalamnya.