Bagaimana pasukan FP&A sebenarnya menggunakan AI dalam ramalan

Di seluruh pasukan FP&A yang telah kami bincangkan, corak biasa tidak meminta AI membina ramalan — ia meminta AI untuk membantu menjelaskan satu yang telah dibina. Sebaik sahaja ramalan dihimpun dalam hamparan biasa atau alat perancangan, langkah seterusnya hampir selalu merupakan naratif: perkara yang berubah berbanding bulan lepas, sebab dan maksudnya untuk meneruskan. Langkah naratif itu adalah tempat AI melakukan kerja yang sebenar dan diterima pakai.

Ini sejajar dengan corak yang lebih luas merentas perpustakaan aliran kerja Kingston: model paling boleh dipercayai berguna untuk menstruktur dan menerangkan nombor, bukan untuk menghasilkannya dari awal.

Kitaran biasa: FP&A memuktamadkan nombor ramalan dalam model sedia ada mereka, kemudian menyuap perubahan tempoh atas tempoh kepada model seperti GPT atau Claude dengan gesaan meminta naratif varians draf pertama, dikumpulkan mengikut pemandu. Seorang penganalisis kemudian mengedit draf itu — memangkasnya, membetulkan apa-apa model yang salah tentang sebab dan menambah konteks yang hanya diketahui oleh manusia.

Pasukan melaporkan ini mengurangkan masa penggubalan pada naratif dengan ketara, tanpa mengubah siapa yang memiliki ramalan itu sendiri atau andaiannya.

Pasukan yang melaporkan paling sedikit kejayaan ialah mereka yang cuba meminta model menyentuh model ramalan secara langsung — menjana formula atau andaian di dalam hamparan itu sendiri, dan bukannya menggunakan outputnya. Pendekatan itu menghasilkan lebih banyak kerja semula, tidak kurang, sebahagian besarnya kerana ralat dalam andaian yang dicadangkan AI jauh lebih sukar untuk ditangkap daripada ralat dalam ayat yang dicadangkan AI.

Pasukan pelajaran praktikal bertumpu pada: kekalkan AI di hiliran ramalan, bukan di dalamnya.