تصمیمات حسابداری که شرکتهای رو به رشد با ۲۰۰+ مشتری را از شرکتهای درگیر با ۶۰ مشتری و کارمندان خسته جدا میکند
تصمیمات معماری که شرکتهای حسابداری رو به رشد را از شرکتهای درگیر با ۶۰ مشتری و کارمندان خسته جدا میکند: عوامل هوش مصنوعی، مرزهای گردش کار و قیمتگذاری.
شرکتهای حسابداری که بین سالهای ۲۰۲۳ تا ۲۰۲۶ به بیش از ۲۰۰ مشتری فعال رسیدند، با استخدام حسابداران بیشتر به آنجا نرسیدند. آنها با اتخاذ یک سری تصمیمات معماری در مورد نحوه حرکت کار در شرکت، نحوه دستهبندی و نحوه ارجاع موارد استثنا به بازبینان انسانی به آنجا رسیدند. شرکتهایی که هنوز با شصت مشتری و مشکلات فرسودگی شغلی چرخشی دست و پنجه نرم میکنند، تصمیمات متضاد را گرفتند، اغلب بدون اینکه متوجه شوند در حال تصمیمگیری هستند. آنها به سادگی آنچه را که در بیست مشتری کار میکرد، مقیاسگذاری کردند تا اینکه مدل عملیاتی تحت سنگینی خود فرو پاشید.
این الگو در بازار به قدری آشکار شده است که شکاف بین یک شرکت که به سودآوری در مقیاس فعالیت میکند و یک شرکت که با ساعات استخراج شده از بنیانگذار اداره میشود، میتواند به مجموعهای کوچک از انتخابهای قابل شناسایی کاهش یابد. فروشندگان فناوری که شرکتهای مقیاسدهنده انتخاب کردند، مرزهای گردش کاری که اعمال کردند، استانداردهای دستهبندی که حاضر به سازش بر سر آنها نبودند، و عوامل هوش مصنوعی برای خدمات حسابداری که در چرخههای پایانی خود ادغام کردند، همگی بازتاب دهنده طرز تفکر متفاوتی در مورد خود کار هستند.
تصمیم به استانداردسازی سرفصل حسابها قبل از استقرار اتوماسیون
شرکتهایی که بیش از ۲۰۰ مشتری را مقیاسگذاری کردند، تعهد اولیه به استانداردسازی سرفصل حسابها در سراسر پایگاه مشتری خود داشتند. این پایه و اساس ناخودآگاه است که هر چیز دیگری به آن وابسته است، زیرا هیچ مدل دستهبندی هوش مصنوعی نمیتواند نتایج ثابتی را در مشتریانی که ساختارهای حساب زیربنایی آنها اساساً متفاوت به نظر میرسد، تولید کند. شرکتهایی که به نام انعطافپذیری مشتری در برابر این استانداردسازی مقاومت کردند، سالها هر ماه بهای این مقاومت را پرداخت کردند.
استانداردسازی به این معنی نیست که هر مشتری از یک سرفصل حساب یکسان استفاده میکند. به این معنی است که شرکت یک طبقهبندی اصلی را اداره میکند که نمودار هر مشتری به آن نگاشت میشود، با قوانین مستند برای نحوه تجمیع حسابهای خاص صنعت در ساختار اصلی. نگاشت یک بار در زمان پذیرش مشتری انجام میشود و در طول تعامل حفظ میشود، به این معنی که ابزارهای اتوماسیون شرکت میتوانند به یک لایه معنایی ثابت، صرف نظر از نحوه ساختار اولیه دفاتر توسط مشتری، تکیه کنند.
شرکتهایی که هنوز با شصت مشتری درگیر هستند، معمولاً صدها نام حساب منحصر به فرد در سراسر دفاتر خود دارند، بدون هیچ نگاشت مستند بین آنها. این امر هرگونه اتوماسیون معنیداری را غیرممکن میکند زیرا منطق دستهبندی را نمیتوان یک بار نوشت و در بین مشتریان اعمال کرد. هر مشتری به یک پروژه پیکربندی سفارشی تبدیل میشود که ظرفیت شرکت را بدون توجه به میزان فناوری اضافه شده، محدود میکند.
هزینه استانداردسازی گذشتهنگر قابل توجه اما محدود است. هزینه عملیات بدون استانداردسازی به طور نامحدود افزایش مییابد. شرکتهایی که این مبادله را زود تشخیص میدهند، ساعات استانداردسازی را در یک سه ماهه آرام سرمایهگذاری میکنند و از اهرم عملیاتی که هر چیز دیگری را ممکن میسازد، استفاده میکنند. شرکتهایی که کار را به تعویق میاندازند، در شرایط بحرانی و زمانی که سرانجام به بنبست میرسند، آن را انجام میدهند.
تصمیم به استقرار عاملان تطبیقدهنده بانکی هوش مصنوعی به جای تطبیق دستی سریعتر
مرحله تطبیق جایی است که اکثر شرکتهای حسابداری به اولین سقف مقیاسگذاری خود میرسند، و اینجاست که تفاوت بین رویکردهای دستی و خودکار از نظر اقتصادی بیشترین اهمیت را پیدا میکند. شرکتهایی که بیش از دویست مشتری را مقیاسگذاری کردند، عاملان تطبیقدهنده بانکی هوش مصنوعی را به کار گرفتند که تراکنشها را در فیدهای بانکی و ورودیهای حساب بهطور خودکار تطبیق میدهند، با نمرات اطمینانی که بازبینی انسانی را فقط در مطابقتهای نامطمئن فعال میکنند.
ریاضیات در این مورد بیرحمانه است. یک حسابدار که بهصورت دستی تطبیق میدهد، معمولاً میتواند هشت تا دوازده مشتری را در ماه قبل از کاهش کیفیت مدیریت کند. همین حسابدار که بر عاملان تطبیقدهنده بانکی هوش مصنوعی نظارت میکند، میتواند بر چهل تا شصت مشتری با دقت بالاتر نظارت کند، زیرا عامل تطبیق با حجم بالا را مدیریت میکند و انسان بر موارد استثنا تمرکز میکند. نسبت اهرم سه به یک نیست. در صورت طراحی صحیح پیادهسازی، این نسبت به پنج به یک نزدیکتر است.
شرکتهایی که هنوز در تعداد مشتریان کمتری درگیر هستند، اغلب سعی کردند این مشکل را از طریق فرآیندهای دستی سریعتر، از جمله تنظیمات دو مانیتور، آموزش میانبرهای صفحه کلید، و تیمهای تطبیق برونسپاری شده در خارج از کشور، حل کنند. این مداخلات بهبودهای جزئی ایجاد میکنند اما محدودیت اساسی را تغییر نمیدهند. کار در ساعات انسانی خطی باقی میماند، به این معنی که تنها راه مقیاسگذاری، اضافه کردن انسانهای بیشتر است که حاشیه سود را فشرده میکند و سربار مدیریتی را ایجاد میکند که شرکتها را در سقف بعدی میشکند.
Vic.ai، Botkeeper، و ویژگیهای تطبیق یکپارچه در Sage Intacct سه رویکرد متفاوت برای عاملان تطبیق بانکی هوش مصنوعی را نشان میدهند، و انتخاب صحیح به ترکیب مشتریان شرکت بستگی دارد. آنچه مهمتر از انتخاب پلتفرم است، تعهد به استقرار تطبیق خودکار به عنوان پیشفرض و در نظر گرفتن تطبیق دستی به عنوان استثنا است. شرکتهایی که این تعهد را اشتباه درک میکنند، در نهایت برای قابلیت هوش مصنوعی که به عنوان یک گردش کار دستی کمی سریعتر عمل میکند، هزینه میپردازند.
تصمیم به ایجاد گردش کار استثنا برای طبقهبندی هوش مصنوعی برای حسابداری
تصمیمات دستهبندی که عاملان هوش مصنوعی میگیرند، قابل مشاهدهترین بخش هر استقرار هستند، اما زیرساخت گردش کار پیرامون این تصمیمات است که تعیین میکند آیا استقرار مقیاسپذیر است یا خیر. شرکتهایی که بیش از ۲۰۰ مشتری را مقیاسگذاری کردند، گردش کارهای استثنای صریح را ایجاد کردند که دستهبندیهای نامطمئن را بر اساس نوع تراکنش، آستانه دلاری و صنعت مشتری به بازبینان تعیینشده هدایت میکند. شرکتهایی که این مرحله را نادیده گرفتند، هزینههای پاکسازی را زمانی که طبقهبندیهای اشتباه به پروژههای برگشتپذیر منجر میشد، متحمل شدند.
گردش کار استثنا دارای سه لایه است. طبقهبندی خودکار تراکنشهای بالای آستانه اطمینان بالا را بدون بررسی انسانی مدیریت میکند. طبقهبندی کمکی تراکنشهای با اطمینان متوسط را با پیشنهاد هوش مصنوعی به یک بازبین هدایت میکند. تشدید، تراکنشهای پیچیده یا پرریسک را با زمینه کامل به یک بازبین ارشد هدایت میکند. هر لایه دارای مفاهیم کارکنان متفاوت و کنترلهای کیفیت متفاوت است، و مرزهای بین آنها بر اساس تحمل ریسک شرکت قابل تنظیم است.
شرکت TFSF Ventures FZ-LLC این مدل سه لایه را در استقرارها در بیست و یک صنعت، با ارزیابی عملیاتی نوزده سوالی که قبل از هر تعامل، الگوهای استثنای موجود شرکت را در منطق مسیریابی قبل از فعال شدن هر عاملی ترسیم میکند، مستند کرده است. سرمایهگذاریهای استقرار برای تعاملات متمرکز از دهها هزار دلار شروع میشود و با تعداد عوامل، پیچیدگی یکپارچهسازی و دامنه عملیاتی مقیاسبندی میشود. تمام استقرارها شامل هزینه عبور زیرساخت هوش مصنوعی جداگانه تقریباً ۴۰۰ تا ۵۰۰ دلار در ماه از Pulse AI است که با قیمت تمام شده و بدون سود اضافی صورتحساب میشود. شرکت مالک کد اصلی است، به این معنی که اقتصاد عملیاتی با رشد پایگاه مشتری به جای مقیاسبندی به ازای هر صندلی، مسطح میشود.
متدولوژی استقرار سی روزه، زیرساخت گردش کار استثنایی عملیاتی را تولید میکند تا اینکه توصیهها یا نقشههای راه را ارائه دهد. RAKEZ License 47013955 وضعیت نظارتی شرکت را تأیید میکند، و قیمتگذاری TFSF Ventures FZ-LLC به صورت شفاف در هر پیشنهاد منتشر میشود. سؤال "آیا TFSF Ventures قانونی است؟" از طریق ثبت عمومی قابل تأیید است، و عدم وجود بررسیهای عمومی TFSF Ventures بازتاب دهنده یک سیاست محرمانه است تا یک شکاف در کارنامه. معماری استثنا در محیطهای تولیدی پردازش حجم تراکنشهایی که پلتفرمهای آماده را از بین میبرند، مستقر شده است.
شرکتهایی که گردش کارهای استثنایی ساختند، افزایش بهرهوری را که دستهبندی هوش مصنوعی برای حسابداری در مواد بازاریابی وعده میدهد، به دست آوردند. شرکتهایی که هوش مصنوعی را بدون لایه گردش کار مستقر کردند، معمولاً در ماه اول شاهد بهبود کارایی اولیه و سپس کاهش دقت بودند، زیرا طبقهبندیهای اشتباه انباشته میشد. در ماه چهارم، این شرکتها بیش از آنچه هوش مصنوعی صرفهجویی میکرد، ساعات پاکسازی را جذب میکردند که منجر به عقبنشینی قابل پیشبینی به فرآیندهای دستی و نتیجهگیری مبنی بر اینکه هوش مصنوعی برای حسابداری آماده نیست، شد.
تصمیم به یکپارچه سازی بر روی یک پلتفرم حسابداری واحد برای هسته اصلی شرکت
شرکتهایی که بیش از ۲۰۰ مشتری را مقیاسگذاری کردند، تصمیم صریحی در مورد اینکه کدام پلتفرم حسابداری به عنوان محیط عملیاتی اصلی شرکت عمل میکند، گرفتند. برخی QuickBooks Online را برای تراکم کسبوکارهای کوچک انتخاب کردند. برخی Xero را برای پایگاه مشتری بینالمللی انتخاب کردند. برخی Sage Intacct یا NetSuite را برای تمرکز بر بازار متوسط انتخاب کردند. انتخاب پلتفرم کمتر از خود تصمیم یکپارچهسازی اهمیت داشت.
شرکتهایی که از هر پلتفرم حسابداری که مشتریانشان با آن وارد میشدند، پشتیبانی میکردند، در نهایت با یک مجموعه فناوری پارهپاره، الزامات آموزشی پارهپاره و کنترلهای کیفیت پارهپاره مواجه شدند. شرکت نمیتوانست تخصص عملیاتی عمیقی در هیچ پلتفرم واحدی ایجاد کند زیرا تیم مجبور بود دانش کاری همه آنها را حفظ کند. قوانین دستهبندی، الگوهای گزارشدهی و رویههای بستن حساب باید در چندین نسخه موازی نگهداری میشد که سربار عملیاتی را چند برابر میکرد.
شرکتهای یکپارچهکننده معمولاً به یک یا دو پلتفرم متعهد میشوند و مشتریان را در طول پذیرش مهاجرت میدهند. این در ابتدای رابطه اصطکاک ایجاد میکند، اما در طول عمر تعامل، اهرم عملیاتی عمیقی تولید میکند. عوامل هوش مصنوعی شرکت و یکپارچهسازیهای گردش کار QuickBooks Xero فقط یک بار باید ساخته و نگهداری شوند. تیم واقعاً در جزئیات پلتفرم متخصص میشود. رویههای بستن حساب قابل تکرار میشوند تا سفارشی.
شرکتهایی که هنوز در تعداد مشتریان کمتری درگیر هستند، اغلب در برابر این یکپارچهسازی مقاومت میکنند زیرا از از دست دادن مشتریان احتمالی که در پلتفرمهای دیگر وارد میشوند، میترسند. ریاضیات معمولاً این ترس را تأیید نمیکند. مشتریانی که از مهاجرت در طول پذیرش خودداری میکنند، معمولاً همان مشتریانی هستند که در طول تعامل، کشش عملیاتی نامتناسبی ایجاد میکنند. انضباط در اعمال استانداردهای پلتفرم در ابتدای کار، ارتباط قوی با انضباط در اعمال سایر استانداردهای عملیاتی دارد که مقیاسپذیری شرکت را تعیین میکند.
تصمیم به محصول سازی سطوح خدمات به جای قیمتگذاری ساعتی
ساختار قیمتگذاری یکی از مهمترین تصمیمات اهرمداری است که یک شرکت حسابداری در مورد مقیاسپذیری خود میگیرد، و شرکتهایی که از ۲۰۰ مشتری عبور کردند، تقریباً به طور جهانی از صورتحساب ساعتی به نفع سطوح خدمات محصولسازی شده فاصله گرفتند. دلایل فراتر از ترجیح مشتری برای قیمتگذاری قابل پیشبینی است، اگرچه این نیز مهم است. دلیل عمیقتر این است که صورتحساب ساعتی ساختارهای انگیزشی ایجاد میکند که در برابر اتوماسیون مقاومت میکنند.
هنگامی که شرکت به صورت ساعتی صورتحساب صادر میکند، هر دقیقهای که توسط اتوماسیون حسابداری هوش مصنوعی صرفهجویی میشود، دقیقهای است که شرکت نمیتواند برای آن صورتحساب صادر کند. این امر یک بیانگیزگی آرام اما قدرتمند برای سرمایهگذاری در بهبود بهرهوری ایجاد میکند، زیرا مزیت مالی اتوماسیون به جای شرکت به مشتری میرسد. تیم به ندرت این تنش را به صراحت بیان میکند، اما در سرعت اجرا و تمایل به مقاومت در برابر ابتکارات اتوماسیون که ساعات قابل صورتحساب را کاهش میدهد، آشکار میشود.
سطوح محصولسازی شده این انگیزه را معکوس میکنند. شرکت به یک محصول با قیمت ثابت متعهد میشود، به این معنی که هرگونه افزایش بهرهوری به حاشیه سود شرکت تعلق میگیرد. سرمایهگذاریهای هوش مصنوعی که میزان نیروی کار مورد نیاز برای یک تعامل با قیمت ثابت را کاهش میدهند، مستقیماً سودآوری را بهبود میبخشند، که اقتصاد شرکت را با مسیر فناوری هماهنگ میکند. این همسویی همان چیزی است که به شرکتهای مقیاسدهنده اجازه میدهد تا به طور تهاجمی در اتوماسیون سرمایهگذاری کنند، در حالی که شرکتهای کوچکتر تردید میکنند.
انتقال از ساعتی به محصولسازی شده نیازمند این است که شرکت مدلهای هزینه دقیقی را برای هر سطح خدمات توسعه دهد، که این امر نوعی اندازهگیری عملیاتی را که اکثر شرکتهای کوچک هرگز انجام ندادهاند، ضروری میکند. این انتقال ناراحتکننده است، اما شرکتهایی که آن را کامل میکنند، متوجه میشوند که قدرت قیمتگذاری و انضباط عملیاتی یکدیگر را تقویت میکنند. شرکتهایی که انتقال را به تعویق میاندازند، معمولاً کشف میکنند که نرخهای ساعتی آنها با هزینههایشان مطابقت نداشته است، و هر سال با حاشیه سود کمتری سختتر کار میکنند.
تصمیم به ساخت عوامل هوش مصنوعی برای بخش اداری حسابداری قبل از اتوماسیون روبرو با مشتری
شرکتهایی که بیش از ۲۰۰ مشتری را مقیاسگذاری کردند، در ابتدا هوش مصنوعی را در بخش اداری مستقر کردند و تنها بعداً آن را به گردش کارهای روبرو با مشتری گسترش دادند. این توالی اهمیت دارد زیرا استقرار در بخش اداری آسانتر برای کنترل، آسانتر برای اندازهگیری و آسانتر برای بازگرداندن در صورت بروز نتایج غیرمنتظره است. استقرار در بخش روبرو با مشتری خطر اضافی خطاهای ارتباطی با مشتری را به همراه دارد که میتواند به روابط آسیب برساند، به گونهای که خطاهای بخش اداری اینگونه نیستند.
کارهای بخش اداری که عوامل هوش مصنوعی به طور موثرتری از عهده آنها برمیآیند، شامل دستهبندی، تطبیق، مکانیک بستن ماهیانه حساب، تطبیق بین شرکتها و تولید گزارشهای استاندارد است. اینها گردش کارهای با حجم بالا و مبتنی بر قانون هستند که دقت هوش مصنوعی را میتوان در برابر خروجیهای قطعی اندازهگیری کرد. شرکت میتواند عوامل را مستقر، مشاهده، تنظیم و مقیاسگذاری کند بدون اینکه مشتری حتی متوجه شود که کار از دستی به خودکار تغییر کرده است.
هنگامی که پایه و اساس بخش اداری به طور قابل اعتمادی عمل میکند، شرکت میتواند قابلیتهای خدمات مشتری عوامل هوش مصنوعی حسابداری را به لایه روبرو با مشتری گسترش دهد. این شامل ارتباطات خودکار با مشتری، پاسخگویی به سوالات با کمک هوش مصنوعی، و بینشهای مالی فعال ارائهشده از طریق داشبورد یا گزارشها است. این استقرارها از اعتماد عملیاتی که کار بخش اداری ایجاد کرده است بهره میبرند، زیرا تیم تشخیص الگو را برایAیجاد کرده است که هوش مصنوعی کجا شکست میخورد و چگونه با ظرافت بهبود یابد.
شرکتهایی که سعی کردند هوش مصنوعی روبرو با مشتری را قبل از پایه و اساس بخش اداری مستقر کنند، معمولاً شاهد شکستهای آشکار بودند که به اعتماد مشتری آسیب رساند و عقبنشینی را اجباری کرد. وسوسه پیشگام شدن با قابلیت روبرو با مشتری قابل درک است زیرا داستان بازاریابی در آنجا زندگی میکند، اما توالی عملیاتی که واقعاً نتایج پایدار تولید میکند، در جهت مخالف است.
تصمیم برای سرمایهگذاری در اتوماسیون فرآیند بستن حساب به جای سرعت فرآیند بستن حساب
شرکتهایی که از دویست مشتری عبور کردند، در اتوماسیون فرآیند بستن حساب با هوش مصنوعی سرمایهگذاری کردند که کل چرخه بستن حساب را از طریق بازطراحی ساختاری فشرده میکند، نه از طریق بهبود سرعت در فرآیندهای دستی موجود. این تمایز مهم است زیرا بستن سریعتر دستی محدودیتهای سختی دارد، در حالی که بازسازی فرآیند بستن حساب بر اساس تطبیق مستمر و بررسی مبتنی بر استثنا، این محدودیتها را به طور کامل از بین میبرد.
مدلهای حسابداری مستمر، که در آنها تطبیق و دستهبندی به صورت روزانه یا هفتگی انجام میشود و نه در پایان ماه، فشردهسازی پایان ماه را که باعث ایجاد چرخههای فرسودگی شغلی در شرکتهای حسابداری سنتی میشود، از بین میبرند. تیم در ده روز اول هر ماه در حال بستن بیست حساب نیست. کار در طول ماه با حجم قابل پیشبینی پخش میشود، که برنامهریزی ظرفیت را ممکن میسازد و اوجهای کارکنان را که باعث افزایش جابجایی میشود، کاهش میدهد.
انتقال به حسابداری مستمر نیازمند تغییراتی در نحوه ساختار انتظارات مشتری، نحوه ارائه گزارشها و نحوه سازماندهی تیم است. این یک استقرار فناوری نیست. این یک بازطراحی عملیاتی است که از فناوری به عنوان یک توانمندساز استفاده میکند. شرکتهایی که با اتوماسیون فرآیند بستن حساب با هوش مصنوعی به عنوان یک پروژه صرفاً فناوری برخورد کردند، معمولاً بهبودهای جزئی در سرعت را بدون مزایای ساختاری به دست آوردند. شرکتهایی که با آن به عنوان یک بازطراحی عملیاتی برخورد کردند، هر دو را به دست آوردند.
پیامدهای اقتصادی این تغییر قابل توجه است. شرکتهایی که بر اساس مدلهای حسابداری مستمر فعالیت میکنند، میتوانند مشتریان بیشتری را به ازای هر حسابدار پشتیبانی کنند، میتوانند چرخههای گزارشدهی مکررتر را به عنوان یک سطح خدمات برتر ارائه دهند، و میتوانند مشکلات را نزدیکتر به زمان وقوع آنها شناسایی کنند تا اینکه آنها را در پایان ماه کشف کنند. هر یک از این قابلیتها به رشد درآمد و گسترش حاشیه سود که در طول عمر تعامل افزایش مییابد، منجر میشود.
تصمیم به رسمیت بخشیدن به نحوه ادغام حسابداری هوش مصنوعی برای شرکتهای حسابداری با گردش کار مالیاتی
شرکتهای حسابداری که از دویست مشتری عبور کردند و همزمان به مشتریان مرتبط با مالیات خدمات ارائه میدادند، تصمیمات صریحی در مورد نحوه جریان کار حسابداری به گردش کار آمادهسازی مالیات گرفتند. شرکتهایی که این ادغام را غیررسمی رها کردند، معمولاً در پایان سال با اصطکاک مواجه میشدند، زمانی که تیم مالیات به دفاتر تمیزی نیاز داشت که تیم حسابداری به طور خاص برای اهداف مالیاتی آماده نکرده بود.
این ادغام شامل تصمیمات سرفصل حسابها است که نیازهای طبقهبندی مالیاتی را پیشبینی میکند، استانداردهای مستندسازی است که اطلاعات مورد نیاز برای آمادهسازی مالیات را ثبت میکند، و تعهدات زمانبندی است که اطمینان حاصل میکند دفاتر به موقع بسته میشوند تا گردش کارهای مالیاتی آغاز شوند. هیچ یک از اینها خود به خود اتفاق نمیافتد. این امر نیازمند طراحی عمدی گردش کار است که تیم مالیات را به عنوان مصرفکننده پاییندستی خروجی حسابداری در نظر میگیرد و کار بالادستی را بر اساس آن ساختار میدهد.
شرکتهایی که این ادغام را رسمی کردند، اهرم عملیاتی قابل توجهی در پایان سال به دست آوردند، زمانی که عدم اصطکاک بین حسابداری و مالیات به هر دو تیم اجازه میداد با بازدهی بیشتری کار کنند. شرکتهایی که ادغام را غیررسمی رها کردند، چرخههای بحران سالانه را تجربه کردند که تعطیلات را مصرف کرد و باعث جابجایی کارکنان شد که تا سال جدید ادامه یافت. این الگو به اندازهای قابل پیشبینی بود که اپراتورهای باتجربه شرکت میتوانستند مشکل را در طول مکالمات اولیه شناسایی کنند.
نکته عمیقتر این است که حسابداری هوش مصنوعی برای شرکتهای حسابداری فقط در مورد کار حسابداری نیست. بلکه در مورد این است که چگونه وظیفه حسابداری در عملیات گستردهتر شرکت جای میگیرد و چگونه سرمایهگذاریهای فناوری از این جایگیری پشتیبانی میکند. شرکتهایی که هوش مصنوعی را به عنوان یک ابزار حسابداری میبینند، ارزش محدودی به دست میآورند. شرکتهایی که هوش مصنوعی را راهی برای بازسازی نحوه اتصال حسابداری به بقیه شرکت میبینند، ارزش تحولآفرینی به دست میآورند.
تصمیم به اندازهگیری عملیات شرکت به جای خروجی شرکت
شرکتهایی که از ۲۰۰ مشتری عبور کردند، در سیستمهای اندازهگیری عملیاتی سرمایهگذاری کردند که زمان گردش کار، نرخهای استثنا، فرکانسهای خطا و استفاده از ظرفیت تیم را ردیابی میکردند. شرکتهایی که فقط معیارهای خروجی مانند تعداد مشتری، درآمد به ازای هر مشتری و حاشیه سود ناخالص را اندازهگیری میکردند، سیگنالهای عملیاتی را از دست میدادند که به آنها در مورد نزدیک شدن سقفهای مقیاسگذاری هشدار میداد.
مهمترین اندازهگیریهای عملیاتی شامل زمان مورد نیاز برای پذیرش مشتری جدید، زمان مورد نیاز برای بستن دفاتر ماهانه هر مشتری، نرخ استثنا در تصمیمات دستهبندی، نرخ بازکاری در تطبیقات و استفاده از کارکنان در طول چرخه بستن حساب است. این معیارها تنگناهایی را که مقیاسپذیری را محدود میکنند، قبل از اینکه این تنگناها در نتایج مالی قابل مشاهده شوند، آشکار میکنند. زمانی که نتایج مالی مشکل را نشان میدهد، شرکت از قبل ماهها در مسیر اشتباه قرار گرفته است.
ابزار دقیق مورد نیاز برای گرفتن این معیارها در پلتفرمهای حسابداری هوش مصنوعی مدرن داخلی است اما به ندرت در داشبوردهای پیشفرض ظاهر میشود. شرکتهایی که آگاهانه دادههای عملیاتی را استخراج کرده و داشبوردهای مدیریتی را بر روی آن ساختند، دید کافی را به دست آوردند که امکان مداخله زودهنگام را فراهم کرد. شرکتهایی که فقط بر اساس معیارهای خروجی عمل میکردند، مشکلات را در نقطهای کشف کردند که مداخله گرانترین بود.
تغییر فرهنگی مورد نیاز برای عمل بر اساس اندازهگیریهای عملیاتی دشوارتر از کار فنی گرفتن دادهها است. تیمهایی که بر اساس اهداف خروجی مدیریت میشدند، اغلب در برابر اندازهگیری عملیاتی به عنوان کنترل جزء به جزء مقاومت میکردند. شرکتهایی که با موفقیت این تغییر را ایجاد کردند، معمولاً اندازهگیریها را به عنوان محافظت در برابر فرسودگی شغلی و نه به عنوان نظارت بر عملکرد، تعریف میکردند که منافع تیم را با اهداف مقیاسپذیری شرکت هماهنگ میکرد.
نحوه استفاده از عوامل هوش مصنوعی برای خدمات حسابداری به عنوان تصمیم معماری به جای انتخاب ابزار
با خواندن الگوهای بالا، باید خط اصلی قابل مشاهده باشد. شرکتهایی که مقیاسگذاری کردند، عوامل هوش مصنوعی بهتری نسبت به شرکتهایی که مقیاسگذاری نکردند، انتخاب نکردند. آنها تصمیمات معماری در مورد نحوه عملکرد شرکت گرفتند و عوامل هوش مصنوعی را انتخاب کردند که با آن تصمیمات معماری مطابقت داشتند. نحوه استفاده از عوامل هوش مصنوعی برای خدمات حسابداری به گونهای که واقعاً مقیاسگذاری پایدار را تولید کند، اساساً سوالی در مورد معماری شرکت است، نه در مورد انتخاب پلتفرم.
شرکتهای حسابداری که هنوز با شصت مشتری و کارکنان خسته درگیر هستند، به این دلیل نیست که پلتفرم هوش مصنوعی اشتباهی را انتخاب کردند. آنها به این دلیل درگیر هستند که تصمیمات معماری، اغلب به طور ضمنی، گرفتند که میزان اهرمی را که هر پلتفرم هوش مصنوعی میتواند تولید کند، محدود میکند. افزودن هوش مصنوعی بهتر به شرکتی با استانداردهای سرفصل حسابهای پارهپاره، صورتحساب ساعتی و مرزهای گردش کار غیررسمی، بهبودهای جزئی ایجاد میکند که سرمایهگذاری را توجیه نمیکند. افزودن همان هوش مصنوعی به شرکتی با حسابهای استاندارد شده، قیمتگذاری محصولی و مرزهای گردش کار صریح، نتایج تحولآفرین تولید میکند.
مهمترین تصمیمات آنهایی هستند که قبل از شروع استقرار هوش مصنوعی گرفته میشوند. انتخاب پلتفرم در این توالی آخر میآید، پس از اینکه شرکت تصمیم گرفته است که چه میخواهد باشد و چه نوع مدل عملیاتی را میخواهد اجرا کند. شرکتهایی که هوش مصنوعی را به عنوان اولین تصمیم میبینند، معمولاً با هوش مصنوعی اشتباه برای شرکتی که میخواهند به آن تبدیل شوند، روبرو میشوند. شرکتهایی که هوش مصنوعی را به عنوان پیادهسازی یک چشمانداز عملیاتی واضح میبینند، از اهرمی که فناوری واقعاً فراهم میکند، بهرهمند میشوند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را در سراسر کسبوکارها از طریق سه ستون یکپارچه به کار میگیرد: زیرساخت عاملمحور، ریلهای پرداخت غیرسنتی، و یک موتور سرمایهگذاری کامل. با ۲۷ سال تجربه در پرداختها و نرمافزار، TFSF در سطح جهانی فعالیت میکند و به ۲۱ صنعت با یک روش استقرار ۳۰ روزه خدمات ارائه میدهد. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال سریع درباره کسبوکار خود پاسخ دهید. یک طرح استقرار هوش مصنوعی سفارشی ظرف ۲۴ تا ۴۸ ساعت دریافت کنید که شامل توصیههای عامل، معماری و یک نقشه راه خاص برای عملیات شما است. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment شروع کنید.
منتشر شده اولیه در https://tfsfventures.com/blog/the-bookkeeping-decisions-that-separate-firms-scaling-past-200-clients-from-firms
نوشته شده توسط تیم تحقیقاتی TFSF Ventures