ในปี 2020 CFO ต้องการเครื่องมือใหม่ แต่ตอนนี้ เครื่องมือเหล่านั้นกำลังเปลี่ยนบทบาทของ CFO ไปเลย
บทบาทนี้เริ่มมีความเป็นเชิงกลยุทธ์มากขึ้น แต่ซอฟต์แวร์ที่ใช้กลับยังล้าหลัง CFO ต้องสวมหมวกทั้งนักวิเคราะห์ข้อมูลและสถาปนิกไปพร้อมกัน คอยปะติดปะต่อข้อมูลที่ส่งออกจากระบบเฉพาะทาง (point solutions) มากมาย และ Excel ที่โคจรรอบ ERP อายุสามสิบปี ข้อมูลคือคอขวด มันกระจายอยู่หลายที่เกินไป จัดการก็ยาก ส่วนเครื่องมือที่อยู่ด้านบนก็เปราะบางและทำได้จำกัด
แต่วันนี้ AI กำลังทลายข้อจำกัดเหล่านั้น การรวบรวมข้อมูลง่ายขึ้น และซอฟต์แวร์ก็เริ่มลงมือทำงานแทนได้มากขึ้น เมื่อสิ่งนี้เปลี่ยน ทั้งวิธีการทำงานและคนที่ทำก็เปลี่ยนตาม นั่นหมายความว่าฟังก์ชันงานการเงินเองก็ต้องเปลี่ยน รวมถึงทีมงานและต้นแบบของคนที่เป็นผู้นำทีมด้วย
จากนักบัญชี สู่ธนาคาร สู่ผู้สร้าง
คุณเห็นเรื่องนี้ได้จากประวัติการรับคนเข้ามารับตำแหน่งนี้ของบริษัทต่างๆ ตลอดช่วงเวลาที่ผ่านมา:
คุณสมบัติของ CFO ที่ยอดเยี่ยมยังคงใช้ได้ดีอย่างน่าทึ่งในทุกยุคสมัย CFO ระดับท็อปไม่ได้แค่ส่งมอบตัวเลขหรือสไลด์นำเสนอให้บอร์ด แต่พวกเขาใช้ข้อมูลเพื่อสร้างความเห็นที่มีน้ำหนักว่าธุรกิจควรเดินไปในทิศทางไหน สิ่งที่เปลี่ยนแปลงอยู่เสมอคือทักษะที่หายากในแต่ละยุค ซึ่งกำหนดว่างานนี้จะเรียกร้องอะไรจากพวกเขา
ต้นแบบของ CFO ในแต่ละยุคล้วนสะท้อนการเปลี่ยนผ่านนี้ เมื่องานคือการสะสางบัญชี วางระบบควบคุม และรายงานผล บริษัทก็ดึง CFO มาจากสำนักงานบัญชี Big 4 เมื่องานคือการระดมทุนและปิดดีล พวกเขาก็หันไปหาคนจากฝั่งวาณิชธนกิจ (investment banking) และเมื่องานกลายเป็นการวางแผน ตัวชี้วัด และการเป็นพันธมิตรกับฝ่ายธุรกิจ ทักษะด้านการวางแผน (“FP&A”) ก็ทวีความสำคัญขึ้น โดยบริษัทมักยังเลือกคนที่มีพื้นหลังจากสายธนาคารหรือ private equity อยู่
แต่ทักษะที่หายากที่สุดในวันนี้คือสิ่งใหม่: การออกแบบระบบปฏิบัติการที่ขับเคลื่อนบริษัท ซึ่งหมายถึงข้อมูล เวิร์กโฟลว์ agents ทักษะ และระบบควบคุม ที่เปลี่ยนบริบทให้กลายเป็นความเข้าใจเชิงลึกและการตัดสินใจ คุณเห็นเรื่องนี้ได้จาก การเติบโตของ “finance engineer” ภายในทีมการเงิน และจากการที่ CFO เริ่มสวมบทบาทนี้ด้วยตัวเอง
ผู้นำสายการเงินที่ทำงานในสไตล์นี้อธิบายหน้าที่ของตัวเองต่างจากคนรุ่นก่อน Sarah Friar ซึ่งเป็น CFO ของ OpenAI มองว่างานการเงินคือฟังก์ชันที่ต้องเกิดขึ้นแบบเรียลไทม์ งานการเงินกำลังมุ่งไปสู่การปิดงบภายในวันเดียว (zero-day close) และการพยากรณ์ที่อัปเดตอย่างต่อเนื่อง ซึ่งต่างจากจังหวะการปิดบวกรายเดือนแบบเดิมๆ อย่างสิ้นเชิง ไม่ว่าจะเป็นการจัดสรรทรัพยากรประมวลผลหรือเงินทุน ผู้นำการเงินที่เก่งที่สุดในวันนี้ฟังดูไม่เหมือนคนคอยจดคะแนนอีกต่อไป แต่เหมือน "ผู้สร้าง" มากกว่า
ข้อมูลมากขึ้น เครื่องมือดีขึ้น ทีมเล็กลง
การเปลี่ยนผ่านของต้นแบบ CFO และโครงสร้างองค์กรการเงินโดยรวม ถูกขับเคลื่อนด้วยความก้าวหน้าอย่างรวดเร็วของเครื่องมือแบบ AI-native การเข้าถึงข้อมูลที่ง่ายและเร็วขึ้นปลดล็อกเครื่องมือที่ดีกว่า ซึ่งเปลี่ยนทั้งวิธีทำงานและคนทำงาน และส่งผลต่อเนื่องไปถึงโครงสร้างและวิธีการดำเนินงานของทีมการเงิน
1. ข้อมูลเลิกเป็นคอขวด ข้อร้องเรียนหลักในบทความปี 2020 ของเราคือวัตถุดิบของ CFO หรือ "ข้อมูล" นั้นล้าสมัย กระจัดกระจาย และรวบรวมได้ยากเย็น ทีมการเงินต้องทุ่มพลังงานเกือบทั้งหมดไปที่ฐานล่างของพีระมิดเพื่อปะติดปะต่อข้อมูล: ดึงไฟล์ export มาเทียบยอดในสเปรดชีต หรือไล่หาคำอธิบายความคลาดเคลื่อนที่ฝังอยู่ในอีเมล หรือแย่กว่านั้นคือใน DM และช่องแชทของ Slack แต่ AI ทำให้การดึง นำเข้า และตีความข้อมูลที่กระจัดกระจายอยู่คนละระบบและคนละฟอร์แมตเป็นเรื่องที่เร็วและง่ายขึ้น ทีมจึงใช้เวลาเก็บข้อมูลน้อยลง และมีเวลาเอาข้อมูลไปใช้จริงมากขึ้น
2. Finance stack กลายเป็นส่วนหนึ่งของทีมการเงิน ในปี 2020 เราแยกชั้นของ finance stack ออกมาทีละชั้น และคาดการณ์ว่าจะมีคลื่นเครื่องมือยุคใหม่ถาโถมเข้ามาในแต่ละชั้น เมื่อ AI ช่วยแก้ปัญหาเรื่องข้อมูล คลื่นลูกนั้นก็มาถึงจริงๆ เครื่องมือเจเนอเรชันใหม่เซ็ตอัพเสร็จในวันหรือสัปดาห์ ไม่ใช่เป็นไตรมาส มันรวบรวมข้อมูลอัตโนมัติโดยไม่ต้องรอคนป้อน และให้ความรู้เชิงลึกแบบเรียลไทม์แทนที่จะรอปลายเดือน ทุกพื้นที่ใน market map เดิมของเรามีคู่แข่งแบบ AI-native เกิดขึ้นแล้ว ตั้งแต่ ERP ไปจนถึงงานภาษีและงานจัดซื้อ
ตัวอย่างบางส่วนจากพอร์ตโฟลิโอของเรา:
- ERP ของ Rillet ลดเวลาติดตั้งจากหลายเดือนเหลือเพียงไม่กี่วันหรือสัปดาห์ ดึงข้อมูลเข้ามาอัตโนมัติ และเปลี่ยนการปิดบวกรายเดือนเป็นการปิดบวกรายวัน
- Concourse ใช้ agents สำหรับการวางแผนและพยากรณ์ทางการเงิน โดยดึงข้อมูล pipeline แบบเรียลไทม์มาสร้างสถานการณ์จำลองที่อัปเดตตลอดเวลา
- Lio ใช้โมเดล multi-agent สำหรับงานจัดซื้อ โดย agents จะทำหน้าที่ตรวจสอบซัพพลายเออร์ เจรจาสัญญา ดูแลการอนุมัติภายใน และติดตามการส่งมอบ
- Stuut บริหารจัดการวงจรลูกหนี้การค้าตั้งแต่ต้นจนจบ ตั้งแต่การติดต่อ ติดตาม ทวงถาม ไปจนถึงการระงับข้อพิพาท พร้อมทำให้กระบวนการตัดชำระหนี้เป็นอัตโนมัติ
- Sphere เปลี่ยนการปฏิบัติตามกฎระเบียบภาษีทางอ้อมที่ซับซ้อนให้เป็นกระบวนการอัตโนมัติแบบ end-to-end
- Petual ทำให้การทดสอบ SOX และเวิร์กโฟลว์การตรวจสอบภายในระดับองค์กรเป็นอัตโนมัติ
ทั้งหมดนี้คือเวิร์กโฟลว์ที่เคยต้องมีทีมเฉพาะทางหรือจ้างผู้ให้บริการภายนอกมาดูแล
ซอฟต์แวร์เจเนอเรชันที่แล้วช่วยให้ผู้เชี่ยวชาญด้านการเงิน "บริหารจัดการ" งานได้ แต่เจเนอเรชันนี้ "ลงมือทำ" งานเอง ซอฟต์แวร์การเงินแบบ AI-native ที่ดีที่สุดตอนนี้ ทำงานการเงิน ได้เลย
3. การผงาดขึ้นของ finance engineer เมื่อปัญหาเรื่องข้อมูลเบาบางลง สิ่งที่เราไม่ได้คาดการณ์ไว้ในปี 2020 ก็ปรากฏขึ้น ทีมการเงินที่ล้ำหน้าที่สุดไม่ได้แค่ใช้เครื่องมือ AI แต่ยังสร้างระบบอัตโนมัติ แดชบอร์ด และเครื่องมือภายในขึ้นมาใช้เอง หลายคนไม่เคยเขียนโค้ดมาก่อน เคยระแวง AI และไม่มีสิทธิ์เข้าถึงทีมวิศวกร แต่ในช่วง 9-12 เดือนที่ผ่านมา พวกเขาเปลี่ยนมาเป็นสาย AI เต็มตัว
ทีมการเงินของ Anthropic ได้สร้างและดูแลไลบรารีทักษะ AI เฉพาะทางกว่า 70 รายการ ซึ่งพวกเขาปฏิบัติกับมันเหมือนโค้ดที่ใช้ในระบบโปรดักชัน หนึ่งในนั้นสามารถสร้างรายงานทบทวนสถานะการเงินรายเดือนที่สมบูรณ์ถึง 90-95% ย่อเวลางานของคนหลายชั่วโมงให้เหลือราวสามสิบนาที ที่ OpenAI ทีมของ Friar สร้าง GPT แบบปรับแต่งเองสำหรับงานนักลงทุนสัมพันธ์และงานจัดซื้อ รวมถึงแดชบอร์ดแบบเรียลไทม์ที่มาแทนรายงานบอร์ดแบบเดิมๆ
CFO ของบริษัทช่วง growth-stage รายหนึ่งในพอร์ตโฟลิโอของเราขอให้ทีมลองสร้าง agents ขึ้นมา และภายในสองสัปดาห์พวกเขาก็มีถึง 50 ตัว อาจไม่ได้ใช้ได้ทุกตัว แต่มันเปิดโอกาสให้ทุกคนได้สัมผัส "ช่วงเวลาแห่งเวทมนตร์" ที่ agent ทำงานจริงออกมาได้ อีกคนเล่าว่าทีมการเงินและบัญชีของเขากำลังกลายเป็น product manager ที่ทำงานร่วมกับวิศวกรเพื่อสร้างเครื่องมือของตัวเอง
เช่นเดียวกับที่เราได้เห็นการเกิดขึ้นของ GTM engineer, growth engineer และ talent engineer หลายบริษัทเริ่มมีตำแหน่ง “finance engineer” แล้ว เช่นเดียวกับบทบาทอื่นๆ ที่ผสมผสานความเชี่ยวชาญเฉพาะด้านเข้ากับความสามารถในการสร้างสิ่งใหม่ๆ คนเหล่านี้มักเป็นคนสายการเงิน (บ่อยครั้งที่มีพื้นฐานด้านวิศวกรรม) ที่ใช้ Codex หรือ Claude Code จนคล่อง และเป็นหัวหอกในการสร้างเครื่องมือให้ทีม พวกเขามักจะเป็นคนเชื่อมต่อระบบและแก้ปัญหาคอขวดในเวิร์กโฟลว์ ตัวอย่างเช่น การสร้างเครื่องมือที่นำรายได้จากลูกค้ามาคำนวณรวมกับต้นทุน model inference, การใช้คลาวด์ และต้นทุนซัพพอร์ต จากนั้นแจ้งเตือนเมื่ออัตรากำไรของบัญชีใดเริ่มลดลง หรือเมื่อปริมาณการใช้งานทำให้สัญญาฉบับนั้นขาดทุน
ในอดีต เรื่องนี้ต้องพึ่งพาความช่วยเหลือจากทีมวิศวกรหลักซึ่งไม่ใช่เรื่องง่าย หรือต้องพยายามดึงวิศวกรเข้ามาอยู่ในทีมการเงิน แต่ตอนนี้ CFO หลายคนใช้เวลากับการสร้างสิ่งต่างๆ ด้วย AI หรือใช้เครื่องมือแบบ AI-native มากขึ้น และเข้าประชุมน้อยลง “ผลิตภัณฑ์พวกนี้ใช้สนุกดี” คือเสียงตอบรับที่เราได้ยินบ่อยๆ
วินัยในการทำงานเบื้องหลัง finance engineer นั้นเรียบง่ายมาก: ถ้าคุณทำอะไรซ้ำเป็นครั้งที่สอง ให้เขียนเวิร์กโฟลว์ และถ้าคุณเขียนเวิร์กโฟลว์นั้นซ้ำเป็นครั้งที่สอง ให้เขียน agent
4. ทีมการเงินเล็กลงแต่สร้างแรงกระเพื่อมได้มากขึ้น ทีมการเงินส่วนใหญ่ยังจัดโครงสร้างแบบเดิม: ชั้น controller, ชั้น FP&A, ชั้น ops และ CFO ทั้งหมดนี้ถูกออกแบบมาเพื่อรอบการทำงานรายเดือนและระบบหนึ่งคนต่อหนึ่งงาน โครงสร้างนี้สมเหตุสมผลในยุคที่ทุกชั้นมีไว้เพื่อเคลื่อนย้ายและกระทบยอดข้อมูล
สูตรสำเร็จเดิมที่กำหนดสัดส่วนทีมการเงินไว้ที่ ~5% ของพนักงานทั้งหมดก็กำลังเปลี่ยนไปเช่นกัน ทีมที่กระชับที่สุดที่เราเห็นตั้งเป้าไว้ที่ 2% และให้ความสำคัญกับความหนาแน่นของคุณภาพคนมากกว่าจำนวนหัว พนักงานการเงินยุคใหม่ต้องเชื่อมต่อหลายระบบด้วยการเรียก API ครั้งเดียว เขียน SQL ได้ และสร้างต้นแบบระบบอัตโนมัติได้ ความคล่องแคล่วในการใช้ AI กำลังกลายเป็นคุณสมบัติพื้นฐาน คำถามสัมภาษณ์จาก “ช่วยอธิบายโมเดลของคุณหน่อย” กำลังเปลี่ยนเป็น “ช่วยอธิบายลำดับ prompt ของคุณหน่อย”
ผู้เชี่ยวชาญระดับอาวุโสจะดึงศักยภาพของ AI ออกมาใช้ได้มากที่สุด ที่ Anthropic คนที่ใช้ AI หนักที่สุดในทีมการเงินคือหัวหน้าฝ่ายภาษี ดังที่ CFO ช่วง growth-stage รายหนึ่งของเราบอกว่า มันน่าคิดว่าคนระดับจูเนียร์น่าจะปรับตัวรับเทคโนโลยีได้เร็วที่สุด แต่จริงๆ แล้วพวกเขายังขาดประสบการณ์และบริบทที่จะรู้ว่างานที่ "ยอดเยี่ยม" หน้าตาเป็นอย่างไร หรือควรจะสร้างอะไร
5. การวางแผนกลายเป็นเรื่องต่อเนื่อง รายได้ที่คิดตามการใช้งาน (เช่น tokens, นาที, API calls) เป็นเรื่องที่พยากรณ์ยากเสมอมา ยิ่งไปกว่านั้น กระบวนการและเครื่องมือมาตรฐานที่ทำงานเป็นรอบรายเดือนนั้นช้าเกินไป โดยเฉพาะเมื่อ agents กลายเป็นตัวแปรในงบกำไรขาดทุน (P&L) ผู้นำการเงินหลายคนจึงหันมาพึ่งพาการพยากรณ์แบบต่อเนื่อง (continuous forecasting) ซึ่งให้มุมมองแบบเรียลไทม์โดยใช้โมเดลทางสถิติ หลักฐานระดับบัญชี และการตัดสินใจเชิงการเงิน FP&A จึงวิวัฒนาการจากการทำงบประมาณรายปี ไปสู่การตัดสินใจในการดำเนินงานแบบต่อเนื่อง ตอนนี้คุณสามารถรันสถานการณ์จำลองที่ซับซ้อนแบบสดๆ ในห้องประชุมได้เลย
6. ระบบควบคุมกลายเป็นฟีเจอร์สำคัญของผลิตภัณฑ์ เมื่อซอฟต์แวร์รับภาระงานการเงินมากขึ้น ห่วงโซ่ที่สามารถตรวจสอบย้อนกลับและเชื่อถือได้ ซึ่งเชื่อมโยงจากตัวเลขทางการเงินแต่ละตัวไปยังแหล่งที่มาจึงเป็นสิ่งจำเป็น งานการเงินต้องรู้ว่าตัวเลขแต่ละตัวมาจากไหน คำนวณอย่างไร และมี agents ตัวไหนเข้าไปเกี่ยวข้องตรงจุดใดบ้าง ตัวอย่างเช่น หาก agent กำลังร่างรายการบันทึกบัญชี (journal entry) มันต้องเก็บกระดาษทำการและหลักฐานประกอบไว้ และทำตามกฎการอนุมัติก่อนโพสต์บันทึก AI ยังสามารถใช้กระทบยอดข้อมูล แจ้งเตือน และอธิบายความคลาดเคลื่อนหรือข้อยกเว้นได้ แต่งานการเงินคือคนตั้งกฎและเป็นผู้อนุมัติขั้นสุดท้าย การมีระบบควบคุมคือสิ่งที่ทำให้เกิดความเร็ว ทีมจะได้โฟกัสกับงานเชิงกลยุทธ์โดยไม่ต้องมานั่งรื้อและตรวจสอบทุกขั้นตอนด้วยมือ
7. งานการเงินได้รับมอบหมายภารกิจที่ใหญ่ขึ้น ด้วยข้อมูลแบบเรียลไทม์และความสามารถในการรันสถานการณ์จำลองได้อย่างรวดเร็ว งานการเงินจึงถูกดึงเข้าไปมีส่วนร่วมในการตัดสินใจเชิงกลยุทธ์มากขึ้นเรื่อยๆ สำหรับบริษัท AI หลายแห่ง ค่าทรัพยากรประมวลผลคือหนึ่งในค่าใช้จ่ายในการดำเนินงานที่ใหญ่ที่สุด และการตัดสินใจจัดสรรเงินทุนที่สำคัญที่สุด ตอนนี้ทีมการเงินสามารถรวบรวมมุมมองปัจจุบันของข้อมูลการใช้งาน ต้นทุนโครงสร้างพื้นฐาน และรายได้จากลูกค้าเข้าด้วยกัน และเครื่องมือ AI ก็สามารถช่วยประเมินได้ว่าฟีเจอร์ใหม่หรือการใช้งานของลูกค้าที่เพิ่มขึ้นจะส่งผลต่อกำไรอย่างไร สิ่งนี้ทำให้งานการเงินมีฐานที่แข็งแกร่งขึ้นในการออกความเห็นเรื่องการตั้งราคา การเปิดตัวผลิตภัณฑ์ และข้อผูกพันด้านการใช้จ่าย
บริษัทยังมีการตัดสินใจอีกมากมายที่ CFO เป็นกรรมการชี้ขาด ตัวอย่างเช่น การที่ทีมจะแบ่งงานระหว่างคนกับซอฟต์แวร์อย่างไร ถือเป็นคำถามสำคัญทั่วทั้งองค์กร และเป็น "การตัดสินใจทางการเงิน" ด้วย เมื่อมีข้อมูลที่ละเอียดขึ้นเกี่ยวกับการแลกเปลี่ยนระหว่างเวลาที่เสียไป, การใช้ token, อัตราการใช้ซอฟต์แวร์ ฯลฯ งานการเงินก็สามารถประเมินทางเลือกเหล่านี้ได้ การตัดสินใจว่าจะ "สร้างเองหรือซื้อ" ก็อยู่ในชุดนี้ด้วย การสร้างเองตอนนี้อาจหมายถึงโปรเจกต์วิศวกรรมขนาดใหญ่ หรือแค่ทีมที่ไม่ใช่สายเทคฯ นั่ง vibe coding เครื่องมือเล็กๆ ขึ้นมาสักตัว ส่วนการซื้ออาจหมายถึงการจ่ายตามการใช้งานหรือจ่ายตามงานที่เสร็จสิ้น ดังนั้นต้นทุนจะเปลี่ยนไปตามระดับการใช้งาน ด้วย AI งานการเงินจึงสามารถสร้างโมเดลสถานการณ์ที่ซับซ้อนเหล่านี้ได้เร็วและแม่นยำกว่าเดิม
บทบาทที่ถูกเขียนขึ้นใหม่
งานของ CFO เคยเปลี่ยนมาแล้วหลายครั้ง แต่สิ่งที่รู้สึกต่างออกไปในตอนนี้คือ ขอบเขตของฟังก์ชันงานการเงินและตัวองค์กรเองกำลังถูกออกแบบใหม่จำนวนมาก ในอดีต CFO สร้างทีมการเงินโดยวางคนเป็นชั้นๆ เพื่อเก็บ กระทบยอด และตรวจสอบข้อมูลที่กระจายอยู่ในเครื่องมือสารพัดชนิด ซึ่งทั้งหมดถูกเซ็ตอัพมาเพื่อติดตามและจัดการงาน แต่ตอนนี้ CFO ที่มีทีมเล็กลงแต่มีพลังมากขึ้น สามารถ สร้าง และใช้เครื่องมือที่ ลงมือทำ งานนั้นได้เลย การตัดสินใจที่เคยเกิดขึ้นเป็นรายสัปดาห์หรือรายเดือน ตอนนี้เกิดขึ้นได้อย่างต่อเนื่อง
CFO กำลังกลายเป็นผู้สร้างและสถาปนิกของระบบปฏิบัติการบริษัท นั่นหมายถึงการหาให้เจอว่าอะไรที่ทีมควรทำ และอะไรที่ซอฟต์แวร์ควรทำ CFO ยุค AI-native ต้องยึดหลัก automation-first และรู้วิธีสร้าง ฝึกฝน และจัดหาทรัพยากรให้ทีมการเงินยุคใหม่ พวกเขายังต้องการกรอบคิดใหม่สำหรับการตัดสินใจว่าจะสร้างอะไร ซื้ออะไร และคำนวณ ROI ของการตัดสินใจเหล่านั้นอย่างไร ผลตอบแทนที่ได้คือเวลาที่จะทุ่มเทให้กับตัวธุรกิจเอง และการเป็นพันธมิตรเชิงกลยุทธ์ให้ CEO มากขึ้น งานนี้ก็ยังเป็นงานการเงินอยู่ แต่เนื้อหางานตอนนี้คือการออกแบบว่างานการเงินจะถูกทำให้สำเร็จได้อย่างไร
cc: @IvanoMakSF David Borecky
ขอบคุณ @astrange และ @BKRoberts ที่ช่วยเหลือในการเขียนบทความนี้!
