تصور کنید مدیر مالی شرکت شما دیگر فقط یک حسابدار ارشد نیست، بلکه کسی است که تصمیم می‌گیرد کدام بخش از نیروی کار انسانی با ماشین جایگزین شود. این تغییر نقش، نتیجهٔ یک واقعیت عددی است: بیش از ۹۰٪ مدیران مالی که از عامل‌های هوش مصنوعی (AI Agents) استفاده می‌کنند، سود مستقیم تجاری را تجربه کرده‌اند.
طبق گزارش سال ۲۰۲۶ شرکت سیلزفورس (Salesforce)، نقش مدیر مالی از یک متولی سنتی سرمایه به تصمیم‌گیرنده اصلی استراتژی هوش مصنوعی تغییر کرده است. بر اساس این مستندات، تقریباً نیمی از رهبران مالی اکنون تصمیم‌گیرنده اصلی در مورد نحوه پیاده‌سازی هوش مصنوعی در سازمان‌هایشان هستند.
مدیران مالی دیگر صرفاً بودجه‌ها را رصد نمی‌کنند، بلکه در حال مدیریت یک «نیروی کار دیجیتال» هستند. عامل هوش مصنوعی — شبیه به کارمندی دیجیتال که نه تنها می‌فهمد چه می‌خواهید، بلکه می‌تواند به‌طور مستقل ابزارها را اجرا کند و کار را به پایان برساند — اکنون در مقیاس وسیع به کار گرفته می‌شود. این رویکرد در واقع بخشی از تحول گسترده‌تری است که در آن عامل‌های هوش مصنوعی به‌جای ارائه پاسخ‌های ساده، بر اجرای مستقیم وظایف تمرکز کرده‌اند تا بهره‌وری سازمانی را به سطح جدیدی برسانند. به همین دلیل، مدیران مالی باید بازگشت سرمایه (ROI) گردش‌کارهای ماشین‌محور را محاسبه کنند و هزینه‌های یک پشته فناوری در حال گسترش را مدیریت نمایند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اقتصاد مدل‌های زبانی اشاره کردیم، مدیریت هزینه‌های استنتاج در مقیاس سازمانی به یک چالش حیاتی تبدیل شده است.
این تحول در حالی رخ می‌دهد که طبق داده‌های گارتنر (Gartner)، پیش‌بینی می‌شود هزینه‌های جهانی هوش مصنوعی در سال ۲۰۲۶ به ۲.۵۹ تریلیون دلار برسد که افزایشی ۴۷ درصدی نسبت به سال قبل است. فشار این تغییرات کاملاً ملموس است؛ ۷۴٪ از مدیران مالی می‌گویند دامنه مسئولیت‌های آنها از سال ۲۰۲۵ افزایش یافته است.
اولویت‌های جدید در دفتر مدیریت مالی
رهبران مالی برای چرخه ۲۰۲۶-۲۰۲۷، پنج هدف اصلی را برای حفظ سلامت کسب‌وکار خود تعریف کرده‌اند:
- افزایش دقت پیش‌بینی‌های مالی
- ارتقای بهره‌وری عملیاتی
- تقویت انطباق با قوانین (Compliance)
- بهبود دقت داده‌ها
- گسترش استفاده از هوش مصنوعی عامل‌محور (Agentic AI)
علاوه بر این اهداف، مدیران مالی اکنون بر پشته فناوری گسترده‌تر و مدل‌های درآمدی پیچیده‌تری نظارت می‌کنند. آنها در حال مدیریت سرمایه‌گذاری‌های افزایش‌یافته در استراتژی‌های فروش هستند و با نیاز فوری به حاکمیت و انطباق بیشتری مواجه‌اند، زیرا موارد استفاده از عامل‌های هوش مصنوعی با سرعت زیادی در حال رشد است.
مدیریت پیچیدگی‌های درآمدی
هوش مصنوعی باعث شده است شرکت‌ها روش‌های متنوع‌تری برای کسب درآمد پیدا کنند. به گزارش سیلزفورس، ۷۱٪ از مدیران مالی از کانال‌های فروش بیشتری نسبت به سال گذشته استفاده می‌کنند؛ این کانال‌ها شامل فروش مستقیم، سلف‌سرویس مبتنی بر وب، فروش از طریق شرکا، شبکه‌های اجتماعی و فروش موبایلی است. تقریباً دو-سوم این مدیران اکنون معاملات را در مدل‌های درآمدی متعدد و سناریوهای ترکیبی رصد می‌کنند.
توزیع مدل‌های درآمدی فعلی به این صورت است:
- محصولات اشتراکی یا تکرارشونده: ۴۶٪
- خدمات حرفه‌ای: ۴۶٪
- مدل‌های مبتنی بر مصرف (Consumption-based): ۴۳٪
- فروش یک‌باره: ۳۸٪
- مدل‌های ترکیبی (Hybrid): ۳۵٪
بزرگ‌ترین چالش، رشد قیمت‌گذاری مبتنی بر مصرف است که ۸۷٪ مدیران قصد گسترش آن را دارند. این پیچیدگی باعث ایجاد یک «شکاف دید» شده است، به‌ویژه در مورد سیستم‌های پاداش فروش که مهم‌ترین اهرم عملکرد یک شرکت است. رهبران مالی اکنون باید اهداف تجاری را با این کانال‌های متنوع همسو کنند، در حالی که برای دستیابی به دیدی لحظه‌ای (Real-time) از عملکرد و انگیزه‌های رشد تلاش می‌کنند. این تغییر دیدگاه با یافته‌های اخیر همسو است که نشان می‌دهد تمرکز بر معیارهای رشد به‌جای صرفاً کاهش هزینه‌ها می‌تواند بازگشت سرمایه (ROI) بسیار قدرتمندتری را برای سازمان‌ها به ارمغان بیاورد.
هزینه سیستم‌های قدیمی
این پیچیدگی‌های ساختاری منجر به ایجاد شکاف در دید مدیریتی می‌شود. در حال حاضر، ۶۷٪ از مدیران مالی می‌گویند ۲۰٪ از کارهای هفتگی آنها همچنان به‌صورت دستی انجام می‌شود. علاوه بر این، بین ۶ تا ۱۵ درصد از تراکنش‌ها در فرآیند «پیش‌فاکتور تا پرداخت» (Quote-to-Cash) به‌دلیل سیستم‌های قدیمی و جزیره‌ای (Siloed)، دارای خطا هستند.
یکی از نقاط بحرانی، انتقال داده از CRM به سیستم صورت‌حساب است که به عنوان پیکربندی، قیمت‌گذاری و استعلام (CPQ) شناخته می‌شود. بدون یکپارچگی تنگاتنگ با یک پشته فناوری گسترده‌تر، تیم‌های مالی با خطاهای داده‌ای مستمر و تأخیر در گردش‌کار مواجه‌اند.
عبور از مرحله آزمایش به تولید
شرکت‌ها دیگر در مرحله آزمایش نیستند و به سمت تولید واقعی حرکت کرده‌اند. شاخص هوش مصنوعی کاربردی ۲۰۲۶ شرکت BCG که بیش از ۱,۳۰۰ مدیر ارشد (CXO) و رهبر ارشد در ۲۰ صنعت را بررسی کرده، نشان می‌دهد ۵۰٪ شرکت‌ها اکنون ارزش واقعی و ملموس از هوش مصنوعی خلق می‌کنند. در میان شرکت‌های بزرگ با درآمد بیش از یک میلیارد دلار، KPMG گزارش می‌دهد که ۶۲٪ آنها پیش از این عامل‌های هوش مصنوعی را مستقر کرده یا در حال توسعه آنها هستند، که این رقم نسبت به ۵۳٪ در فصل گذشته افزایش یافته است.
داده‌های پلتفرم Agentforce نشان می‌دهد میانگین تعداد عامل‌های فعال در هر سازمان از سال ۲۰۲۵ سه برابر شده است. اگرچه ۵۶٪ مدیران مالی بازگشت سرمایه را «قابل‌توجه» می‌دانند، اما همچنان نگرانی‌هایی درباره امنیت (۴۶٪)، حاکمیت (۴۲٪) و صحت داده‌ها دارند.
بیش از ۹۰٪ این رهبران متفق‌القول‌اند که عامل‌های هوش مصنوعی باعث کاهش هزینه‌ها، افزایش بهره‌وری، تسریع در تصمیم‌گیری، بهبود انطباق با قوانین، ارتقای ارتباطات و افزایش دقت پیش‌بینی‌ها شده‌اند. با این حال، معرفی این عامل‌ها نیازمند جهشی در سواد داده‌ای و هوش مصنوعی برای تمام کارکنان سازمان است.
این یعنی دفتر مدیر مالی اکنون خط مقدم آموزش سواد AI است. برای عملیاتی شدن در مقیاس انسانی و ماشینی، کسب‌وکارها باید سیلوهای داده پراکنده را با یک پشته فناوری یکپارچه و مبتنی بر هوش مصنوعی جایگزین کنند که CRM و صورت‌حساب را به‌طور بی‌نقص ادغام کند. این امر نیازمند یک دستورالعمل مدیریتی است که فوریت تحول کسب‌وکار را ترویج کند.
برای مدیران مالی مدرن، هدف نهایی خودکارسازی تا ۴۰٪ از حجم کارهای دستی تیم مالی است. موفقیت در این مسیر بستگی به این دارد که آیا آنها می‌توانند اهداف تجاری را با این کانال‌های درآمدی جدید و نوسانی به‌صورت لحظه‌ای همسو کنند یا خیر.
در افق آینده، باید منتظر ظهور مدل‌های قیمت‌گذاری مبتنی بر نتیجه (Outcome-based) تا سال ۲۰۲۷ باشیم؛ مدل‌هایی که احتمالاً نحوه رصد بازگشت سرمایه و پاداش‌های فروش توسط مدیران مالی را پیچیده‌تر خواهد کرد.
گام بعدی شما
- بررسی مدل‌های قیمت‌گذاری مبتنی بر مصرف (Consumption-based) برای جایگزینی با مدل‌های ثابت.
- شناسایی گلوگاه‌های دستی در فرآیند Quote-to-Cash برای استقرار اولین عامل‌های هوش مصنوعی.
- تدوین برنامه سواد داده‌ای برای تیم‌های غیرفنی جهت کاهش مقاومت در برابر ابزارهای عامل‌محور.
گفتگو