AI לרואי חשבון: איך חיבור ישיר ל-NetSuite מקצר עונת תקציב מחודשים לשבועות

שיחה שהתחילה כמו כל שיחת תקציב אחרת

עונת התקציב עמדה להיפתח, ומנכ"ל חברת הפצת פאנלים סולאריים רצה לדבר על התוכנית. הוא ידע שאני עוסק ב-AI בכספים, ובשלב מסוים באמצע השיחה הוא שאל את השאלה שאני שומע הכי הרבה: "זה יכול לעזור לנו עם התקציב?"

שאלה הוגנת. ולחברה הזו היה משהו שלרוב הלקוחות שלי אין: ה-ERP וכל הנתונים שלה כבר היו ניתנים לחיבור ישיר ל-AI. הם פשוט לא היו בטוחים מה זה אומר בפועל, ומה זה יכול לעשות.

אז בדקנו את זה ברצינות. ישבתי עם המנכ"ל וה-CFO של החברה, פתחנו מסמך ריק, וכתבנו כל מה שמשתבש בתהליך התקציב שלהם. אחר כך עברנו על הרשימה, סעיף אחר סעיף, כדי לראות מה AI מחובר יכול לעשות בפועל לגבי כל בעיה.

התוצאות הפתיעו אותי מספיק כדי לכתוב אותן.

החברה והתהליך

חברה להפצת פאנלים סולאריים, כ-220 מיליון דולר הכנסות, 255 עובדים.

עונת התקציב שלהם נפתחת בסוף אוגוסט, והתקציב הסופי נדרש עד סוף ספטמבר — כחמישה שבועות. התהליך מוכר לכל מי שעובד בכספים: הכספים שולחים לכל מחלקה הנחיות ותבנית Excel עם היסטוריית בסיס, המחלקות ממלאות ומחזירות, הכספים מאחדים הכל לקובץ מאסטר, בונים ממנו גיליון סיכום, והסיכום עולה לכלי התקצוב.

על הנייר זה נשמע נקי. בפועל, הרשימה של הבעיות הגיעה לשמונה סעיפים עוד לפני שסיימנו את הקפה הראשון.

שמונה הבעיות שכולם מכירים

הנה הרשימה כפי שהיא נכתבה, כי רוב הסעיפים כנראה יישמעו מוכרים:

#	הבעיה	למה זה כואב
1	המחלקות לא מיומנות בקריאת תבניות פיננסיות מורכבות, ומגישות בפורמט חופשי	הידע התפעולי שלהן אף פעם לא מגיע שלם למודל
2	ממדים לא עקביים — מחלקות, קטגוריות ומיקומים משתנים בין שנים	כל ניתוח לפי הממדים האלה לא אמין, ומגלים את זה רק כשהמספרים מפסיקים להסתדר
3	חילוץ ואיחוד ידניים — ריבוי דוחות שמורכבים ידנית ב-Excel	בולע 30-50% מזמן הלוח השנה בלי שום ערך אנליטי
4	בסיס ההשוואה אף פעם לא מנוקה — פריטים חד-פעמיים, סיווגים מחדש, היפוכים	נכנסים לתוכנית כאילו הם מגמה
5	"שנה שעברה פלוס X%" — השיטה הזולה ביותר, ולכן זו שמנצחת	יורשת כל טעות וחוסר יעילות של השנה הקודמת, כולל מה שאף אחד לא זיהה
6	הנחות לא מתועדות ולא מבודדות — מספרים מוקלדים ישירות לתאים	לשאלה "למה 8%?" התשובה היא "ככה עשינו בשנה שעברה"
7	Excel כתשתית — גרסאות, קישורים שבורים, נוסחאות עם טווחים שהוזזו	המודל עובד עד שמישהו נוגע בו
8	איחוד ובדיקת התאמה מתבצעים ידנית ובסוף התהליך	טעות שנעשתה בשבוע הראשון מתגלה בשבוע השישי, כשהיא הכי יקרה לתיקון

ה-CFO הוסיף הערה שנשארה איתי: שליפה, פורמט, התאמה, בדיקה צולבת, איתור למה מספר זז — זו עבודה חוזרת מדי שנה, מבוססת כללים, ובדיוק מסוג העבודה ש-AI טוב בה. וגם בדיוק מסוג העבודה שהיא הכי יקרה כשאנשי כספים עושים אותה.

אבל AI שימושי כאן רק אם הוא יכול להגיע לנתונים בעצמו. לבקש ממנו לנקות בסיס השוואה בלי גישה לספר הראשי זה כמו לבקש ממנו לעבוד מצילום מסך. לכן שווה להסביר קודם מה בעצם מאפשר את זה.

מה זה MCP connector

תחשבו על זה כגשר עם הרשאות מבוקרות בין AI לבין מערכת עסקית.

במקום לייצא דוח, לשמור אותו, ולהדביק אותו בצ'אט, ה-AI שולף מהמערכת ישירות — ברמת הפירוט המבוקשת. מבקשים הוצאות לפי חשבון, לפי מחלקה, לפי חודש — וזה בדיוק מה שחוזר.

גישת קריאה בלבד היא נקודת ההתחלה הבטוחה, וזה מה שהשתמשנו בו לאורך כל התהליך. ה-AI יכול לראות הכל ולשנות כלום.

מה בנינו בפועל

1. למידה משלושת התקציבים האחרונים לפני כתיבת תקציב חדש

אף אחד לא עושה את זה, וזה הדבר הכי זול ברשימה ועם הכי הרבה אימפקט.

לפני שנגענו בתקציב השנה הבאה, שלפנו את שלושת התקציבים האחרונים והשווינו כל אחד למה שקרה בפועל. איפה החברה הזו טועה באופן עקבי?

התשובה הייתה ספציפית. קטגוריות עלות מסוימות תוקצבו בחסר שנה אחרי שנה, באותו כיוון. הנחות שגויות משמעותית, שאף אחד לא הסתכל עליהן מספיק זמן כדי לשים לב, כי הסתכלות בעבר הייתה אומרת יומיים של שליפת דוחות.

שלפנו גם נתונים בפועל לשנתיים-שלוש אחרונות, שנה נוכחית עד כה, התחזית האחרונה, ועונתיות חודשית. בתוכנית רב-שנתית השתמשנו רק ככיוון כללי — שימושית לאן החברה רוצה להגיע, חלשה כבסיס לתקציב.

חשוב לומר: לפני כל זה, הבקרה הפיננסית קובעת את ההיגיון. מה מתוכנן לפי מגמה, מה לפי דרייבר, מה מגיע מחוזים. ה-AI לא מחליט את זה. הוא רק הופך לזול לבדוק אם ההחלטה הייתה נכונה.

2. בסיס השוואה שבאמת נקי

כאן הגיע הממצא הראשון האמיתי.

ניקוי בסיס השוואה הוא אחת המשימות שכולם מסכימים שהיא חשובה וכמעט אף אחד לא עושה, כי היא פתוחה מדי. מאיפה מתחילים? אז זה מדלגים, והרעש של השנה שעברה הופך למגמה של השנה הבאה.

הפכנו את זה לצ'קליסט. השערות ספציפיות שניתנות לבדיקה: רישומים בלי ספק, עסקאות שמצטברות בסוף תקופה, פריטים חד-פעמיים, זיכויים שנרשמו לחשבונות הוצאה. כל אחת לוקחת בערך דקה כשאפשר לשאול את הספר הראשי ישירות.

הצ'קליסט הזה מצא 784,615 דולר של רישומי יומן מתקנים לא מתועדים לאורך שלושה עשר חודשים. עלות שהוצגה בחסר, מזומן ורווח נקי שהוצגו ביתר.

בלי למצוא את זה, כל העיוות הזה היה זורם ישירות לתוך בסיס ההשוואה של השנה הבאה והופך ל"מגמה".

הפלט לא היה רק מספר. זה היה רישום החרגות מתועד — כל פריט, הסכום, הסיבה. בסיס ההשוואה הפך לניתן לשחזור וברור מספיק להצגה בפני מבקר, במקום להיות מה שהאנליסט במקרה שם לב אליו.

3. לתת למחשב לתקצב את החצי הצפוי

יש פה משהו מובן מאליו שאף אחד לא עושה.

לא כל שורת עלות זקוקה לבן אדם שיחשוב עליה. נתח גדול מההוצאות יציב ומונע על ידי זמן ותו לא: מנויים, ביטוח, שכירות, אחזקה שוטפת. אין שם תובנה אסטרטגית. מישהו פשוט צריך להפיק מספר סביר.

זיהינו את מרכזי העלות האלה, ונתנו ל-AI לנסח עבורם תקציב ישירות מההיסטוריה — לפי מגמה בפועל ושינויים חוזיים ידועים.

זה מוריד עבודה מאנשים שיש להם שימוש טוב יותר לזמן שלהם, ומאפשר למחלקות שיש להן באמת מה לתרום — מכירות, רכש — להשקיע את תשומת הלב שלהן בשורות המעטות שבהן השיפוט שלהן באמת חשוב.

4. תבניות שמלמדות במקום לבחון

זה היה החלק האהוב על ה-CFO, ולדעתי הסעיף הכי לא מוערך ברשימה.

היום מנהל מקבל תבנית ריקה ובקשה. לבנות תקציב מרשת ריקה זה קשה, בייחוד מי שאינו איש כספים. אז אנשים מנחשים, מעתיקים משנה שעברה, או מבקשים עזרה מהכספים והתהליך מאט.

הפעם השתמשנו ב-AI כדי לבנות תבניות ממולאות מראש עם ההיסטוריה של המחלקה עצמה — הוצאה לפי חשבון, ספקים גדולים ביותר, התחייבויות פתוחות, קצב ריצה נוכחי, ועמדת פתיחה מוצעת.

התפקיד שלהם משתנה מבנייה לבדיקה. בדיקה הרבה יותר קלה. לא צריך לדעת איך בונים תקציב כדי להסתכל על מספר ולהגיד "זה נמוך מדי, אנחנו מוסיפים תערוכה באפריל".

התבנית גם בונה מיומנות. מנהל שרואה את ההוצאה שלו מפורקת לפי דרייבר, וצריך להסביר שינויים שהוא עושה, לומד איך תקציב באמת נבנה — מה עלות שמשתנה עם נפח, מה קבועה, מה חוזית. עם כל מחזור הוא משתפר, בלי שאף אחד הריץ הדרכה.

שני דברים בנינו פנימה. תכנון בשני כיוונים — מלמעלה למטה להנחה המהירה, מלמטה למעלה לפירוט. מנהל מכירות יכול לשים +5% על כל היחידה העסקית, ואז להזיז לקוח ספציפי ל-15%+ כי הוא יודע שמגיע חוזה.

והנעילה של כל מה שלא בבעלות המנהל. הנוסחאות נשארות נעולות. מנהלים משנים רק את הקלט שלהם, ומשאירים הערה קצרה על כל שינוי גדול. ברגע שבן אדם הקליד מספר, ה-AI לא דורס אותו — הוא יכול לסמן אותו לבירור, אבל הקלט האנושי נשאר.

5. מי מתכנן מה

הקשר הרחב יותר שהשתמשנו בו איפשר לנקות משהו שהתפזר לאורך השנים: מי בעצם אחראי על תכנון מה.

תחום	מה מתוכנן
מכירות, לפי יחידה עסקית	לקוחות ומוצרים מרכזיים, נפחים, מחירים, לקוחות חדשים ואבודים, תמהיל. 80-90% העליונים של ההכנסה בפירוט; השאר בקבוצה
רכש	מחירי רכישה, הודעות ספקים, החזרים, חיסכון, שינויי ספק, מט"ח היכן שרלוונטי. הנפחים מגיעים מתוכנית המכירות — ואם רכש לא יכול להבטיח אותם, זה צריך לעלות ולהיפתר מול מכירות
משאבי אנוש	תקן כוח אדם, גיוסים, עזיבות, העלאות שכר, בונוסים
תמיכה / הוצאות תפעוליות	ה-AI מכין את הבסיס לשכירות, רישיונות, נסיעות ודומיהם. המנהל מוסיף את השינויים המשמעותיים
הוצאות הוניות	כל השקעה בנפרד: סכום, מועד תחילת שימוש צפוי, אורך חיים שימושי, והנימוק. הפחת ודרישות המזומן נגזרים מזה

6. הבדיקה שפעם לא הייתה קורית

כשהתבניות חוזרות, התהליך הישן היה: לחבר את המספרים. התהליך החדש הוא: לבדוק אם הסיפור מסתדר.

זה השלב שבו הפסקנו לעבוד דרך ה-connector והתחלנו לעבוד עם מודל ה-AI עצמו. וזה גם המקום שבו רוב השיפור באיכות יושב.

המטרה היא לא לסמן כל סטייה קטנה. המטרה היא לתפוס את מה שלא הגיוני:

• הכנסה +20%, כשבשלוש השנים האחרונות הצמיחה הייתה 3-5%. להסביר את זה.
• שולי רווח גולמי היסטוריים 28-31%, התקציב אומר 36%. מה בדיוק משתנה?
• מחירי רכישה +7%, מחירי מכירה +1%. ריאלי? זו שאלה לרכש ולמכירות.
• מכירות +15% עם אותו מספר אנשי מכירות. אפשרי, אבל על סמך מה?
• עלות שהייתה 200 אלף בשנה שעברה ו-0 בתקציב. בוטלה, או נשכחה?
• יחידה אחת מתכננת +20% הכנסה ורכש לא מראה עלייה מקבילה. התוכניות האלה לא מסתדרות.

הקטגוריה האחרונה — האם התוכניות מסתדרות בין מחלקות — היא בדיוק מה שאיחוד ידני כמעט אף פעם לא תופס. כל הגשה יכולה להיראות סבירה בפני עצמה, בזמן שסיפור החברה השלם לא עקבי.

מכירות גדלות, אז צריך יותר סחורה, אז רכש צריך להבטיח אותה במחיר מסוים, אז אולי צריך יותר אנשים, וזה אומר שכר, נסיעות ורישיונות. כל תוכנית בודדת יכולה להיות תקינה בזמן שהשרשרת שבורה.

7. שאלות ל-CFO, לא רק קובץ

אחרי האיחוד, ה-AI הפיק משהו שה-CFO לא ביקש אבל רצה מיד: 15 השאלות החשובות ביותר שצריך לפתור לפני שהתקציב מסוכם.

למה יחידה עסקית מתכננת +18% כשהתחזית הנוכחית היא +4%? מה תומך במעבר שולי הרווח הגולמי מ-29% ל-33%? האם צריך 5 גיוסים חדשים בשביל 3% צמיחת מכירות? למה השיווק גדל ב-40%?

הרשימה הזו היא סדר יום לביקורת הנהלה, שנוצר אוטומטית. היא ממקדת את תשומת הלב של הבקר בדיוק במקום הנכון.

8. תרחישים מפסיקים להיות פרויקט

אחרי האיחוד הראשון בנינו תרחיש בסיס, ירידה ועלייה. תרחיש הירידה כלל הכנסה -5%, מחירי רכישה +3% מעל התוכנית, ושכר +5% במקום +3%.

בתהליך הישן כל תרחיש היה ימים של עבודה מחדש. זו הסיבה שרוב החברות בונות תרחיש אחד וקוראות לו תוכנית.

כשהמודל בנוי נכון, תרחיש הוא חישוב מחדש. מה שאומר שאפשר גם להריץ אותו הפוך: מה ההכנסה צריכה להיות כדי לשמור על ה-EBITDA ביעד אם מחירי הרכישה עולים 5%? הבקרה הפיננסית קובעת את הגבולות; המודל מוצא את התשובה.

מה זה נתן בסיכום

דירגנו את זה בכנות, כולל איפה זה לא עוזר.

מדד	דירוג	למה
האצת מחזור	גבוה	שליפה, ניקוי, איחוד ובדיקת התאמה נמדדים בדקות במקום ימים. איטרציה על תרחישים הופכת חינמית
איכות התקציב	גבוה	הנחות מתועדות מעצם הבנייה, חריגות מזוהות בבסיס, והשיטה מאומתת בבדיקה על נתוני עבר לפני שהיא משמשת
הסרת צווארי בקבוק	בינוני-גבוה	מסיר את צוואר הבקבוק של הכנת הנתונים והאיחוד. לא מסיר את שלב האישור או המשא ומתן בין מחלקות

שני תוצאות שוות ציון מיוחד.

המודל מבוסס הדרייברים להוצאות תפעוליות נחת בטווח של 3.6% מהבפועל, כאשר 68 מתוך 76 שורות היו בטווח של ±5%. זו הבדיקה על נתוני עבר — השיטה הייתה צריכה להוכיח את עצמה מול שנה שכבר קרתה, לפני שסמכו עליה עם שנה שעוד לא קרתה.

וכל בדיקת התאמה במודל הסופי מסתכמת בדיוק לאפס. הכנסת התקציב מול התחזית, עלות המכר מול התחזית, הוצאות תפעוליות של מחלקה מול סך הרווח וההפסד — אין שורה בלי ממד. בדיקת ההתאמה הפסיקה להיות שלב בסוף הלוח השנה והפכה לתכונה של המודל, נכונה בכל איטרציה.

התשתית קטנה יותר משנדמה

כל מה שקשה בתקציב — הסכמה על יעדים, בעלות על המספרים, הגנה על הנחה מול הדירקטוריון — עדיין קשה. מה שמשתנה הוא כל מה שאיטי ומועד לטעויות סביב זה: ההגעה לסט נתונים נקי ומתואם לבנות עליו, ושמירת התוכנית מחוברת למציאות אחרי שהתקציב אושר.

שום דבר מזה לא דרש פיתוח מותאם אישית. החיבור ל-ERP הוא חיבור סטנדרטי מבוסס MCP (Model Context Protocol), שמאפשר לחבר את כלי ה-AI לבחירתכם — Claude או ChatGPT — ישירות למערכת. חלק מספקי ה-ERP המובילים כבר חושפים שכבת חיבור כזו, שמנגישה רשומות, דוחות ושאילתות ככלים שה-AI יכול להפעיל בשפה טבעית. ככה "תראה לי רישומים מתקנים מעל 50 אלף, שנרשמו בשני הימים האחרונים של כל תקופה" הופך משאילתה ל-IT לשאילתה ישירה.

החלק שהכי חשוב ל-CFO הוא הממשל. הכלים רצים בתוך מודל ההרשאות של ה-ERP עצמו. כלי ה-AI רואה בדיוק את מה שהתפקיד שהוא מחובר תחתיו מורשה לראות, ולא מעבר לזה. תפקיד מנהל מערכת חסום מעיקרו, ולכן יוצרים תפקיד ייעודי ומצומצם לגישת AI. כל קריאה נרשמת מול רשומת האינטגרציה.

הדבר האחד שכדאי לזכור

הפיילוט הזה נבנה כולו על גישת קריאה בלבד, עם כלי AI שיושב מחוץ למערכת ולא משנה בה כלום. זו נקודת ההתחלה הבטוחה, וזו גם הסיבה שהוא היה קל להטמעה — אין כאן שינוי תהליך, יש חיבור נוסף שקורא נתונים וממחיש עד כמה הם היו בלתי מנוצלים קודם.

העיקרון שכל הפיילוט הזה נבנה עליו הוא פשוט: לעולם לא לקבל מספר שאי אפשר לעקוב אחורה למקור שלו. כל ממצא ברשימה הזו — 784,615 הדולר, שורות ההוצאות התפעוליות, שאלות ה-CFO — התאפשר כי ה-AI יכול היה להצביע בדיוק על השורה, החשבון והחודש שממנו הגיע.

זה לא סיפור על להחליף שיפוט פיננסי במחשב. זה סיפור על להסיר את ההרכבה הידנית שאף פעם לא הייתה צריכה לצרוך את רוב עונת התקציב, ולתת לאנשי הכספים להשקיע את הזמן במקום שבו השיפוט שלהם באמת קובע.

הצעד הבא

הצעד הבא שלך הוא לעוד מידע, תוכן ומדריכים לפני כולם. הירשם לבלוג שלי.