Vad AI gör för en redovisningsbyrå i dag: kundkännedom ur öppna register på minuter, bevakning av kundstocken och rådgivningsunderlag ur bokslutsdata.
AI gör i dag tre saker för en redovisningsbyrå som går att ta på: kundkännedom där researchsteget tar minuter i stället för timmar, bevakning av kundstockens bolagshändelser, och rådgivningsunderlag byggda direkt ur bokslutsdata. Ingen av dem ersätter konsultens bedömning — alla tre ersätter tid som i dag läggs på att leta, klippa och sammanställa.
Allt nedan finns i drift och går att kontrollera. Vi har dessutom byggt den här typen av underlag för en redovisningsaktör i Östergötland — så genomgången utgår från vad en byrå faktiskt gör om dagarna, inte från vad AI teoretiskt borde kunna.
Vad kan AI göra för en redovisningsbyrå i dag?
Börja med det mest regelstyrda momentet: kundkännedom. Penningtvättslagen kräver att byrån vet vem kunden är — verklig huvudman, ägarstruktur, koncernkopplingar — innan uppdraget inleds, och att bilden hålls aktuell. I praktiken betyder det att någon på byrån sitter och pusslar ihop bolagsdata, ägarled och styrelsekopplingar ur olika källor, kund för kund. Det är kvalificerat arbete i bedömningsdelen och rent letande i researchdelen.
Researchdelen går att automatisera, och det är inte en hypotes: på opero.agency/kyc/ ligger 104 källsatta kundkännedoms-PM, genererade ur vår kartlagda bolagsgraf och öppna register. Varje PM ritar ägarkedjan, identifierar kandidater till verklig huvudman med ägarandel, sätter en preliminär riskindikation — och, viktigast av allt, säger uttryckligen vad som inte är kontrollerat. PEP- och sanktionsscreening är i PM:et märkt "verifieras i skarp drift", eftersom en siffra eller ett friskt intyg som systemet inte har täckning för aldrig ska stå i ett underlag. Det är den designprincipen som gör ett AI-genererat PM användbart i ett penningtvättsflöde: det drar gränsen mellan vad registren visar och vad handläggaren måste verifiera och bedöma.
Under PM-lagret ligger datan. Vi har kartlagt en sammanlänkad graf med 177 aktörer, varav 115 djupkartlagda ner till ägare, styrelse och koncernträd, och läst in bokslut för över 55 000 fastighets- och byggbolag ur Bolagsverkets öppna data — grunden för både bolagsprofilerna (900+ publika profiler) och det nationella benchmark som bär rådgivningsdelen längre ner. Poängen för en byrå: samma offentliga register som era handläggare slår i manuellt går att läsa maskinellt, i skala, med källhänvisning på varje uppgift.
Bevakning av kundstocken
Det andra benet är att vända flödet: i stället för att byrån upptäcker händelser när kunden hör av sig, bevakar systemet kundstocken. Styrelseändringar, nya ägarled, ändrad koncernstruktur, inlämnade eller uteblivna årsredovisningar, försämrade nyckeltal hos en kunds stora motpart — allt detta är händelser i offentliga register som går att flagga samma vecka de sker. För byrån är det två saker på en gång: uppdaterad kundkännedom (lagkravet att hålla bilden aktuell slutar vara ett årligt arkeologiprojekt) och rådgivningstillfällen (samtalet "vi såg att er största kund tappat marginal två år i rad" kommer från byrån, inte från kunden).
Utkast med granskning — aldrig autopilot
Det tredje benet är text- och sammanställningsarbetet: utkast till bokslutskommentarer, PM och kundbrev byggda på siffror som redan finns i systemen. Här är ordningen avgörande, och den är samma i allt vi bygger: systemet skriver utkast, människan granskar och godkänner, ingenting går ut automatiskt. En byrås varumärke är att det som lämnar huset är korrekt. Ett AI-system som skickar ogranskat material till kunder är inte en effektivisering, det är en yrkesansvarsrisk. Rätt byggt flyttar grovjobbet men inte ansvaret: AI:n hämtar, strukturerar och formulerar — konsulten kontrollerar, justerar och står för innehållet.
Varför sitter byrån på en guldgruva?
Därför att byrån har det enda som inte går att hämta i ett register: kundstocken och förtroendet. Offentliga data om svenska bolag är tillgängliga för alla — det är kombinationen era kunder × registren som skapar produkter ingen annan kan göra. Ett branschbenchmark blir rådgivning först när någon säger "här ligger ni mot jämförbara bolag, och det här betyder det för er". Den någon är byrån.
Vi tror därför att redovisningsbyrån är ett naturligt distributionsled för datadrivna rådgivningsprodukter — och vi säger det med korten på bordet: vi bygger själva ett dataunderlag (Munin-grafen och bokslutspipelinen ovan) och söker aktivt byråer som vill sätta sitt namn på rådgivningen ovanpå det. Ur byråns perspektiv är kalkylen enkel: rådgivningsintäkter på en kundstock ni redan har, utan att själva bygga datalagret. Ur vårt: byrån äger relationen, vi äger inte kunderna och ska inte äga dem. Det är en ärlig arbetsdelning, inte en trojansk häst — kundstocken förblir er.
Konkret kan det se ut så här: byrån väljer ut tio kunder i en bransch, systemet bygger benchmark ur boksluten (median, kvartiler, trend mot jämförbara bolag), och konsulten går in i nästa kundmöte med ett underlag som i dag bara storbyråernas analysavdelningar tar fram. Ett exempel på vad sådana underlag kan innehålla: i vår nationella genomläsning av fastighets- och byggbolagens bokslut ligger medianavkastningen på bokförda värden på 9,4 procent bland renodlade förvaltningsbolag (n=4 688). Har byrån fastighetskunder är det en siffra att lägga bredvid deras bokslut i nästa möte — och samma övning går att göra i vilken bransch som helst där bolagen lämnar in digitalt.
Det är också därför tajmingen är ovanligt bra just nu. Bolagsverkets öppna data har gjort boksluten maskinläsbara i stor skala — vår inläsning täcker de 50,6 procent av sektorns aktiebolag som redan lämnar in digitalt (uppmätt andel), och andelen växer för varje år i takt med att digital inlämning blir norm. Registerdatan som storbyråerna byggt analysavdelningar kring är i dag en pipeline och en genomtänkt design bort för en byrå med tjugo anställda.
Vad ska inte automatiseras?
Lika viktigt som listan över vad AI gör är listan över vad den inte ska göra:
- Bedömningar. Riskklassningen av en kund, beslutet att åta sig eller avsluta ett uppdrag, misstankegraden i en penningtvättsfråga — det är byråns lagstadgade ansvar och ska aldrig fattas av ett system. AI:n levererar underlaget och markerar luckorna; människan bedömer.
- Revisions- och oberoendegränser. För byråer med revisionsverksamhet sätter oberoendereglerna gränser för vilka system och vilken rådgivning revisionskunder får erbjudas. Det ritar en skarp linje: den här typen av verktyg hör hemma på redovisnings- och rådgivningssidan, och gränsdragningen måste in i designen från dag ett — inte lappas på efteråt.
- Signering och avlämnande. Årsredovisningen, deklarationen, intyget — det som bär byråns namn skrivs under av en människa som har granskat det. Alltid.
Ställ frågan om de här gränserna när ni utvärderar AI-verktyg och se vad leverantören svarar. Den som lovar att "automatisera hela KYC-processen" har inte läst penningtvättslagen.
Hur börjar en byrå i praktiken?
Genom att välja en enskild process, inte en plattform. Kundkännedomsflödet är den bästa första piloten av tre skäl: det är regelstyrt (så kraven är tydliga), det är tidskrävande i researchledet (så vinsten är mätbar i timmar), och det bygger nästan helt på offentliga data (så inga känsliga kunddata behöver flyttas för att komma igång).
Mönstret är detsamma som i våra övriga uppdrag — hur ett sådant projekt drivs lokalt har vi beskrivit i genomgången av vad vi bygger i Norrköping, och hur vi resonerar kring pris i vad ett AI-projekt faktiskt kostar. Kort: ett kartläggningssamtal där vi går igenom ert nuvarande flöde, en definierad leverans (till exempel: källsatta kundkännedoms-PM ur register för er kundstock, med tydlig märkning av vad som kräver manuell verifiering), en byggfas på veckor — och en granskningsbar leverans i slutet som ni kan öppna och ifrågasätta, precis som ni kan öppna de 104 PM som redan ligger live.
Vill ni se hur det skulle se ut på er kundstock? Samtalet kostar inget, och ni får en ärlig bild av vad som går att automatisera i era flöden — och vad som inte gör det.