आप बोर्ड के सामने पेश करने के लिए CFO पैक बना रहे हैं और कोई मॉडल बनाने की रफ़्तार बढ़ाने के लिए AI का इस्तेमाल करने का सुझाव देता है। इसमें प्रोफ़ेशनल रिस्क टूल की वजह से नहीं है। रिस्क तब होता है जब आप AI को दायरा, ड्राइवर या अनुमान तय करने देते हैं और बाद में पता चलता है कि चीज़ें मेल नहीं खा रही हैं—जैसे कि जब बोर्ड पूछता है कि ARR, डेफ़र्ड रेवेन्यू से क्यों नहीं मिल रहा, कैश का हिसाब क्यों नहीं मिल रहा, या वैल्यूएशन ऐसे मेट्रिक्स पर क्यों आधारित है जिन्हें आपके ऑडिटर स्वीकार नहीं करेंगे।
इस लेसन में आपका मकसद मॉडलिंग का दायरा, ड्राइवर का सेट और सफलता के पैमाने (सक्सेस क्राइटेरिया) को इतनी अच्छी तरह से तय करना है कि AI का आउटपुट, मॉडल के लिए इस्तेमाल करने लायक इनपुट बन जाए। मॉडल की सटीकता और उसे समझने-समझाने की ज़िम्मेदारी अभी भी आपकी ही है। AI स्ट्रक्चर और टेबल तो बना सकता है, लेकिन मॉडल से जो नतीजे निकलते हैं, उनकी ज़िम्मेदारी वह नहीं ले सकता।
AI को ब्रीफ़ देने से पहले, यह पक्का कर लें कि मॉडल में क्या-क्या होना चाहिए और उसका इस्तेमाल कैसे किया जाएगा। नीचे दिए गए आर्किटेक्चर को टारगेट शेप के तौर पर इस्तेमाल करें ताकि हर ड्राइवर और आउटपुट के लिए एक तय जगह हो।
दायरा सिर्फ़ फ़ीचर्स की लिस्ट नहीं है। यह आपके और फ़ैसला लेने वालों के बीच एक समझौता है कि मॉडल किन सवालों के जवाब देगा और किन सवालों के जवाब साफ़ तौर पर नहीं देगा। अगर आप यह समझौता नहीं करते हैं, तो आपको एक कमज़ोर वर्कबुक मिलेगी जो देखने में तो पूरी लगेगी, लेकिन बारीकी से जांचने पर फ़ेल हो जाएगी—जैसे कि जब सिनेरियो लॉजिक काम न करे, सर्कुलरिटी (circularity) दिखे, या KPI को GAAP या IFRS रिपोर्टिंग से मिलाया न जा सके।
SaaS CFO पैक के लिए, बोर्ड के इस्तेमाल के लिए ज़रूरी आउटपुट पहले ही तय कर लें। 3-स्टेटमेंट वाला मॉडल जो आपस में जुड़ा हो, ऐसे सिनेरियो जिनका ऑडिट किया जा सके, और एक वैल्यूएशन मॉड्यूल जो तरीक़े और ड्राइवर्स के बारे में साफ़ हो—ये सब बहुत ज़रूरी हैं, क्योंकि डायरेक्टर सिर्फ़ ग्रोथ से जुड़े सवाल ही नहीं, बल्कि डेटा के मिलान (tie-out) से जुड़े सवाल भी पूछेंगे।
AI को भी जूनियर एनालिस्ट की तरह ही ब्रीफ़िंग पैकेट की ज़रूरत होती है। इसके बिना, यह खाली जगहों को ठीक-ठाक लगने वाले नंबरों या कैटेगरी डिफ़ॉल्ट से भर देता है, और आपको ऐसे मनगढ़ंत इनपुट मिलते हैं जो चुपचाप आपके कैश रनवे या वैल्यूएशन को प्रभावित करते हैं। इसका नतीजा सिर्फ़ दिखावटी नहीं होता। यह फ़ैसले में हुई ऐसी गलती है जिसका आप बचाव नहीं कर सकते, क्योंकि आप उस अनुमान (assumption) का सोर्स पता नहीं लगा सकते।
आपके पैकेट में तीन वर्किंग डॉक्यूमेंट होंगे। एक अज़म्पशन लॉग (assumptions log) जिसमें हर ड्राइवर, उसकी वैल्यू, समय का आधार और सोर्स बताया गया हो। एक डेटा डिक्शनरी जो हर मेट्रिक और उसके कैलकुलेशन को परिभाषित करे ताकि ARR, रेवेन्यू, बिलिंग और डेफ़र्ड रेवेन्यू (deferred revenue) में कोई कन्फ़्यूज़न न हो। सीमाएँ (constraints) जो AI को बताएँ कि उसे क्या चीज़ें खुद से नहीं बनानी हैं, जिसमें कोई भी नॉन-पब्लिक ऑपरेटिंग मेट्रिक और अकाउंटिंग पॉलिसी से जुड़े ऐसे फ़ैसले शामिल हैं जिनके लिए आपके निर्णय की ज़रूरत हो।
अगली एक्सरसाइज़ का इस्तेमाल करके एक अनस्ट्रक्चर्ड प्लानिंग मेमो को स्ट्रक्चर्ड ड्राइवर इनपुट में बदलें, जिन्हें मॉडल असल में इस्तेमाल कर सके।
सिर्फ़ मॉडल मांगने वाला प्रॉम्प्ट असल में ‘इम्प्रोवाइज़ेशन’ (मौके पर तय करने) वाला प्रॉम्प्ट होता है। लेकिन ऐसा प्रॉम्प्ट जिसमें फ़ॉर्मैट, नाम रखने के नियम और चेक करने की ज़रूरतें बताई गई हों, उससे ऐसे आउटपुट मिलते हैं जिन्हें आप रिव्यू कर सकते हैं। अगर आप एक्सेप्टेंस टेस्ट तय नहीं करते हैं, तो काम बनाने में जो समय बचा था, वह टेबल को फिर से फ़ॉर्मैट करने, टूटे हुए लिंक ढूंढने और बाद में यह पता लगाने में खर्च हो जाएगा कि मॉडल बैलेंस नहीं हो रहा है।
अपने ब्लूप्रिंट में ये चार चीज़ें शामिल करें: रोल और कॉन्टेक्स्ट जो डोमेन और एंटिटी के प्रकार को साफ़ तौर पर बताएं। सटीक आउटपुट फ़ॉर्मैट, जिसमें आपके एक्सेल लेआउट से मेल खाने वाली टेबल और Rev_Drivers या WC_Assumptions जैसे नाम वाली रेंज शामिल हों। जहाँ ज़रूरी हो, वहाँ साफ़ तौर पर न्यूट्रैलिटी (तटस्थता) रखें, जैसे कि US GAAP और IFRS फ़्रेमिंग, जब तक कि आप कुछ और न कहें। ऐसे एक्सेप्टेंस टेस्ट जिन्हें AI को पूरा करना ही हो, जैसे बैलेंस शीट बैलेंसिंग, कैश रिकॉन्सिलिएशन और ARR मूवमेंट चेक।
अपने प्रॉम्प्ट ब्लूप्रिंट को ऐसे टेम्प्लेट का इस्तेमाल करके तैयार करें जिसमें स्ट्रक्चर्ड टेबल और टोटल चेक करने की सुविधा हो, ताकि आप कम से कम बदलाव के साथ उसे पेस्ट कर सकें।