آپ بورڈ کے سامنے پیش کرنے کے لیے CFO کی رپورٹ (پیک) تیار کر رہے ہیں اور کوئی آپ کو ماڈل کی تیاری میں تیزی لانے کے لیے AI استعمال کرنے کا مشورہ دیتا ہے۔ یہاں پیشہ ورانہ خطرہ خود ‘ٹول’ (آلے) میں نہیں ہے۔ اصل خطرہ AI کو ماڈل کا دائرہ کار، محرکات یا مفروضے خود طے کرنے کی آزادی دینے میں ہے؛ اور پھر اس تضاد (mismatch) کا علم تب ہونا جب بورڈ یہ سوالات اٹھائے کہ ARR کا تعلق ‘موخر آمدنی’ (deferred revenue) سے کیوں نہیں مل رہا، کیش (cash) کا حساب کیوں برابر نہیں ہو رہا، یا ویلیوایشن (valuation) کی بنیاد ایسے میٹرکس پر کیوں رکھی گئی ہے جنہیں آپ کے آڈیٹرز قبول نہیں کریں گے۔
اس سبق میں آپ کا مقصد ماڈلنگ کے دائرہ کار، محرکات کے مجموعے اور کامیابی کے معیارات کی اتنی واضح اور درست وضاحت کرنا ہے کہ AI سے حاصل ہونے والا ڈیٹا (آؤٹ پٹ) ماڈل کے لیے قابلِ استعمال ان پٹ بن سکے۔ ماڈل کی درستگی اور اس کی تشریح کی ذمہ داری بہرحال آپ ہی کی ہے۔ AI ڈھانچے اور ٹیبلز تو تیار کر سکتا ہے، لیکن ماڈل سے اخذ ہونے والے نتائج یا مضمرات کی ذمہ داری قبول نہیں کر سکتا۔
AI کو ہدایات دینے سے پہلے، اس بات پر اتفاق رائے قائم کر لیں کہ ماڈل میں کیا کچھ شامل ہونا چاہیے اور اسے کس طرح استعمال کیا جائے گا۔ نیچے دیے گئے آرکیٹیکچر (ڈھانچے) کو بطور ہدف استعمال کریں تاکہ ہر محرک (driver) اور آؤٹ پٹ کے لیے ایک مخصوص جگہ (home) موجود ہو۔
دائرہ کار محض خصوصیات کی فہرست نہیں ہے۔ یہ آپ اور فیصلہ سازوں کے درمیان ایک معاہدہ ہے کہ ماڈل کن سوالات کے جواب دے گا اور کن سوالات کے جواب واضح طور پر نہیں دے گا۔ اگر آپ اس معاہدے کو نظر انداز کرتے ہیں، تو آپ کو ایک کمزور ورک بک ملتی ہے جو بظاہر مکمل لگتی ہے لیکن جانچ پڑتال کے دوران ناکام ہو جاتی ہے—مثلاً جب منظرنامے (scenario) کی منطق ٹوٹ جائے، دائرہ جاتی تضادات (circularities) پیدا ہوں، یا KPIs کا GAAP یا IFRS رپورٹنگ کے ساتھ موازنہ اور مطابقت (reconciliation) قائم نہ ہو سکے۔
SaaS CFO پیک کے لیے، بورڈ کے استعمال کے لیے درکار کم از کم نتائج (outputs) کا پہلے ہی تعین کر لیں۔ تین گوشواروں (3-statements) پر مبنی مربوط ماڈل، قابلِ آڈٹ منظرنامے، اور ویلیوایشن (valuation) کا ایسا ماڈیول جو طریقہ کار اور بنیادی عوامل (drivers) کے بارے میں واضح ہو—یہ سب بنیادی اور لازمی تقاضے ہیں، کیونکہ ڈائریکٹرز صرف ترقی (growth) سے متعلق سوالات ہی نہیں بلکہ اعداد و شمار کے باہمی ربط اور مطابقت (tie-out) سے متعلق سوالات بھی پوچھیں گے۔
AI کو بھی اسی طرح بریفنگ پیکٹ کی ضرورت ہوتی ہے جیسے کسی جونیئر تجزیہ کار کو۔ اس کے بغیر، یہ خالی جگہوں کو بظاہر درست لگنے والے اعداد یا زمرہ جاتی ڈیفالٹس (category defaults) سے پُر کر دیتا ہے، اور نتیجے میں آپ کے پاس ایسے فرضی یا خود ساختہ ان پٹس (hallucinated inputs) آ جاتے ہیں جو خاموشی سے آپ کے کیش رن وے (cash runway) یا ویلیوایشن پر اثر انداز ہوتے ہیں۔ اس کا نتیجہ محض ظاہری نوعیت کا نہیں ہوتا؛ یہ فیصلے کی ایسی غلطی ہوتی ہے جس کا آپ دفاع نہیں کر سکتے کیونکہ آپ اس مفروضے (assumption) کا سراغ کسی مستند ماخذ تک نہیں لگا سکتے۔
آپ کے پیکٹ میں تین ورکنگ دستاویزات شامل ہونی چاہئیں۔ ایک مفروضوں کا لاگ (assumptions log) جو ہر بنیادی عامل (driver)، اس کی قدر (value)، وقتی بنیاد اور ماخذ کو بیان کرے۔ ایک ڈیٹا ڈکشنری جو ہر میٹرک اور اس کے حساب کتاب کے طریقے کی وضاحت کرے تاکہ ARR، ریونیو، بلنگز اور مؤخر شدہ ریونیو (deferred revenue) کے درمیان خلط ملط نہ ہو۔ حدود و قیود (constraints) جو AI کو بتائیں کہ اسے کیا چیزیں خود سے تخلیق کرنے کی اجازت نہیں ہے، بشمول کوئی بھی غیر عوامی آپریٹنگ میٹرکس اور اکاؤنٹنگ پالیسی کے ایسے انتخاب جن کے لیے آپ کی ذاتی رائے یا فیصلے کی ضرورت ہو۔
اگلی مشق کا استعمال کرتے ہوئے منصوبہ بندی کے غیر منظم میمو (unstructured planning memo) کو ایسے منظم ‘ڈرائیور ان پٹس’ میں تبدیل کریں جنہیں ماڈل واقعی استعمال کر سکے۔
ایسا پرامپٹ (prompt) جو صرف ایک ماڈل کا مطالبہ کرے، وہ درحقیقت فوری اور غیر منظم تخلیق (improvisation) کی دعوت دیتا ہے۔ اس کے برعکس، ایسا پرامپٹ جو فارمیٹس، نام رکھنے کے اصولوں (naming conventions) اور جانچ کے تقاضوں کی وضاحت کرے، وہ ایسے نتائج (deliverables) فراہم کرتا ہے جن کا آپ جائزہ لے سکتے ہیں۔ اگر آپ قبولیت کے معیارات طے نہیں کرتے، تو ماڈل کی تیاری میں بچایا گیا وقت آپ کو بعد میں ٹیبلز کی فارمیٹنگ درست کرنے، ٹوٹے ہوئے لنکس (broken links) تلاش کرنے اور یہ دریافت کرنے میں صرف کرنا پڑے گا کہ ماڈل کا حساب متوازن (balance) نہیں ہے۔
اپنے بلیو پرنٹ میں چار عناصر شامل کریں: کردار اور سیاق و سباق (context) جو متعلقہ شعبے اور ادارے کی نوعیت کا تعین کریں۔ نتائج کے درست فارمیٹس، بشمول ایسے ٹیبلز جو آپ کے ایکسل (Excel) لے آؤٹ سے مطابقت رکھتے ہوں اور مخصوص ناموں والی رینجز (named ranges) جیسے کہ Rev_Drivers یا WC_Assumptions۔ جہاں ضروری ہو وہاں واضح غیر جانبداری (neutrality)، مثلاً US GAAP اور IFRS کے اصولوں کا اطلاق (جب تک کہ آپ کسی اور طریقے کی ہدایت نہ کریں)۔ قبولیت کے وہ ٹیسٹ جن پر AI کو پورا اترنا لازمی ہو، جیسے کہ بیلنس شیٹ کا توازن، کیش کا ملاپ (reconciliation)، اور ARR میں تبدیلیوں کی جانچ۔
اپنے پرامپٹ کا بلیو پرنٹ ایسے ٹیمپلیٹ کا استعمال کرتے ہوئے تیار کریں جو منظم ٹیبلز اور ٹوٹل (totals) کی جانچ کو یقینی بنائے، تاکہ آپ اسے کم سے کم ردوبدل یا تشریح کے ساتھ براہِ راست استعمال (paste) کر سکیں۔