Rekommendation: inrätta en AI-först Operations Office ledd av en senior chef på c-nivå för att äga transformationen och anpassa den till ledningsmålen. Detta kontor kommer att definiera dataavtal, äga de AI-aktiverade handböckerna och samordna över olika team.
Kartera i det tidiga skedet kärnaktiviteter inom ekonomi, risk, IT och kundtjänst och designa AI-copiloter som gör det möjligt för frontlinjeteam att agera snabbare. Detta arbete möjliggörs avsiktligt med tydligt ägarskap, mätbara resultat och fokus på att eliminera dyra manuella steg som bromsar feedback- och beslutscykler. Detta tillvägagångssätt ger djupare insikter när dataflöden förbättras.
enligt vårt ramverk levererar de första 90 dagarna en minimalt gångbar driftsmodell: AI-drivna instrumentpaneler, incidentvarningar och kort som destillerar komplexa beslut till åtgärdbara steg. Denna förändring återspeglar hur team lär sig av verklig data och anpassar sig i realtid, medan ledningen på hög och mellannivå får insyn i framsteg och växande flaskhalsar.
Designa driftsmodellen kring AI-aktiverade tjänster snarare än isolerade verktyg. Skapa praktiska frågekort och interna beslutskort som vägleder åtgärder och förbättrar snabbhet och ansvarighet. En liten förvaltningsstyrelse håller omfattningen snäv och säkerställer ansvarsfull AI-användning.
Var uppmärksam på kostnaden: det dyraste misstaget är att driftsätta utan bevis. Den första tanken bör vara en plan för stegvisa experiment: testa värdeerbjudanden i kontrollerade miljöer, mät effekten med finansklassade mätvärden och lås in ROI innan du skalar upp.
Rekommendationer för en praktisk utrullning inkluderar att bilda tvärfunktionella grupper under AI-driftsorganisationen, implementera dataavtal och leverera en månatlig rytm av experiment. Spåra MTTR, automationsomfattning, falskpositiva frekvenser och kundnöjdhet för att säkerställa att AI-först-metoden ökar värdet över verksamheten.
Med en disciplinerad kadens och en tydlig uppsättning kort för att vägleda beslut kan Brex skala AI-drivna verksamheter utan att offra styrning eller pålitlighet.
Fallstudie: Automatiserad utgiftskategorisering med AI på Brex
Driftsätt en enda AI-komponent för automatiserad utgiftskategorisering och ge ditt team möjlighet genom att dirigera utgiftsrader genom den; träna modellen på kunskap från godkända avtal och tidigare fakturor och skicka sedan tillbaka resultaten till aktivitetsflödet för dessa konton. Komponenten autoklassificerar spenderade rader med en noggrannhet över 90 %, flaggar objekt med lågt förtroende för mänsklig granskning och sparar manuell ansträngning under högbelastningscykler.
I ett 12-veckors pilotprojekt bearbetades 120 000 radobjekt från 1 000 kunder; systemet gav en autoklassificeringsfrekvens på 78 %, flaggade 8 500 objekt för granskning och minskade avstämningstiden från timmar till minuter för majoriteten av fallen. Detta fall visar hur snabb automatisering kan omsättas i konkreta besparingar och snabbare avslut.
Under installationen byggde vi en kunskapsgraf som länkar beskrivningar, leverantörer och avtalsvillkor till kategoritaggar; komponenten lär sig av korrigeringar och feedbackloopen hjälper den att snabbt förbättras med varje iteration. Det bra tillvägagångssättet blandar traditionella kontroller med ML, vilket minskar risken samtidigt som täckningen skalas upp.
Effekten på verksamheten visar sig vara konkret: kunderna ser renare kategorier, vilket gör det möjligt för ekonomiteam att verkligen öka kapaciteten utan fler anställda; spara timmar varje vecka och leverera snabbare månatliga avslut. Dessa vinster ger återigen team möjlighet att fokusera på strategiskt arbete snarare än repetitiva kontroller, och de förblir giltiga över växlande avtal och nya utgiftsströmmar.
För att skala, använd dessa strategier: tvinga igenom datakvalitetskontroller, upprätthåll en levande kunskapsbas om leverantörer och kontrakt, och bygg en sluten återkopplingsslinga med operatörer; sätt SLA:er för flaggade poster och automatisera uppföljningar för att snabbt ge resultat, säkerställa längre drifttider och excel-baserad rapportering.
Dessa steg positionerar Brex för att växa en AI-första operationssetup, där kunskapen som fångas i komponenten gav mätbara förbättringar för kunderna, medan kostnaderna hålls under kontroll tills modellen mognar.
Datainmatning och märkning för AI-driven utgiftskategorisering
Mata in alla utgiftskällor i ett centraliserat, tidsstämplat flöde och märk data vid import. Detta enkla steg kan helt enkelt snabba upp smartare kategorisering och minska avstämningstiden över finans och verksamhet.
- Inmatningsdesign och källor
Bygg en inmatningsdesign som hämtar utgifter från ERP-exporter, kortflöden, kontoutdrag och kvitton som fångas av OCR eller mobilappar. Använd API-anslutningar för att leverera data genom en enda pipeline till en datasjö eller ett lager. Bevara ursprung, inmatningstid och versionsmetadata så att du kan spåra beslut genom hela livscykeln. Sikta på strömning nära realtid för högvolymsposter och pålitlig batchbearbetning för historiska data, vilket slutar i ett konsekvent flöde snarare än utspridda silor.
- Datamodell och märkningsstrategi
Definiera en finanscentrerad taxonomi med kategorier, underkategorier och policyflaggor. Fånga fält som datum, belopp, valuta, säljare, vendor_id, avdelning, projekt, källa och konfidenspoäng. Märk vid import med hög konfidens först med regelbaserade kartor och berika sedan med ML-modeller. Upprätthåll en märkningsprofil som registrerar vem som märkte vad, när och varför, så att du känner till motiveringen bakom varje etikett och kan justera senare när policyerna utvecklas. Att vara försiktig med normalisering minskar fel senare i processer över team.
- Märkningskvalitet och människan-i-loopen
Inkludera mänsklig granskning för tvetydiga poster och använd aktiv inlärning för att välja lågkonfidensfall. Spåra automatisk etikettnoggrannhet, mänsklig granskningshastighet och tid-till-etikett för att förbättra loopen. Uppmuntra återkoppling mellan olika team för att förfina taxonomier och kartläggningar, vilket uppmuntrar till användning och håller teamen i linje med ändamålen.
- Avstämning och lösning
Automatisera avstämning med huvudboken genom att matcha märkta utgifter med GL-poster och flagga felaktigheter. Bifoga utredningsanteckningar och bevis till varje fall och dirigera till ett lösningsarbetsflöde. Detta tillvägagångssätt minimerar dubbelhantering och ger tydliga lösningar vid periodslut.
- Hälsa, styrning och sekretess
Övervaka täckning, noggrannhet och latens med instrumentpaneler och tvinga igenom sekretesskontroller och åtkomstpolicyer. Upprätthåll lagringsregler som stöder revisioner och efterlevnad. God datahälsa stöder smartare beslutsfattande och minskar riskerna i finansrapportering och planering över kärnprocesser.
- Operationell utrullning och frågeställning
Lansera i vågor: börja med högvolymskonton för att bevisa modellen och expandera sedan. Spåra mätvärden som automatisk etiketthaastighet, avstämningsmatchningsfrekvens och genomsnittlig tid för att stänga ärenden. Den första frågan till intressenter bör identifiera saknade källor eller datagap, och den sista biten blir okomplicerad när du anpassar profilen, instrumentpanelerna och varningarna till affärsmålen. Denna design är byggd för ett företags förmåga att avsluta böcker snabbare och med mindre omarbete.
Modellarkitektur: Välja och finjustera för kostnadsställen
Börja med en standardiserad modulär grund och rikta in uppgiftsspecifika moduler mot kostnadsställets resultat; finjustera endast den minsta komponenten för att hålla granskningarna slimmade och besluten snabba. Integrera data från ekonomi, risk och drift, använd ett delat inbäddningslager för att utmärka dig i vanliga uppgifter samtidigt som du isolerar högkvalitativa adaptrar för försäkringsbedömning och godkännanden.
Håll en slimmad utvärderingsloop med färre granskningar och robusta analytiska kontroller, så att arkitekturen snabbt kan anpassas när du skalar från ett riskkapitalbolag till bredare verksamhet. För kostnadsställen som försäkringsbedömning, designa en dedikerad utvärderingskomponent som matar in i ett styrningslager för godkännanden, vilket ökar hastigheten utan att offra riskkontroller.
Anamma en modulär finjusteringsstrategi: kör en standardbasmodell och lägg sedan till uppgiftsspecifika adaptrar, inklusive en analytisk prediktor för risknivå på fallnivå och en godkännandeorienterad modul. Detta minskar beräkningsbehovet samtidigt som det successivt förbättrar noggrannheten och hastigheten mot omedelbart affärsvärde idag.
För att stärka bemyndigande team, standardisera justeringstakten med automatiserade kontrollpunkter och omedelbara återkopplingsloopar, vilket anpassar prestandan till kostnadsmålen. För en riskkapitalfinansierad verksamhet stöder en enkomponentsarkitektur iterativa experiment, högre resultat och ökade insikter för försäkringsbedömning, risk- och produktbeslut.
Se till att dataavtal och modellversionering är inbyggda i standardkomponentsetet; detta ökar spårbarheten, minskar gåtor och snabbar upp godkännanden mot snabba driftsättningar.
Driftsättningslatens och genomströmning: Realtids- kontra batchutgiftsklassificering
Lansera en hybrid driftsättning i realtid plus batch: klassificera de vanligaste utgiftstyperna i en strömmande sökväg för att ge insyn i kassa och rapportering, medan du kör batchjobb för resten för att maximera genomströmningen. Realtidslatensen bör vara 200–500 ms per objekt; batchfönster på 15–60 minuter stöder betydligt högre genomströmning för kostnader som inte kräver omedelbar åtgärd, vilket är lämpligt för företag i sektorn som eftersträvar AI-nativ effektivitet. Den här inställningen kan bli en grund där adaptiv inferens och styrning samverkar.
En adaptiv pipeline kombinerar en robust AI-driven inferensmotor med en modern funktionsbutik, modellregister och en webbläsarbaserad instrumentpanel för rapportering och synlighet. I realtid flödar transaktioner genom en strömmande sökväg (Kafka, Kinesis eller liknande) med subsekundsbeslutslatens, medan dagliga eller timvisa batchar bearbetar om historiska data för att uppdatera etiketter och detektera avdrift. Denna separation bevarar kunskap samtidigt som genomströmningen upprätthålls över sektorns efterfrågekurva, vilket gör det möjligt för säljteam och affärsverksamhet att reagera snabbt och med förtroende.
Viktiga mätvärden styr planen: latenspercentiler, genomströmning (poster per minut), noggrannhet i utgiftsklassificering och avdrift. Realtidsbanan siktar på subsekunds end-to-end för de vanligaste kategorierna; batchbanan upprätthåller stadig genomströmning under toppar; kalibreringscykler uppdaterar inbäddningar och trösklar var 24–72 timmar. Det AI-nativa tillvägagångssättet minskar mänsklig granskning med cirka 40–60 % för rutinmässiga klassificeringar, vilket genererar användbara insikter för ledningen och möjliggör snabbare kassabeslut.
Operationella steg: definiera SLO:er, instrumentera pipelines med spårning, konfigurera funktionsflaggor för att byta banor, kör A/B-tester för att jämföra resultat och bygg rapportering som visar sektorsomfattande trender. Lansera med en liten uppsättning kategorier och utöka den sedan till att omfatta resor, kort och utläggsersättningar. Granska latens och genomströmning kort efter lanseringen, justera trösklar och se till att endast de tidskänsliga objekten flödar i realtid. Denna AI-nativa svit, levererad via en webbläsarinstrumentpanel, håller kunskapen robust och styrningen tydlig.
Kvalitetssäkring: Granskning med människan i loopen och kontinuerlig återkoppling
Implementera en strukturerad granskning med människan i loopen (Human-in-the-Loop, HITL) vid viktiga beslutspunkter i livscykeln och kräv granskarens godkännande av resultat som överskrider konfidensgränserna, så att fel fångas upp innan de får påverkan. Denna samordning gör det möjligt för team inom produkt, teknik och risk att bidra, och deras feedback förbättrade noggrannheten avsevärt och höjde bokstavligen resultaten inom fintech-användning.
Definiera en uppsättning HITL-tillfällen som är kartlagda till data- och modellbearbetningslivscykeln. Tagga fall med risk- och användarpåverkansvy och dirigera till en mänsklig granskare när förtroendet understiger en viss nivå. Kombinera automatiserade kontroller med analytisk, personlig feedback för att bevara sammanhanget och stödja deras karriärutveckling när granskare bygger bredare expertis.
Etablera mätvärden som noggrannhetsdelta, frekvens av mänskliga ingrepp och tidsåtgång för återkoppling. Spåra användning och felsignaler för att kvantifiera förbättringar. Förvänta dig minskade falska positiva resultat och färre eskaleringar, medan den genomsnittliga tiden för att certifiera utdata minskar och teamen lär sig att reagera snabbare på anomalier.
Organisera ett styrningslager som kopplar samman deras team – risk, produkt, data science och verksamhet – och positionerar QA-funktionen som en innovatör inom företaget. Ge en tydlig bild av framgångskriterier och coacha granskarna att hantera svåra saker samtidigt som de upprätthåller ett praktiskt, människoorienterat förhållningssätt. Denna anpassning gör visionen konkret för teamet och accelererar tillväxten.
Skapa en enkel eskaleringsplan: tala om för granskarna när de ska eskalera, vilka tröskelvärden som utlöser korrigerande ändringar och hur ändringar sprids genom bearbetnings- och implementeringspipelinen. Detta håller återkopplingsslingan tät och undviker förseningar som kan sakta ner produkthastigheten i fintech-miljöer.
Rulla ut i faser: pilotera två grupper, samla in feedback från användning och iterera. Dokumentera beslut och versionspolicyer för att upprätthålla en levande bild av livscykeln som alla team kan konsultera. Med detta tillvägagångssätt är företaget positionerat för att leverera mer tillförlitliga upplevelser och upprätthålla förtroendet i takt med att det skalar.
Systemintegration: Skicka AI-kategoriserade utgifter till huvudbok och rapporter
Lansera ett centraliserat, AI-drivet integrationslager som skickar AI-kategoriserade utgifter till huvudboken och rapportsviten; detta möjliggör synlighet i realtid och helautomatiserade avstämningar.
Enligt vår erfarenhet inom sektorn minskar detta tillvägagångssätt ineffektivitet genom att anpassa utgiftsmönster till huvudboken, vilket förbättrar noggrannheten och hastigheten.
Under styrning översätter ett kunskapsrikt kartläggningslager AI-kategoriserade rader till GL-konton, med input från erfarna ekonomiproffs och ledning på C-nivå för att säkerställa kontroll och ansvarighet. För ledningen som söker tillförlitliga, aktuella data ger denna uppsättning nödvändig synlighet under en gemensam policy.
För att implementera, anslut en standardiserad uppsättning API:er till källsystem; börja med en pilot i en enda affärsenhet och använd ett problemlösande tankesätt för att identifiera möjligheter till optimering. Satsningen började som ett litet experiment för att validera metoden innan skalning.
Övervaka effektivitet och risk med ett lättviktigt kontrollramverk: kartlägg undantag, upprätthåll granskningsloggar och omkalibrera AI-kategorisering när mönster förändras, vilket säkerställer att lösningen förblir korrekt under förändrade utgiftsprofiler.
Resultatet är en enhetlig plattform för drift och ekonomi som förbättrar ledningsrapporteringen, snabbar upp bokslutsprocessen och öppnar möjligheter för framtida AI-driven kostnadsoptimering i hela företaget. Den här lösningen kopplar AI-kategoriserade data till generalreskontran och rapporterna, vilket ger en enda källa till sanning för ekonomi- och företagsledare.
