Finansiel Analyse & Rapportering

Finansiel analyse med sprogmodeller dækker det arbejde, hvor tal og tekst skal oversættes til beslutningsgrundlag. Det kan være gennemgang af et årsregnskab, sammendrag af en kvartalsrapport eller strukturering af research op til en investeringsbeslutning. Fællesnævneren er, at kildematerialet allerede findes, og at modellen skal læse, sammenholde og formulere.

Grænsen mod almindelig dokumentopsummering går ved domænekravet. En finansiel analyse skal respektere regnskabsprincipper, periodiseringer og definitioner af nøgletal, og en fejl her er ikke en stilistisk skønhedsfejl. Grænsen mod kvantitativ modellering går den anden vej: prisfastsættelse, backtesting og porteføljeoptimering hører hjemme i regneark og kode, ikke i en sprogmodel.

Use-casen dækker heller ikke rådgivning. Output er analysemateriale til en fagperson, ikke en anbefaling til en kunde. Den skelnen er både juridisk og praktisk, og den bør være indbygget i systemet fra start.

Et typisk setup starter med datalaget. Regnskabsdata hentes fra XBRL-filer, ERP-systemer eller markedsdata-API'er, mens kvalitative kilder som ledelsesberetninger og fondsbørsmeddelelser hentes som tekst. De to typer kilder behandles forskelligt: tal skal ind i en struktureret form, tekst skal chunkes og indekseres til RAG.

Derefter kommer beregningslaget. Nøgletal som EBITDA-margin, soliditetsgrad og cash conversion beregnes i kode, ikke af modellen. Sprogmodellen får de færdige tal som input og skal fortolke dem, ikke producere dem. Modeller som GPT-5.6 Sol og Claude Sonnet 5 kan udføre aritmetik gennem tool calls, men det er stadig værktøjet, der regner, og logningen af hver beregning er en del af leverancen.

Til sidst genereres teksten. Kvaliteten afhænger mest af tre ting: om konteksten indeholder de rigtige perioder og sammenligningsgrundlag, om prompten definerer regnskabsbegreberne præcist, og om der findes et fast rapportformat, modellen skal udfylde. En løs instruktion om at "analysere regnskabet" giver generisk tekst. En instruktion om at forklare afvigelsen i bruttomargin mellem to specifikke kvartaler med angivne tal giver noget brugbart.

Den hyppigste fejl er tavse taluoverensstemmelser. Modellen gengiver et tal fra en tabel, men rammer den forkerte kolonne, den forkerte periode eller en delkoncern i stedet for koncernen. Teksten læser fejlfrit, og fejlen opdages først, når nogen kontrollerer mod kilden. Derfor er sporbarhed fra hver påstand tilbage til et konkret felt vigtigere end sproglig polering.

En anden fejl er falsk kausalitet. Modellen finder et mønster i tallene og leverer en forklaring, der lyder plausibel, men som ikke står nogen steder i materialet. "Omsætningsfaldet skyldes svag efterspørgsel i Norden" kan være en ren hallucination bygget på en korrekt observeret nedgang. Kravet bør være, at enhver årsagsforklaring har en kilde i ledelsesberetningen eller udtrykkeligt markeres som hypotese.

Tredje problem er tidsvinduet. Træningsdata er statiske, markedet er ikke, og en model uden adgang til opdaterede kurser eller nyheder vil skrive om forhold, der har ændret sig. Det gælder også regelændringer, hvor en model kan anvende en regnskabsstandard i en tidligere version. RAG løser en del af det, men kun hvis indekset faktisk vedligeholdes.

Gevinsten er sjældent, at modellen finder indsigter, en erfaren analytiker ikke ville finde. Den ligger i dækningsgraden: at ti selskaber kan gennemgås i stedet for tre, og at førsteudkastet til en kvartalsgennemgang foreligger på minutter frem for timer.

Det flytter analytikerens arbejde fra at læse og udtrække til at vurdere og udfordre. Det er en reel produktivitetsgevinst, men den forudsætter, at nogen faktisk udfører den vurdering. Et system, hvor output går ubeset videre, flytter ikke arbejde, det flytter risiko.