Brandende kwesties #1: AI hertekent Finance

Hoe en waar C-suite en CFO artificiële intelligentie inzetten

Iedereen worstelt met de situatie. In eerste instantie denkt de C-suite aan AI als een strategietool en een hulpmiddel om vooruit te kijken. Niet gemakkelijk om daar snel voordeel uit te halen, natuurlijk. Nu lijkt iedereen bezig te zijn met efficiëntieslagen. Hoe kunnen wij mensen vrijmaken voor cruciale andere activiteiten? Maar ook: hoe kunnen we hetzelfde doen met minder VTE’s?

1. Voordelen voor de CFO

Voor CFO’s is dit geen vrijblijvende innovatiegolf. AI hertekent de kern van de financiële functie. Vroeger keek Finance vaak vooral naar het verleden (actual vs last year en budget). AI zorgt ervoor dat Finance nu meer en meer vooruit gaat kijken (meer focus op rolling forecasting en scenarioplanning). Dat is een goede zaak. 

Amper 4 à 5 jaar geleden was RPA hot, maar AI is stukken efficiënter en veel flexibeler. Het blinkt uit in patroonherkenning en het verwerken van ongestructureerde data.

Dat maakt AI tot een hefboom voor drie vormen van waarde, namelijk: de strategische waarde van AI, een grotere operationele efficiëntie en realtime risicobeheer (ondanks nieuwe risico’s die AI zelf meebrengt).

1. AI en de strategische waarde van het vooruitkijken

De omslag van een louter backward-looking functie naar predictive finance is een belangrijke evolutie.

In deze zeer snel veranderende wereld hebben we minder behoefte aan patronen die het verleden verklaren. We moeten vooruitkijken, continu verwachtingen bijstellen, en anticiperen op wat komt. Toepassingen zoals rolling forecasts en cashflowoptimalisatie krijgen een nieuwe dimensie.

Bedrijven maken weliswaar rolling forecasts, maar AI-modellen bieden een scherper beeld, zowel op basis van historische, eigen data als van macro-economische indicatoren. Je kunt zelfs weerpatronen en andere relevante signalen meenemen in rolling forecasts. Het resultaat is een dynamischer én accurater beeld dat organisaties toelaat continu te schakelen en beter onderbouwde beslissingen te nemen.

2. Een hoogstnoodzakelijke efficiëntieslag

Makkelijk is dat niet. Heel veel bedrijven worstelen daarmee, terwijl ze wel beseffen dat dit de weg vooruit is. Zeker met het oog op de hoogstnoodzakelijke efficiëntieslag waar elk bedrijf toch voor staat. Denk dan vooral aan het transactionele en de diverse processen. Denk ook aan accounting, AP en AR, bijvoorbeeld. Daar kun je AI erg goed inzetten.

Als ik in ons netwerk rondkijk, start de meerderheid van de bedrijven daar. Het is makkelijker en beter te kwantificeren. Je hebt een duidelijke return on investment.

Denk in dit geval aan facturen, nu nog vaak ingelezen met OCR-tools (Optical Character Recognition) maar steeds vaker vervangen door AI-gedreven systemen die ongestructureerde data uit pdf’s, e-mails en contracten niet alleen herkennen, maar ook interpreteren en met elkaar in verband brengen.

Die capaciteit om context te begrijpen en bronnen te combineren, betekent een duidelijke winst. AI is nu eenmaal erg goed in het analyseren en bewerken van ongestructureerde data uit PDF’s, e-mail, contracten. Het legt de verbanden tussen die diverse bronnen veel makkelijker dan de tools die we tot nog toe hadden.

Vooral in de transactionele poot, waarvoor we vroeger Shared Service Centers pleegden op te zetten in India en lagelonenlanden, overwegen bedrijven nu AI-agents in te zetten. Dat brengt de kost serieus naar beneden. De implicatie is natuurlijk dat je mensen met andere skillsets nodig hebt. Mensen die meer business-savvy en analytisch zijn, en die uitstekend met AI-tooling kunnen werken. 

Concrete toepassingen, tastbare impact

Ook in credit management ontstaan nieuwe mogelijkheden. Door betaalgedrag te analyseren en patronen te detecteren, kunnen bedrijven proactiever handelen. Klanten die systematisch te laat betalen, kun je een AI agent automatisch een e-mail sturen vóór de vervaldag. Daar komt dan geen manuele tussenkomst aan te pas.

Gelijkaardige toepassingen zien we in operationele omgevingen. Bij een logistieke speler in de versketen worden AI-agents ingezet om inkomende klachten via e-mail te analyseren en te classificeren. Wat vroeger een massa werk was, is nu in een wip gebeurd. De agent analyseert en sorteert de klachten. Standaardvragen worden automatisch beantwoord, terwijl afwijkingen of complexere dossiers worden doorgestuurd naar een medewerker.

Controle blijft cruciaal

Die evolutie onderstreept een belangrijke randvoorwaarde: vertrouwen in AI veronderstelt controle. Systemen moeten zorgvuldig getest en opgevolgd worden om fouten en zogenaamde “hallucinaties” te vermijden. Pas wanneer de kwaliteit consistent gewaarborgd is, kan verdere automatisering verantwoord worden doorgevoerd.

Zo wordt duidelijk dat de weg naar predictive finance niet alleen een technologische transformatie is, maar evenzeer een oefening in governance, proceshertekening en risicobeheer: een rode draad die aansluit bij de vraag hoe AI duurzame, meetbare waarde binnen de Finance functie creëert.

3. Risicobeheersing in realtime

AI geeft bedrijven de mogelijkheid tot realtime fraude- en anomaliedetectie en risicobeheersing. Waar controles vandaag vaak steekproefsgewijs en achteraf gebeuren, kun je met AI transacties continu monitoren.

AI kan miljoenen regels checken en transacties in realtime checken om daar, bijvoorbeeld, afwijkingen uit te halen. Denk aan dubbele betalingen, ongebruikelijke patronen of fouten in btw-aangiftes. Die worden sneller en consistenter gedetecteerd. Uitschieters bij onkostennota’s kunnen moeiteloos gevlagd worden.

De echte winst zit in schaal en snelheid. Wat vroeger manueel en fragmentarisch gebeurde, kan nu integraal en doorlopend worden opgevolgd.

Bij audits kun je zowel de auditor helpen als de auditkost drukken door AI bepaalde rekeningcontroles te laten doen. Dat helpt de CFO bij compliance-issues, bijvoorbeeld, of op het vlak van integriteit van de cijfers.

Alles samen helpt AI je om tijd vrij te maken zodat je financiële afdeling zich als een interne businesspartner of businessconsultant kan ontwikkelen die meedenkt over de toekomst en meer toegevoegde waarde voor de organisatie kan creëren.

2. Uitdagingen voor de CFO

AI: geen plug-and-play verhaal

AI biedt duidelijke opportuniteiten: efficiëntiewinsten, betere besluitvorming en nieuwe vormen van waardecreatie. Als je verder kijkt dan de hype, zie je een aantal fundamentele uitdagingen. Vier vragen komen daarbij telkens terug:

• Wat is de ROI, en hoe meet je die?
• Is je data en IT-landschap hier wel klaar voor?
• Hoe beheers je risico’s, compliance en ethiek?
• Heeft je organisatie de juiste skills en cultuur?

1. De ROI-paradox

AI-projecten gedragen zich financieel helemaal anders dan klassieke software-implementaties, zoals een ERP-systeem. Traditionele SaaS-oplossingen werken meestal met een duidelijke businesscase vooraf en met een voorspelbare kost per licentie.

De kostenstructuur van AI is zelden vast. AI-modellen werken vaak op basis van verbruik (tokens, computing power). Als een model intensief gebruikt wordt, kunnen de operationele kosten (OPEX) onverwacht stijgen. Denk aan het aantal interacties, de verwerkte data of het aantal “tokens” dat een model nodig heeft om output te genereren. Dat maakt budgettering minder evident, zeker in de beginfase waar gebruikspatronen zich nog moeten stabiliseren.

Aan de batenzijde stelt zich een soortgelijke uitdaging. De return op AI is zelden onmiddellijk of eenduidig meetbaar in euro’s. Veel AI-winsten zitten in "zachte" factoren zoals tijdbesparing, betere besluitvorming of hogere klanttevredenheid. Als CFO moet je business cases goedkeuren waarvan de exacte opbrengst vooraf lastig in financiële termen uit te drukken is.

Voor C-level executives betekent dit dat AI-investeringen een andere evaluatielens vereisen. De klassieke ROI-logica volstaat niet altijd; er is nood aan een bredere kijk op waardecreatie, waarbij ook strategische en operationele impact expliciet worden meegenomen.

2. Data-integriteit

Garbage in garbage out geldt ook voor AI. AI is zo goed als de data waarop het werkt. Dat is geen nieuwe boodschap, maar in de praktijk vaak een pijnpunt.

Als je historische financiële, operationele data versnipperd is over diverse oude systemen, kun je met AI niet veel beginnen. AI bovenop een zwakke datafundering bouwen, leidt zelden tot duurzame waarde. In het beste geval krijg je suboptimale output. Je voorspellingen zijn dan onjuist. In het slechtste geval creëer je extra complexiteit en risico.

Voor veel organisaties ligt de eerste echte AI-investering dan ook niet in het model zelf, maar in het op orde brengen van data en systemen. In de praktijk komt dat vaak neer op een grotere en complexere oefening dan initieel ingeschat, omdat data eerst opgeschoond, geharmoniseerd en verrijkt moet worden voordat ze bruikbaar is.

Bij een klant hadden we recent een case rond billing engines. Door een reeks overnames werken zij vandaag met meerdere systemen die niet volledig op elkaar aansluiten. Bovendien ontbreekt er een consistente unieke identifier over die verschillende engines heen, waardoor AI niet betrouwbaar kan worden toegepast.

Een eenvoudig voorbeeld is de identifier van een opportunity in Salesforce die is omgezet in een contract. De klant is daarna begonnen diensten af te nemen die gefactureerd moeten worden. Zonder consistente identifier over die volledige keten heen, kan je dat proces niet end-to-end analyseren of automatiseren met AI. Het gevolg is dat die data eerst manueel moet worden opgeschoond, gekoppeld en heropgebouwd. Dat is een arbeidsintensieve en dus kostelijke oefening, maar wel een noodzakelijke voorwaarde om AI op een zinvolle manier te kunnen inzetten.

3. Risicobeheersing, compliance en ethiek

Als je AI loslaat op diverse types data, moet je - zeker in Europa - altijd de vraag stellen: is dit allemaal in lijn met de Europese AI Act?

In de bewaking daarvan heeft de CFO zeker een belangrijke rol te spelen. Zeker als je met belangrijke data van je bedrijf werkt, moet dat in een besloten omgeving gebeuren. Medewerkers kunnen niet zomaar data in ChatGPT droppen. Je moet daarvoor de juiste governance opzetten, policies uitwerken en die natuurlijk ook afdwingen. 

4. Cultuur en de skills gap

Telkens wanneer nieuwe technologie wordt geïntroduceerd, krijgen mensen schrik dat ze hun baan zullen verliezen. Dat is logisch, en inherent aan transformatie. Binnen Finance manifesteert die spanning zich vooral in de transactionele zone. Facturen boeken. Klanten opvolgen. Dat kan vandaag al deels geautomatiseerd worden. De evolutie dwingt Finance-profielen in ieder geval tot herpositionering. AI maakt het mogelijk om repetitief werk af te bouwen en ruimte te creëren voor meer analytische en businessgerichte taken.

Finance-medewerkers kunnen de AI-trein dus beter niet missen. Daardoor kunnen ze toegevoegde waarde creëren en riskeren ze niet irrelevant te worden.

De C-Suite kiest in eerste instantie vaak voor de efficiëntieslag. Dat is logisch. De use cases zijn relatief eenvoudig te implementeren en laten zich makkelijker vertalen in een klassieke ROI-logica. Tegelijk schuilt daarin een risico: wanneer AI beperkt blijft tot efficiëntie-oefeningen, blijft het strategisch potentieel onderbenut.

Veel organisaties zetten daarom eerste experimenten op via informele AI-communities. Hoewel die bottom-up dynamiek waardevol is, botst ze vaak op schaalbaarheidsissues. Als er geen verankering is in processen of governance, krijg je al te snel versnippering.

Binnen Finance is de skillset om zelf aan de slag te gaan met AI wellicht het sterkst aanwezig bij de controllerpopulatie. Hun vertrouwdheid met tools zoals Excel en Power BI, gecombineerd met hun businesskennis en digitale maturiteit, stelt hen in staat om bruggen te bouwen tussen technologie en praktijk.

De mate waarin organisaties erin slagen om die combinatie van bottom-up dynamiek en top-down sturing te organiseren, zal in grote mate bepalen of AI evolueert van een reeks interessante experimenten naar een structurele bron van waardecreatie.