Stel je een groep voor met drie BV’s en een maandrapport dat op de achtste werkdag bij de DGA ligt. De omzet ligt boven budget, de brutomarge een paar punten eronder, het resultaat blijft achter en de liquiditeit is flink gedaald omdat er voorraad is ingekocht voor het drukke seizoen.

Dezelfde cijfers kun je op twee manieren lezen. In de eerste lezing was het een slechte maand: marge weggelekt, kas verdampt, resultaat gemist. In de tweede lezing was het precies de maand die het MT drie maanden geleden heeft gekozen, omdat de voorraad er moest liggen voordat de vraag kwam en de lagere marge de prijs was van een actie die klanten binnenhaalde.

Welke van de twee klopt, lees je niet af aan de kolommenbalans. Dat hangt af van wat er bedoeld was, en die bedoeling staat in geen enkele administratie.

Duiding is een besluit, geen berekening

In veel MKB-groepen gaat het maandrapport de deur uit zonder dat iemand die keuze expliciet heeft gemaakt. De controller levert de cijfers en een toelichting per regel, en de DGA trekt zelf zijn conclusie. Soms is dat de goede, soms niet, en in het tweede geval gaat het maandoverleg een uur lang over de vraag of er iets mis is terwijl het antwoord al bekend was.

Dat was altijd al een zwakke plek, maar het viel minder op zolang het maken van het rapport zelf het meeste werk was. Wie drie dagen bezig is met aansluiten, exporteren en toelichten, heeft weinig ruimte over om ook nog na te denken over welk verhaal het rapport moet vertellen. De duiding kwam dan vanzelf mee in de toon van de toelichting, half bewust.

Wat er verandert als AI de toelichting schrijft

Een taalmodel schrijft een vloeiende maandtoelichting in minder tijd dan het kost om de exports klaar te zetten. Dat is echte winst, en er is weinig reden om die te laten liggen. Het probleem zit in iets anders: een model dat een toelichting schrijft, kiest onvermijdelijk een duiding. Het schrijft dat de marge daalde door hogere inkoopprijzen en een actie, en of dat klinkt als een waarschuwing of als een geplande investering hangt af van woorden die het model zelf kiest.

Het model weet niet dat de voorraadopbouw bewust was. Het weet niet dat de actie in het MT is besloten en dat iedereen de margedruk verwachtte. Het ziet alleen de cijfers en vult de rest in met wat statistisch het meest waarschijnlijk is. En omdat de tekst goed geschreven is, leest hij als een oordeel dat al genomen is.

Zo schuift de duiding van de maand, het enige deel van het rapport waar echt oordeel in zit, ongemerkt naar de plek waar het minst bekend is over de bedoeling.

Draai de volgorde om

De oplossing is niet om AI de toelichting minder te laten schrijven. De oplossing is om de duiding eerst te nemen en het model pas daarna te laten schrijven. Concreet betekent dat een paar vragen die jij, of jij samen met de DGA, beantwoordt voordat er een regel toelichting bestaat.

1. Wat hadden we deze maand bewust besloten? Een voorraadopbouw, een actie, een nieuwe medewerker die eerst kost en later oplevert. Alles wat je nu als afwijking ziet maar wat eigenlijk een keuze was.

2. Is de afwijking tijdelijk of structureel? Een margedip door een actie van twee weken is iets anders dan een inkoopprijs die blijvend hoger ligt, ook als het effect deze maand even groot is.

3. Wat moet de komende maand laten zien dat de keuze klopte? Een bewuste investering zonder toetsmoment is een excuus. Schrijf op welk cijfer volgende maand moet bewegen, en in welke richting.

4. Welk besluit vraagt dit van het MT? Bijsturen, afwachten of de prognose aanpassen. Een maandrapport dat geen besluit vraagt, is een archiefstuk.

Pas als die antwoorden er staan, geef je ze samen met de cijfers aan het model. Je kunt het ook omdraaien en het model de opdracht geven eerst deze vragen aan jou te stellen, onderbouwd met wat het in de cijfers ziet, en pas daarna de toelichting te schrijven. Dan doet het wat het goed kan, namelijk patronen zien en tekst maken, en blijft de duiding bij degene die weet wat er bedoeld was.

Waar het mis kan gaan

Er zitten twee eerlijke grenzen aan deze werkwijze.

De eerste is dat een vooraf gekozen duiding ook een manier kan worden om een tegenvaller mooier te maken dan hij is. Als elke gemiste marge achteraf een bewuste investering heet, heb je niets gewonnen. Daarom hoort de derde vraag er altijd bij: wie een maand als keuze wil lezen, moet opschrijven wat die keuze de maand erna moet opleveren, en daar de volgende maand eerlijk op terugkomen.

De tweede is dat het model alleen zo goed redeneert als de cijfers waar het op staat. Als de omzet per BV uit een andere export komt dan de voorraad, en de intercompany-leveringen er nog handmatig uit moeten, dan onderbouwt het model zijn vragen op een basis die niet sluit. Een vloeiende vraag op een verkeerd cijfer is erger dan geen vraag, omdat hij de discussie de verkeerde kant op stuurt met een overtuigende toon.

Het maandoverleg krijgt een ander onderwerp

Dat dit geen theorie is, laat Anthropic zelf zien. De CFO van dat bedrijf, Krishna Rao, vertelde in de podcast Invest Like the Best dat hun eigen maandelijkse financial review met AI voor 90 tot 95 procent klaar is voordat een mens eraan begint, en dat de bespreking daardoor niet meer gaat over wat er gebeurd is, maar over wat ze eraan gaan doen. De aflevering staat ook bij Colossus.

Dat is precies de verschuiving waar het hier om gaat. Als het rapport bijna vanzelf ontstaat, verschuift het werk van de controller naar het moment ervoor, naar de vraag wat de maand betekent. Wouter Born bouwde naar aanleiding van dat gesprek een werkwijze waarin het model weigert het maandrapport te maken voordat de CFO een reeks sturende vragen heeft beantwoord. Die weigering vind ik het interessantste ontwerpbesluit in het hele verhaal, omdat het de volgorde afdwingt die in de meeste organisaties nu vanzelf de verkeerde kant op loopt.

Tot slot

Het maken van het maandrapport is werk dat je steeds meer kunt uitbesteden, aan een model, aan een skill of aan een goed ingericht systeem. Kiezen wat de maand betekent kun je niet uitbesteden, en als je het niet expliciet doet, gebeurt het toch, alleen door iemand die de bedoeling niet kent.

De controller die straks het verschil maakt, is niet degene met het snelste rapport, maar degene die vóór het rapport al weet welk verhaal het moet vertellen.

Wij werken bij Smartbooks aan de basis daaronder: de cijfers van al je entiteiten op één plek en elke maand op dezelfde manier, zodat een model er vragen op kan stellen die kloppen. De vier vragen hierboven kun je deze maand al gebruiken, met of zonder AI.

Hoe gaat dat bij jullie? Wordt de duiding van de maand ergens expliciet gekozen, of volgt die uit de toon van de toelichting? Ik hoor het graag.

Tot de volgende,

Jaap van der Ende

In bijna elk MKB-bedrijf zit iemand die in een middag iets in elkaar zet. Een model voor de marge per vestiging, een overzicht dat de openstaande posten van vier BV’s bij elkaar haalt, een sheet waarin de forecast van drie administraties samenkomt. Het werkt, het wordt gebruikt, en het staat in geen enkele procesbeschrijving. Dat was altijd een vervelend maar overzichtelijk probleem, omdat er een natuurlijke rem op zat: bouwen kostte tijd, en tijd had niemand. Wie echt iets nieuws wilde, moest het vragen, begroten en verdedigen, en juist daardoor bleef het aantal eigen bouwsels beperkt.

Die rem is deze maand weggevallen.

Wat er precies veranderd is

Op 3 september 2026 bracht OpenAI GPT-6 Astra uit, een model waarvan het bedrijf zegt dat het “really do anything a human can do with a computer”, zoals beschreven in de berichtgeving van NBC News. Het bedient een browser, logt zelf ergens in, vult spreadsheets, bouwt een website vanaf nul en werkt opdrachten af die uit tientallen stappen bestaan, zonder dat iemand elke stap afzonderlijk goedkeurt. In diezelfde aankondiging staat dat het model de interne drempel voor kritieke cyberrisico’s raakte en dat er extra bewaking omheen is gezet om, in de woorden van OpenAI, “rapidly detect and contain potentially misaligned actions”.

Dat tweede deel van het bericht is voor een finance-afdeling eigenlijk interessanter dan het eerste, want daar staat in gewone taal dat de maker zelf niet meer kan aannemen dat alle tussenstappen kloppen.

De nieuwste generatie AI-agents doet inmiddels meer dan antwoorden geven. Je geeft één opdracht, en het model bouwt zelf een werkende tool, zet die online en regelt er zelfs een controlestap bij door een tweede AI-systeem mee te laten kijken. Als demonstratie van wat er technisch kan is dat indrukwekkend, en ik denk dat iedereen die met cijfers werkt er goed aan doet om zoiets een keer met eigen ogen te zien. Maar de conclusie die ik eruit trek gaat niet over de snelheid van het bouwen.

De koppeling is het echte nieuws, niet het model

De stap die dit soort demo’s mogelijk maakt is minder spectaculair en veel belangrijker: AI-systemen praten inmiddels via een gedeelde standaard met de systemen waar de gegevens in staan. Anthropic publiceerde die standaard, het Model Context Protocol, op 25 november 2024, en OpenAI kondigde op 26 maart 2025 aan hem ook te gaan ondersteunen.

Wat dat verandert, is het verschil tussen een export en een koppeling. Een export is een momentopname die vanaf het moment van draaien alleen maar ouder wordt, die je bovendien nergens meer kunt terugvinden zodra hij in een mailbox of een gedeelde map verdwijnt. Een koppeling is iets anders van aard: daar kun je rechten op zetten, je kunt bepalen wat er gelezen mag worden en of er iets teruggeschreven mag worden, en je kunt achteraf zien wat er langs is gekomen. Voor een controller is dat geen technisch detail. Het is precies het onderscheid tussen gegevens die je kunt verdedigen en gegevens die je alleen maar hebt.

Wat er niet goedkoper werd

En daar zit mijn punt. De bouwkosten zijn ingestort, maar de verantwoordingskosten zijn exact gelijk gebleven. In het MKB is de beperkende factor nooit de tooling geweest, en ook zelden het rekenwerk. De beperkende factor is het aantal dingen waar één iemand zijn handtekening onder kan zetten tegenover de DGA, de bank en de accountant. Dat aantal groeit niet mee met de snelheid waarmee een agent iets neerzet, en dat is voor het eerst echt uit balans: je kunt nu sneller iets nieuws maken dan je het kunt uitleggen.

Ik hanteer daarom drie vragen voordat er iets wat een agent heeft gebouwd in de buurt van een gerapporteerd cijfer komt.

De eerste is de makkelijkste en wordt toch het vaakst overgeslagen: uit welke bron komt dit, en is dat dezelfde bron als waar de jaarrekening straks op leunt? De tweede gaat over het moment van goedkeuren, want een agent die zijn eigen werk test heeft iets gecontroleerd, maar niemand heeft er iets van gevonden. En de derde is de vraag die in de praktijk het hardst aankomt: kan een collega dit volgende maand opnieuw doen en op hetzelfde uitkomen, ook als degene die het gebouwd heeft er dan niet is? Rapporteren is namelijk geen eenmalige analyse, het is dezelfde bewerking, twaalf keer per jaar, op een reeks die moet blijven aansluiten.

De wegwerptool die geen wegwerptool blijkt

De eerlijke nuance hierbij is dat wegwerpsoftware met echte cijfers niet bestaat. Iets dat één keer een bruikbaar antwoord geeft, wordt de maand erna opnieuw gebruikt, en daarna staat het in een presentatie. Dat patroon kennen we al van de gedeelde spreadsheets waar elke finance-afdeling er een paar van heeft, en het wordt niet anders wanneer een AI het bouwsel maakt in plaats van een collega.

Dat dit stilletjes gebeurt, is trouwens geen speculatie. In de Work Trend Index van Microsoft en LinkedIn, gebaseerd op 31.000 ondervraagde kenniswerkers, gaf 78 procent van de AI-gebruikers aan eigen AI-tools mee naar het werk te nemen, en bij kleine en middelgrote bedrijven lag dat nog iets hoger, op 80 procent (Microsoft WorkLab). Dat is een cijfer uit 2024, dus van vóór de generatie agents die nu zelf applicaties neerzet. De richting is duidelijk genoeg: dit begint niet met een projectplan, het begint met iemand die vrijdagmiddag iets probeert omdat het kan.

Mijn advies is dan ook niet om dat tegen te houden, want dat lukt toch niet en het zou ook zonde zijn. Maak liever expliciet welke twee bakken je hebt. In de ene bak zit verkennend werk: scenario’s, ad-hocvragen, een snelle analyse op gegevens die niet naar buiten gaan, en daar mag een agent vrij bouwen. In de andere bak zit alles wat maandelijks terugkomt of wat de deur uit gaat, en daar gelden de drie vragen hierboven zonder uitzondering. De fout die ik het vaakst zie, is niet dat mensen te veel experimenteren. Het is dat er nooit een moment is waarop iets van de eerste bak naar de tweede verhuist, met alles wat daarbij hoort.

De bottom line

Een agent die in een uur een applicatie neerzet, maakt de vraag naar een betrouwbare basis niet kleiner maar groter, omdat elk nieuw bouwsel vraagt om een plek waar het zijn cijfers vandaan haalt en om iemand die ervoor tekent. Nieuwe software is sinds deze maand gratis geworden. Nieuwe zekerheid is dat niet, en dat is precies het schaarse goed waar een finance-functie op beoordeeld wordt.

Wat wij bij Smartbooks daarvan vinden, is geen geheim: eerst een gestructureerde en controleerbare basis voor rapportage, planning en consolidatie, en daar AI bovenop. Niet omdat AI tegenvalt, maar juist omdat het nu hard genoeg gaat om er iets onder te willen hebben dat vaststaat.

Bouw deze week gerust iets kleins op gegevens die er niet toe doen, want je leert er in een middag meer van dan in een kwartaal lezen. Stel jezelf daarna de enige vraag die telt: zou ik dit volgende maand opnieuw durven draaien?

Tot de volgende,

Jaap

Het komt meestal van de accountant of van de DGA, ergens tussen twee agendapunten door: we gaan onze cijfers toch niet in zo’n AI stoppen? Je zegt nee, iedereen knikt, en daarmee geldt het onderwerp als afgehandeld.

Kijk daarna eens in je eigen mailbox. Daar staat de geconsolideerde marge per vestiging als bijlage bij een mail aan de accountant. In je downloadmap staan drie versies van dezelfde kolommenbalans, want de tweede klopte niet en de derde is de goede. De bank kreeg vorig kwartaal een liquiditeitsprognose voor de financieringsaanvraag. Op de telefoon van de DGA staat een screenshot van de omzetgrafiek, doorgestuurd in een appje omdat hij onderweg was naar een gesprek. En ergens staat een werkmap met een tabblad waarin de personeelskosten per kostenplaats staan, bij een afdeling van vier man, dus in de praktijk herleidbaar tot een persoon.

Dat is geen slordigheid. Dat is hoe finance werkt.

Waar Nederlandse datalekken werkelijk vandaan komen

De aanname onder die vergadering is dat een datalek iets is dat je overkomt: een aanval, een inbraak, een gestolen laptop. De cijfers zeggen iets anders. Bij de Autoriteit Persoonsgegevens werden in 2025 in totaal 39.407 datalekken gemeld. In 25.189 van die meldingen ging het om een brief, meestal een die bij de verkeerde ontvanger belandde. Cyberaanvallen waren goed voor 2.428 meldingen, en een verloren of gestolen apparaat, USB-stick of stapel papier voor 419.

Lees die verhouding nog even terug. Ruim zes van de tien gemelde lekken gaan over iets wat verstuurd is en daarna bij de verkeerde terechtkwam, terwijl de klassieke aanval en het kwijtgeraakte apparaat samen een fractie van het totaal vormen. Het lek zit vrijwel nooit in het slot. Het zit in de verzending.

Waarom finance hier gevoeliger voor is dan de rest van het bedrijf

Bij de meeste afdelingen is een export een uitzondering. Bij ons is het het werkproces. Je trekt per BV een kolommenbalans uit Exact of Twinfield, want een kant-en-klare geconsolideerde P&L komt daar niet uit, en de rest bouw je zelf. Dat betekent per definitie een bestand, en zodra er een bestand is, is er een kopie, en zodra er een kopie is gaat die naar iemand toe.

Daar komt bij dat de inhoud van die bestanden zwaarder weegt dan gemiddeld. Cijfers van de lopende maand voordat ze definitief zijn. Een scenario waarin twee vestigingen worden samengevoegd, met functies erbij. Loonkosten die bij een klein team direct naar een persoon te herleiden zijn, waarmee je volgens de AVG met persoonsgegevens werkt en niet met een saldo. De toelichting die je voor de bank schreef en daarna op verzoek iets vriendelijker formuleerde.

Van geen van die bestanden kun je op dit moment zeggen waar ze allemaal staan en wie er nog een kopie van heeft. Dat was al zo voordat er iemand over AI begon.

Wat AI hieraan toevoegt is geen nieuw risico. Het is tempo. Een export in een chatvenster plakken is dezelfde handeling als een export naar de accountant mailen, alleen doe je hem vaker omdat het antwoord bruikbaar is. Het probleem dat je daarmee vergroot is het probleem dat je al had.

Drie vragen die wel iets opleveren

Zolang de discussie gaat over de vraag of het model te vertrouwen is, praat je over de opslag terwijl je probleem de verspreiding is. Deze drie vragen zitten wel op het goede niveau, en ze gaan geen van drieën over AI.

Wie mag welk cijfer zien, en is dat afgedwongen of afgesproken? Bij de meeste MKB-groepen is het antwoord: afgesproken. Iedereen die bij het bestand kan, ziet alles wat erin staat, want een werkmap kent geen rechten per tabblad. Dat betekent dat de stagiair die de aging bijwerkt technisch gezien ook bij het directiesalaris kan. Een afspraak is geen maatregel, en je accountant zal je dat vroeg of laat ook vertellen.

Kun je van een cijfer terugvinden waar het vandaan komt? Niet welk model je hebt gebruikt, maar welke administratie, welke periode en welke correctie. Dit is de vraag die je bij de jaarrekening krijgt, en het is ook de enige echte controle op een AI-antwoord. Kun je het niet terugvinden, dan kun je het ook niet weerleggen.

Wat blijft er staan als het gesprek klaar is? Bij een export is het antwoord altijd: een bestand, ergens. Bij een koppeling die leest uit een systeem is het antwoord: niets, want er is nooit een kopie gemaakt. Dat verschil is groter dan alle instellingen in je AI-tool bij elkaar.

Wat je deze week alsnog kunt regelen

Er is een laag hygiëne die niets kost en die je gewoon moet doen, ook al lost hij het bovenstaande niet op.

Werk met een zakelijk account en niet met een privé-account waarop toevallig bedrijfscijfers voorbijkomen. Dat onderscheid is bij Anthropic geen detail: bij consumentenaccounts geldt dat je gegevens tot vijf jaar in de trainingspijplijn bewaard kunnen blijven als je toestemming voor modelverbetering aan hebt staan, terwijl zakelijke overeenkomsten voor Team en Enterprise buiten training vallen. Loop daarnaast één keer je geheugen- en historie-instellingen langs, zodat je weet wat er tussen gesprekken door wordt onthouden.

Dat kost een half uur en het is verstandig. Maar wees eerlijk over wat het is: je hebt daarmee het chatvenster netjes gezet, terwijl je cijfers nog steeds in vijftien bestanden staan waarvan er drie de goede zijn.

De eerlijke grens: toegang is geen kwaliteit

Hier hoort een waarschuwing bij, want er is een prettige denkfout die precies op dit punt insluipt. Zodra je AI rechtstreeks op je administratie laat kijken in plaats van op een export, voelt het antwoord betrouwbaarder. Dat is het maar half.

Een model met leesrechten op je grootboek kan nog steeds een plausibel en fout cijfer geven. Het kan een rekening meenemen die jullie in de ene BV anders gebruiken dan in de andere, of intercompany laten staan waar het eruit moest. Rechten regelen wie iets mag zien. Ze zeggen niets over of het klopt. De controle op de uitkomst blijft van jou, en dat blijft zo.

Bovendien erft een koppeling het rechtenmodel dat je al hebt. Staat in jullie administratie iedereen ingericht als “mag alles zien”, dan is het enige wat je hebt bereikt dat iedereen dat nu ook sneller kan. Wie de toegangsvraag nooit heeft beantwoord, beantwoordt hem niet door er een koppeling overheen te leggen.

En dan de valkuil waar het meestal echt op misgaat: een verbod werkt niet. Zeg je in de MT-vergadering nee, dan verdwijnt het gebruik niet, maar wel je zicht erop. Het gebeurt dan thuis, op een privé-account, met een export die niemand heeft geregistreerd. Dat is precies het scenario dat je in die vergadering dacht af te wenden.

De bottom line

Veiligheid is in finance geen instelling die je aanzet. Het is een gevolg van waar je cijfers staan, en dat is een inrichtingskeuze die je jaren geleden hebt gemaakt zonder er zo over na te denken.

De vraag is dus niet of je AI bij je cijfers laat. De vraag is of je cijfers ergens staan waar dat überhaupt een beheersbare vraag is. Zolang het antwoord vijftien werkmappen is, is elk antwoord op de eerste vraag een aanname.

Dat wij bij Smartbooks aan die ene plek werken, waar rapportage, planning en consolidatie over al je entiteiten samenkomen, zal je niet verbazen. Maar de inventarisatie waar dit stuk mee begon kun je vanmiddag zelf doen, zonder iets aan te schaffen: zoek in je mailbox op de bestandsnaam van je laatste rapportage en tel de resultaten.

Ik ben benieuwd op welk getal je uitkomt. Bij de meeste mensen is het er één te veel.

Tot de volgende,

Jaap

Werkdag vijf. De maandrapportage ligt op tafel en de brutomarge van de handelstak zit een paar ton onder budget. De DGA wijst er meteen naar. Jij hebt je antwoord klaar, want je hebt er de avond ervoor naar zitten kijken: het zit in de mix, twee projecten met een betere marge zijn naar het volgende kwartaal geschoven.

Iedereen knikt. Volgend agendapunt.

En daar eindigt het. Die verklaring gaat nergens heen. Niemand vraagt in november of die twee projecten inderdaad zijn binnengekomen en of de marge toen inderdaad terugveerde. Jij ook niet, want in november zit je naar november te kijken.

Er is geen plek waar zo’n verklaring landt

Je rapportage heeft een kolom met de realisatie, een kolom met het budget en een kolom met het verschil. Meestal nog een met vorig jaar. Wat er niet is, is een kolom met wat je vorige maand hebt beweerd. De bewering belandt in het gunstigste geval in het verslag van de MT-vergadering, en meestal alleen in je hoofd.

Er is bovendien geen moment in de cyclus dat ervoor gemaakt is om erop terug te komen. Een afsluiting begint bij nieuwe cijfers, niet bij oude beweringen. Op werkdag vijf loop je achter, en het nalezen van je eigen uitspraak van zes weken geleden is het eerste wat sneuvelt.

Dat is geen slordigheid, het is een gat in de inrichting. Je ziet het al aan de enige voorspelling die wél netjes wordt opgeschreven. De AFP vond in haar benchmarkonderzoek onder finance-professionals dat slechts 14 procent van de teams de nauwkeurigheid van de eigen forecast formeel bijhoudt. Het budget is het zorgvuldigst opgebouwde document dat finance het hele jaar produceert, en in zes van de zeven organisaties kijkt achteraf niemand hoe het zich heeft gehouden.

Wat op papier staat wordt niet nagerekend. Dan is de losse zin die je in een vergadering uitspreekt zeker kansloos.

AI maakt verklaringen goedkoop, en dat verschuift het probleem

Tot hier is dit vooral vervelend. Nu het deel dat het urgent maakt.

Een model met je kolommenbalans en je budget levert binnen een minuut een bruikbare verklaring van je afwijking. Geen vage ook: het noemt de rekeningen, kwantificeert het verschil, splitst prijs van volume waar de data dat toelaat, en schrijft het op in leesbaar Nederlands. Daar is het echt goed in, en het scheelt je een avond.

Alleen was precies die avond tot nu toe je rem. Een verklaring maken kostte moeite, dus maakte je er weinig, en alleen voor dingen die ertoe deden. Die moeite werkte als een filter zonder dat iemand hem zo had bedoeld. Nu kost het een minuut. Het aantal verklaringen dat door je organisatie circuleert gaat met een factor omhoog, terwijl het mechanisme dat de foute eruit haalt nooit is gebouwd. Het was ook nooit nodig.

Er speelt nog iets. Een model geeft je een verklaring voor alles waar je het op richt. Vraag waarom de marge daalde en je krijgt een waarom. Uit zichzelf zegt het zelden dat het dat niet weet.

En de gegevens waarmee je zo’n verklaring zou toetsen zitten er vaak niet eens in. Vena en Benchmarkit ondervroegen ruim vierhonderd finance-professionals voor hun rapport van dit voorjaar en vonden dat slechts 34 procent operationele drivers zoals aantallen, bezetting en marketinguitgaven volledig in het forecastmodel heeft staan. De verklaring gaat over volume en mix. Volume en mix wonen in een ander systeem.

Wat je per verklaring vastlegt

De oplossing is kleiner dan het onderwerp suggereert. Het is geen kwaliteitssysteem en het zijn geen notulen. Het zijn drie velden per verklaring die je bij de afsluiting invult, en dat kost je een paar minuten per maand.

De bewering, opgeschreven als bewering. Niet “mixeffect handelstak”, maar “de marge in de handelstak daalde door de productmix en niet door prijsdruk”. Een onderwerp kun je niet toetsen. Een zin waar iemand het mee oneens kan zijn wel.

Het gevolg waaraan je hem toetst. Wat zie je volgende maand als het klopt, en wat zie je als het niet klopt. Dit is het veld dat het werk doet en het veld dat het vaakst leeg blijft, want het dwingt je iets te zeggen waar je later op kunt worden nagekeken. Zonder verwacht gevolg heb je geen bewering maar een samenvatting.

De datum en degene die het antwoord heeft. Wanneer kijk je terug, en wie kan het beslechten als de cijfers het niet doen. Bij een geschoven project is dat niet iemand van finance, dat is de verkoper die het heeft geschoven.

Eén afspraak over volgorde hoort erbij, en die is belangrijker dan de velden zelf. Je begint de volgende afsluiting met de openstaande beweringen, voordat je de nieuwe cijfers opent. Andersom werkt niet: zodra de nieuwe kolommenbalans op je scherm staat, is de vorige maand voorbij en past elke oude bewering wonderwel bij wat je nu ziet.

De eerlijke grens

Twee kanttekeningen, en ze zijn allebei nodig.

De eerste: niet elke afwijking verdient dit. In hetzelfde stuk merkt de AFP op dat bij de meeste organisaties drie tot vier posten samen zo’n 80 procent van de totale forecastafwijking veroorzaken. Kies de afwijkingen waar een beslissing aan hangt. De rest verklaar je en laat je los, anders bouw je een administratie van je administratie en ben je er in maart mee gestopt.

De tweede is ongemakkelijker. Een bevestigde verklaring is geen bewezen verklaring. Twee maanden beweging in dezelfde richting is in een groep met een handvol grote klanten dun bewijs, en de verleiding is groot om zoiets daarna als feit te archiveren. Wat je wint is dan ook geen zekerheid. Wat je wint is dat een foute verklaring een houdbaarheidsdatum krijgt in plaats van dat hij ongemerkt uitgroeit tot een gedeelde aanname die drie jaar lang wordt doorverteld.

En nee, het model lost dit niet voor je op. Het wordt hier pas nuttig als je het laat opschrijven wat het verwacht te zien op grond van wat je vorige maand dacht, en het de cijfers pas daarna geeft. Dat is een gewoonte in hoe je de vraag stelt, geen functie die je aanzet.

De bottom line

Je afsluiting beantwoordt elke maand keurig de vraag wat er is gebeurd. Ze beantwoordt nooit de vraag of je het de vorige keer goed had.

Dat verschil gaat de komende jaren meer uitmaken dan de snelheid waarmee je een analyse produceert, want die snelheid heeft straks iedereen. Wat niemand er automatisch bij krijgt is een staat van dienst: een rij beweringen waarvan je weet welke klopten en welke niet. Dat koop je nergens. Dat bouw je twaalf keer per jaar op, of je gooit het twaalf keer per jaar weg.

Wouter Born beschreef onlangs hoe een zittende CFO van een internationale verf- en chemiegroep dit dagelijks doet. Zijn AI-assistent leest elke ochtend eerst de openstaande beweringen terug, met per regel een eigenaar en een datum waarop ernaar wordt gekeken, en pas daarna komt er een cijfer op tafel. Het opvallendste eraan is niet de techniek. Het is dat het eerste wat hij liet automatiseren het terugkijken was.

Je hebt er geen systeem voor nodig om te beginnen. Een tekstbestand naast je afsluiting is genoeg, en dat is ook de goede volgorde: eerst weten wat je wilt vastleggen, dan pas waar het hoort te staan. Dat wij bij Smartbooks aan dat tweede werken, aan één plek waar de cijfers en de definities van al je entiteiten elke maand op dezelfde manier samenkomen, weet je inmiddels.

Ik ben benieuwd naar één ding. Als je de verklaring die je in mei gaf naast de cijfers van juli legt, blijft hij dan overeind? Laat het me weten, ook als het antwoord ongemakkelijk is.

Tot de volgende,

Jaap

Je zit in een demo van een rapportagepakket. De leverancier deelt zijn scherm, er verschijnt een geconsolideerde P&L met marge per vestiging, een paar filters, een grafiek die netjes meebeweegt. Het ziet er goed uit. En je beoordeelt wat je ziet, want in dat ene uur is dat het enige wat er te beoordelen valt.

Ik zit zelf elke week in dat soort gesprekken, aan de andere kant van het scherm. De vragen die ik krijg gaan bijna allemaal over wat er te zien is. Kan die kolom ergens anders staan. Kan dit ook per kostenplaats. Krijg ik dit in een presentatie.

Dat zijn redelijke vragen. Ze waren tot voor kort ook de belangrijkste vragen. Dat zijn ze niet meer, en dat is een vervelender bericht dan het lijkt, want het criterium waarmee de meeste finance-teams software kiezen is stilletjes waardeloos geworden.

Waarom het scherm zo lang een goede maatstaf was

Twintig jaar lang was een rapport bouwen duur. Iemand moest je administraties ontsluiten, je rekeningschema’s op elkaar leggen, de intercompany eruit halen en dat allemaal ergens neerzetten waar het herhaalbaar bleef. Pas daarna kon er een scherm bovenop.

Dat maakte het zichtbare deel een prima afgeleide van het onzichtbare deel. Een leverancier die je een kloppende geconsolideerde P&L liet zien, had die alleen kunnen tonen door eerst het saaie werk eronder te doen. Je beoordeelde het scherm en kocht impliciet de fundering mee. Dat werkte, en niemand hoefde er lang over na te denken.

Die koppeling is doorgeknipt.

Een model met toegang tot je cijfers zet binnen een paar minuten een overzicht neer dat het in een demo uitstekend doet. Grafiek erbij, kleuren kloppen, totalen tellen op. Wat vroeger een implementatietraject was, is nu een middagje. Het scherm is van schaars naar bijna gratis gegaan, en daarmee is het gestopt iets te bewijzen over wat eronder ligt.

Wat níét gratis is geworden: dat het cijfer op dat scherm er volgende maand nog net zo staat, dat je kunt navertellen waar het vandaan komt, en dat de definitie erachter dezelfde is als die van je collega in een andere BV.

Het bewijs zit in wat je kunt aantonen, niet in wat je kunt tonen

KPMG ondervroeg dit voorjaar ruim duizend finance-leiders en vond een scherp verschil. Organisaties die audit-bewijs kunnen produceren en uitleggen, melden drie tot zes keer vaker verbetering in foutreductie dan hun collega’s, 33 procent tegenover 6 procent, en hebben meer vertrouwen in het opschalen van AI, 42 procent tegenover 14 procent. Het onderscheid dat het meeste verklaart, is dus niet welk model je gebruikt. Het is of je kunt laten zien hoe je aan de uitkomst bent gekomen.

Dat rijmt met wat CFO’s zelf als rem noemen. EY sprak dit voorjaar ruim vijftienhonderd finance-leiders en zag dat datakwaliteit met 61 procent bovenaan staat bij het rondkrijgen van AI-investeringen, terwijl slechts 21 procent de eigen finance-functie leidend of vergevorderd noemt.

De aandacht gaat naar het model. De rem zit een laag lager.

De vragen die in een demo wél iets onderscheiden

Het goede nieuws is dat je die onderlaag kunt toetsen, ook in een uur, ook zonder technische achtergrond. Je moet alleen andere vragen stellen dan de vragen die vanzelf opkomen.

Wat gebeurt er als er een entiteit bijkomt? Vraag wie het rekeningschema en de mapping aanpast, hoe lang dat duurt en of jij dat zelf kunt. In een MKB-groep verandert die structuur vaker dan je zou willen: een overname, een activiteit die naar een eigen BV gaat, een kostenplaats die wordt gesplitst. Is het antwoord dat er een verzoek bij de IT-afdeling of de leverancier moet, dan heb je het beheer over je eigen model weggegeven aan iemand met een andere planning dan de jouwe.

Kan ik de rapportage van maart over een half jaar opnieuw draaien en krijg ik hetzelfde? Dit is de vraag die het meeste blootlegt. Zit je afsluiting in een keten van exports met handmatige correcties onderweg, dan is het antwoord nee, en is elk cijfer dat je oplevert een momentopname die je later niet meer kunt reconstrueren. Zolang niemand ernaar vraagt merk je dat niet. Je accountant vraagt er wel naar.

Waar staat de definitie van omzet, en kun je hem aanwijzen? Niet: weet iemand het. Kan iemand het aanwijzen, op één plek, geldend voor alle entiteiten. In de meeste groepen zit die definitie verdeeld over een formule in een tabblad, het hoofd van de controller en een afspraak van jaren geleden die niemand meer kan navertellen. Dat gaat prima zolang mensen de vertaalslag maken. Zodra een model het overneemt, verdwijnt precies die vertaalslag.

Drie vragen, een kwartier. Ze zeggen meer over wat je koopt dan de rest van de demo bij elkaar.

De eerlijke grens: een fundering maakt niets waar

Nu de nuance, en die is belangrijk genoeg om er een sectie aan te geven.

Een goede onderlaag maakt een taalmodel niet betrouwbaar. Een model voorspelt een antwoord in plaats van het uit te rekenen, en het blijft in staat om met volle overtuiging iets te zeggen dat net niet klopt. Dat verandert niet door je administratie op orde te brengen.

Wat wel verandert, is bescheidener en nuttiger: het antwoord wordt controleerbaar. Je kunt terug naar de bron, je kunt het opnieuw draaien, je kunt zien welke definitie is gebruikt. Fout blijven mogelijk, maar onopgemerkt fout wordt een stuk moeilijker. In ons vak is dat het hele verschil, want een verkeerd cijfer dat je vindt kost een uur en een verkeerd cijfer dat je niet vindt kost je geloofwaardigheid.

Wees ook eerlijk over het bewijs hierboven. Die onderzoeken gaan over grote organisaties, met steekproeven die beginnen bij bedrijven van een kwart miljard omzet. Jouw groep is dat niet. Ik denk dat het mechanisme hetzelfde werkt en de marge kleiner is, want jij hebt geen tweede team dat een fout eruit haalt voordat hij naar buiten gaat.

En let op het woord zelf. Fundering, basis, de laag eronder: dat gaat binnenkort iedere leverancier zeggen, en dan zegt het niets meer. Het woord is geen selectiecriterium. De drie vragen wel.

De bottom line

Het mooiste rapport in de zaal zegt sinds kort niets meer over de administratie eronder. Dat is precies andersom dan het twintig jaar was, en de meeste selectietrajecten die ik zie lopen nog op het oude criterium.

De leveranciers zijn daar overigens eerder achter dan hun klanten. Wouter Born sprak onlangs de CEO van een FP&A-leverancier die zijn eigen betalende klanten adviseerde hun dashboards voortaan zelf met een AI-model te bouwen, en die zijn bedrijf opnieuw inrichtte rond de gegevenslaag eronder. Een softwaremaker die publiekelijk zijn eigen schermen overbodig verklaart, is een steviger signaal dan welk onderzoek ook.

Dat wij bij Smartbooks aan die onderkant werken, aan één plek waar de cijfers en de definities van al je entiteiten elke maand op dezelfde manier samenkomen, zal je niet verbazen. Maar je hebt ons niet nodig om die drie vragen te stellen. Stel ze bij de volgende demo die je krijgt, ook als die van ons is.

Welke van de drie zou bij jullie het lastigst te beantwoorden zijn? Ik ben benieuwd.

Tot de volgende,

Jaap

Naast je eigen werk doe je er een tweede baan bij.

Je onthoudt dat de bank in oktober om de halfjaarcijfers vraagt. Je leest de mailwisseling over de nieuwe inkoopprijzen en weet daardoor eerder dan de rest dat de marge gaat schuiven. Je bereidt het MT-overleg voor met de twee punten die er werkelijk toe doen, en je herinnert de directie aan het besluit dat vorige maand is doorgeschoven naar “volgende keer”.

Voor die tweede baan ben je niet aangenomen. In grote bedrijven bestaat er een functie voor, chief of staff: iemand die de agenda bewaakt, de stukken leest die niemand opent, en de leiding voorbereidt op wat er die dag gaat gebeuren. In het MKB is die er niet. Dus doe jij hem erbij, tussen de afsluiting en de aangifte door.

En dat is nu net het deel van je werk waar de gesprekken over AI zelden over gaan.

Het kost weinig vakkennis en veel aandacht

Bijhouden wat er speelt, is geen specialistisch werk. Het vraagt geen tien jaar ervaring om te weten dat er nog een reactie openstaat of dat een contract in november afloopt. Het vraagt aandacht. En aandacht is precies wat er in een finance-team van twee of drie mensen het eerst op raakt.

Gartner ondervroeg in juli 2023 bijna vijfhonderd mensen uit de controllersfunctie. Bijna zes op de tien maakt meerdere financiële fouten per maand, en een derde zelfs meerdere per week. Het onderzoek wijst daarbij niet naar gebrek aan vakkennis, maar naar capaciteit.

Dat is geen pleidooi om harder te werken. Het is een aanwijzing waar je als eerste iets moet weghalen.

Wat een assistent nodig heeft om uit zichzelf te beginnen

De meeste mensen gebruiken AI reactief. Je hebt een vraag, je plakt een export in een chatvenster, je krijgt een antwoord. Dat werkt vaak verrassend goed, maar het blijft jouw beurt. Er gebeurt niets zolang jij niets vraagt.

Een assistent die echt iets van je overneemt, werkt andersom. Daar zijn drie dingen voor nodig, en geen daarvan is een beter model.

Toegang. Hij moet bij de bronnen kunnen waarin het werk zich afspeelt: je mail, je agenda, de map met stukken, en het kanaal waarin je collega’s overleggen. Dat is inmiddels een kwestie van aanzetten. Claude kan rechtstreeks verbinden met je mail, agenda, documenten en Slack, met per handeling je eigen goedkeuring (Anthropic).

Een moment. Iemand die pas iets doet als jij het vraagt, is geen assistent maar een zoekmachine. Een taak die elke werkdag om half acht vanzelf draait, levert je een briefing voordat je bedacht had dat je hem nodig had.

Een geheugen. Wat eruit komt moet blijven staan: openstaande acties, genomen besluiten, punten die je in de gaten houdt. Zonder dat begint hij elke ochtend opnieuw, herhaalt hij zichzelf, en mist hij het enige wat een goede chief of staff onderscheidt, namelijk dat hij weet wat er vorige week is afgesproken.

Dit is geen project van een kwartaal. Dit zet je op een ochtend op.

Waar het in een groep stilvalt

En dan loop je tegen de grens aan waar dit stuk over gaat. Want de context van een controller valt uiteen in drie lagen, en die zijn niet even toegankelijk.

Je mail en agenda zijn de makkelijke laag. Afspraken, toezeggingen en deadlines staan er al in leesbare tekst, op één plek, met een datum erbij. Daar kan een assistent vandaag iets van je overnemen.

Je documenten zijn de middelste laag. Contracten, notulen, jaarstukken, de bankconvenanten. Bruikbaar zodra ze vindbaar zijn en niet als scan in de persoonlijke map van iemand die met vakantie is.

Je cijfers zijn de laag waar het misgaat. Die staan niet in één systeem, maar in vier administraties, elk met een eigen rekeningschema, met intercompany die er nog uit moet en met een handmatige correctie die alleen in jouw werkbestand bestaat.

Het gevolg is scherper dan het klinkt. Een assistent kan je vertellen dat de bank om cijfers vraagt en wanneer. Hij kan je niet vertellen of de marge over de groep dit kwartaal is gezakt. Niet omdat hij het niet begrijpt, maar omdat dat geconsolideerde cijfer nergens bestaat totdat jij het maakt.

De grens die blijft, ook als je de basis wel op orde hebt

Stel dat je die derde laag ontsluit. Eén plek, één schema, intercompany eruit, een spoor terug naar de bron. Dan verdwijnt het grootste deel van dit probleem. Maar er blijft iets staan, en dat hoor je zelden in verhalen over AI in finance.

Financiële informatie is pas compleet als de maand geboekt en afgesloten is. Een assistent die daar doorheen praat, geeft je een keurig onderbouwd antwoord over een halve maand. Dat antwoord klinkt goed en het kan gewoon fout zijn. In finance is een plausibel fout cijfer erger dan geen cijfer, want met een plausibel cijfer loop je naar de directie.

Wat wel kan: hem laten werken met wat af is, en expliciet laten zeggen tot welke datum hij kijkt. Dat is minder indrukwekkend dan een dashboard dat live meebeweegt, en het is het enige wat je durft door te geven.

Vier principes om mee te beginnen

1. Begin bij de laag die al is vastgelegd. Mail, agenda en stukken leveren de snelste winst en het kleinste risico.

2. Geef hem een vast moment. Een ochtendbriefing op de dag van je MT-overleg doet meer dan tien losse vragen op een drukke middag.

3. Laat hem vastleggen wat eruit komt, in bestanden die blijven staan. Acties, besluiten, aandachtspunten.

4. Houd de cijfers erbuiten zolang ze uit losse exports komen. Niet omdat het niet kan, maar omdat je het antwoord dan niet kunt controleren.

Bottom Line

Een assistent maakt je niet slimmer over je eigen bedrijf. Hij laat zien hoeveel je erover hebt vastgelegd.

De helft van je tweede baan die in mail, agenda en documenten zit, kun je volgende week grotendeels uit handen geven. De andere helft wacht op iets anders: één plek waar de cijfers van de hele groep samenkomen, met een schema dat klopt en een spoor dat je kunt navertellen. Doe je dat niet, dan houd je een assistent met een uitstekend geheugen voor alles behalve je cijfers.

Dat is ook de volgorde die wij bij Smartbooks aanhouden. Eerst de basis, dan AI erbovenop. Andersom levert het een snel antwoord op dat je niet durft door te geven, en daar heeft niemand iets aan.

Tot de volgende keer,

Jaap

Ergens in het voorjaar stuur je de auditfile op. Dat is inmiddels een handeling van een paar minuten: je trekt het bestand per entiteit uit Exact of Twinfield en zet het klaar voor het controleteam. Wat er daarna gebeurt, heb je jarenlang kunnen voorspellen. Er komt een lijst met deelwaarnemingen terug, een paar grote memoriaalboekingen waar ze de onderbouwing van willen zien, en wat vragen over posten die in de vergelijking met vorig jaar uit de toon vallen.

Dat patroon is aan het schuiven, en niet omdat de controle strenger wordt. Het schuift omdat dat bestand niet langer steekproefsgewijs wordt bekeken, maar in zijn geheel door een analyse gaat.

De eerste AI die serieus door jouw grootboek loopt, is dus waarschijnlijk niet die van jou.

Een steekproef was ook een vorm van ruimte

Deelwaarneming werkt met kans, en die kans heeft altijd twee kanten gehad. Een post die verkeerd gecodeerd stond, een memoriaal met de omschrijving “correctie”, een intercompany die aan de ene kant in december zat en aan de andere kant in januari: de meeste daarvan zijn nooit iemand opgevallen. Niet omdat ze verstopt waren, maar omdat de kans klein was dat juist die regel in de selectie viel. Dat is geen verwijt aan de controle, dat is precies hoe steekproeven horen te werken.

Een analyse over de volledige populatie kent die kans niet. Elke afwijking van het patroon komt op een lijst, en die lijst komt bij jou terecht. Je krijgt dus niet een strenger oordeel, je krijgt meer vragen. En ze komen in de weken waarin je toch al het minste tijd hebt om ze te beantwoorden.

Hoe ver dit al is

Meer dan driekwart van de Nederlandse accountantskantoren zet inmiddels AI-toepassingen in, maar bij compliance en controle blijft dat steken op 24 procent, blijkt uit onderzoek van Exact. Dat tweede getal is het interessantere van de twee, want het zegt dat de controlepraktijk het laatste onderdeel is dat aan de beurt komt, en dat het nu aan de beurt is.

Dat het die kant op gaat, blijkt ook uit de plannen van de kantoren zelf. Uit onderzoek van IDC in opdracht van Caseware kwam dat 66 procent van de Nederlandse accountantsorganisaties AI in de strategie heeft opgenomen, het bij specifieke processen inzet of het in pilotvorm test, en dat 62 procent verwacht dat gebruik de komende twee jaar verder uit te breiden, meldt accountant.nl.

De toezichthouder loopt inmiddels mee. De AFM kijkt dit jaar expliciet naar audit tooling en toetst “de inzet van zulke tooling bij controleopdrachten en de invloed op de kwaliteit van het controlewerk”, staat in de toezichtagenda.

Internationaal gaat het harder. PwC lanceerde dit voorjaar een finance-praktijk die volledig rond één AI-model is gebouwd en leidt daar 30.000 eigen professionals voor op, staat in de aankondiging van die samenwerking. En uit een analyse van de Financial Times van vacatures bij de vier grote kantoren bleek dat bijna 7 procent van de advertenties om AI-expertise vroeg, tegen net onder de 3 procent voor auditfuncties, schrijft Computerworld.

Je hoeft daar geen conclusie over de toekomst van het beroep aan te verbinden om te zien wat het voor jou betekent. De partij die jouw cijfers beoordeelt, wordt sneller in lezen dan jij in uitleggen.

Wat een integrale analyse van je administratie vraagt

Het aardige is dat de eisen die hieruit volgen niet technisch zijn. Ze gaan over dingen die je zelf al een keer had willen opruimen.

Eén betekenis per grootboekrekening, over alle entiteiten heen. Draait elke BV op zijn eigen schema, dan staat dezelfde soort kosten in de ene entiteit ergens anders dan in de andere. Voor jou is dat werkbaar, want jij weet het. Voor een analyse die de entiteiten naast elkaar legt is elk verschil een signaal, en elk signaal is een mail.

Boekingen die zichzelf uitleggen. Een memoriaal met de omschrijving “correctie” of “conform overleg” is jarenlang goed genoeg geweest, omdat de toelichting in het hoofd zat van degene die hem boekte. Een regel die niet zegt wat hij is, wordt nu een vraag, en het antwoord moet dan uit je geheugen of uit een mailwisseling komen.

Intercompany aan beide kanten in dezelfde periode. Een verschil dat je in de consolidatie handmatig gladstrijkt, blijft in de onderliggende administraties gewoon staan. Een integrale match tussen de entiteiten legt precies die verschillen bloot, inclusief de verschillen die je zelf allang kent en bewust laat zitten.

Correcties die je buiten het systeem maakt, bestaan niet. Trek je de kolommenbalans op, corrigeer je in Excel en rapporteer je dat, dan zit die correctie niet in de auditfile. De analyse ziet het grootboek zoals het is, en jij rapporteert het grootboek zoals het bedoeld was. Het verschil tussen die twee is waar het grootste deel van de vragen vandaan zal komen.

Wat dit niet is

Dit is geen verhaal over een machine die fouten bij je gaat vinden. Een integrale analyse is goed in vinden en slecht in wegen: het overgrote deel van wat er uit komt is geen fout maar een afwijking van een patroon, en er is een reëel risico dat je uren kwijt bent aan het verklaren van dingen die niets betekenen. Dat is een terecht bezwaar tegen deze ontwikkeling, en het is meteen het beste argument om de bekende rommel er zelf uit te halen voordat iemand anders hem vindt.

Het is ook geen verhaal over een accountant die verdwijnt. De AFM wijst juist op het omgekeerde risico: omdat AI-uitkomsten overtuigend kunnen ogen, bestaat het gevaar dat een accountant conclusies kritiekloos overneemt, waarschuwt de toezichthouder. Je krijgt geen machine tegenover je, je krijgt een mens met een langere lijst.

En als jullie geen controleplicht hebben, verandert er aan de verklaring voorlopig weinig. Alleen hangt het opruimwerk hierboven niet aan de controle. Het hangt aan de vraag of je je eigen administratie kunt uitleggen aan iets dat er geen context bij heeft.

De bottom line

Het lijkt alsof dit over de jaarrekeningcontrole gaat, en dat is het minst interessante deel ervan. Alles wat een integrale analyse van jouw cijfers vraagt, is precies wat je zelf nodig hebt op het moment dat je AI op je eigen administratie wilt zetten: één betekenis per rekening, boekingen die zichzelf uitleggen, en correcties die in het systeem staan in plaats van ernaast.

Dat werk doe je dus niet voor je accountant. Je accountant is alleen degene die als eerste merkt of je het gedaan hebt.

Bij Smartbooks bouwen we aan die onderlaag: één plek waar de cijfers van al je entiteiten in hetzelfde schema samenkomen, en waar een correctie een boeking is met een spoor in plaats van een aanpassing in een tabblad dat niemand terugvindt. Wanneer de vragen komen, is dat het verschil tussen opzoeken en reconstrueren.

Tot de volgende,

Jaap

Abonneer nu

Dinsdagochtend. Je vraagt je AI-assistent waarom de brutomarge op één klantgroep is weggezakt. Binnen een minuut ligt er een net antwoord: vier mogelijke oorzaken, een paar bedragen erbij, en een zin die je precies vertelt waar je moet gaan kijken. Zo was het ook bedoeld.

Dinsdagmiddag staat een van die bedragen in de toelichting bij de maandrapportage.

Er is niets misgegaan. Niemand heeft geknoeid en het bedrag klopt waarschijnlijk gewoon. Er is alleen nergens een moment geweest waarop iemand vaststelde: dit getal gaat nu van verkennen naar verantwoorden, en daar horen andere eisen bij.

Dat moment organiseren is de grootste winst die er dit jaar in je AI-inzet zit. Groter dan een beter model, een slimmere prompt of een extra tool.

Elk antwoord heeft een bestemming, en die bepaalt de lat

Als controller doe je dit onbewust al de hele dag. Een berekening op een kladblok om te zien of iets ongeveer klopt, behandel je anders dan een cijfer in de kolommenbalans. Je zou nooit een schatting rechtstreeks in een jaarrekening zetten. Het onderscheid zit niet in de rekensom, maar in wat er met de uitkomst gaat gebeuren.

In de praktijk gaan je antwoorden drie kanten op.

Ze blijven bij jou, omdat je aan het verkennen bent en wilt weten waar het uitzoekwerk zit. Ze gaan naar binnen, naar het MT of de DGA, waar iemand er een besluit op neemt. Of ze gaan naar buiten, naar de accountant, de bank, de aandeelhouder of de fiscus, waar je ze moet kunnen onderbouwen op een moment dat jij niet kiest.

Drie bestemmingen, drie totaal verschillende eisen. En één chatvenster waarin ze allemaal hetzelfde eruitzien.

Waarom dit bij AI misgaat en bij een spreadsheet niet

Een spreadsheet verraadt zijn eigen herkomst. Je klikt op een cel en je ziet of er een formule onder zit of dat iemand er een bedrag heeft ingetikt. Een hardgecodeerd getal tussen formules valt op. Dat is geen toeval, dat is jarenlang vakmanschap dat in de vorm is gaan zitten.

Een AI-antwoord heeft die gelaagdheid niet. Alles komt terug in dezelfde toon en met dezelfde stelligheid: het bedrag dat het model uit jouw bestand heeft gelezen, het bedrag dat het zelf heeft uitgerekend, en het bedrag dat het heeft ingevuld omdat de vraag erom vroeg en het patroon plausibel was. Er is geen visueel verschil tussen een cijfer dat aansluit en een cijfer dat er goed uitziet.

Dat is het echte risico. Niet dat het model fouten maakt, want die maken wij ook. Maar dat de uitvoer geen zekerheidsniveaus kent terwijl jouw werk dat wel doet.

Die twee lopen inmiddels aantoonbaar door elkaar. Uit de Workiva 2026 Midyear Executive Benchmark Survey onder ruim tweeduizend finance-, risk- en duurzaamheidsprofessionals blijkt dat een kwart van de Nederlandse deelnemers meldt dat interne audits AI-fouten ontdekten die externe partijen of de raad van bestuur al hadden bereikt. Uit hetzelfde onderzoek: 81 procent van de Nederlandse respondenten heeft enig tot veel vertrouwen in de nauwkeurigheid van AI-uitkomsten zonder menselijke controle, terwijl maar 14 procent de eigen datakwaliteit voldoende vindt voor AI-gebruik.

Lees die laatste twee nog eens naast elkaar. We vertrouwen de uitkomst ruimschoots meer dan de gegevens waar hij op gebaseerd is.

Drie bestemmingen, drie sets afspraken

De oplossing is niet strenger zijn tegen jezelf. Die houdt geen maand stand. De oplossing is het onderscheid in je inrichting zetten, zodat het niet van je discipline op vrijdagmiddag afhangt.

Verkennen. Snelheid gaat hier voor bewijs. Schatten mag, met een losse export werken mag, half werk mag. Eén voorwaarde, en die is absoluut: wat hier uitkomt verlaat deze context niet. Wil je een uitkomst verderop gebruiken, dan bouw je hem opnieuw op onder de regels hieronder. Kopiëren en plakken is precies de handeling die de hele scheiding onderuit haalt.

Besluiten. Alles wat in een MT-stuk of een investeringsvoorstel belandt, is één keer buiten het model om nagerekend, en bij elk cijfer staat waar het vandaan komt: bestand, tabblad, periode. Niet omdat het MT die bronvermelding leest, maar omdat jij hem over zes weken nodig hebt als iemand erop terugkomt.

Verantwoorden. Hier geldt de strengste regel, en die gaat niet over nauwkeurigheid maar over eerlijkheid: geen cijfer zonder vindplaats, en niets invullen. Kan iets niet aan een bestand gekoppeld worden, dan moet dat er als zodanig staan, met de naam van het document dat het zou beslechten. Alles wat hieruit komt is concept tot een mens het heeft beoordeeld.

Die laatste instructie is er één die zichzelf terugbetaalt, en het is de enige zin uit dit hele stuk die ik je zou aanraden letterlijk in je eigen AI-omgeving te zetten: *kun je een getal niet herleiden tot een bestand, meld dat dan expliciet en noem het bestand dat het zou beslechten.* Het foutscenario in finance is zelden een grof verkeerd bedrag. Het is een gaatje dat soepel is dichtgelopen.

Praktisch betekent dit ook dat je die drie soorten werk niet in dezelfde omgeving doet. Aparte werkruimtes, aparte bestandensets, aparte instructies. Je legt je losse exports en je verkennende vragen niet op dezelfde plek als de bestanden waarop je afsluit, om dezelfde reden dat je je klad niet in de definitieve map bewaart.

De eerlijke grens: scheiden regelt het gebruik, niet de bron

Twee dingen die hier tegenvallen, en die je van niemand hoort die AI verkoopt.

Het eerste: drie werkruimtes zijn drie keer onderhoud. Instructies verouderen, bestanden lopen uit elkaar, en de strenge omgeving raakt achterop omdat de losse omgeving nu eenmaal handiger werkt. Begin daarom met twee, verkennen en verantwoorden, en houd het besluitniveau voorlopig bij de strenge kant. Beter twee die je bijhoudt dan drie die verlopen.

Het tweede is fundamenteler. Dat cijfer over datakwaliteit hierboven gaat niet over AI, het gaat over de bron eronder. De strengste instructie ter wereld levert op een puntschatting uit een export van vorige dinsdag nog steeds een antwoord over vorige dinsdag op. Zolang de cijfers van vier BV’s in losse bestanden staan die elke maand opnieuw met de hand worden samengevoegd, betekent zo’n regel vooral dat het model vaker zegt dat het iets niet kan aansluiten. Dat is eerlijk en het is nuttig, maar het is geen oplossing. Eerst een betrouwbare, gestructureerde basis, dan AI daarbovenop. Andersom werkt niet.

Wat je accountant hier nu al van vindt

Dit is geen theoretisch punt meer. NBA Accounttech en NOREA publiceerden op 1 juni 2026 Leidraad 2: AI toegepast, met als kern dat AI voor hun leden nooit een black box mag zijn, omdat validatie en menselijk oordeel de basis moeten blijven van het publieke vertrouwen. Reproduceerbaarheid staat daar met zoveel woorden in.

Dat is hun beroepsregel en niet die van jou. Maar het is wel jouw dossier dat ze straks openslaan. Kun je niet reproduceren hoe een cijfer in de rapportage tot stand is gekomen, dan wordt dat een discussie tijdens de controle in plaats van ervoor. En een controle is de duurste plek om een vraag te beantwoorden die je in maart in twee minuten had kunnen vastleggen.

De bottom line

De vraag die iedereen stelt is hoe nauwkeurig AI is. Die vraag is niet fout, hij is alleen niet de eerste.

De eerste vraag is hoe ver het antwoord reist. Een uitkomst die bij jou op het scherm blijft, mag ruw zijn. Een uitkomst die de deur uit gaat, moet een spoor hebben. En het enige wat je hoeft te regelen is dat er een moment bestaat waarop het ene in het andere verandert, want dat moment ontbreekt nu bij vrijwel iedereen.

Een model dat af en toe zegt dat het iets niet kan aansluiten, is in dit vak meer waard dan een model dat altijd een antwoord heeft.

Bij Smartbooks bouwen we aan precies die onderlaag: één plek waar de cijfers van al je entiteiten samenkomen, zodat “waar komt dit vandaan” een verwijzing is en geen zoektocht. De rest is inrichting, en die kun je maandag beginnen.

Tot volgende week,

Jaap