De nieuwste AI-agents zetten zelfstandig werkende software neer. Daarmee verdwijnt de laatste natuurlijke rem op het bouwen van eigen finance-tooling, en verschuift de schaarste naar iets waar veel minder over gepraat wordt.
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