*Wat een afwijking betekent, is geen uitkomst van een analyse maar een besluit. Wie dat besluit niet neemt voordat het maandrapport gemaakt wordt, laat het over aan de lezer, en steeds vaker aan het model dat de toelichting schrijft.*
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.
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.
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.
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.
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