Na de ontnuchteringen uit deel 1 nu aandacht voor wat wordt gemeten en vervolgens in mooie dashboards geschoten? De ontwikkelingen rond AI en dashboards gaan snel. Steeds vaker zien we toepassingen waarbij je databronnen koppelt, in gewone taal een vraag stelt en binnen enkele seconden een dashboard terugkrijgt. Omzet per regio, margeontwikkeling, cashflow, forecast versus actuals: technisch wordt het allemaal steeds eenvoudiger. Het rekenen met taalmodellen is niet meer te stoppen. En nee ik ga het nu niet weer over mijn voorkeur voor deterministische data-analyse hebben.
Wat Claude met laatste dashboard update kan, dat is zeker indrukwekkend en voor veel organisaties ook echt waardevol. Het verkort de doorlooptijd, maakt analyses toegankelijker en verlaagt de afhankelijkheid van schaarse BI-capaciteit. Maar juist daardoor dreigt ook een misverstand te ontstaan, namelijk dat het bouwen van het dashboard het moeilijke deel van datagedreven sturen is. Dat was eigenlijk nooit zo.
De grootste complexiteit zit meestal niet in de visualisatie, maar in de vraag wat we precies meten. Neem iets ogenschijnlijk eenvoudigs als omzet. Bedoelen we de gefactureerde omzet, de geboekte omzet of de omzet die daadwerkelijk is gerealiseerd? Hoe gaan we om met creditnota’s, intercompany-transacties, wisselkoersen of leveringen die over twee perioden lopen? Welke bron is leidend als het ERP-systeem iets anders laat zien dan het CRM-systeem?
Voor vrijwel iedere KPI geldt hetzelfde. Marge, EBITDA, churn, FTE, order intake en working capital lijken vaste begrippen, maar blijken binnen organisaties vaak afhankelijk van definities, keuzes en uitzonderingen. AI kan op basis van die data razendsnel een berekening maken. Dat betekent alleen nog niet dat de uitkomst ook bedrijfseconomisch de juiste is.
Daar komt nog iets bij. Veel nieuwe AI-toepassingen benadrukken dat ze transparant zijn omdat je kunt doorklikken naar de onderliggende query of berekening. Dat is zonder meer nuttig, maar het zegt maar een deel van het verhaal. Een technisch correcte query kan nog steeds worden uitgevoerd op een onvolledige dataset. Een berekening kan reproduceerbaar zijn en toch gebaseerd op een verkeerde definitie. Twee databronnen kunnen hetzelfde begrip anders registreren zonder dat de gebruiker dat direct ziet.
Je weet dan hoe het getal tot stand is gekomen, maar nog niet of het getal ook klopt.
Dat verschil wordt belangrijker naarmate AI het maken van dashboards verder democratiseert. Tot voor kort zat er vaak nog een natuurlijke drempel in organisaties. Niet iedereen kon zomaar een nieuwe managementrapportage bouwen of een alternatief KPI-model introduceren. Daarvoor was meestal hulp nodig van finance, control of BI. Die drempel verdwijnt.
Dat is zowel positief als zorgwekkend omdat controllers, managers en CFO’s veel zelfstandiger analyses kunnen uitvoeren. Tegelijkertijd ontstaat daarmee ook het risico dat binnen één organisatie meerdere versies van dezelfde werkelijkheid naast elkaar gaan bestaan. Finance rekent omzet volgens definitie A, sales gebruikt definitie B en operations laat AI op basis van een derde bron een eigen dashboard maken. Alle drie kunnen er overtuigend uitzien en alle drie kunnen technisch verklaarbaar zijn.
Vanaf dat moment ligt het probleem niet meer in een gebrek aan informatie, maar juist in een overvloed aan informatie waarvan niet duidelijk is welke versie leidend is. Daarom vermoed ik dat AI de rol van BI-, finance- en datateams niet simpelweg kleiner maakt, maar vooral verandert. Het handmatig bouwen van dashboards, queries en visualisaties zal steeds minder onderscheidend worden. De waarde verschuift naar het fundament daaronder: definities vastleggen, brondata betrouwbaar maken, eigenaarschap organiseren, datakwaliteit bewaken en ervoor zorgen dat duidelijk is welke cijfers binnen de organisatie leidend zijn.
Dat werk is minder zichtbaar dan een fraai dashboard, maar uiteindelijk veel belangrijker. Voor CFO’s betekent dit dat de vraag rond AI en dashboards niet alleen moet zijn hoeveel sneller een rapportage kan worden gemaakt. De belangrijkere vraag is of de organisatie voldoende grip heeft op de informatie waarop zo’n dashboard wordt gebaseerd.
Want als een AI-assistent straks tijdens een vergadering binnen enkele seconden kan laten zien dat de marge met 2,4 procentpunt is gedaald, dan is dat technisch gezien geweldig. Maar voordat je op basis daarvan prijzen verhoogt, kosten verlaagt of een bedrijfsonderdeel ter discussie stelt, wil je nog steeds weten waar die uitkomst vandaan komt, welke definitie is gebruikt en of de onderliggende data volledig en betrouwbaar is.
De technologie maakt het dashboard steeds eenvoudiger. De waarheid eronder wordt daardoor alleen maar belangrijker.
En dan toch, onder dat dashboard kan het nog steeds zo zijn dat feitelijke analyse uit een geweldig reproduceerbaar, auditable, deterministisch data-model komt, zodat u dit niet vergeet!