De stekker gaat eruit
Na jaren werken met MLE nemen we afscheid van een systeem dat ons minstens zo vaak frustreerde als hielp. Traag. Instabiel. Opstart en inlog issues. Beloften van innovatie, zoals de zo vaak besproken “moving frames” tussen onze data-tooling en het dossier, die uiteindelijk nooit zijn waargemaakt.
En toch knaagt er iets.
Want hoe vervelend soms MLE ook was, het had één groot voordeel: het was in essentie een blanco vel.
En precies dat blanco vel raakt aan een fundamentele vraag waar wij bij Coney Minds nu middenin zitten: hoe ontwikkelen we jonge talenten maximaal in een tijdperk waarin #genAI steeds nadrukkelijker het werkproces binnendringt?
Dit blog is geen pleidooi tegen technologie. Integendeel. Maar wel een reflectie op de spagaat waarin wij ons bevinden.
Het blanco vel als leerschool
Wie ooit bij ons een risicoanalyse heeft gemaakt, weet: je begint niet met een prefab template dat alles al voor je heeft ingevuld. Je begint met nadenken.
Wat gebeurt hier echt?
Waar zitten de risico’s in deze business?
Welke processen zijn materieel?
Welke datastromen zijn cruciaal?
Hoe verhouden KPI’s zich tot de financiële verslaggeving?
De jonge auditor en accountant leert bij ons niet alleen vinkjes zetten, maar context begrijpen. Niet alleen COS-teksten reproduceren, maar verbanden leggen tussen businessmodel, data-analyse , controleaanpak en typische accountancywerkzaamheden.
MLE , hoe gebrekkig ook, dwong ons om zelf na te denken. Het was geen dichtgetimmerd systeem dat je naar een vooraf bedachte “best practice” duwde. Het liet ruimte voor maatwerk. Voor creativiteit. Voor verdieping.
En precies dat is de kern van onze data-driven filosofie: risicoanalyse is geen invuloefening, maar denkwerk.
De belofte van integratie die nooit kwam
Wat mij misschien nog het meest heeft teleurgesteld, is dat de beloofde integratie tussen dossier en data-tooling nooit is gerealiseerd. Wij investeren al jaren in data-analyse, process mining, gerichte dashboards, sectorgerichte KPI-analyses.
Onze ambitie was helder: het dossier moet niet losstaan van de data-analyse, maar er mee verbonden zijn. Bevindingen uit analyses moeten automatisch landen in je werkprogramma’s. Signalen uit process mining moeten direct vertaald worden naar aanvullende werkzaamheden.
Die “moving frames” ; dynamische koppelingen tussen data en dossier hadden een gamechanger kunnen zijn. Het was wellicht allemaal te ambitieus en gezien de kleinschallige markt zijn innovaties moeilijk terug te verdienen.
Maar het bleef bij beloftes. En nu stopt het.
Dus ja, we moeten verder. Een nieuw systeem kiezen. Een nieuwe start maken.
Maar welke kant kiezen we op?
De verleiding van geïntegreerde #genAI
Vrijwel elke nieuwe audittool belooft inmiddels integratie met #genAI. Automatisch gegenereerde risicoanalyses. Voorstellen voor controlewerkzaamheden. Samenvattingen van bevindingen. Draft management letters.
Het klinkt efficiënt. Modern. Innovatief.
En eerlijk is eerlijk: ik wil dat onze jonge talenten leren hoe ze generatieve AI positief en veilig kunnen inzetten. Niet als vervanging van hun denken, maar als sparringpartner. Als inspiratiebron. Als second opinion.
In onze data-praktijk werken we al jaren met analytics, machine learning, procesanalyses. De stap naar generatieve ondersteuning lijkt logisch.
Maar toen ik recent met een aantal van onze jonge accountancy- en data-talenten ging sparren over #genAI-integratie in het nieuwe dossier, kreeg ik reacties die me aan het denken zetten.
Niet juichend. Niet naïef enthousiast.
Maar opvallend kritisch.
Zorgpunt 1: bewegen we naar voorgefabriceerde content?
Een van de observaties die mij het meest raakte was deze:
“Gaan we niet steeds meer naar voorgefabriceerde content toe?”
Een AI die risico’s voorstelt. Een AI die standaardwerkprogramma’s genereert. Een AI die al een concept-risicoanalyse voor je uitschrijft.
Wat gebeurt er dan met het denkproces?
Leren jonge auditors nog om zelf een business te ontleden? Om zelf inconsistenties te zien? Om zelf verbanden te leggen tussen operationele KPI’s en financiële stromen?
Of leren ze vooral hoe ze goede prompts schrijven?
Dat is geen technofobe angst. Het is een pedagogische vraag.
In ons vak leer je oordeelsvorming door frictie. Door twijfel. Door het worstelen met informatie. Door fouten te maken en die te bespreken. Als de eerste laag van analyse al door AI wordt gegenereerd, schuift dat leerproces dan niet een stap op? Of erger: wordt het afgevlakt?
We zien al dat “best practice”-suggesties verleidelijk zijn. Maar best practice is niet hetzelfde als juiste praktijk in deze specifieke context.
Een audit is geen generiek product.
Zorgpunt 2: gemakzucht en oppervlakkigheid
Een tweede zorg die expliciet werd benoemd: gemakzucht.
Als AI een risicoanalyse kan genereren die “goed genoeg” is, hoeveel druk voelen jonge auditors, accountants en data-analisten dan nog om zelf dieper te graven?
We kennen het allemaal: als een tekst er professioneel uitziet, voelt hij al snel overtuigend. Maar wie controleert de onderliggende redenering? Wie toetst de aannames? Wie merkt subtiele inconsistenties op?
Generatieve AI is taalvaardig. Maar taalvaardigheid is niet hetzelfde als inhoudelijke diepgang.
En precies daar zit het gevaar voor een vak als het onze. Audit, accountancy, data, het draait allemaal om inhoud, niet om mooie formuleringen. Om materiële oordeelsvorming, niet om grammaticaal correcte paragrafen.
Als het nieuwe dossier sterk leunt op AI-gegenereerde voorstellen, moeten we extreem scherp zijn op de vraag: versterken we de kwaliteit, of maskeren we gebrek aan diepgang?
Zorgpunt 3: schaamte om AI te gebruiken
Misschien nog wel het meest intrigerend vond ik de derde observatie: schaamte.
Een aantal jonge professionals gaf aan terughoudend te zijn in het gebruik van #genAI, niet omdat ze het niet kunnen, maar omdat ze het gevoel hebben dat het “een gebrek aan kennis” verraadt.
Alsof het gebruik van AI betekent dat je het zelf niet begrijpt.
Dat vond ik een bijzonder eerlijke reflectie.
In een beroep waar deskundigheid en vakmanschap centraal staan, is het spannend om een tool te gebruiken die suggereert dat je hulp nodig hebt. Zeker voor jonge professionals die zich juist willen bewijzen.
Dit vraagt om een cultuurvraagstuk. Niet alleen bij Coney Minds, maar in het hele beroep.
We moeten onderscheid maken tussen:
- AI gebruiken als trucje
- AI gebruiken als klankbord
Het eerste ondermijnt ontwikkeling. Het tweede kan ontwikkeling versnellen.
Maar dat verschil is subtiel. En niet automatisch geborgd in een softwaretool.
Wat willen we eigenlijk dat een controledossier doet?
Misschien moeten we de discussie omdraaien.
In plaats van te vragen: “Moet het nieuwe dossier AI-integratie hebben?”, moeten we vragen:Wat is het primaire doel van ons controle- en samensteldossier?
Is het:
- Efficiënt documenteren?
- Compliance-proof werken?
- Of een instrument om professioneel oordeel te structureren?
Voor mij is het laatste essentieel.
Een goed dossier helpt je denken. Het dwingt je tot explicitering van aannames. Het maakt risico-inschattingen toetsbaar. Het legt vast waarom je bepaalde keuzes maakt.
Als AI-integratie dat denkproces versterkt, bijvoorbeeld door kritische tegenvragen te stellen of inconsistenties te signaleren , dan is dat waardevol.
Maar als AI het denkwerk vervangt door vooraf ingevulde sjablonen, dan doen we onze jonge talenten tekort.
Een mogelijke middenweg
Misschien ligt de oplossing niet in volledige integratie of volledige afwijzing, maar in gefaseerde en gecontroleerde inzet.
Bijvoorbeeld:
- AI alleen als optionele sparringpartner, niet als default-invuller.
- Transparantie over wat AI heeft gegenereerd.
- Verplichte eigen reflectie vóór AI-ondersteuning.
- Interne opleidingen waarin we expliciet bespreken wanneer AI verrijkt en wanneer het verarmt.
En misschien nog belangrijker: het expliciet bespreken van schaamte. Het normaliseren van AI-gebruik als professioneel instrument, zonder dat het een vervanging wordt van vakkennis.
Bij Coney Minds geloven we in data-driven auditing. Maar data heeft nooit het oordeel vervangen. Het heeft het verdiept.
Misschien moet dat ook ons uitgangspunt zijn voor #genAI: niet vervangen, maar verdiepen.
De echte vraag voor ons beroep
Wat mij raakt in deze hele zoektocht, is dat dit geen puur technische keuze is. Het is een opleidingsvraag. Een cultuurvraag. Een identiteitsvraag.
Willen we een generatie auditors die perfect met tools kan omgaan, maar moeite heeft met zelfstandig redeneren?
Of willen we professionals die technologie beheersen, maar altijd begrijpen dat uiteindelijk hún naam onder het dossier staat?
De zoektocht naar een nieuw controledossier is dus veel meer dan een softwareselectie. Het is een keuze over hoe wij denken dat professionele ontwikkeling eruit moet zien in 2026 en verder.
Ik heb de definitieve keuze nog niet gemaakt.
Maar één ding weet ik zeker: welk systeem we ook kiezen, het mag nooit het blanco vel volledig wegnemen. Want in dat blanco vel zit precies de ruimte waar jonge talenten leren denken.
En zonder denkende professionals is zelfs de meest geavanceerde AI uiteindelijk leeg.
