CFO, begin niet bij AI. Begin bij de vraag.

7-10-2026 Pieter de Kok Blog

Generatieve AI staat inmiddels hoog op de agenda van veel CFO’s en finance directors. Er wordt geëxperimenteerd met copilots, taalmodellen en steeds vaker met AI-agents. Dat is begrijpelijk. De technologie ontwikkelt zich snel en de mogelijkheden om informatie te ontsluiten, documenten te analyseren en rapportages te ondersteunen zijn indrukwekkend.

Tegelijkertijd zien we iets merkwaardigs gebeuren. AI wordt soms als vertrekpunt genomen voor vraagstukken die helemaal niet primair om AI draaien. De vraag wordt dan: wat kunnen we binnen finance met AI? Terwijl een CFO volgens ons beter met een andere vraag kan beginnen: welk probleem proberen we eigenlijk op te lossen?

Dat verschil lijkt klein, maar bepaalt voor een belangrijk deel of technologie daadwerkelijk iets toevoegt.

Finance is voor een groot deel een datavraagstuk

Neem een relatief eenvoudige vraag: waarom blijft onze marge deze maand achter?

Een taalmodel kan daar misschien een plausibele verklaring voor formuleren. Maar een CFO heeft weinig aan een plausibele verklaring alleen. Hij of zij wil weten welke omzet of kosten de afwijking veroorzaken, bij welke klanten, producten of vestigingen dat gebeurt, wanneer het patroon is ontstaan en of het incidenteel of structureel is.

Om die vragen te beantwoorden moet je uiteindelijk terug naar de onderliggende data.

Finance beschikt daarvoor al jaren over technologie. Met data-analyse, business intelligence, process mining, statistische technieken en visualisaties kunnen grote populaties worden onderzocht en kan worden ingezoomd van een KPI tot de transacties die eraan ten grondslag liggen.

Generatieve AI maakt die bestaande technieken niet plotseling overbodig. Het voegt vooral een nieuwe mogelijkheid toe om met informatie en analyses te werken.

Niet iedere analyse is een AI-vraagstuk

Dat onderscheid is relevant omdat traditionele analytics en generatieve AI fundamenteel anders werken.

Bij veel financiële analyses wil je vooraf precies vastleggen welke data worden gebruikt, welke bewerkingen plaatsvinden en hoe een uitkomst wordt berekend. Voer je dezelfde analyse opnieuw uit op dezelfde dataset en met dezelfde parameters, dan verwacht je dezelfde uitkomst. Juist die reproduceerbaarheid is binnen finance belangrijk. Een controller moet kunnen uitleggen hoe een KPI is opgebouwd en een CFO moet kunnen vertrouwen op de cijfers waarop een besluit wordt gebaseerd.

Generatieve AI heeft andere sterke punten. Een taalmodel kan grote hoeveelheden ongestructureerde informatie verwerken, teksten samenvatten, verbanden beschrijven, vragen beantwoorden en helpen bij het formuleren van hypotheses. Dat kan financeprofessionals enorm helpen, maar het betekent niet automatisch dat een taalmodel ook de beste technologie is om een financiële analyse uit te voeren.

De interessante vraag is daarom niet of traditionele analytics óf AI gaat winnen. Het gaat erom waar je beide inzet.

Eerst rekenen, daarna praten?

Stel opnieuw dat de brutomarge achterblijft bij budget. Met een reproduceerbare analyse kun je vaststellen in welke productgroepen de afwijking ontstaat, welke klanten het grootste effect hebben en in hoeverre prijs, volume en mix een rol spelen.

Daarna kan AI waarde toevoegen. Een taalmodel kan helpen de uitkomsten te interpreteren, aanvullende hypotheses te formuleren, relevante informatie uit andere bronnen erbij te zoeken of de analyse begrijpelijk te vertalen naar een managementrapportage.

Daarmee ontstaat een combinatie die voor finance veel interessanter is dan simpelweg een taalmodel loslaten op een dataset. De analytische laag zorgt voor een controleerbare basis; AI helpt om sneller met de uitkomsten te werken en ze toegankelijk te maken. Dat opent ook de deur naar een andere manier van omgaan met dashboards en managementinformatie.

Van kijken naar een dashboard naar praten met je data

De afgelopen twintig jaar hebben organisaties veel geïnvesteerd in dashboards. CFO’s en controllers kunnen daardoor steeds sneller zien hoe omzet, marge, werkkapitaal en andere KPI’s zich ontwikkelen. Toch blijft het gebruik vaak beperkt tot kijken, doorklikken en zelf verbanden proberen te leggen.

AI kan die interactie veranderen.

In plaats van door meerdere dashboards te navigeren, zou een CFO bijvoorbeeld kunnen vragen welke ontwikkelingen in de brutomarge deze maand het meest afwijken van het historische patroon. Een controller zou kunnen vragen welke klanten een opvallende verandering in betaalgedrag laten zien of welke vestigingen de grootste afwijking ten opzichte van budget veroorzaken.

Dat klinkt als AI, maar onder de motorkap blijft de kwaliteit van de data en de analytische logica bepalend. Als definities van omzet, marge of klantgroepen niet goed zijn vastgelegd, maakt een taalmodel die basis niet beter. Het kan hooguit overtuigender vertellen wat er uit een gebrekkige basis komt.

Daarom zien wij AI liever als een nieuwe laag bovenop een goede data- en analyticsomgeving dan als vervanging daarvan.

Begin dus niet met de technologie

Voor CFO’s betekent dit dat een AI-strategie misschien helemaal niet bij AI zou moeten beginnen. Start bij de managementvragen die je beter of sneller wilt beantwoorden. Kijk vervolgens welke data daarvoor nodig zijn, hoe betrouwbaar die data zijn en welke analytische methode geschikt is om de vraag te beantwoorden.

Pas daarna komt de vraag waar AI waarde kan toevoegen.

Soms zal dat dicht tegen de analyse zelf aan zitten. In andere gevallen zit de winst vooral in het combineren van gestructureerde en ongestructureerde informatie, het toegankelijk maken van analyses, het genereren van mogelijke verklaringen of het ondersteunen van rapportages.

Die benadering is misschien minder spectaculair dan het idee dat straks een autonome AI-agent de halve financefunctie overneemt. Maar voor een CFO is betrouwbaarheid uiteindelijk minstens zo interessant als spektakel.

Twintig jaar analytics en nu AI erbij

Bij Coney Minds werken we al ruim twintig jaar met data-analyse binnen finance en audit. In die periode hebben we verschillende technologische ontwikkelingen voorbij zien komen. Data mining, visualisatie, process mining en business intelligence hebben ieder nieuwe mogelijkheden gebracht, zonder dat de voorgaande technieken daarmee waardeloos werden.

Met generatieve AI gebeurt naar onze verwachting hetzelfde.

Het is een krachtige nieuwe technologie die finance op verschillende plekken kan verbeteren. Maar de waarde ontstaat vooral wanneer we AI combineren met wat we al weten over data, analytics, processen en financiële informatie.

Voor CFO’s en finance directors ligt daar wat ons betreft de echte uitdaging voor de komende jaren: niet zoveel mogelijk AI toepassen, maar bewust bepalen welke technologie het beste past bij welke vraag.

Want uiteindelijk hoeft finance geen AI-probleem op te lossen. Finance moet betere beslissingen kunnen nemen op basis van betrouwbare informatie.

Pieter de Kok
Geschreven door:

Pieter de Kok