Over AI, vakmanschap en de volgende stap in onze data-gedreven controle
De mogelijkheden om onze controle anders in te richten groeien snel. Nieuwe technologie helpt ons om informatie te verwerken en verbanden zichtbaar te maken. Dat biedt kansen, maar vraagt ook om keuzes: welke risico’s verdienen aandacht, hoe blijven jonge collega’s het vak leren en wat merkt de klant ervan?
Als Head of Analytics & Technology bij Coney Minds zie ik daarin mijn opdracht. Nieuwe technieken onderzoeken hoort bij wie we zijn. Iedere keuze die we daarin maken, heeft invloed op ons werk, de ontwikkeling van onze mensen en de manier waarop de klant onze controle ervaart. Die drie horen voor mij bij elkaar.
Meer risico’s vinden, de juiste kiezen
Onze aanpak is data-driven by design. In de auditworkshop verbinden we processen en risico’s aan beschikbare data en analyses. We bepalen welke informatie nodig is en geven relevante resultaten terug aan de klant.
Een taalmodel kan veel informatie verwerken en mogelijke risico’s aandragen. Een langere lijst maakt een controle echter niet vanzelf beter. Goed accountantswerk vraagt om begrip van de onderneming, het herkennen van relevante risico’s en het kiezen van passende werkzaamheden.
De schaarste in ons beroep maakt het belang van scherpe keuzes zichtbaar. De risico’s bij de klant blijven daarbij leidend. AI kan onze afwegingen helpen voorbereiden en onderbouwen. Wij moeten zelf kunnen uitleggen waarom we ergens wel of minder aandacht aan besteden.
“Een goede controle begint voor mij niet met méér vragen, maar met de juiste vragen. Technologie helpt ons die vragen beter te beantwoorden; de accountant bepaalt welke ertoe doen.”
Rekenen, lezen en oordelen
Neem een fictief voorbeeld: we onderzoeken of leveringen volledig zijn gefactureerd. Vaste analyseregels koppelen leveringen aan facturen en tonen verschillen. We moeten daarbij rekening houden met deelleveringen, retouren en periodeverschillen.
Een taalmodel kan helpen afspraken en procesbeschrijvingen te onderzoeken op relevante uitzonderingen. Vervolgens toetsen we de passages aan de bronnen en beoordelen we hun betekenis.
Vaste berekeningen moeten we goed inrichten en testen. Ook een reproduceerbare uitkomst kan verkeerd zijn. Een taalmodel kan overtuigend klinken en toch een onjuiste uitleg geven. De accountant blijft verantwoordelijk voor het oordeel én het begrijpen van de onderbouwing.
De analyse moet ook aan tafel komen
Technologie maakt veel werk op afstand mogelijk. Daarbij moeten we zichtbaar en bereikbaar blijven. Een controle die vooral uit digitale uitvragen bestaat, kan voor de klant onduidelijk laten wat we onderzoeken en waarom.
Onze auditworkshop helpt om de voorbereiding van de klant en onze controle te verbinden. We bespreken beschikbare informatie en benodigde aanvullingen, met behoud van onze zelfstandige beoordeling. Tijdens de controle horen daar vragen bij de klant, begrijpelijke terugkoppeling en betrokkenheid van ervaren collega’s en partners bij.
Een gepubliceerd praktijkvoorbeeld laat zien wat data-analyse nu al oplevert. Een heatmap van bezoekersaantallen toonde onverwacht drukke momenten. Het gesprek daarover leidde tot verder onderzoek door de klant en een onderbouwde verklaring. Het team kon daarmee de verwachting voor het volgende jaar aanscherpen. De klant zag het overzicht als een toevoeging aan de controle.
Dit was data-analyse, geen AI. Het laat zien waarop we kunnen voortbouwen: inzicht delen, verklaringen onderzoeken en samen beter begrijpen.
Ook met AI kost het tijd om accountant te worden
De inzet van AI raakt ook de manier waarop we jonge professionals opleiden. In zijn blog over het leerpad beschrijft Pieter waarom we dat bewust moeten blijven ontwerpen.
Voor mij betekent dit dat een starter tijd moet krijgen om zelf te onderzoeken waarom een verschil relevant is of waarom een risico aandacht verdient. Een ervaren collega helpt door die afweging uit te leggen en samen terug te kijken. Een starter kan nog niet altijd overzien welke ervaring hij of zij nodig heeft. Daarom ligt bij ons als kantoor de verantwoordelijkheid om die leerruimte te bieden.
Ik wil onderzoeken hoe automatisering met die ontwikkeling kan meegroeien. Een digitale collega kan bijvoorbeeld een eenvoudige aansluiting voorbereiden, terwijl een jonge collega de verschillen beoordeelt en bespreekt. Wie een vaardigheid beheerst, kan vervolgens leren het werk te automatiseren, aan te sturen en te reviewen. Technologie werkt zo naast onze mensen en helpt hen verder te groeien.
Samen met het team gaan we onderzoeken hoe dit onze controle kan versterken. Effectiever werken, ruimte voor opleiding en meerwaarde voor de klant horen voor mij bij dezelfde opdracht.
Welke inzichten uit uw processen en cijfers zouden uw organisatie verder helpen? Ik hoor graag wat u van een data-gedreven controle verwacht. Daarover ga ik met u in gesprek.