Er is een nieuwe wedstrijd ontstaan in de accountancy. Kantoren vertellen dat zij vooroplopen met AI, bestuurders spreken over AI-strategieën en op LinkedIn vliegen de copilots, agents, assistants en andere toepassingen je om de oren. Soms lijkt het alsof het concurrentievermogen van een accountantsorganisatie tegenwoordig kan worden afgemeten aan het aantal medewerkers dat toegang heeft tot generatieve AI.
Ik geloof niet zo in die wedstrijd. Sterker nog: ik denk dat je met AI als technologie nauwelijks kunt vooroplopen.
Dat klinkt misschien vreemd uit de mond van een accountantsorganisatie die al ruim twintig jaar intensief met technologie en data-analyse bezig is. Het is ook nadrukkelijk geen pleidooi tegen AI. Wij experimenteren ermee, gebruiken het en proberen te begrijpen waar het ons vak werkelijk kan verbeteren. Juist daardoor wordt steeds duidelijker dat we twee zaken uit elkaar moeten houden: het beschikbaar hebben van technologie en het vermogen om daarmee aantoonbaar beter werk te leveren.
Dat eerste wordt steeds minder onderscheidend. Het tweede wordt juist belangrijker.
Een voorsprong zonder toetredingsbarrière
Een duurzaam concurrentievoordeel ontstaat normaal gesproken doordat iets niet gemakkelijk door anderen kan worden gekopieerd. Dat kan specialistische kennis zijn, jarenlange ervaring, unieke data, intellectueel eigendom, een moeilijk te repliceren proces of technologie waarin jarenlang is geïnvesteerd.
Generatieve AI heeft bijna de tegenovergestelde economische kenmerken.
De belangrijkste modellen zijn breed beschikbaar. De kosten om ermee te beginnen zijn relatief gering. Er is geen omvangrijke technische infrastructuur nodig om de eerste toepassingen te gebruiken en een medewerker hoeft geen programmeur of data scientist te zijn om binnen enkele minuten met een taalmodel te kunnen werken.
Precies daarin zit een belangrijk deel van de revolutionaire kracht van generatieve AI: technologie die voorheen specialistische kennis vereiste, wordt toegankelijk via gewone menselijke taal. Maar die kracht heeft een interessante keerzijde. Als vrijwel iedereen toegang heeft tot dezelfde technologie, kan de toegang tot die technologie moeilijk het onderscheid zijn.
Een accountantskantoor kan vandaag uitgebreid communiceren over de introductie van een nieuwe AI-assistent, terwijl een concurrerend kantoor morgen toegang kan krijgen tot vergelijkbare functionaliteit. Bovendien ontwikkelen de grote technologieplatforms zich zo snel dat toepassingen die organisaties vandaag zelf bouwen, over enige tijd als standaardfunctionaliteit in bestaande software kunnen zitten.
Daarom vind ik de claim dat een accountantsorganisatie met AI “vooroploopt” steeds moeilijker vol te houden. Vooroplopen suggereert een voorsprong. Een voorsprong veronderstelt op zijn beurt enige afstand tot degenen die achter je lopen. Bij een technologie die zich vrijwel onmiddellijk over de hele markt verspreidt, is die afstand meestal klein en waarschijnlijk tijdelijk.
AI-adoptie is nog geen innovatie
Daar komt bij dat we het gebruik van AI gemakkelijk verwarren met innovatie.
Een medewerker die vroeger zelf een e-mail opstelde en daarvoor tegenwoordig een taalmodel gebruikt, werkt mogelijk efficiënter. Een accountant die een lange overeenkomst laat samenvatten, bespaart mogelijk tijd. Een team dat AI gebruikt om een eerste opzet voor een memo te maken, kan sneller tot een concept komen.
Allemaal nuttig. Maar het blijft de vraag of daarmee het accountantsproduct daadwerkelijk beter is geworden.
Dat onderscheid wordt relevanter nu AI-gebruik snel normaliseert. Uit een Gartner-onderzoek uit 2026 onder auditprofessionals blijkt bijvoorbeeld dat AI-gebruik inmiddels zeer breed is, maar nog sterk geconcentreerd is rond relatief geïsoleerde werkzaamheden zoals voorbereiding, schrijven, samenvatten en review. De onderzoekers plaatsen daarom zelf vraagtekens bij het gelijkstellen van hoge adoptie aan werkelijke transformatie van het auditproces.
Dat lijkt mij een wezenlijk punt voor onze sector. Het aantal AI-licenties zegt ongeveer evenveel over innovatiekracht als het aantal Excel-licenties. Het aantal prompts dat binnen een organisatie wordt verstuurd, zegt niets over controlekwaliteit. En het aantal gebouwde agents zegt nog weinig over de vraag of betere controle-informatie wordt verkregen.
Toch dreigen precies dit soort indicatoren onderdeel te worden van de marketing rondom AI.
De bediening is eenvoudig. Het oordeel niet.
Ook over de benodigde vaardigheden mogen we wat mij betreft preciezer zijn.
Het bedienen van generatieve AI vereist geen uitzonderlijke technische competenties. Dat is geen kritiek op de technologie, maar juist een van haar belangrijkste kwaliteiten. De interface is natuurlijke taal. Wie een vraag kan formuleren, kan in beginsel met een taalmodel werken.
Natuurlijk bestaan er verschillen tussen ervaren en onervaren gebruikers. Context meegeven, bronnen gebruiken, instructies structureren en resultaten iteratief verbeteren hebben invloed op de kwaliteit van de output. Maar ik betwijfel of “goed kunnen prompten” op langere termijn een strategische kerncompetentie van accountantsorganisaties gaat worden. De modellen worden juist ontwikkeld om steeds beter te begrijpen wat gebruikers bedoelen en steeds minder afhankelijk te zijn van ingewikkelde prompttechnieken
De echte moeilijkheid ontstaat daarom niet bij het stellen van de vraag, maar bij het beoordelen van het antwoord. Een taalmodel kan in enkele seconden een analyse produceren over omzetverantwoording, continuïteit, een complexe verslaggevingsvraag of een controlerisico. De professionele uitdaging begint vervolgens bij de vraag of de accountant voldoende kennis heeft om te herkennen waar het antwoord tekortschiet.
Daarmee ontstaat zelfs een interessante omkering. Hoe eenvoudiger AI wordt om te gebruiken, hoe belangrijker het vakmanschap wordt dat nodig is om de uitkomsten ervan te beoordelen.
AI kan kennis versterken, maar ook maskeren
Daar zit voor mij een van de grotere risico’s voor de accountancy.
Een goed geformuleerd AI-antwoord kan de indruk van deskundigheid wekken zonder dat degene die het antwoord gebruikt die deskundigheid zelf bezit. Dat is bij een zoekmachine minder snel het geval. Een zoekmachine geeft bronnen terug die je vervolgens moet lezen en interpreteren. Generatieve AI presenteert direct een coherent antwoord, inclusief argumentatie, structuur en soms zelfs verwijzingen.
Daardoor kan het verschil tussen iets begrijpen en een overtuigend antwoord op iets hebben ongemerkt kleiner lijken dan het werkelijk is.
Voor een kennisintensief beroep is dat niet onschuldig.
Wanneer een beginnend accountant een complexe vaktechnische vraag eerst zelf analyseert, standaarden raadpleegt, alternatieven afweegt en vervolgens AI gebruikt om zijn redenering te challengen, kan de technologie het leerproces versterken. Wanneer dezelfde accountant de vraag rechtstreeks aan AI stelt en het antwoord vervolgens verwerkt in het dossier, kan precies het tegenovergestelde gebeuren.
Het document wordt misschien beter terwijl de professional minder leert.
Op korte termijn kan dat eruitzien als productiviteitswinst. Op langere termijn kan het een probleem worden voor de ontwikkeling van professioneel oordeel.
En juist professioneel oordeel is uiteindelijk een van de zaken waarvoor de maatschappij een accountant inschakelt.
In een audit is een plausibel antwoord onvoldoende
Voor accountantsorganisaties komt daar nog iets bij. Wij werken niet in een omgeving waarin een antwoord alleen nuttig of waarschijnlijk juist hoeft te zijn. Bij een wettelijke controle moeten werkzaamheden uiteindelijk bijdragen aan voldoende en geschikte controle-informatie en moet kunnen worden uitgelegd hoe conclusies tot stand zijn gekomen.
Daarom verschuift de interessante AI-discussie binnen de audit al snel van functionaliteit naar beheersing. Welke data zijn ingevoerd? Waar bevinden die gegevens zich? Welk model is gebruikt? Welke bronnen lagen aan het antwoord ten grondslag? Hoe is de output gevalideerd? Is een analyse reproduceerbaar? Welke menselijke beoordeling heeft plaatsgevonden? En kan de externe accountant uiteindelijk zelf instaan voor de conclusie?
Dat zijn geen theoretische vragen. Ook de AFM legt bij het gebruik van geavanceerde audittools en generatieve AI inmiddels nadrukkelijk de nadruk op risicomanagement, informatiebeveiliging, datakwaliteit, traceerbaarheid of reproduceerbaarheid en menselijke eindverantwoordelijkheid.
De IAASB beweegt in dezelfde richting. Bij de verdere modernisering van de controlestandaarden staat niet een specifieke technologie centraal, maar juist de betrouwbaarheid van controle-informatie, professioneel-kritische instelling en professionele oordeelsvorming. Technologie mag veranderen; de eisen aan de kwaliteit van het oordeel verdwijnen daardoor niet.
Dat maakt de discussie een stuk interessanter dan de vraag welk kantoor als eerste een AI-agent heeft gebouwd.
Waar kan een accountantskantoor dan wél mee vooroplopen?
Als iedereen toegang krijgt tot ongeveer dezelfde intelligentie, verschuift het onderscheid naar alles wat je rondom die intelligentie organiseert.
Een accountantsorganisatie kan zich onderscheiden door de kwaliteit van haar eigen data en kennis, door jarenlange ervaring te vertalen naar slimme workflows, door AI te combineren met gestructureerde data-analyse, door toepassingen reproduceerbaar te maken en door technologie daadwerkelijk te integreren in een controleaanpak in plaats van haar als losse assistent naast het bestaande proces te zetten.
Ook de organisatie van menselijke kennis wordt belangrijker. Welke vaktechnische expertise wordt aan een model beschikbaar gesteld? Hoe worden antwoorden gevalideerd? Hoe voorkom je dat verschillende teams ieder hun eigen AI-werkwijze ontwikkelen? Hoe wordt geleerd van fouten? En misschien wel het belangrijkste: welke werkzaamheden laten we bewust níét door AI uitvoeren?
Daar kan wel degelijk onderscheid ontstaan.
Niet in het model, maar in het systeem eromheen.
Een taalmodel dat door duizenden accountantsorganisaties wordt gebruikt, is geen concurrentievoordeel. Een eigen combinatie van kennis, data, methodologie, processen, kwaliteitsbeheersing en professioneel oordeel kan dat wel zijn.
Misschien moeten we daarom stoppen met de AI-wedstrijd
De huidige aandacht voor AI doet mij soms denken aan eerdere technologiegolven. Eerst is het bezit van de technologie bijzonder. Vervolgens wordt de technologie breed beschikbaar en uiteindelijk verdwijnt zij naar de achtergrond. Niemand zet tegenwoordig op zijn website dat het kantoor vooroploopt omdat alle medewerkers met laptops, cloudsoftware, Excel of Teams werken.
Ik vermoed dat we over enkele jaren op een vergelijkbare manier naar veel van de huidige AI-claims kijken. AI zal niet verdwijnen. Het tegenovergestelde lijkt waarschijnlijker: het wordt zo vanzelfsprekend aanwezig in onze software, zoekfuncties, controledossiers en werkprocessen dat we nauwelijks nog bewust zullen zeggen dat we “AI gebruiken”.
Daarom moeten accountantskantoren wat mij betreft niet proberen voorop te lopen in het hebben van AI, maar in het verstandig organiseren ervan.
Dat is minder spectaculair voor een LinkedIn-post van een hippe bestuurder. Het vraagt investeringen in data, methodologie, informatiebeveiliging, vaktechniek, opleiding, governance en kwaliteitsbeheersing. Het vraagt bovendien de discipline om soms niet voor de snelste technologische oplossing te kiezen.
Maar daar zit uiteindelijk wel het verschil tussen technologie gebruiken en een betere accountant worden.
De toegang tot AI wordt een commodity. Goed accountantswerk niet.
