AI zorgt voor grootste verschuiving voor financieel directeuren in 20 jaar

In zijn carrière heeft Brad Wolfe drie CFO-functies bij NASDAQ-bedrijven bekleed. Nu is hij de oprichter van Wolfe Packs Consulting, waar hij bedrijven in het lagere middensegment die worden ondersteund door private equity helpt. Hij geeft ook les aan verschillende universiteiten.

We gingen met hem in gesprek om te begrijpen hoe AI de CFO-functie verandert. Dit vertelde hij ons.

Wat dit moment van AI-transformatie vereist

Ik heb de eerste helft van mijn carrière besteed aan het werk dat de meeste CFO's delegeren. Drie CFO-functies bij NASDAQ-bedrijven, meer dan 80 M&A-transacties en meer dan 50 implementaties van bedrijfssystemen voor ERP, CRM, facturering en datawarehousing. Een achtergrond bij PwC, een JD en een MBA van Kellogg. Ik heb voor auditcommissies gezeten, de 302-certificeringen ondertekend en deals gesloten waarbij de kwaliteit van de gegevens me voldoende zorgen baarde om de prijs opnieuw vast te stellen.

Mijn reden om hier te zijn is eenvoudig: ik zag AI aan de verkeerde mensen worden overhandigd. Niet omdat technologiemensen incompetent zijn — dat zijn ze niet — maar omdat de vragen die AI oproept geen technologievragen zijn. Het zijn vragen over kapitaalallocatie. Het zijn aansprakelijkheidsvragen. Dit zijn de vragen die al op het bureau van de CFO belanden wanneer de output van AI onjuist is en iemand certificeert wat er is geproduceerd.

Ik run nu Wolfe Packs Consulting en werk met door private equity ondersteunde bedrijven in het lagere middensegment. Mijn centrale stelling is dat de CFO-functie — of de COFO-functie, zoals ik die noem wanneer het operationele mandaat geïntegreerd is — de enige directiepositie is die al eigenaar is van het financiële model, de beheersmaatregelen, de certificeringsblootstelling en de relatie met de raad van bestuur. Voor AI-governance is geen nieuwe titel nodig. De bestaande functie moet het terrein vóór de output opeisen.

Daar ligt mijn focus. En dat is wat dit moment vereist.

Bouwen wat nodig is

Ik werk als operationeel partner en CFO binnen door private equity ondersteunde bedrijven in het lagere middensegment. De typische opdracht betreft een bedrijf met een omzet tussen $20 miljoen en $500 miljoen, ondersteund door een sponsor die de deal net heeft gesloten of zich 12 tot 18 maanden in de aanhoudingsperiode bevindt en beseft dat de financiële functie niet is ingericht op wat hierna komt.

De complexiteit varieert, maar het patroon is consistent: structuren met meerdere entiteiten, vaak het resultaat van een consolidatiestrategie, waarbij financiële teams die zijn ontworpen voor een operationeel model met één bedrijf nu tegelijkertijd geconsolideerde rapportage, integratieboekhouding en een AI-klare data-architectuur moeten produceren. Geen infrastructuur voor gedeelde diensten. Rapportages staan in spreadsheets. CFO's zijn technisch capabel, maar operationeel overbelast.

Mijn rol als COFO is om de functie te vervullen, te bouwen wat nodig is en de capaciteiten over te dragen — of dat nu betekent dat ik het financiële model opzet, het systeemwerk in de juiste volgorde uitvoer, de relatie met de raad van bestuur tijdens een transitie beheer of bepaal hoe AI-governance eruitziet binnen een bedrijf met echte operationele complexiteit en een sponsor die antwoorden wil, geen raamwerken.

Ik werk op dat niveau met één opdracht tegelijk. De rest van mijn tijd besteed ik aan adviseren, schrijven en lesgeven — aan Northwestern, DePaul en Chicago Kent — omdat de kloof tussen wat de CFO-functie vandaag vereist en waarvoor financiële leiders worden opgeleid groot genoeg is om zowel op het niveau van de praktijkbeoefenaar als op het niveau van de instroom te moeten worden aangepakt.

Hoe AI geïntegreerde financiële modellering mogelijk maakt

De meest concrete verandering die ik het afgelopen jaar heb doorgevoerd, is de manier waarop ik het geïntegreerde operationele en financiële model opbouw en onderhoud.

Voorheen was het bouwen van een model een periodieke oefening. Een budgetcyclus leverde een versie op, een nieuwe prognose werkte die bij en een handvol mensen begreep de logica van het model in Excel. Tegen de tijd dat er een bestuursvergadering plaatsvond, was het model al verouderd en moest het verhaal de hiaten verhullen.

Ik gebruik nu AI om een voortdurend bijgewerkt model te onderhouden dat operationele drijfveren rechtstreeks koppelt aan financiële resultaten — omzet per cohort, personeelsbezetting aan arbeidskosten en leveranciersuitgaven aan de marge per bedrijfsonderdeel. Ik bouw het model niet elk kwartaal opnieuw. Ik onderhoud het als een levend document dat in real time kan worden bevraagd.

Hierdoor zijn de gesprekken met de raad van bestuur veranderd. In plaats van een statische momentopname te presenteren en de aannames ervan te verdedigen, kan ik een bestuursvergadering binnenlopen en ter plekke scenario's doorrekenen. Een sponsor vraagt wat er gebeurt met EBITDA als de grootste klant vertrekt — het antwoord is niet: "Ik kom hierop terug." Het staat in het model en het is actueel.

Deze verandering heeft ook invloed gehad op de manier waarop ik over AI-governance denk. Zodra bestuurders beslissingen nemen op basis van een met AI ondersteund model, wordt datakwaliteit een existentiële kwestie. Het model weet niet wat er ontbreekt. Het voert uit op basis van wat er beschikbaar is. Dit dwong tot een discipline rond datagovernance en procesdocumentatie die de meeste bedrijven in het lagere middensegment nooit hebben gehad.

AI heeft die vereiste niet gecreëerd. Het heeft het duur gemaakt om die te negeren.

Een door AI aangedreven workflow voor variantieanalyse

Zo verloopt AI-ondersteunde variantieanalyse, gekoppeld aan het geïntegreerde operationele en financiële model, van begin tot eind.

Een gedocumenteerd proces van verkoopkans tot kasontvangst vormt de basis — elke omzetgenererende stap, van de eerste verkoopkans tot en met de inning van contant geld, gekoppeld aan de bijbehorende systemen. Dit moet bestaan voordat de AI-laag wordt toegevoegd. Zonder dit proces beschikt het model niet over de proceslogica die nodig is voor validatie.

Vervolgens leveren ERP- en CRM-systemen dagelijks de werkelijke cijfers aan het model. AI controleert binnenkomende gegevens aan de hand van verwachte patronen — omzet per cohort, timing van incasso's, uitgaven per categorie ten opzichte van het budget — en markeert afwijkingen die vastgestelde drempelwaarden overschrijden. Alleen afwijkingen die statistisch significant zijn of afwijken van de aannames over de drijfveren van het model worden gemarkeerd.

Ik beoordeel een melding op dezelfde dag waarop deze aan het licht komt. De AI heeft de afwijking al teruggevoerd naar de bron — een specifieke klant, een specifieke kostenplaats, een specifiek transactietype — waardoor de beoordeling geen speurtocht is. Het is een kwestie van oordeelsvorming: gaat het om ruis, een trend of een beheersingskwestie die escalatie vereist?

De uitkomst van die beoordeling wordt rechtstreeks gebruikt voor het verhaal aan de raad van bestuur. Wanneer ik me voorbereid op een bestuursvergadering, bewerk ik de variantieanalyse; ik bouw deze niet op. Het model heeft al een eerste versie van het verhaal opgesteld. Mijn taak is de logica te valideren, oordeelsvorming toe te passen waarvoor operationele context nodig is, en ervoor te zorgen dat ik het verhaal dat ik presenteer kan certificeren.

De bestuurslaag die dit werk mogelijk maakt, omvat: benoemde gegevenseigenaren voor elk bronsysteem, een gedocumenteerd escalatiepad voor modeluitzonderingen en een duidelijk onderscheid tussen wat de AI markeert en waarover de CFO beslist. De AI neemt de beslissing niet. De AI brengt informatie snel genoeg aan het licht om de beslissing te nemen voordat het probleem zich opstapelt.

Claude van Anthropic is van vitaal belang voor financiële leiders

Claude, het grote taalmodel van Anthropic, is mijn favoriete hulpmiddel. Niet omdat het het enige capabele model is — dat is het niet — maar omdat ik het het meest bruikbaar vind voor het werk dat in de context van een CFO van belang is: redeneren over lange teksten, complexe financiële en operationele informatie samenbrengen, verhalen op bestuursniveau opstellen en kaders voor goed bestuur uitwerken die gedurende een lang document een consistente logica vereisen.

Het levert de meeste waarde in een specifieke gebruikssituatie: het opbouwen en onderhouden van de Hoofdbriefing — een levend document waarin elke actieve relatie, inhoudelijke draad, vocabulairebeslissing en openstaand punt binnen mijn advies- en contentplatform wordt bijgehouden. Deze taak past niet in één prompt. Er is een model voor nodig dat context vasthoudt, over afhankelijkheden redeneert en uitvoer produceert die consistent is met beslissingen die eerder in dezelfde sessie zijn genomen. Hier is het kwaliteitsverschil tussen modellen het duidelijkst zichtbaar.

Waarom CFO's beslissingen op basis van AI moeten kunnen verdedigen

Brad deelt

AI beslist niet over kapitaalallocatie, oordelen over omzetverantwoording, risicobeoordeling op bestuursniveau of iets anders waarvoor certificering vereist is. Deze zaken blijven uitdrukkelijk menselijk…

Maar het belangrijkere punt is niet van welke hulpmiddelen ik houd, maar waarvoor ik ze gebruik.

AI informeert variantieanalyse, scenariomodellering, prognoses, patroonherkenning in kasstromen en de eerste versie van vrijwel elke analytische uitvoer. Dit zijn gebieden waarop de hoeveelheid gegevens groter is dan wat een menselijke analist efficiënt kan verwerken en waarop de waarde ligt in het zichtbaar maken van het signaal, niet in het door een mens uitvoeren van de berekeningen.

AI beslist niet over kapitaalallocatie, oordelen over omzetverantwoording, risicobeoordeling op bestuursniveau of iets anders waarvoor certificering vereist is. Deze zaken blijven uitdrukkelijk menselijk — niet omdat AI geen antwoord kan produceren, maar omdat het antwoord juridische en fiduciaire gevolgen heeft die moeten eindigen bij een met naam genoemde persoon die het onder een kritische beoordeling kan verdedigen.

De meeste CFO's beheren momenteel de tussenlaag verkeerd — AI-ondersteunde resultaten die beslissingen informeren zonder expliciete verantwoordelijkheid voor het resultaat. Variantieanalyse die als basis dient voor een verhaal aan de raad van bestuur. Kasstroomprognoses die gesprekken over convenanten aansturen. Dit zijn geen zaken met geringe risico's. De CFO die AI deze resultaten laat informeren zonder een architectuur voor goed bestuur rond gegevenskwaliteit, modelvalidatie en certificering van resultaten, ondertekent een 302 over een getal dat hij of zij niet volledig kan uitleggen. Dat is geen AI-probleem. Dat is een beheersingsprobleem.

AI brengt grote voordelen en grote risico's met zich mee

Om te beginnen: de goede resultaten.

De tijd die nodig is voor de financiële afsluiting valt het meest op. Toen we de gegevenswerkzaamheden op de juiste manier planden voordat we AI-ondersteunde rapportage implementeerden, daalde de maandelijkse afsluitingstijd aanzienlijk — in één geval van 18 dagen naar 9. Dat is geen magie; het gebeurt wanneer de gegevens schoon genoeg zijn om automatisering zonder handmatige tussenkomst bij elke stap te laten werken.

De nauwkeurigheid van de prognoses verbeterde op een andere manier dan ik had verwacht. De verbetering zat niet in de precisie van de cijfers, maar in de snelheid waarmee herzieningen konden worden doorgevoerd. Wanneer de werkelijke cijfers afwijken van het plan, identificeert het model de afwijking en traceert het deze binnen enkele uren naar de oorzaak, in plaats van dagen. De CFO hoeft tijdens de bestuursvergadering geen tegenvaller uit te leggen. De CFO stuurt de reactie al aan.

Het belangrijkste kwalitatieve resultaat: het gesprek met de raad van bestuur veranderde. Wanneer het model actueel is en de scenario's vooraf zijn opgebouwd, stelt de sponsor betere vragen en geeft de CFO betere antwoorden. Dat verandert de relatie.

Vervolgens het slechte nieuws.

Succes met AI vereist een goede data-infrastructuur

De meest consistente faalmodus die ik heb gezien, is AI inzetten boven op een dataprobleem waarvan de organisatie niet wist dat het bestond.

Elke CFO die aan een AI-initiatief begint, gelooft dat de gegevens er redelijk goed voorstaan — het ERP-systeem draait al enkele jaren, het rekeningschema is gestandaardiseerd en het CRM is gevuld — maar dat is vrijwel nooit het geval. Beoordelingen van datakwaliteit weerspiegelen doorgaans hoe de gegevens eruitzien voor de mensen die ze hebben ingevoerd, niet hoe ze eruitzien voor een model dat ze probeert te gebruiken.

De problemen waren er altijd al — inconsistente categorisering, niet-gedocumenteerde processen, omzetverwerkingsbeleid waarover tijdens een bestuursvergadering overeenstemming is bereikt maar dat nooit in het facturatiesysteem is geconfigureerd, en klantgegevens met drie versies van dezelfde naam. Het financiële team leerde ermee om te gaan. De AI kan dat niet.

AI signaleert slechte gegevens dus niet. Het verwerkt ze vol vertrouwen en produceert uitvoer die gezaghebbend lijkt. Een financieel team dat de uitvoer vertrouwt zonder de invoer te begrijpen, bevindt zich in een gevaarlijkere positie dan een team dat spreadsheets gebruikt — want bij spreadsheets weet iemand meestal tenminste waar de lijken begraven liggen.

Wat ik heb geleerd, is dat datagovernance het eerste op te leveren resultaat moet zijn, niet de voorwaarde waar iedereen het in principe mee eens is en die in de praktijk wordt overgeslagen. Dit betekent dat je het lead-tot-cashproces in kaart brengt voordat je een AI-tool selecteert — elke overdracht, elk contactpunt met een systeem, elke plek waar gegevens van eigenaar wisselen en verkeerd kunnen worden gecodeerd, gedefinieerd of verloren kunnen gaan.

Wijs vervolgens voor elke laag een met naam genoemde eigenaar aan — geen afdeling, maar een persoon — en documenteer hoe correctie eruitziet bij elke stap. Dat betekent met naam genoemde eigenaren voor elk gegevensdomein, gedocumenteerde definities voor elke metriek die het model zal gebruiken, en een afstemming tussen wat het beleid zegt en wat het systeem daadwerkelijk doet — voordat je de AI-tool selecteert, niet nadat je deze hebt geïmplementeerd.

De kosten van dit verkeerd aanpakken zijn niet alleen het opschonen van gegevens. Daaronder vallen ook het opnieuw trainen, hernieuwde validatie, verlies van vertrouwen in de uitvoer en in sommige gevallen het gesprek over een herziening van de jaarrekening. Die kosten stonden niet in de businesscase. Dat doen ze nooit.

AI faalt tenzij eigenaren met naam worden aangewezen

De tweede tekortkoming is een achterstand op het gebied van governance — en de onwil om een eigenaar aan te wijzen.

De invoering van AI in de financiële functie loopt meestal niet vast omdat de technologie verkeerd is of de implementatie ingewikkeld, maar omdat niemand in de organisatie de bevoegdheid heeft gekregen — of heeft opgeëist — om de beslissingen te nemen die de inzet van AI vereist.

Tegen de tijd dat de organisatie beseft dat ze gedocumenteerd eigenaarschap van gegevens, met naam genoemde goedkeurders en een escalatiepad voor uitzonderingen van het model nodig heeft, is AI al ingebed in werkstromen die niemand volledig begrijpt. Governance achteraf invoeren is aanzienlijk moeilijker en duurder dan deze vóór de implementatie op te bouwen.

Wie bepaalt hoe de gegevens eruit moeten zien voordat het model ermee aan de slag gaat? Wie keurt de uitzonderingen goed wanneer het model een uitvoer produceert die niet overeenkomt met het beleid? Wie is verantwoordelijk wanneer de door AI ondersteunde analyse een beslissing beïnvloedt die uiteindelijk onjuist blijkt te zijn?

Dit zijn geen technologievraagstukken. Het zijn vraagstukken over bevoegdheid. En in de meeste organisaties worden ze op dezelfde manier beantwoord als elke andere ongemakkelijke vraag over bevoegdheid: met een comité.

Waarom AI tekortschiet in leveranciersanalyse en -strategie

AI heeft niet geleverd op het gebied van contractanalyse van leveranciers en inkoopinformatie. De belofte was dat AI besparingsmogelijkheden zou blootleggen die verborgen waren in contractvoorwaarden, dubbele uitgaven zou identificeren en ongunstige verlengingsvoorwaarden zou signaleren voordat ze ingingen. In de praktijk zijn de gegevens die deze hulpmiddelen voeden bijna nooit schoon of volledig genoeg om bruikbare resultaten op te leveren.

Contracten staan in pdf's met inconsistente opmaak, leveranciersgegevens bevatten drie versies van dezelfde leveranciersnaam en de uitgavencategorisering, die gestandaardiseerd had moeten worden, is dat nooit daadwerkelijk geweest. AI produceert een rapport dat handmatige validatie vereist, wat meer tijd kost dan de oorspronkelijke analyse zou hebben gekost.

Ik zie overal hetzelfde patroon: De tool werkt in de demo omdat we de demogegevens hadden voorbereid. In productie levert de tool minder op omdat we de productiegegevens niet hadden voorbereid.

Hoe AI financiële teams en talentbehoeften hervormt

Brad deelt

Traditionele financiële teams waren opgebouwd rond personeelsbezetting…AI automatiseert een aanzienlijk deel van dat werk.

AI verandert de samenstelling van het financiële team op manieren waar de meeste organogrammen nog geen rekening mee houden.

Traditionele financiële teams waren opgebouwd rond een personeelsbezetting met een controller, een team accountants, een of twee FP&A-analisten en een CFO die hen allemaal aanstuurde. Die structuur ging ervan uit dat mensen repetitieve taken met een hoog volume uitvoerden: de boeken sluiten, rekeningen afstemmen, variantierapporten opstellen en het budgetmodel bijhouden.

AI automatiseert een aanzienlijk deel van dat werk. De vraag is niet óf de personeelsbezetting verandert. In plaats daarvan moeten organisaties erkennen dat het financiële personeelsbestand nu uit vier verschillende categorieën bestaat, die elk een ander soort management, governance en kostenstructuur vereisen: werknemers, AI-agenten, contractanten en consultants.

De meeste financiële organisaties gebruiken alle vier zonder het onderscheid te erkennen. Een AI-agent die facturen verwerkt, is geen werknemer. De agent heeft geen manager in de gebruikelijke betekenis. Er is iemand die eigenaar is van het proces — iemand die de parameters vaststelt, de uitvoer valideert en verantwoordelijk is voor onjuiste verwerking. Organisaties moeten die eigenaar aanwijzen. De meeste organisaties hebben dat nog niet gedaan.

Ik zie de talentmix verschuiven: transactioneel werk met een hoog volume wordt overgenomen door agenten. Het resterende menselijke werk vereist beoordelingsvermogen, context en verantwoordelijkheid — de CFO die de uitvoer certificeert, de controller die weet waar de lijken in de gegevens begraven liggen en de analist die begrijpt waarom het model een getal produceert dat niet overeenkomt met de bedrijfsrealiteit.

De meest effectieve financiële teams over drie jaar zullen de teams zijn die hun personeelsarchitectuur nu doelbewust opnieuw ontwerpen — niet de teams die het personeelsbestand inkrimpen en hopen dat agenten het gat opvullen.

Hoe AI heeft gezorgd voor een uitbreiding van het mandaat van CFO's

Veel mensen denken dat de positie van de CFO kleiner wordt. AI automatiseert het afsluiten, de afstemming, de variantieanalyse en de eerste versie van het verhaal voor de raad van bestuur. Het aantal medewerkers dat nodig is om een financiële functie te runnen, neemt af. Het argument ligt voor de hand.

Maar ik denk dat de positie groter wordt, en de CFO's die dat begrijpen, zullen bepalen hoe de rol er het komende decennium uitziet.

Dit is waarom. AI automatiseert het routinematige werk. Wat AI niet kan automatiseren, is de verantwoordingsstructuur die de uitvoer bruikbaar maakt — de governance-architectuur die bepaalt of de uitvoer van AI certificeerbaar is, het beoordelingsvermogen rond kapitaalallocatie dat bepaalt op welk scenario actie moet worden ondernomen, de relatie met de raad van bestuur die de aanbeveling geloofwaardig maakt en de SOX 302-handtekening die een menselijke naam verbindt aan de gevolgen wanneer er iets misgaat.

Dat alles concentreert zich naar boven toe. De laag van financiële vertrouwensadviseurs — de CFO die eigenaar is van het geïntegreerde model, toezicht houdt op de uitvoer van AI en de fiduciaire blootstelling draagt — wordt niet kleiner. Deze laag wordt belangrijker naarmate de hoeveelheid door AI gegenereerde uitvoer die menselijke certificering vereist, toeneemt.

CFO's die terrein zullen verliezen, hebben hun identiteit opgebouwd rond werk dat wordt geautomatiseerd. CFO's die terrein zullen winnen, claimen het mandaat stroomopwaarts van de uitvoer — datagovernance, procesarchitectuur en AI-governance als kapitaalfunctie — voordat iemand anders het vacuüm opvult.

Dit moment vormt geen bedreiging voor de positie van de CFO. Het is de grootste uitbreiding van het mandaat die de positie in twintig jaar heeft meegemaakt. De meeste CFO's hebben dat nog niet opgemerkt.

Waarom CFO's hun focus nu moeten verleggen

Dus, mijn advies? Drie dingen, in volgorde van belangrijkheid.

1. Neem eerst de architectuur in eigendom. De CFO die wacht tot een AI-tool dataproblemen blootlegt, loopt al achter. Datagovernance, procesdocumentatie en afstemming van systemen zijn vereisten, geen bijproducten. Als je niet weet wie eigenaar is van elk datadomein, wat het beleid voor omzetverantwoording in het factureringssysteem voorschrijft en hoe je lead-tot-kasproces van begin tot eind werkt, ben je nog niet klaar om AI in te zetten. Je bent klaar om de opschoning te financieren die volgt op een mislukte implementatie.
2. Claim het mandaat vóór de output. AI-governance komt op het bureau van de CFO terecht, of de CFO er nu om heeft gevraagd of niet. De certificeringsrisico's onder SOX 302, de vragen van het bestuur over modelrisico en de beslissingen over kapitaalallocatie rond contracten met AI-leveranciers — dit alles valt door de functie nu al onder de verantwoordelijkheid van de CFO. De CFO die AI als een IT-probleem beschouwt, geeft vrijwillig het terrein op dat de volgende versie van de functie bepaalt. De CFO die eigenaar is van het geïntegreerde operationele en financiële model, het lead-tot-kasproces en de governancearchitectuur die de output certificeerbaar maakt, overleeft dit moment niet alleen. Het bestuur en de sponsor zullen op die CFO vertrouwen naarmate de belangen groter worden.
3. Bouw je professionele identiteit niet rond werk dat wordt geautomatiseerd. De financiële afsluiting, crediteurenadministratie, reconciliatie en basisrapportage — dit alles wordt steeds meer een handelswaar. De CFO die zijn of haar geloofwaardigheid volledig heeft opgebouwd rond het uitvoeren van de financiële afsluiting, zal merken dat die geloofwaardigheid sneller uitholt dan de functiebeschrijving verandert. Het werk dat zich opstapelt, is het werk dat niet tot handelswaar kan worden gemaakt: oordeelsvermogen bij kapitaalallocatie, vertrouwen op bestuursniveau, governancearchitectuur en het vermogen om te certificeren dat wat het model heeft geproduceerd iets is waar je je naam onder wilt zetten.

Dit moment vormt geen bedreiging voor de CFO-functie. Het is een uitbreiding van het mandaat. De CFO's die het zo bekijken, zullen bepalen hoe de functie er het komende decennium uitziet.

Blijf op de hoogte

Je kunt het werk van Brad Wolfe volgen op LinkedIn en een kijkje nemen bij Wolfe Packs Consulting.

Er volgen nog meer interviews met experts op The CFO Club!