CFOO zegt dat het echte AI-project schone gegevens zijn, niet slimme automatisering

Dave Leaver is de CFOO van Mention Me, een B2B SaaS-bedrijf uit serie B dat actief is op het gebied van doorverwijzingen en belangenbehartiging.

We spraken met Dave om te ontdekken waar AI de grootste hefboom biedt in financiële werkprocessen. Dit is wat hij zei.

CFO's moeten richting kunnen geven — niet er alleen over rapporteren

Ik ben Dave. Ik ben CFOO bij Mention Me, een B2B SaaS-bedrijf in Londen. Ik ben ook medeoprichter van HP-1, een direct-to-consumermerk dat door de oprichters wordt aangestuurd en dat ik vanaf de grond opbouw.

Mijn loopbaan verliep niet volgens het conventionele pad. Ik begon met het najagen van een carrière in de professionele sport. Toen dat niet lukte, volgde ik een opleiding tot accountant — en verhuisde ik vervolgens naar Sydney om de zon achterna te gaan.

Ruim twintig jaar later heb ik gewerkt in de adviespraktijk van KPMG, in de FMCG-sector en bij aan de ASX genoteerde bedrijven, de financiële functie voor beroemdheden geleid en diepgaande ervaring opgebouwd bij door durfkapitaal en private equity gesteunde techstart-ups aan beide kanten van de wereld. Ik heb financiële functies vanaf nul opgebouwd, bedrijven op meerdere continenten opgeschaald en verantwoordelijkheid gedragen voor winst-en-verliesrekeningen ter waarde van honderden miljoenen.

Maar ik paste nooit in het stereotype van de stijve accountant. Ik houd van eenvoud, en ik vind dat werk impactgedreven moet zijn. Als een taak niets vooruithelpt, schrap ik die.

Die instelling bracht me regelmatig op gespannen voet met de traditionele werkwijze van financiële afdelingen. Grondig, nauwkeurig en een stap achter de business — zodat de cijfers kloppen, maar tegen de tijd dat de analyse er ligt, zijn de beslissingen al genomen.

Toen AI opkwam, omarmde ik het dan ook — niet als een trend die je moet volgen, maar als een manier om handmatig werk te elimineren. Ik besteed minder tijd aan het rapporteren van cijfers en meer tijd aan wat ze betekenen en waar het bedrijf vervolgens naartoe moet. Dezelfde systemen die ik gebruik om mijn eigen bedrijven te leiden, geven me realtimecijfers, bestuursrapportages die een verhaal vertellen in plaats van er alleen over te rapporteren, en een slanke financiële functie die kan meegroeien zonder dat het aantal medewerkers toeneemt.

Ik vind dat een CFO richting moet kunnen geven, en er niet pas achteraf over moet rapporteren.

Een slank team, aangedreven door AI

Mention Me is een B2B SaaS-bedrijf uit serie B dat actief is op het gebied van doorverwijzingen en belangenbehartiging. Het hoofdkantoor staat in Londen en het bedrijf wordt gesteund door Octopus Ventures en Eight Roads. We verkopen aan merken in het Verenigd Koninkrijk, Europa en daarbuiten.

Mijn verantwoordelijkheid gaat verder dan alleen financiën. Ze omvat financiën, HR en medewerkers, strategie en bedrijfsvoering — ik houd me dus net zo intensief bezig met hoe we mensen aannemen en organiseren als met de cijfers.

De structuur is bewust slank. Een klein intern team behandelt de kerntaken, met ondersteuning van een uitbestede functie voor transactioneel werk. De functie draait op AI. We hebben rapportages, gegevensstromen en eerste analyses geautomatiseerd — werk waarvoor voorheen meer mensen nodig waren. Hierdoor kan het team zijn tijd besteden aan oordeelsvorming in plaats van aan productie.

Ik heb dezelfde aanpak toegepast op mijn eigen rol. Ik heb een AI-"stafchef" gebouwd die me helpt bij het dagelijkse werk: mijn inbox sorteren, aangeven waarop een antwoord nodig is, actiepunten uit vergaderingen vastleggen en alles samenbrengen in een ochtendbriefing, zodat ik elke dag begin met precies te weten waar ik me op moet richten.

Waar AI in uitblinkt en waar mensen nodig zijn

AI doet het productiewerk, mensen vellen het oordeel — meestal.

Aan de AI-kant valt alles wat met patronen, berekeningen of samenvoeging te maken heeft. Daaronder vallen het rekenwerk in prognoses, het opbouwen van het model, het doortrekken van werkelijke cijfers en het doorrekenen van scenario's. Bij variantieanalyse blinkt AI uit in het signaleren van veranderingen en het vaststellen van de oorzaak. AI verzorgt ook kasstroommodellen, de technische opbouw van de bestuursrapportage en het eerste commentaar. Kortom, dit is het werk dat vroeger de hele week in beslag nam. AI is sneller dan ik, wordt niet moe en maakt om negen uur 's avonds geen rekenfouten.

Mensen behandelen expliciet alles wat gevolgen heeft of context vereist die de machine niet bezit. Kapitaalallocatie — beslissen waar het volgende pond naartoe gaat — is een oordeel over strategie en risicobereidheid, geen berekening.

Hetzelfde geldt voor de aannames onder elke prognose: AI kan het model uitvoeren, maar beslissen of we die deal echt zullen sluiten of die prijs zullen handhaven, is mensenwerk, en de uitkomst is slechts zo goed als dat oordeel. Risicobeoordeling, alles wat met mensen te maken heeft en alles wat ik met mijn naam eronder aan het bestuur voorleg — dat is mijn verantwoordelijkheid.

De reden voor die scheidslijn is eenvoudig. AI is briljant in het vertellen van "wat" en "waar". Het is veel zwakker in het beantwoorden van "waarom", en het heeft geen belang bij de vraag: "wat doen we hiermee?"

Variantieanalyse is het duidelijkste voorbeeld: AI vertelt me dat het getal is veranderd en wijst binnen enkele seconden de oorzaak aan. Wat we vervolgens doen — daarvoor word ik betaald.

Hoe de maandafsluiting kan worden teruggebracht van 10 dagen naar 3 dagen

Onlangs heb ik de tijd die nodig is om de maandafsluiting te voltooien teruggebracht van tien dagen naar drie.

Voorheen moest ik de cijfers ophalen, afstemmen, de dia's opbouwen, het commentaar schrijven en de grafieken opnieuw maken — het meeste met de hand, waarbij één of twee mensen het grootste deel voor hun rekening namen. Tegen de tijd dat de bestuursrapportage klaar was, beschreef die een situatie die weken achterliep op de actualiteit.

Ik heb de productie geautomatiseerd en de mensen verantwoordelijk gehouden voor het oordeel. We sluiten nu in drie dagen af — inclusief de bestuursrapportage en bijgewerkte prognoses.

Dit is het proces, van het onbewerkte grootboek tot een bestuursrapportage die klaar is voor het bestuur.

1. Het proces begint met data. In plaats van cijfers te exporteren en in een spreadsheet te plakken, haalt het platform livegegevens uit bronsystemen — het grootboek, de salarisadministratie, de verkooppijplijn en abonnementsstatistieken — en brengt die samen in één verbonden model. Deze ene stap verwijdert het meeste handmatige werk en de fouten door kopiëren en plakken.
2. Het structureert en controleert de data: Het standaardiseert de cijfers, markeert automatisch problemen bij het afstemmen en werkt in dezelfde stap de prognose bij op basis van de gerealiseerde cijfers, zodat het toekomstbeeld nooit achterloopt op de gerapporteerde cijfers.
3. Het bouwt de uitvoer. De grafieken en bestuursrapportage worden vanuit die ene bron samengesteld, en AI maakt een eerste versie van het commentaar over wat er is veranderd, zodat ik met een concept begin in plaats van met een lege pagina.
4. De mens neemt het over — het deel dat ertoe doet. Ik toets het verhaal kritisch en bepaal wat het bestuur moet horen: wat een tijdelijke uitschieter is, wat structureel is en welke beslissing ik aanbeveel. De machine levert binnen enkele uren een sterk concept; het oordeel over de betekenis ervan blijft van mij.

AI verzorgt de productie van begin tot eind, tot aan het punt waarop de gevolgen beginnen. Daar kom ik in beeld.

Snelheid en kwaliteit verbeterden tegelijkertijd. De bestuursrapportage weerspiegelt waar het bedrijf nu staat, niet waar het drie weken geleden stond. Omdat ik niet langer hoef te worstelen om de cijfers in vorm te krijgen, besteed ik tijd aan het vormgeven van het verhaal, het begrijpen van wat de veranderingen aandrijft en het bepalen welke beslissingen ik aan het bestuur wil voorleggen. Kortom, we zijn gestopt met het rapporteren van de cijfers en zijn begonnen ze uit te leggen.

De voor- en nadelen van AI in financiën

De goede resultaten zijn meetbaar. Naast de verbeteringen bij de maandafsluiting neemt scenarioplanning nu minuten in beslag in plaats van een dag of twee. En door productiewerk te automatiseren heb ik meer dan zes cijfers bespaard op personeelskosten binnen de financiële afdeling die de afdeling anders nodig zou hebben gehad — een kostenbesparing die al het andere bekostigt.

Een minder voor de hand liggende, kwalitatieve winst is de tijd die ik heb bespaard. De uren die ik vroeger besteedde aan het samenstellen van cijfers, besteed ik nu aan het interpreteren ervan. Daardoor zijn gesprekken met het bestuur scherper en verandert de afdeling van een rapportageafdeling in een afdeling die besluitvorming ondersteunt.

Maar er is ook een reëel nadeel. AI heeft soms vol vertrouwen ongelijk. Het geeft verzorgd uitziende antwoorden die subtiel afwijken — een verkeerd geïnterpreteerde aanname, een getal dat niet klopt. Door de vloeiendheid ervan is het gemakkelijk om de antwoorden te vertrouwen zonder ze te controleren.

Vraag het om levensadvies en je ziet hetzelfde in een vermakelijkere vorm: het is buitengewoon zelfverzekerd, stemt normaal gesproken met je in en slaat vaak nergens op.

De financiële versie is alleen moeilijker te herkennen. In het begin heeft het me meer dan eens verrast. Ik heb binnen het team de discipline moeten opbouwen en verankeren om AI-uitvoer als een eerste concept te behandelen, nooit als een definitief antwoord. Een mens controleert nog altijd elk cijfer dat aan het bestuur wordt gepresenteerd.

Waarom CFO's de basis moeten leggen voordat ze AI integreren

Dave deelt

De datafundering is het project, niet de opwarmer ervoor… De magie werkt pas wanneer het saaie voorbereidende werk is gedaan.

De datafundering is het project, niet de opwarmer ervoor.

Toen ik begon, dacht ik dat het moeilijke, waardevolle werk de AI was: de modellen, de automatisering, de slimme output. Ik beschouwde het opschonen en verbinden van de gegevens als een snelle voorbereiding voordat de echte bouw begon. Dat was precies omgekeerd.

Het fundament was de bouw. Het meeste werk, en het meeste van wat bepaalde of het geheel daadwerkelijk werkte, zat in de weinig glamoureuze laag: schone gegevens, een logische structuur en betrouwbare verbindingen met bronsystemen.

Daardoor besteedde ik in het begin tijd aan het bouwen van slimme functionaliteit boven op gegevens die er nog niet klaar voor waren, en kreeg ik gepolijste output die ik niet volledig kon vertrouwen. Dat betekende dat ik het fundamentele werk achteraf alsnog moest doen. Als ik dat had geweten, had ik de volgorde omgedraaid: zorg eerst dat de basisverbindingen goed werken en voeg daarna de intelligentie toe. Dezelfde bestemming, de helft van de verspilde moeite.

De magie werkt pas als het saaie fundament is gelegd.

Hoe CFO's personeelsplanning met AI kunnen verbeteren

In de meeste bedrijven, en zeker in SaaS, waar personeel veruit de grootste kostenpost is, blijft personeelsplanning een bot instrument. Deze bedrijven gebruiken een spreadsheet met functies, een personeelsplan dat tijdens het budgetproces wordt opgesteld en een getal dat iedereen als vast beschouwt totdat iets tot een heroverweging dwingt. Dat is vreemd, want het is de grootste afzonderlijke hefboom waarover een CFO beschikt, maar toch modelleren zij die vaak op de minst dynamische manier.

Ik heb onze aanpak voor personeelsplanning opnieuw ontworpen en ben overgestapt van een statische lijst naar een model op basis van drijvende factoren dat met de rest van het plan is verbonden. In plaats van "we nemen dit jaar twaalf mensen aan" is het nu "deze functie wordt geactiveerd door deze omvang van de verkooppijplijn, deze functie door deze omzetdrempel...", zodat het aannemen van personeel gekoppeld is aan de zaken die dit rechtvaardigen.

Omdat het model onderdeel is van het verbonden geheel, kan ik er live mee schuiven: een aanwerving toevoegen, de timing wijzigen en direct zien hoe dit doorwerkt in de winst-en-verliesrekening, de kaspositie en de resterende financiële looptijd.

Daardoor is personeelsomvang niet langer een jaarlijkse schatting, maar een realtimebeslissing. Wanneer iemand vraagt: "Kunnen we ons deze aanwerving veroorloven?", kan ik daar tijdens de vergadering antwoord op geven, niet op basis van een onderbuikgevoel, maar met de impact op de resterende financiële looptijd en timing. Hierdoor wordt een van de meest ingrijpende en emotionele gesprekken binnen het bedrijf er een dat ter plekke op cijfers is gebaseerd.

Waarom Claude een onmisbare tool voor CFO's is

Claude is zonder enige twijfel mijn belangrijkste tool. Het is geen financiële tool voor één specifiek doel, en precies daarom ben ik er zo enthousiast over; het doet alles waar andere tools niet flexibel genoeg voor zijn.

Eerlijk gezegd verwachtte ik meer van kant-en-klare financiële tools waaraan "AI" aan een bestaand product is toegevoegd. De meeste daarvan zijn chatvensters boven op dezelfde software en ze veranderen niet wezenlijk hoe het werk wordt gedaan. Ze doen één taak goed — als dat al zo is.

Maar Claude kan het allemaal. Het bouwt de modellen, maakt de eerste versie van de toelichting voor de raad van bestuur, ondervraagt de gegevens, schrijft de analyse en fungeert als denkpartner met wie ik beslissingen bespreek. Het kan de uiteenlopende taken aan die mijn week vullen en past zich aan aan alles wat ik er vervolgens op loslaat.

De grootste fout die CFO's met AI maken

Dit is mijn advies:

1. De grootste fout die ik zie, is dat CFO's AI behandelen als een inkoopbeslissing — een evaluatie, pilot en uitrol van twaalf maanden. Ik heb die fout zelf gemaakt. Tegen de tijd dat dat proces is afgerond, zijn de tools al twee keer veranderd. Gebruik het in plaats daarvan zelf, voor echt werk, deze week. In twee weken praktisch gebruik leer je meer over waar het helpt en waar het je voorliegt dan uit welke productdemo van een leverancier dan ook.
2. Wacht niet op de perfecte tool. De markt voor kant-en-klare oplossingen biedt nog steeds vooral een chatvenster dat aan oude software is vastgeplakt. Je kunt meer bouwen dan je denkt; de drempel om je eigen oplossingen te creëren is sterk gedaald. CFO's die vooruit willen lopen, zullen dat behandelen als een vaardigheid die ze moeten ontwikkelen, en niet als een dienst die ze moeten inkopen.
3. Het allerbelangrijkste is dat je de saaie basis goed regelt. Schone data en een degelijk proces zijn niet alleen een weinig glamoureuze voorwaarde voor AI; ze vormen het hele speelveld. AI boven op rommelige data produceert alleen maar sneller zelfverzekerde onzin. Leg eerst de fundamenten op orde.
4. En houd je beoordelingsvermogen centraal. AI verandert hoe werk wordt geproduceerd, niet wie ervoor verantwoordelijk is. De vaardigheid die belangrijker is dan ooit, is niet het produceren van de analyse — maar weten of die klopt en wat je eraan moet doen. Dat is nog steeds de taak. Dat is altijd al zo geweest.

Volg het werk

Je kunt het werk van Dave Leaver volgen op LinkedIn.

Er komen meer interviews met experts op The CFO Club!