Waar CFO’s met AI moeten beginnen — en wat ze moeten vermijden

Na verschillende leidinggevende functies binnen finance te hebben vervuld, richtte Mitch Petracca Forward Firm op, een externe CPA- en adviesdienst. Toen AI vervolgens beperkingen binnen zijn workflows wegnam, bouwde hij Finsider.ai om zijn bedrijfsmodel te ondersteunen.

We spraken met Mitch over hoe AI het werk van financiële professionals verandert. Hij vertelde ons waar je moet beginnen en waar voorzichtigheid geboden is.

Toen de AI-transformatie begon

Mijn naam is Mitch Petracca. Ik ben CPA, beherend vennoot bij Forward Firm en sinds kort de oprichter van Finsider.ai.

De korte versie van mijn loopbaan is dat ik mijn carrière bij PwC begon en al snel merkte hoeveel tijd zelfs toonaangevende teams besteedden aan het ordenen van gegevens voordat ze advies konden geven. Gegevens opschonen, afstemmen en dezelfde analyses telkens opnieuw opbouwen, bij iedere opdracht. Technologie kon dit toen niet oplossen; het was simpelweg de prijs van zakendoen.

Toen ik vertrok en Forward Firm oprichtte, wilde ik een ander soort kantoor runnen. Op afstand als uitgangspunt, slank en volledig gebouwd rond hefboomeffecten. We doen transactieadvies, belastingadvies, boekhouding en ongeveer 50 onderzoeken naar winstkwaliteit per jaar. We bereiken dit zonder het aantal medewerkers dat een traditioneel kantoor nodig zou hebben, door alles vergaand te systematiseren.

Maar na ongeveer drie jaar liep ik steeds tegen dezelfde muur aan: de tools op de markt waren niet ontworpen voor professionals zoals wij. Ze waren bedoeld voor interne FP&A-teams. Daarom bouwde ik de tool die ik zelf had willen hebben. Dat werd Finsider, een AI-platform voor financiële intelligentie dat is ontworpen om rommelige klantgegevens in een fractie van de tijd om te zetten in een datapakket dat klaar is voor advies.

Daar begon voor mij de AI-transformatie. Het was niet abstract. Het kwam voort uit het zien verdwijnen van uren aan werk dat een goed ontworpen systeem in enkele minuten kon uitvoeren.

Hoe je met AI begint

AI is een vermenigvuldigingsfactor, geen transformatiestrategie op zichzelf. Het maakt wat je al hebt sneller, grondiger en consistenter. Als je processen goed zijn ontworpen, versterkt AI de output. Als je processen gebrekkig zijn, schaalt AI de gebrekkige output sneller en op grotere schaal op.

De eerste vraag die een CFO stelt, moet dus niet zijn welke AI-tool je moet gebruiken. De vraag moet zijn: "Wat probeer ik precies sneller en beter te doen?" En is het de moeite waard om dat sneller en beter te doen? Een CFO die een rapportageproces automatiseert dat niemand leest, transformeert finance niet. Die automatiseert ruis.

Dit is belangrijk omdat de meeste AI-initiatieven binnen finance niet mislukken doordat de technologie verkeerd is, maar doordat het probleem verkeerd is gedefinieerd. De technologie werkte precies zoals ontworpen. Alleen werd het verkeerde geoptimaliseerd. Definieer voordat je begint wat "beter" in een getal betekent: doorlooptijd, transactiedekking, aantal medewerkers per opdracht, aantal dagen tot afsluiting. Als je de metriek die je wilt veranderen niet kunt benoemen, heb je nog geen initiatief. Je hebt een tool die op zoek is naar een probleem.

Zodra je dat hebt gedefinieerd, begin je met één workflow, bewijs je die volledig en breid je daarna uit. Wanneer je het potentieel ziet, is de verleiding groot om alles vanaf dag één te bouwen. Dat gaat ten koste van productiegereedheid, omdat alles langer duurt wanneer je in één keer een te groot toepassingsgebied bestrijkt. Kies iets met een duidelijk juist antwoord, meetbare tijdskosten en een evident bewijs van succes. Lever het op, werk ermee en ga daarna door naar de volgende workflow.

Dat heb ik niet gedaan, en de prijs was vertrouwen.

Waarom financiële leiders 80% moeten automatiseren en 20% menselijk moeten houden

Wat betreft wat mensen moeten doen en wat AI moet doen, zie ik het als een lagenmodel. Controlewerk vormt de onderste laag, analyse de middelste en oordeelsvorming de bovenste. AI beheert de onderste laag en ondersteunt de middelste, maar komt niet aan de bovenste.

AI handelt dus de classificatie van transacties, kasafstemmingen, variantieanalyses, het signaleren van anomalieën in het volledige grootboek, KPI-rapportage, ouderdomsanalyses van debiteuren en crediteuren en het eerste datapakket af. Bij deze activiteiten krijgen snelheid en dekking voorrang boven interpretatie. Een machine kan 100 procent van de transacties toetsen aan 300 signalen, sneller en consistenter dan welke medewerker dan ook.

We gebruiken AI ook intensief in de operationele laag van het kantoor: notulen en samenvattingen voor klanten van elk gesprek, dagelijkse classificatie van boekingen met een maximum van 48 uur voor niet-gecategoriseerde posten en een gezondheidsscore voor elk QBO-bestand voordat we aan een QoE-opdracht beginnen. Dit zijn workflowautomatiseringen, geen financiële beslissingen, maar ze creëren de voorwaarden voor betere beslissingen.

Expliciet menselijke taken omvatten elke QoE-conclusie, elke fiscale goedkeuring, elke beoordeling van een add-back en elke aanbeveling aan een klant. De CPA-licentie is verbonden aan deze resultaten. AI kan de gegevens naar boven halen, afwijkingen markeren en een eerste analyse uitvoeren. Ik bepaal wat het betekent en wat ermee moet gebeuren.

Dezelfde logica geldt voor prijsstelling en dealstructurering. AI kan mij een vergelijkingsset, een margereferentie en een variantieanalyse geven. Maar bepalen of de EBITDA-add-back van een klant verdedigbaar is tegenover het QoE-team van een ervaren koper vereist context, ervaring en verantwoordelijkheid. Dat wordt nooit aan AI overgedragen.

Mijn operationele uitgangspunt is: Automatiseer de 80 procent die bevestiging en patroonherkenning omvat. Bescherm de 20 procent die oordeel en aansprakelijkheid omvat. Dat omkeren is óf inefficiënt óf gevaarlijk.

De voordelen van AI-integratie

Met AI hebben we de doorlooptijd van opdrachten bij Forward Firm met 40 procent verkort. Ons kleine team voert ongeveer 50 QoE-opdrachten per jaar uit en heeft de oplevering verkort van 3-4 weken naar 2-3 weken. Ons kortetermijndoel is 1-2 weken. Dat is geen prognose; dat is ons traject met de huidige hulpmiddelen.

We hebben de transactiedekking verhoogd van de industriestandaard van 5-10 procent naar 100 procent. Bij elke opdracht scannen we het volledige grootboek aan de hand van ongeveer 300 trefwoordmarkeringen. Dit verandert de kwaliteit van het werkproduct, niet alleen de snelheid.

COA-mapping, waarbij het rekeningschema van een klant wordt gestandaardiseerd ten opzichte van ons model, bereikt automatisch een nauwkeurigheid van 95 procent. Aan het begin van elke nieuwe opdracht kostte dit een volledige dag handmatig werk. Nu besteden we een middag aan het beoordelen van de 5 procent die het systeem aan een mens voorlegt.

Waar AI menselijke ondersteuning nodig heeft

Mitch herhaalt

Ervaren financiële professionals zover krijgen dat ze vertrouwen op AI-uitvoer zonder handmatige controles uit te voeren, is een veranderingsmanagementprobleem en geen softwareprobleem.

Maar het is niet alleen maar positief. Hier zijn enkele gebieden waarop de impact van AI minder groot is geweest dan verwacht.

• Datakwaliteit: Dit is de belangrijkste variabele. AI is slechts zo goed als wat je het voert. We hebben klantadministraties gezien met grootboeken die zo inconsistent zijn gecodeerd dat de uitvoer van de eerste analyse aanzienlijke menselijke correcties vereist voordat deze bruikbaar wordt. Je kunt het probleem van onjuiste invoer niet omzeilen met een beter algoritme.
• Vertrouwenskalibratie: Ervaren financiële professionals zover krijgen dat ze vertrouwen op AI-uitvoer zonder handmatige controles uit te voeren, is een veranderingsmanagementprobleem en geen softwareprobleem. Dit duurde langer dan de bouw van het systeem. Als ik dit had geweten, had ik de uitrol zo ontworpen dat vertrouwen in kleine, verifieerbare stappen werd opgebouwd, in plaats van de volledige functionaliteit uit te rollen en te verwachten dat het gedrag vanzelf zou volgen. Gedrag volgt bewijs.
• Dekkingshiaten: De AI markeert bepaalde categorieën correct — complexe transacties tussen groepsmaatschappijen, niet-standaardopbrengstverantwoording en bepaalde fiscale correcties — maar kan je niet vertellen wat je ermee moet doen. Senior oordeel blijft noodzakelijk. Het systeem legt de vraag bloot; de CPA beantwoordt deze.
• Toekomstgerichte analyse: AI is transformerend geweest voor historische analyses. Afstemmingen, varianties, anomaliedetectie en gegevenspakketten voor een eerste analyse. Dit werkt allemaal. Bij prognoses heeft AI niet geleverd wat ik had verwacht. Het opstellen van een verdedigbare kasprognose voor 13 weken, een omzetprognose die prijs van volume scheidt en een scenariomodel waarop een CFO of kredietverstrekker kan vertrouwen, vereist nog steeds aanzienlijk menselijk werk. Hulpmiddelen kunnen historische drijvers zichtbaar maken. Ze produceren nog geen bruikbare toekomstgerichte modellen.
• Geschreven toelichtingen: Een QoE-rapport is niet alleen een gegevenspakket. Het bevat een conclusiegedeelte, een toelichting op de bevindingen en een managementsamenvatting die een koper, diens juridisch adviseur en diens kredietverstrekker grondig zullen lezen. AI kan een opzet maken. Het kan een gedeelte structureren. Maar de kwaliteit van schriftelijke toelichtingen uit AI-hulpmiddelen is nog niet op een niveau waarop ik deze zonder aanzienlijke bewerking aan een wederpartij kan overhandigen. Ik had inmiddels meer vooruitgang op dit gebied verwacht.

Een QoE-werkproces uit de praktijk

Decennialang waren financiële controles en transactietests gebaseerd op de aanname dat een goed ontworpen steekproef praktisch even goed is als volledige dekking. De industrienorm voor een QoE is 5 tot 10 procent van de transacties. Deze aanname was niet willekeurig. Er lag een reële beperking aan ten grondslag: volledige dekking bereiken was binnen een redelijke termijn niet haalbaar. Daarom ontwikkelde het beroep een methodologie rond deze beperking en noemde die best practice. AI neemt de beperking weg.

Ik neem je mee door een QoE-opdracht, vanaf het moment dat een deal binnenkomt tot het moment waarop we het rapport opleveren. Dit is de workflow zoals die vandaag wordt uitgevoerd.

Voordat we aan de opdracht beginnen. Wanneer er een nieuwe klant binnenkomt, halen we eerst hun QBO-bestand door CheckTheLevel, een tool die de gezondheid van een QuickBooks-bestand beoordeelt op een schaal van 0 tot 100. De tool signaleert dubbele leveranciers, verkeerd gecodeerde rekeningen, ontbrekende bankfeeds en inconsistenties in classificaties. De score vertelt ons hoeveel handmatige opschoning we moeten inplannen en waarop we ons eerste gesprek met de klant moeten richten. Zo voorkomen we verrassingen twee weken later.

Gegevensinvoer. We gebruiken onze tool om verbinding te maken met het grootboek en de bank. De tool haalt gegevens binnen via Plaid en Railz, en de synchronisatie duurt ongeveer vijf minuten. Het platform koppelt het rekeningschema automatisch aan ons gestandaardiseerde model, met een nauwkeurigheid van 95 procent. De 5 procent die het niet met voldoende zekerheid kan koppelen, wordt gemarkeerd voor menselijke beoordeling.

Eerste analyse. Zodra de gegevens zijn ingeladen, worden er automatisch drie processen uitgevoerd. Ten eerste: de kascontrole, waarbij het grootboek wordt afgestemd op de bank, voor elke rekening en elke periode. Ten tweede: de volledige scan van het grootboek, met 300 trefwoordmarkeringen over 100 procent van de transacties. Ten derde: fluctuatieanalyse, waarbij de afwijking per periode wordt berekend en de procentuele en absolute beweging automatisch zichtbaar wordt gemaakt.

Laag voor menselijke beoordeling. Hier begint het werk van de CPA. Ik beoordeel de gemarkeerde transacties, de afwijkingen in de fluctuaties en de uitzonderingen in het COA. Ik formuleer de onderbouwing voor de bijtellingen: ik bepaal welke posten in deze P&L eenmalig, privé voor de eigenaar of niet-operationeel zijn, en of ik elk ervan kan verdedigen tegenover een deskundig QoE-team van een koper. Het platform levert dat oordeel niet. Het platform geeft me een gestructureerde, geprioriteerde reeks vragen. Ik beantwoord ze.

Gespreksritme. Fathom legt elk klantgesprek vast, neemt automatisch deel, transcribeert het gesprek en maakt een samenvatting. Binnen 24 uur na elk klantgesprek staat er een schriftelijke samenvatting in het dossier. Geen enkele notitie gaat verloren. Actiepunten zijn expliciet en toegewezen.

Oplevering. We leveren een QoE-rapport met controlevriendelijke werkdocumenten, herleidbaarheid van bron tot conclusie en een managementsamenvatting die door het opdrachtteam is geschreven, niet door AI is gegenereerd.

De rode draad: AI neemt de gegevensinvoer, standaardisatie, bevestiging en patroonherkenning voor zijn rekening. De CPA is verantwoordelijk voor elke conclusie. De workflow zorgt ervoor dat ik, tegen de tijd dat ik een oordeel moet vellen, sneller over betere informatie beschik, met een hogere dekking dan bij elk eerder proces dat ik heb uitgevoerd.

Waarom CFO's financiën opnieuw moeten ontwerpen voor doorlopende boekhouding

Mitch benadrukt opnieuw

Het herontwerp vereist geen indrukwekkende tools. Het vereist drie beslissingen: definieer een norm voor de classificatiedoorlooptijd en houd het team daaraan, implementeer een afstemmingscontrole die na elke synchronisatie wordt uitgevoerd in plaats van aan het einde van de periode, en verplaats de beoordeling van afwijkingen van een geplande naar een geactiveerde activiteit.

Ik zou er vooral voor pleiten om de afsluitingscyclus zelf opnieuw te ontwerpen. Niet slechts een deel ervan, maar de volledige architectuur.

De meeste financiële organisaties voeren boekhouding nog steeds uit als een batchproces. Transacties stapelen zich op. Aan het einde van de maand voert een team een afstemming, classificatiebeoordeling, variantieanalyse en rapportage uit. De afsluiting duurt dagen, soms weken, en het management leest een momentopname die al verouderd is. Beperkingen van de menselijke verwerkingssnelheid hebben die architectuur bepaald. De beperking is verdwenen, maar de architectuur is gebleven.

Doorlopende boekhouding is het herontwerp. In plaats van transacties op te sparen en in bulk te verwerken, classificeer en stem je ze in realtime af, markeer je afwijkingen zodra ze zich voordoen en houd je een actuele financiële positie bij in plaats van een periodieke. De maandafsluiting vindt nog steeds plaats, maar wordt een beoordeling en goedkeuring, geen bouwproject.

Wij passen dit model toe aan de boekhoudkundige kant. We classificeren het grootboek van elke klant dagelijks. Niet-geclassificeerde posten mogen maximaal 48 uur openstaan. Afwijkingen komen in dezelfde week aan het licht waarin ze optreden, niet zes weken later wanneer iemand het maandrapport opvraagt. Voordat we aan een QoE-opdracht beginnen, voeren we een gezondheidsscore uit op het QBO-bestand om hiaten in de gegevenskwaliteit te identificeren. Tegen de tijd dat we transactieadvieswerk uitvoeren, zijn de boeken daarvoor geschikt.

Dit heeft een aanzienlijk stroomafwaarts effect. Een CFO met een continu en accuraat financieel beeld kan realtime adviseren. Op dit moment adviseren de meeste CFO's op basis van gegevens die weken oud zijn en modellen die zijn opgebouwd over een afgesloten periode, waarin achteraf mogelijk fouten zijn gecorrigeerd. Dat is geen CFO-probleem; het is een probleem met het systeemontwerp.

Voor het herontwerp zijn geen indrukwekkende tools nodig. Het vereist drie beslissingen: definieer een standaard voor classificatielatentie en houd het team hieraan, implementeer een reconciliatiecontrole die na elke synchronisatie wordt uitgevoerd in plaats van aan het einde van een periode, en verplaats de beoordeling van afwijkingen van een geplande naar een geactiveerde activiteit. Elke financiële organisatie kan deze proces- en toolbeslissingen vandaag nemen.

Waarom de autoriteit van de CFO verschuift met realtime AI-gegevens

De vraag is: "Wat gebeurt er met de autoriteit van de CFO wanneer de gegevens altijd actueel en altijd beschikbaar zijn?"

Op dit moment weegt het oordeel van een CFO deels zwaar omdat die context heeft die anderen in de kamer missen, opgebouwd door zich in de loop der tijd volledig in de cijfers te verdiepen. Wanneer AI die context in realtime voor iedereen toegankelijk maakt, verschuift het onderscheidende vermogen van de CFO volledig naar interpretatie, communicatie en verantwoordelijkheid, en leiders die deze overgang niet hebben gemaakt, zullen merken dat hun rol onder hen wegvalt zonder te begrijpen waarom.

De CFO's die over vijf jaar het belangrijkst zullen zijn, zijn niet degenen die de cijfers het beste kennen; het zijn degenen die je kunnen vertellen wat de cijfers betekenen en er verantwoordelijkheid voor nemen.

Vijf adviezen voor CFO's

Ik heb vijf adviezen voor financiële leiders:

1. Begin met verificatiewerk, niet met beoordelingswerk. De plek met de hoogste ROI en het laagste risico om AI in te zetten, is werk dat momenteel uren van deskundige medewerkers opslokt om alleen maar de juistheid te verifiëren. Kasreconciliatie, variantieanalyse, transactiedekking, COA-standaardisatie. Dat werk heeft één juist antwoord. AI bereikt dat sneller en vollediger dan een persoon. Begin daar, bewijs de waarde en bouw intern vertrouwen op. Begin niet met prognoses of strategische verhaallijnen om je vervolgens af te vragen waarom de output niet goed genoeg is.
2. Verbeter je gegevens voordat je de tool aanschaft. Niemand hoort dit advies graag, omdat het langzaam en weinig aantrekkelijk is, maar het bepaalt wel het plafond. Ik heb gezien hoe bedrijven dure platforms implementeerden bovenop inconsistente boekhoudingen en vervolgens AI de schuld gaven wanneer de output onbetrouwbaar was. De tool is niet het probleem. Als je GL een puinhoop is, maak die dan eerst op orde. De hefboomwerking komt later.
3. Scheid wat onder je beroepsverantwoordelijkheid valt van wat daar niet onder valt, en wees daar expliciet over tegenover je team. De permanente scheidslijn in finance loopt niet tussen AI en mens. Het gaat om verantwoordelijkheid. Welke output jouw naam, goedkeuring en aanbeveling aan een bestuur of kredietverstrekker draagt, is jouw verantwoordelijkheid. AI kan de analyse opbouwen. Het oordeel en de aansprakelijkheid liggen bij jou. Die grens verschuift niet, en als je haar laat vervagen, zul je uiteindelijk verantwoordelijk zijn voor een fout die de tool heeft gemaakt.
4. Koop niet alleen tools. Bouw een systeem. Een tool is een onderdeel. De operationele laag eromheen creëert hefboomwerking: de routeringslogica, de SOP's, de aangewezen verantwoordelijken en de overdrachtsmomenten. Ik heb financiële teams gezien met geweldige tools en zonder systeem, die geen betere output produceerden dan voorheen. Het systeem is waar het om draait.
5. AI brengt de CFO-rol niet in gevaar. De CFO die AI negeert, loopt het risico achter te raken op degene die dat niet doet. Dit is geen bedreiging; het is een observatie over de marktstructuur. Als je concurrent een QoE in 10 dagen oplevert en jij er vier weken over doet, zal de markt je laten zien welke van de twee de toekomst heeft. Het venster om deze competentie op te bouwen zolang die nog onderscheidend is, is korter dan de meeste mensen denken.

Volg hem

Je kunt het werk van Mitch Petracca volgen op LinkedIn. Bekijk ook Finsider.ai.

Er volgen nog meer expertinterviews op The CFO Club!