Senior Director van LinkedIn’s CFO-systemen zegt dat AI financiën verandert van een rapportagefunctie in een besturingssysteem

Pankaj Prasoon is Senior Director van CFO-systemen & technologie bij LinkedIn. Hij heeft twintig jaar ervaring bij gerenommeerde organisaties zoals Microsoft en Infosys.

We interviewden Pankaj om te ontdekken hoe hij financiën vanaf de basis opnieuw vormgeeft. Hij deelde wat werkt met AI-aangedreven financiën — en wat niet.

Financiën veranderen van rapportagefunctie in besturingssysteem

Ik werk inmiddels bijna twintig jaar op het snijvlak van financiën, bedrijfssystemen en productdenken — bij organisaties zoals Microsoft, Infosys en nu LinkedIn, waar ik help de toekomst van de financiële technologie vorm te geven.

Mijn reis begon niet met AI. Hij begon met frustratie. Frustratie omdat ik in vergaderruimtes zat waar twee systemen twee verschillende cijfers lieten zien. Frustratie omdat financiële teams meer tijd besteedden aan het afstemmen van het verleden dan aan het vormgeven van de toekomst. Frustratie omdat ik zag hoe ongelooflijk slimme financiële leiders werden beperkt door versnipperde systemen en vertraagde inzichten.

AI werkt als een katalysator. Het legt alles bloot wat al kapot was:

• Starre processen
• Vertraagde inzichten
• Overmatige afhankelijkheid van handmatig oordeel
• Systemen die zijn ontworpen voor controle, niet voor intelligentie

Wat mij enthousiast maakt over dit moment is niet automatisering — het is versterking. Voor het eerst kunnen financiële leiders de stap maken van terugkijken naar vooruitkijken, van rapporteren naar beïnvloeden en van efficiëntie naar effectiviteit.

Vandaag richt ik me op het bouwen van wat ik een model voor strategie en platforms voor financiële technologie noem — waarin architectuur, productdenken en AI samenkomen om een systeem te creëren dat het bedrijf niet alleen volgt, maar het actief vormgeeft. Want de toekomst van financiën draait niet om het sneller afsluiten van de boeken. Het gaat erom het bedrijf te helpen betere beslissingen te nemen voordat de cijfers überhaupt zijn vastgelegd.

Pankaj deelt

AI is een katalysator. Het legt alles bloot wat al kapot was.

De CFO-organisatie van LinkedIn leiden

Ik geef leiding aan Financiële technologie & platforms binnen de CFO-organisatie van LinkedIn — een wereldwijd bedrijf met een omzet van miljarden, dat op grote schaal actief is in verschillende geografische gebieden, productcategorieën en regelgevingsomgevingen.

De complexiteit is in dit stadium wat je zou verwachten:

• Meerdere inkomstenstromen uit Talent Solutions, Marketing en Premium
• Een wereldwijde aanwezigheid met regiospecifieke nalevings-, belasting- en bedrijfsmodellen
• Diepe integratie tussen financiële, verkoop-, HR- en productsystemen

Maar de echte uitdaging is niet schaalgrootte. Het is de onderlinge verbondenheid.

Financiën staan tegenwoordig centraal bij elke kritieke beslissing:

• Planning en prognoses gedurende dynamische bedrijfscycli
• Kapitaalallocatie met steeds grotere precisie beheren
• Groei ondersteunen en tegelijkertijd discipline en controles handhaven

We werken minder als een traditioneel technologieteam voor financiën en meer als een productorganisatie die binnen financiën is ingebed — en die niet alleen verantwoordelijk is voor systemen, maar ook voor resultaten. Want op deze schaal draait financiën niet alleen om het beheren van cijfers. Het gaat erom vorm te geven aan hoe het bedrijf snel, helder en vol vertrouwen beslissingen neemt.

Waar CFO's met AI moeten beginnen

De meeste CFO's beginnen aan hun AI-traject door na te denken over toepassingen, tools, leveranciers en ROI. Maar AI werkt niet geïsoleerd. Het bouwt voort op je data, je processen, je bedrijfsmodel en je besluitvormingsdiscipline.

Als die versnipperd zijn, vereenvoudigt AI ze niet; het versterkt de versnippering. Je krijgt geen betere antwoorden. Je krijgt sneller verkeerde antwoorden.

Vraag dus voordat je vraagt: “Waar kunnen we AI toepassen?” eerst: “Is ons financiële systeem ontworpen om consistente, direct bruikbare gegevens voor besluitvorming te produceren?” Want AI is geen strategie. Het versnelt het systeem dat je al hebt.

Richt je op:

• Een duidelijke bron van waarheid (definities, meetwaarden, governance)
• Gestandaardiseerde processen binnen de financiële domeinen
• Een sterke basis voor data en architectuur
• Een cultuur waarin het ter discussie stellen van uitkomsten wordt gewaardeerd, in plaats van ze zomaar te accepteren

Hoe AI-integratie financiële werkstromen verbetert

Dit zijn de verbeteringen die ik heb gezien met AI in de financiële sector:

• Verkorting van de doorlooptijd (30–60%): Variantieanalyses die voorheen 2–3 dagen duurden, worden nu in enkele uren uitgevoerd en ondersteunende activiteiten voor de maandafsluiting (analyse, ondersteuning bij reconciliaties) zijn aanzienlijk verminderd. Hier levert AI direct resultaat — snelheid.
• Nauwkeurigheid van prognoses (5–15% verbetering op korte termijn): Kortetermijnprognoses (4–8 weken) zijn betekenisvol verbeterd; AI pikte voorlopende indicatoren op die mensen negeerden (gebruikstrends, gedragssignalen). Maar een belangrijke nuance: de nauwkeurigheid verbeterde meer in stabiele omgevingen en minder in volatiele omgevingen.
• Productiviteitsverbetering (20–40% analistencapaciteit vrijgemaakt): Analisten besteden minder tijd aan het verzamelen van gegevens en meer tijd aan het interpreteren ervan. Eén analist kan nu de werkzaamheden uitvoeren waarvoor voorheen 1,5–2 FTE nodig waren. Dit vertaalt zich niet altijd in kostenbesparingen — het vertaalt zich in een betere inzet van talent.
• Eerdere risicodetectie (dagen → vrijwel realtime): Kasstroomrisico's, afwijkingen en uitschieters worden sneller geïdentificeerd; de “verrassingsfactor” in bedrijfsbesprekingen is verminderd. Dit is subtiel maar krachtig — minder escalaties op het laatste moment.

Dit is wat niet verbeterde (of slechter werd):

• Overmatig vertrouwen in uitkomsten: Door AI gegenereerde verhalen klinken juist, zelfs wanneer ze fout zijn. In het begin begonnen teams uitkomsten te vertrouwen zonder ze kritisch te beoordelen, wat gevaarlijker is dan handmatige fouten.
• Schijnprecisie: AI creëert een illusie van zekerheid: “De prognose geeft 97,2% vertrouwen aan”. Maar financiële beslissingen zijn niet uitsluitend probabilistische oefeningen — ze omvatten strategie, timing en context.
• Afhankelijkheid van data legde zwakke fundamenten bloot: AI loste dataproblemen niet op. Het vergrootte ze: inconsistente hiërarchieën, gebrekkige stamgegevens, versnipperde systemen. Slechte invoer leidt tot uitvergrote slechte uitvoer.
• Beperkte impact op langetermijnplanning: AI had moeite met jaarlijkse planning, strategische scenario's en beslissingen over kapitaalallocatie. Omdat dit geen patroonproblemen zijn — het zijn beoordelingsproblemen.

De ongemakkelijke waarheid is dat AI de financiële kosten niet zo sterk verlaagde als mensen hadden verwacht. Het verschoof de kosten van arbeid naar rekenkracht, van handmatige inspanning naar modelgovernance en van analisten naar engineers en data-infrastructuur.

Waarom AI financiële beslissingen informeert, maar mensen het oordeel vellen

Dit is de eenvoudigste manier om naar de verdeling tussen AI-taken en menselijke taken te kijken: AI moet patronen inzichtelijk maken; mensen moeten toezeggingen doen.

Ik vertrouw op AI op gebieden waar schaal, snelheid en patroonherkenning belangrijker zijn dan oordeelsvorming:

• Prognoses (korte termijn en voortschrijdend): AI is uitstekend in het verwerken van meerdere signalen — historische gegevens, seizoensinvloeden, pijplijngegevens en externe indicatoren — en het voortdurend bijwerken van prognoses. Het neemt de vertekening van statische, kalendergestuurde planning weg.
• Variantieanalyse: AI kan varianties onmiddellijk uitsplitsen over duizenden dimensies: wat is er veranderd, waar is het veranderd en wat heeft dit waarschijnlijk veroorzaakt. Dit kostte vroeger dagen. Nu gebeurt het vrijwel realtime.
• Patroonherkenning in kasstromen: Geen besluitvorming, maar signaaldetectie: trends in betaalgedrag, inningsrisico's en liquiditeitspatronen. AI helpt risico's eerder zichtbaar te maken dan traditionele rapportages.
• Risicodetectie (operationeel en financieel): AI is zeer effectief in het identificeren van afwijkingen: ongebruikelijke transacties, afwijkingen van beheersmaatregelen en afwijkend gedrag. Het “begrijpt risico” niet, maar markeert waar we moeten kijken.

Maar op gebieden waar context, afwegingen en verantwoordelijkheid belangrijk zijn, houd ik de besluitvorming expliciet menselijk:

• Kapitaalallocatie: Geen enkel model begrijpt strategie, timing of concurrentiepositie zoals de leiding dat doet. AI kan scenario’s informeren — maar kan niet beslissen waar de inzetten moeten worden geplaatst.
• Langetermijnplanning en budgettering: Begrotingen zijn geen prognoses — het zijn toezeggingen. Ze weerspiegelen intenties, prioriteiten en afwegingen binnen de hele organisatie.
• Definitieve risicobeslissingen: AI kan afwijkingen signaleren, maar welk risico is aanvaardbaar? Welke afweging is het waard om te maken? Dat zijn beslissingen van de leiding, geen modeluitkomsten.
• Zakelijk partnerschap en invloed: Financiën draait niet alleen om cijfers — het gaat om het beïnvloeden van beslissingen: aannames ter discussie stellen, de sfeer aanvoelen en de intentie achter verzoeken begrijpen. AI heeft geen context voor menselijke dynamiek.

Als AI je beslissingen neemt, ben je te ver gegaan. Als AI je beslissingen niet informeert, gebruik je het niet genoeg.

Waarom AI financiën niet volledig heeft geautomatiseerd

Het verhaal luidde: “AI zal financiën automatiseren.”

Dat gebeurde niet. Het automatiseerde delen van werkstromen, maar introduceerde nieuwe lagen:

• Modelvalidatie
• Afhandeling van uitzonderingen
• Vereisten voor governance en audits

De realiteit is dat je mensen niet verwijdert — je verschuift ze naar toezichtfuncties.

Waarom AI-adoptie een gedragsprobleem is

Nu we het toch over mensen hebben: AI-adoptie is geen technologieprobleem — het is een gedragsprobleem.

Aanvankelijk ging ik ervan uit dat mensen de juiste modellen zouden gebruiken als we die bouwden → inzichten zouden sneller beschikbaar zijn → beslissingen zouden verbeteren → inzichten zouden sneller ontstaan → nauwkeurigheid zou verbeteren → en vertrouwen zou volgen.

Allemaal logisch. Allemaal onvolledig. We bouwden iets dat technisch sterk was: betere detectie van afwijkingen, snellere inzichten en duidelijkere verhalen. En toch was de adoptie ongelijkmatig.

Omdat financiële teams niet worstelden met een gebrek aan inzicht. Ze worstelden met het loslaten van de manier waarop ze het altijd hadden gedaan.

Analisten bouwden modellen nog steeds opnieuw in Excel "alleen om te valideren". Leiders vertrouwden op wat ze begrepen, niet op wat het model suggereerde. Beoordelingen waren nog steeds gebaseerd op oude formats, niet op nieuwe inzichten.

Het systeem veranderde. Het gedrag niet — althans niet meteen.

Ik wou dat ik dit had gedaan:

• Begin met het operationele model, niet met modelnauwkeurigheid: Bepaal hoe beslissingen zullen veranderen, hoe vergaderingen eruit zullen zien en wat wordt verwijderd, niet alleen wat wordt toegevoegd. Vraag in plaats van: “Is het model juist?”: “Vervangt dit iets wat mensen vandaag doen?”
• Ontwerp voor vertrouwen, niet alleen voor intelligentie: Vertrouwen komt niet voort uit nauwkeurigheidsmetingen of technische verfijning. Het ontstaat door transparantie, uitlegbaarheid en consistentie in de loop der tijd. Ik zou eerder hebben geïnvesteerd in het toetsbaar maken van uitkomsten, niet alleen in het indrukwekkend maken ervan.
• Leg extra nadruk op verandermanagement: We behandelden het als een systeemimplementatie. Dat was het niet. Het was een mentaliteitsverandering: van analyses bouwen naar inzichten beoordelen, van controle naar samenwerking met AI en van zekerheid naar probabilistisch denken.
• Los data en definities eerst op (meer dan we hebben gedaan): We wisten dat data belangrijk waren. We onderschatten hoeveel. AI duldt geen dubbelzinnigheid.

Ik had het volgende kunnen voorkomen:

• Herbewerkingsrondes waarin teams opnieuw opbouwden wat AI al had geproduceerd
• Overengineering van modellen die beslissingen niet veranderden
• Vroege scepsis die in werkelijkheid voortkwam uit een gebrek aan vertrouwen, niet uit een gebrek aan nauwkeurigheid
• De onjuiste overtuiging dat betere output = automatische adoptie

Waarom AI aannames over financiële controle verandert

In de financiële wereld leren we te denken: meer controles = meer nauwkeurigheid; meer goedkeuringen = minder risico; meer structuur = betere resultaten. Daarom bouwden we systemen die rigide en sequentieel waren en die waren ontworpen om fouten te voorkomen.

We optimaliseerden op voorspelbaarheid, niet op responsiviteit; op controleerbaarheid, niet altijd op de kwaliteit van beslissingen.

Het werkte — maar tegen een prijs: snelheid, aanpassingsvermogen en soms zelfs duidelijkheid.

AI functioneert niet goed in rigide omgevingen. Het gedijt bij: continue gegevensstromen, dynamische invoer en realtime signalen. Het liet me zien dat controle niet voortkomt uit beperking — maar uit zichtbaarheid.

Ik moest de omslag maken van:

• Fouten vooraf voorkomen → Ze snel detecteren en corrigeren
• Periodieke beoordelingen (maandelijks/per kwartaal) → Continue monitoring
• Overal menselijke controlepunten → Interventie op basis van uitzonderingen

Hier kwam dit naar voren:

• Prognoses: van statische, kalendergestuurde prognoses → naar continu bijgewerkte, signaalgestuurde prognoses
• Financiële controles: minder zware voorafgaande goedkeuringen → meer realtime detectie van afwijkingen en validatie achteraf
• Kapitaalallocatie: van zekerheid → naar probabilistisch denken op basis van scenario’s

De omslag is eenvoudig, maar moeilijk. Je moet gaan van controle door beperking naar controle door intelligentie en zichtbaarheid. En zodra je dat inziet, kun je niet meer terug. Want het doel van finance is niet om elke fout te voorkomen. Het is om betere beslissingen sneller mogelijk te maken — met voldoende controle, niet maximale controle.

Waarom CFO’s prognoses opnieuw moeten ontwerpen

De meeste financiële organisaties werken nog steeds met prognoses alsof het 2005 is: maandelijkse cycli, statische aannames, zware handmatige consolidatie en terugblikkende beoordelingen.

AI past niet in dat model.

We gingen van kalendergestuurde prognoses, maandelijkse updates, variantieanalyse na afsluiting, terugblikkende beoordelingen en veel voorbereidend werk naar signaalgestuurde prognoses:

• Continue prognoselaag: realtime signalen en continu bijgewerkte prognoses
• Variantiedetectie met AI als uitgangspunt: het systeem signaleert veranderingen en finance beoordeelt de uitzonderingen
• Besluitgerichte beoordelingen: van “Wat is er gebeurd?” naar “Wat gaat er gebeuren?”

Dit zijn de resultaten:

• Tijd tot inzicht ↓ ~50%
• Relevantie van prognoses ↑ aanzienlijk
• De rol van finance verschoof naar die van besluitvormingspartner.
• Productiviteit van analisten ↑ 30–40%

Ontwerp prognoses opnieuw als een continu, signaalgestuurd systeem. Want zodra dat verandert, wordt finance een actieve operator van de organisatie.

Hoe AI prognoses en variantieanalyse verbetert

Voor mij bij LinkedIn staat dit nog in de kinderschoenen, dus hier volgt een voorbeeld uit een eerdere transformatie waarin we AI rechtstreeks in het proces voor prognoses en variantieanalyse integreerden.

Financiële teams besteedden onevenredig veel tijd aan het verklaren van wat er was gebeurd:

• Handmatige variantieanalyse over honderden kostenplaatsen
• Statische prognoses die maandelijks of per kwartaal werden bijgewerkt.
• Sterke afhankelijkheid van Excel-modellen en menselijke patroonherkenning
• Tegen de tijd dat de inzichten beschikbaar waren, had de organisatie zich al verder ontwikkeld.

We hadden gegevens — maar geen schaalbare manier om ze te interpreteren. Daarom introduceerden we een AI-gestuurde laag boven op onze plannings- en werkelijke gegevens, die het volgende kon:

• Automatisch afwijkingen en oorzaken van varianties detecteren over verschillende dimensies heen (regio, product, kostencategorie)
• Verhalen op het eerste niveau genereren die uitleggen “waarom” — niet alleen “wat”.
• Prognoses continu bijwerken op basis van voorlopende indicatoren, niet alleen historische trends.

Maar de echte omslag zat niet in het model — maar in het operationele model:

• Finance ging van het opstellen van analyses naar het beoordelen en ter discussie stellen van inzichten.
• Prognoses werden continu en minder kalendergestuurd
• Bedrijfsbeoordelingen verschoven van “wat er vorige maand gebeurde” naar “wat er hierna zal gebeuren”.

De verbeteringen waren duidelijk. De cyclustijd voor variantieanalyse daalde van dagen naar uren. De nauwkeurigheid van de prognoses verbeterde omdat we realtime signalen gebruikten in plaats van achterlopende input. En het allerbelangrijkste: de financiële afdeling kreeg eerder een plek aan tafel bij de besluitvorming, in plaats van pas achteraf.

De belangrijkste les? AI verving het beoordelingsvermogen van de financiële afdeling niet — het dwong ons om dat beoordelingsvermogen te gebruiken waar het er echt toe doet. Want de waarde van de financiële afdeling ligt niet in het beter verklaren van het verleden. Die ligt in het helpen van de organisatie om sneller op de toekomst te handelen.

Waarom AI moeite heeft met toelichtingen bij variantieanalyse

Een gebied waarin we duidelijke beperkingen zagen, was door AI gegenereerde toelichtingen bij variantieanalyse die aan financiële rapportages waren gekoppeld.

De cijfers klopten. Maar de toelichting klopte niet altijd. Zo schreef het model de stijging van de operationele kosten toe aan “meer aanwervingen in belangrijke regio’s” — aannemelijk, maar onjuist. De werkelijke oorzaak was een eenmalige herclassificatie in de boekhouding en een verschuiving in de timing van voorzieningen. Het model herkende patronen, niet de werkelijkheid.

De toelichting was dus onnauwkeurig, niet traceerbaar en ondermijnde het vertrouwen in het team. Zo hebben we dit opgelost:

• AI genereert signalen en hypothesen, geen definitieve toelichtingen.
• Elke uitvoer moet traceerbaar zijn.
• We introduceerden lagen voor “vertrouwen + bewijs”

Menselijke validatie werd expliciet gemaakt in plaats van verondersteld.

Hoe CFO’s een AI-gedreven financiële transformatie kunnen leiden

Dit is mijn advies: jaag niet op AI. Verbeter de financiële functie — AI volgt vanzelf.

• Begin met het systeem, niet met de tool.
• Ontwerp het werk opnieuw, automatiseer het niet alleen.
• Scheid signalen van menselijk oordeel.
• Investeer in vertrouwen voordat je opschaalt.
• Accepteer dat kosten verschuiven in plaats van verdwijnen.
• Geef zelf leiding aan de gedragsverandering.
• Bouw een “financieel besturingssysteem”, geen geïsoleerde pilots.

AI maakt je geen betere CFO. Maar het laat wel zien of je financiële functie vanaf het begin zo is ontworpen dat intelligentie kan worden opgeschaald.

Pankaj deelt

Jaag niet op AI. Verbeter de financiële functie — AI volgt vanzelf.

Blijf op de hoogte

Volg hoe Pankaj Prasoon de toekomst van de financiële functie verder vormgeeft op LinkedIn. Bekijk ook zijn persoonlijke website.

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