AI-agenten doen er niet toe zonder adoptie

Sibaranjan Patnaik is financieel en strategisch directeur bij de in India gevestigde GCC van een groot technologiebedrijf. Met 16 jaar ervaring heeft hij verschillende functies vervuld binnen zowel accounting als FP&A, waardoor hij een uitgebreid inzicht heeft in de werking van financiële functies.

We spraken met Sibaranjan om meer te weten te komen over de interne financiële agents die hij bouwt — en waarom AI-succes wordt bepaald door de mensen die de technologie gebruiken. Dit is wat hij vertelde.

De technologische transformatie van financiën vindt eindelijk plaats

Ik ben Siba — financieel en strategisch directeur met ongeveer 16 jaar ervaring.

Ik begon in accounting, stapte over naar FP&A, en die ervaring aan beide kanten van de functie geeft me een volledig beeld van hoe financiën dagelijks werken — niet alleen de laag van planning en prognoses, maar ook de transactionele en rapportage-engine eronder.

Vandaag de dag is mijn verantwoordelijkheid verder uitgebreid dan financiën — ik geef tegelijkertijd leiding aan technologieteams, omzetfuncties en meerdere bedrijfsonderdelen, waarbij ik minstens zo veel als crossfunctioneel leider opereer als vanuit financiën. Die breedte verandert de manier waarop je naar transformatie kijkt — je ziet het niet langer als een financieel probleem, maar als een organisatorisch probleem.

Achteraf vind ik dit bijna grappig: gedurende mijn carrière heb ik voortdurend gehoord over technologiegedreven transformatie van financiën. Betere tools. Slimmere systemen. Het einde van Excel. Toch bleef de kernworkflow in elke functie waarin ik terechtkwam — bij een groot FMCG-bedrijf, een wereldwijde retailer of een GCC — hetzelfde. De data ophalen, deze afstemmen, het model bouwen, de presentatie opmaken en doorsturen. Elke keer weer Excel.

We hadden dashboards die waren gebaseerd op handmatig opgehaalde data. We hadden planningstools waarvoor iemand de aannames nog steeds voortdurend moest bewaken. Technologie bestond wel op bepaalde plekken, maar de transformatie kwam nooit echt op gang.

Wat nu anders is — en ik zeg dit als iemand die sceptisch staat tegenover de hype rond fintech — is dat AI, en dan specifiek agentische AI, het eerste is dat ik heb gebruikt en dat de onderliggende workflow echt verandert, in plaats van alleen de presentatielaag. Ik gebruik het nu om toelichtingen te automatiseren, scenarioanalyses te versnellen en het repetitieve analytische werk uit te voeren dat vroeger het grootste deel van de week van een team in beslag nam.

Voor het eerst in mijn carrière heb ik oprecht het gevoel dat de beloofde transformatie eindelijk de goede kant op beweegt. En dat is wat ik probeer mee te nemen in gesprekken wanneer ik jonge financiële professionals begeleid — want dit is het moment om een voorsprong op te bouwen.

AI gebruiken om op een hoger strategisch niveau te opereren

Ik werk voor een volwassen, beursgenoteerde organisatie met wereldwijde activiteiten. Ik zal publiekelijk geen specifieke details delen — ik wil duidelijk maken dat wat ik hier deel uitsluitend mijn persoonlijke observaties zijn — maar ik kan wel zeggen dat ik leiding geef aan een financiële organisatie binnen een GCC-structuur in India. Dit betekent dat we een strategische uitvoeringshub zijn voor een veel grotere wereldwijde functie.

De complexiteit is reëel; we doen meer dan backofficeverwerking. Het team omvat FP&A-, omzet- en technologiefuncties en opereert over meerdere bedrijfsonderdelen heen, met aanzienlijke onderlinge afhankelijkheden tussen functies. In deze omgeving zoeken we voortdurend naar een balans tussen wereldwijde standaardisatie en de realiteit van lokale uitvoering.

Vanuit het perspectief van transformatie werden GCC's in India historisch gezien als kostenplaatsen beschouwd — opgezet voor efficiëntie, niet voor invloed. Ik probeer die perceptie grotendeels te veranderen, zowel intern als in de manier waarop het team zichzelf ziet. Als financiële partner voor een wereldwijde bedrijfseenheid binnen een GCC moet je op hetzelfde strategische niveau opereren als iedereen op het hoofdkantoor. AI speelt een grote rol in het dichten van die kloof.

Waarom AI-transformaties binnen financiën geduld vereisen

Ik heb vandaag geen volledig geïmplementeerde financiële workflow op basis van AI van begin tot eind in productie draaien. Ik zou sceptisch staan tegenover iedereen die beweert dat wel op schaal te doen, met beheersmaatregelen, binnen de omgeving van een gereguleerd beursgenoteerd bedrijf. Ik heb een duidelijke richting, een reeks productiviteitstools die echt veranderen hoe mijn team en ik dagelijks werken, en een reeks agents in verschillende stadia van ontwikkeling en testen.

Aan de productiviteitskant gebruik ik dagelijks AI-tools voor het opstellen van communicatie, het samenvatten van lange rapporten, het structureren van analyses, het voorbereiden van bedrijfsreviews en het sneller doordenken van scenario's dan ik alleen zou kunnen. Dit zijn geen spectaculaire toepassingen, maar de cumulatieve tijdwinst is reëel en heeft de kwaliteit veranderd van de manier waarop ik aan gesprekken deelneem.

Mijn huidige voortgang is ambitieuzer. Ik bouw toe naar een workflow waarin agents de mechanische onderdelen van de maandafsluiting afhandelen — gegevensconsolidatie, het signaleren van afwijkingen en het genereren van toelichtingen — waarna mensen instappen op het niveau van beoordeling en oordeelsvorming. De architectuur bestaat en het testen gaat door. Om dit goed te doen, met de juiste beheersmaatregelen, is tijd nodig.

Ik deel dit als werk in uitvoering in plaats van het voor te stellen als iets compleets, omdat ik denk dat het financiële beroep al genoeg mensen kent die de bestemming verkopen. Wat nuttig is, is horen hoe de reis er in realtime uitziet — wat werkt, wat nog wordt uitgezocht en wat moeilijker blijkt dan verwacht.

Daar sta ik nu. Zorgvuldig bouwen, gestaag vooruitgaan en niet wachten op perfectie voordat ik begin.

Hoe AI de toelichting op afwijkingen verbetert

Een recente verandering die ik heb doorgevoerd, heeft te maken met de toelichting op afwijkingen. Elk financieel team doet dit. Elke maand, zonder uitzondering, gaat iemand zitten om twee tot drie pagina's te schrijven waarin wordt uitgelegd waarom de werkelijke cijfers boven of onder het plan lagen. Regel voor regel. In theorie is het belangrijk werk, maar in de praktijk is ongeveer 80% ervan mechanisch. De cijfers zijn er al. De afwijkingen zijn al berekend. De vertaling kost tijd — de gegevens omzetten in zinnen die een niet-financiële belanghebbende kan lezen en waarop die kan handelen.

Voordat we dit veranderden, besteedde een senior analist het grootste deel van een dag alleen aan de toelichting. Niet omdat diegene traag was — omdat het oprecht zo lang duurde om dit goed te doen voor meerdere kostencentra en bedrijfsonderdelen. En tegen de tijd dat het klaar, beoordeeld en opgemaakt was, was de ruimte voor het gesprek dat het mogelijk moest maken al kleiner geworden.

Ik heb een agent gebouwd om het eerste concept af te handelen. Deze haalt de cijfers op, identificeert de materiële afwijkingen en genereert een gestructureerde toelichting in duidelijke bedrijfstaal. De taak van de analist is nu om te beoordelen, te verfijnen en de oordeelslaag toe te voegen — de context die alleen een mens met kennis van de onderneming kan bieden.

Dat heeft invloed op de snelheid, maar verandert ook de kwaliteit van het gesprek. Wanneer je analist niet uitgeput is door het schrijven, verschijnt diegene bij de beoordelingsvergadering met gedachten over wat de afwijking betekent voor het volgende kwartaal — niet alleen over wat er vorige maand is gebeurd. Dat is de verschuiving die ik wilde bereiken. Eén dag mechanisch schrijfwerk kan twee uur denkwerk worden.

Een kader voor wat menselijk blijft

Mijn kader is eenvoudig: als het mechanisch is, automatiseer het. Als het oordeelsvorming vereist, houd het menselijk. Dat is alles.

Het klinkt vanzelfsprekend, maar de meeste financiële teams werken niet zo. Mensen doen mechanisch werk en noemen het analyse. AI-tools blijven ongebruikt omdat niemand de grens duidelijk heeft gedefinieerd.

AI verwerkt gegevensconsolidatie, aansluitingen, het signaleren van afwijkingen, toelichtingen in eerste concept, updates van prognosemodellen wanneer aannames veranderen, standaardrapportages en kasstroomprognoses op basis van historische patronen. Dit zijn herhaalbare, regelgebaseerde taken met een hoog volume. Mensen zouden hier niet langer betekenisvolle tijd aan moeten besteden. Een agent doet dit sneller, consistenter en zonder de vermoeidheid die aan het einde van een afsluitingscyclus binnensluipt.

Mensen behandelen alles waarvoor context, relaties en oordeelsvorming nodig zijn. Wat betekent deze afwijking voor de onderneming? Moeten we kapitaal aan dit initiatief toewijzen of juist afwachten, gezien de marktomstandigheden? Wat is de juiste manier om dit risico aan de leiding te presenteren? Is deze prognose richtinggevend geloofwaardig, of passen we gewoon een getal aan een doelstelling aan? AI kan al deze gesprekken informeren; het kan er geen verantwoordelijkheid voor dragen.

Hier trek ik de grens: AI geeft mijn team sneller en beter gestructureerde informatie dan voorheen. Maar de beslissing — en de verantwoordelijkheid ervoor — blijft bij de persoon. Ik werk niet om een beperking heen; zo is het ontworpen.

Hoe AI de efficiëntie en het vertrouwen van financiële teams verbetert

Positief bekeken is tijdsherverdeling het meest betrouwbare resultaat. Door mechanische taken te automatiseren — gegevens ophalen, aansluitingen, standaardrapportages, eerste versies van commentaar — krijgt iedereen elke week uren terug. Geen theoretische uren, maar echte. Als je bewust nadenkt over hoe mensen die tijd gebruiken, zie je betere analyses, snellere antwoorden op bedrijfsvragen en financiële professionals die betrokken zijn bij hun werk in plaats van zich moeizaam door een afsluitingscyclus heen te werken.

Ook de kwaliteit van prognoses verbetert — niet omdat AI slimmer is dan je analisten, maar omdat analisten minder vermoeid zijn en meer tijd hebben om aannames kritisch te onderzoeken in plaats van alleen het model in te vullen. Vermoeide mensen nemen slechte beslissingen. Uitgeruste mensen met schone gegevens nemen betere beslissingen.

Kwalitatief gezien is vertrouwen de belangrijkste verandering. Wanneer een financieel team niet langer het grootste deel van zijn energie besteedt aan produceren, maar aan interpreteren, nemen de teamleden anders deel aan zakelijke gesprekken. Ze hebben een mening. Ze bieden weerstand. Dat is de culturele verandering die moeilijk te meten is, maar onmogelijk te missen.

De grootste manieren waarop AI faalt in de financiële sector

Sibaranjan deelt

De grootste fout die ik zie, is dat teams slechte processen automatiseren. Als de onderliggende gegevens rommelig zijn, werkstromen niet goed functioneren… versnelt AI het probleem alleen maar. Rommel erin, rommel eruit, maar dan sneller.

En nu het slechte nieuws. De grootste fout die ik zie, is dat teams slechte processen automatiseren. Als de onderliggende gegevens rommelig zijn, werkstromen niet goed functioneren of teams de cijfers niet begrijpen, versnelt AI het probleem alleen maar. Rommel erin, rommel eruit, maar dan sneller.

De tweede fout is dat mensen te veel vertrouwen op resultaten die ze niet volledig begrijpen. AI kan een prachtig gestructureerde prognose, een overtuigend ogende variantieanalyse en een overzichtelijk scenariomodel opleveren. En als de persoon die het presenteert niet kan uitleggen hoe het tot stand is gekomen of waar de aannames vandaan komen — dan is dat een risico. Geen technologisch risico, maar een beoordelingsrisico. AI moet je team scherper maken, niet passiever. Als het tegenovergestelde gebeurt, is dat het risico waar niemand luid genoeg over praat.

De derde fout is adoptie. Je kunt de meest elegante agent bouwen, maar als het team hem niet vertrouwt of niet verandert hoe het ermee werkt, blijft hij ongebruikt. Verandermanagement is niet optioneel.

Waarom AI-adoptie herontworpen werkprocessen vereist

Wanneer AI niet werkt, is het een mensenprobleem.

Ik heb werkende agents gebouwd. Ik heb gezien hoe ze werden getest, gevalideerd en goedgekeurd. Daarna zag ik teams ze stilletjes omzeilen en terugkeren naar hun oude methoden. Niet uit kwade wil, maar uit gewoonte, gemak en de oprechte overtuiging dat hun handmatige versie betrouwbaarder was, ook als dat niet zo was.

Dat is de kloof waar in gesprekken over AI-transformatie niet genoeg over wordt gesproken. Iedereen richt zich op wat er gebouwd moet worden. Maar heel weinig mensen richten zich op wat er moet veranderen bij de mens die de tool gebruikt voordat die er echt toe doet.

Financiële professionals worden in het bijzonder getraind om nauwkeurig en risicomijdend te zijn. Dat is een sterke eigenschap voor hun werk. Het wordt een obstakel wanneer je hen vraagt een systeem te vertrouwen dat ze niet zelf hebben gebouwd en waarvan ze niet volledig kunnen zien hoe het werkt. Zodra een AI-resultaat er ook maar enigszins afwijkend uitziet — zelfs als het correct is — vallen ze terug op het zelf uitvoeren ervan. En als dat een paar keer gebeurt, stoppen ze met het gebruiken van de agent.

Ik heb geleerd dat adoptie geen communicatieprobleem is. Een e-mail sturen met de mededeling "we hebben een nieuwe tool, gebruik die alstublieft" levert niets op. Het is een gedragsveranderingsprobleem. Je moet de werkstroom rond de tool opnieuw ontwerpen, niet de tool alleen maar in de bestaande werkstroom plaatsen en hopen dat mensen zich aanpassen.

Waarom Claude zich onderscheidt in financiële toepassingen

Ik gebruik meerdere tools en ik denk dat dat op dit moment de juiste aanpak is. We bevinden ons in een verkennende fase en elke tool ontwikkelt zich nog steeds snel. Vandaag één tool kiezen en de rest negeren zou de verkeerde beslissing zijn.

Maar als ik één richting zou moeten kiezen, springt Claude er specifiek voor financieel werk uit. Het vermogen om complexe scenario's te doorgronden, met cijfers in hun context te werken, gestructureerde analyses op te stellen en genuanceerde zakelijke taal te hanteren, maakt Claude bijzonder nuttig voor het soort werk waarbij diep nadenken centraal staat en waar FP&A om vraagt.

De tools veranderen snel, en welke tool uiteindelijk deel gaat uitmaken van mijn langetermijnworkflow, zal dat moeten verdienen. Op dit moment blijf ik nieuwsgierig naar alle tools en laat ik de gebruiksscenario's de doorslag geven.

Verwar AI-tools kopen niet met AI-transformatie

Dit is mijn advies:

1. Wacht niet met actie totdat de perfecte bedrijfsbrede strategie er is. De meeste CFO's met wie ik spreek, hebben een transformatieroadmap die al zes maanden wordt besproken. Ondertussen besteden hun teams nog steeds de helft van hun week aan werk dat ze vandaag al zouden kunnen automatiseren. De mogelijkheid doet zich nu voor. Grijp die.
2. Verwar tools kopen niet met transformatie realiseren. Ik heb organisaties gezien die aanzienlijke bedragen uitgaven aan platforms, licenties en consultants en uiteindelijk met dezelfde workflows eindigden als waarmee ze begonnen, alleen duurder. Technologie is niet het moeilijke deel. Het moeilijke deel is eerlijk beoordelen hoe je team werkt en bereid zijn dat te veranderen.
3. Investeer eerst in je mensen en daarna in tools. Een financiële professional die begrijpt wat AI wel en niet kan, goed formuleert, AI-uitvoer kritisch beoordeelt en de laag van menselijk inzicht toevoegt — die persoon is meer waard dan welk platform je ook koopt. Bouw die vaardigheid op binnen je team. Het effect ervan groeit.
4. Breng je datahuishouding op orde. AI zal elk probleem in de basis van je data sneller blootleggen dan wat dan ook. Als je cijfers niet kloppen, je processen niet zijn gedocumenteerd en je systemen niet met elkaar communiceren — los dat dan eerst op. Anders automatiseer je chaos.
5. De functie van de CFO verandert, of je nu wel of niet met AI aan de slag gaat. De vraag is of je die verandering vormgeeft of erop reageert. De financiële leiders die over vijf jaar belangrijk zullen zijn, zijn nieuwsgierig genoeg om te experimenteren, nederig genoeg om te leren van wat niet werkt en besluitvaardig genoeg om iets op te bouwen.

Heb niet alleen een mening over AI. Doe er iets mee.

Sibaranjan deelt

Dit is mijn advies: Wacht niet met actie totdat de perfecte bedrijfsbrede strategie er is. Verwar tools kopen niet met transformatie realiseren. Investeer eerst in je mensen en daarna in tools. Breng je datahuishouding op orde. De functie van de CFO verandert, of je nu wel of niet met AI aan de slag gaat…Heb niet alleen een mening over AI. Doe er iets mee.

Blijf op de hoogte

Je kunt het werk van Sibaranjan Patnaik volgen op LinkedIn.

Er volgen meer interviews met experts op The CFO Club!