AI bouwt de rapportagecyclus opnieuw op

Voordat hij TheFinanceNewsletter.com en BeFluentInFinance.com oprichtte, bekleedde Andrew Lokenauth directeurs- en VP-functies in de financiële sector bij verschillende bekende banken. Tegenwoordig is hij een toonaangevende denker op het gebied van financiële disciplines, met meer dan 3 miljoen volgers.

We spraken Andrew om een beeld te krijgen van de impact van AI op de sector — de risico's en de voordelen. Dit vertelde hij ons.

Automatisering voordat AI een modewoord werd

Ik begon mijn loopbaan bij Citi en werkte daarna bij Goldman Sachs, AIG, JPMorgan en Signature Bank in functies op het gebied van FP&A, strategische financiering, investor relations en bedrijfsontwikkeling. Ik automatiseerde financiële workflows met Python, SQL en VBA, lang voordat AI een onderwerp werd. Bij Goldman verkortte ik de rapportagecycli van winst-en-verliesrekeningen met meerdere dagen. Bij Signature Bank bouwde ik systemen die de tijd die bestuurders nodig hadden om inzicht te krijgen, terugbrachten van dagen naar minder dan 24 uur. Toen generatieve AI opkwam, voelde dat niet ontwrichtend. Het voelde als de logische volgende stap in het werk dat ik al bijna twee decennia deed.

Na mijn vertrek uit de institutionele financiële sector richtte ik TheFinanceNewsletter.com en BeFluentInFinance.com op, waar ik schrijf over financiën en technologie voor meer dan 100.000 abonnees van nieuwsbrieven en meer dan 3 miljoen volgers op sociale media. Mijn inzichten over dit onderwerp zijn gepubliceerd in Forbes, CNBC, de Wall Street Journal en Business Insider. Ik blijf er om dezelfde reden over schrijven als waarom ik erin geïnteresseerd raakte: het merendeel van het gesprek is nog steeds te theoretisch, te veel gestuurd door leveranciers en te ver verwijderd van hoe financiën in de praktijk daadwerkelijk werken.

Daarnaast run ik een adviespraktijk op fractionele basis, waarin ik als fractioneel CFO en COO werk voor snelgroeiende startups en middelgrote bedrijven met een omzet tussen $1M en $5M.

Hoe AI de maandelijkse rapportage verandert

De grootste verandering in mijn werk in de afgelopen 12 maanden is het vervangen van statische maandelijkse rapportagepakketten door een AI-aangestuurde FP&A-laag die boven op de financiële kernsystemen van een klant draait. Deze haalt gegevens op uit boekhoudsoftware, CRM en salarisadministratie en voert doorlopend geautomatiseerde variantieanalyses uit.

Daarvoor besteedde een financieel team de eerste vijf tot zeven werkdagen van elke maand aan het verzamelen en afstemmen van gegevens en het opmaken van een presentatie die al verouderd was tegen de tijd dat de directie deze zag. Nu is datzelfde inzicht binnen enkele uren beschikbaar, waarbij AI de gegevens verzamelt en afwijkingen detecteert en een medewerker de uitkomsten controleert op context en beoordelingskwesties.

Het resultaat is consistent bij verschillende opdrachten:

• De maandafsluitingscycli worden met ongeveer 30 tot 40% verkort.
• Het opstellen van bestuursrapportages gaat van ongeveer 3 dagen naar minder dan 6 uur.
• Het aantal fouten neemt af, omdat minder handmatige stappen tot minder handmatige fouten leiden.
• Financiële teams verleggen hun energie van het verzamelen van gegevens naar daadwerkelijke bedrijfsanalyse.
• De kwaliteit van beslissingen in de hele organisatie verbetert, omdat de CFO de financiële gegevens in real time kan bevragen.

De technologie is niet ingewikkeld. De bereidheid om de workflow opnieuw te ontwerpen is wat de meeste teams missen.

Een AI-aangestuurde workflow voor afsluiting en rapportage

Hier volgt een stapsgewijze uitleg van de workflow voor afsluiting en rapportage:

1. Geautomatiseerde gegevensimport via Fivetran: Een geplande pijplijn haalt elke 24 uur gegevens uit boekhoudsoftware, CRM en salarisadministratie en zet deze in een schone, gecentraliseerde database.
2. AI-aangedreven afstemming en signalering van afwijkingen via BlackLine: De AI-laag vergelijkt de werkelijke cijfers met het budget voor elke belangrijke post, signaleert afwijkingen boven de vastgestelde drempelwaarden en genereert een uitleg in begrijpelijke taal voor elke signalering.
3. Menselijke controle: De financieel verantwoordelijke controleert elk gemarkeerd item, voegt bedrijfscontext toe en bepaalt wat moet worden geëscaleerd. Daarbij wordt deze persoon ondersteund door FloQast AI voor toelichtingen bij schommelingen.
4. Dashboard- en narratieve output via Datarails: Een opgemaakt bestuursrapport en managementsamenvatting worden automatisch gegenereerd op basis van de gecontroleerde gegevens en zijn klaar voor verspreiding.

Wat vroeger 3 dagen kostte, duurt nu 4 tot 6 uur.

Praktijkvoorbeelden van hoe AI de maandrapportage helpt en schaadt

Gedachten van Andrew

Een output die betrouwbaar oogt, is niet hetzelfde als een betrouwbare output.

Hier is een voorbeeld. Ik werkte met een fintechbedrijf uit Series B waar we een AI-aangedreven systeem voor het monitoren van de kasstroom implementeerden. Dit signaleerde een risico door klantconcentratie zes weken voordat dit een liquiditeitsprobleem werd.

Het model ontdekte een patroon in de ouderdom van openstaande vorderingen dat een menselijke controleur tijdens de voorgaande maandafsluitingen over het hoofd had gezien. Die ene ontdekking was meer waard dan de volledige implementatiekosten.

Aan de negatieve kant had ik een klant wiens door AI gegenereerde prognose in maanden met sterk variërende facturering 15 tot 20% afweek. Het model was getraind op historische patronen die geen rekening hielden met een recente verschuiving in de omzetmix. De output zag er verzorgd en overtuigend uit, en niemand stelde deze ter discussie totdat de CFO de afwijking tijdens een bestuursvergadering ontdekte.

Een output die betrouwbaar oogt, is niet hetzelfde als een betrouwbare output.

AI bepaalt het 'wat' — mensen bepalen het 'dus wat'

De activiteiten die het meest geschikt zijn voor AI, zijn activiteiten met duidelijke regels, historische patronen en veel herhaling. Ik gebruik AI voor:

• Het uitvoeren van prognosemodellen
• Afwijkingsanalyse
• Scenario-modellering van kasstromen
• Detectie van afwijkingen
• Routinematige rapportage

Waar mensen betrokken blijven, is bij beslissingen over kapitaalallocatie, risicobeoordelingen, contractonderhandelingen, communicatie met investeerders, interpretaties van regelgeving en alles waarvoor inzicht in de bedrijfscontext nodig is die niet in de gegevens staat. Een model kan signaleren dat je verbruikssnelheid toeneemt. Het kan je niet vertellen dat de reden een relatieprobleem met een oprichter is of dat een verkoper de verkooppijplijn bewust te laag inschat.

Het mentale model dat ik gebruik is dit: AI bepaalt het 'wat', mensen bepalen het 'dus wat'.

Dit is een van de meest praktische manieren om na te denken over AI-integratie binnen een financiële functie. Het ene zonder het andere is onvolledig, en beide faalwijzen (te veel automatiseren of te weinig automatiseren) kosten organisaties echt geld.

Waarom overautomatisering en overmatig vertrouwen in AI grote risico's zijn voor financiële teams

AI levert veel voordelen op. Maar de keerzijde is ook reëel.

AI wekt een vals gevoel van vertrouwen wanneer de onderliggende gegevens niet schoon zijn. Ik heb financiële teams door AI gegenereerde afwijkingsrapporten zien vertrouwen zonder de kwaliteit van de brongegevens ter discussie te stellen, en dat brengt reële risico's met zich mee.

Er is ook een valkuil van overautomatisering: wanneer je menselijke controle uit te veel stappen verwijdert, verlies je de institutionele kennis die zaken opmerkt die modellen niet kunnen zien.

Ik denk dat er in dit vakgebied meer eerlijke berichtgeving hierover nodig is en minder verkooppraatjes van leveranciers.

Waar AI tekortschiet

Als het om financiën gaat, schiet AI op drie belangrijke gebieden tekort.

Ten eerste verwachtte ik dat AI verder zou zijn met het interpreteren van compliance en het nemen van regelgevende beslissingen. In mijn jaren bij Signature Bank en Amalgamated Bank bestond een groot deel van het werk rond financiële beheersmaatregelen uit genuanceerde beoordelingskwesties: regelgeving interpreteren, anticiperen op de verwachtingen van toezichthouders en weten wanneer een getal technisch gezien voldoet, maar toch aanleiding geeft tot een markering. AI-tools kunnen tegenwoordig relevante regels naar voren halen en richtsnoeren samenvatten. Maar ze kunnen het beoordelingsvermogen dat ontstaat door jarenlang tegenover toezichthouders te zitten niet nabootsen.

Ten tweede gaat het om het genereren van audittrails en uitlegbaarheid binnen complexe financiële werkstromen. Toen ik bij Signature Bank de beleggersrelaties beheerde voor een instelling van meer dan $110B, had elk getal dat in een SEC-deponering, een conferencecall over de resultaten of een rapportage aan de toezichthouder terechtkwam een gedocumenteerde audittrail en een duidelijk aangewezen verantwoordelijke. Door AI gegenereerde uitvoer, vooral wanneer die afkomstig is uit systemen die gebaseerd zijn op grote taalmodellen, bevat zelden een redeneringsketen die een toezichthouder of externe auditor zou overtuigen. De uitvoer kan correct zijn, maar je kunt niet altijd aantonen hoe je tot het resultaat bent gekomen op de manier die een complianceomgeving vereist.

En ten derde zijn er bedrijven in een vroeg stadium met rommelige data-infrastructuur. De belofte van AI gaat uit van redelijk schone, gekoppelde gegevens. De meeste startups hebben dat niet. Laten we daar dieper op ingaan.

Waarom elk AI-initiatief moet beginnen met een data-audit

Andrews gedachten

Datakwaliteit is het echte knelpunt. Niet het model, niet de tool, niet de leverancier… Elk AI-initiatief moet beginnen met een data-audit, niet met het selecteren van een tool.

Datakwaliteit is het echte knelpunt. Niet het model, niet de tool, niet de leverancier. Ik begon aan mijn eerste AI-ondersteunde financiële project in de verwachting dat de technologie het moeilijke onderdeel zou zijn. Dat was niet zo. Het moeilijke onderdeel was ontdekken dat de financiële gegevens van het bedrijf verspreid waren over drie verschillende systemen die niet met elkaar communiceerden, met inconsistente naamgevingsconventies en maanden aan ontbrekende gegevens. We besteedden ongeveer 60% van de projectplanning aan het opschonen van gegevens voordat de AI-tools iets nuttigs konden doen.

Elk AI-initiatief moet beginnen met een data-audit, niet met het selecteren van een tool. Weet welke gegevens je hebt, waar ze staan, hoe schoon ze zijn en of ze voldoende gestructureerd zijn om ervan te kunnen leren. Die ene stap zou weken aan herstelwerk besparen en de verwachtingen van het management veel eerder bijstellen.

Het oude model was om meer mensen aan te nemen om meer inzicht te produceren. Het nieuwe model is om betere data-infrastructuur te bouwen en AI vervolgens de output van je bestaande team te laten vermenigvuldigen. Het is een andere beslissing over kapitaalallocatie, en de meeste financiële leiders hebben die beslissing nog niet genomen.

Hoe financiële teams veranderen door AI

De grootste verschuiving die ik in teams heb gezien, is een inkrimping van de laag van junioranalisten. Taken waarvoor vroeger 2 tot 3 analisten nodig waren die gegevens ophaalden, aansluitingen uitvoerden en eenvoudige variantieanalyses maakten, kunnen nu worden afgehandeld door een AI-laag met één persoon die de uitvoer controleert. Dat betekent niet altijd dat het aantal medewerkers afneemt. Vaker wordt hetzelfde personeelsbestand ingezet voor werk met een hogere waarde: optreden als bedrijfspartner, scenarioanalyse, communicatie met beleggers en strategische planning.

Ook het talentprofiel van een sterke financiële medewerker verandert. De beste mensen die ik nu zoek, zijn niet alleen goed in boekhouden of financiële modellering. Ze begrijpen hoe ze met AI-uitvoer moeten werken, weten wanneer ze een model kunnen vertrouwen en wanneer ze het kritisch moeten bevragen, en kunnen financiële inzichten helder communiceren aan belanghebbenden buiten de financiële afdeling. Die combinatie van financiële nauwkeurigheid, AI-geletterdheid en communicatievaardigheden is momenteel zeldzaam en heeft een hogere marktwaarde.

Wat CFO's moeten leren om het komende decennium succesvol te zijn

De CFO's die het komende decennium succesvol zijn, zullen er heel anders uitzien dan degenen die het afgelopen decennium succesvol waren. De technische financiële vaardigheden (modellering, rapportage, compliance) worden steeds meer basisvaardigheden die door AI worden afgehandeld. De vaardigheden die uitstekende CFO's kenmerken, zijn beoordelingsvermogen, communicatie, strategisch denken en het vermogen om leiding te geven in onduidelijke situaties.

Mijn advies is om te investeren in vaardigheden die AI niet kan nabootsen. Bouw sterkere relaties op met bedrijfsleiders. Verbeter je vermogen om financiële inzichten te communiceren aan doelgroepen buiten de financiële afdeling. Ontwikkel echt strategisch inzicht, niet alleen vaardigheden op het gebied van financiële analyse. Dat zijn de capaciteiten die bepalend zullen zijn voor top-CFO's in een toekomst waarin AI wordt ingezet.

Vier stappen die elke CFO zou moeten nemen

Vier dingen die ik elke CFO nu zou vertellen:

Ten eerste: voer eerst een data-audit uit. Weet waar je financiële gegevens zich bevinden, hoe betrouwbaar ze zijn en of ze voldoende gestructureerd zijn om door een model te worden gebruikt.

Ten tweede: begin met één werkproces. De CFO's die ik succesvol met AI heb zien werken, kiezen het proces binnen hun afdeling dat de meeste pijn veroorzaakt en het vaakst terugkomt — meestal de maandafsluiting of de bestuursrapportage — en ontwerpen het werkproces opnieuw voordat ze het automatiseren. Die volgorde is belangrijk. Bouw het werkproces eerst op papier voordat je het in een tool bouwt. Documenteer elke stap in het proces dat je wilt automatiseren, bepaal welke stappen op regels zijn gebaseerd (klaar voor AI) en welke inzicht vereisen (menselijk vereist), en bouw het vervolgens dienovereenkomstig.

Ten derde: definieer controlepunten voor menselijke beoordeling voordat je live gaat. Elke AI-uitvoer in een financieel werkproces moet een menselijke eigenaar hebben die deze goedkeurt.

Ten vierde: leg de nulmeting vast voordat je begint. Als je niet weet hoe lang je huidige afsluiting duurt of wat je huidige foutmarge in de prognose is, kun je niet aantonen dat AI de situatie heeft verbeterd.

Deze vier stappen klinken eenvoudig, en dat zijn ze ook. Maar de meeste organisaties slaan er twee of drie over omdat ze zo snel mogelijk naar de technologie willen. Daar komt de meeste teleurstelling vandaan.

Blijf op de hoogte

Je kunt het werk van Andrew Lokenauth volgen op LinkedIn, YouTube en zijn persoonlijke website. Of bekijk The Finance Newsletter en zijn BeFluentInFinance.com.

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