Financieel expert van nature met AI deelt zijn workflows — en hoe hij ze controleerbaar maakt

Sergei Mochtchenkov werkt al meer dan 20 jaar in de financiële sector, onder andere in de rol van CFO. Tegenwoordig is hij fractionele CFO en heeft hij meer dan 300 klanten in uiteenlopende sectoren geadviseerd.

We gingen met Sergei in gesprek om meer te weten te komen over de workflows en tools die hij gebruikt binnen financiële organisaties. Dit vertelde hij.

Een CFO met AI als uitgangspunt

Ik ben Sergei Mochtchenkov, CFA. Ik ben een fractionele CFO uit Kyiv en werk met bedrijven in Noord-Amerika, Europa en daarbuiten. Ik werk al meer dan 20 jaar in de financiële sector: financiële modellering, waardering, investeringsanalyse en datavisualisatie (Excel, Power BI, SQL). In die tijd heb ik meer dan 300 klanten geadviseerd, meer dan $1 miljard aan schuld- en aandelentransacties en verschillende beursgangen in de technologiesector ondersteund, en gewerkt als CFO of hoofdanalist voor bedrijven die uiteenlopen van een AI-aangedreven influencer-marketingplatform tot een vastgoedfonds in Californië.

De structuur is bewust slank. Bovenaan sta ik als CFO en hoofdanalist; een klein team houdt zich bezig met de boekhouding, aansluitingen en rapportages; en AI-agents werken daartussenin — ze verwerken bankafschriften, categoriseren transacties, controleren modellen en stellen rapporten op. De complexiteit zit minder in het aantal medewerkers dan in de verscheidenheid: structuren met meerdere entiteiten, intercompany-rekeningen, investeerderswatervallen, SAFE's en cap tables, en een mix van boekhoudplatforms (QuickBooks, Xero, Odoo, Shopify en Amazon Seller Central).

Mijn kennismaking met AI was praktisch, niet theoretisch. Fractioneel werk betekent dat je veel klanten tegelijk bedient, en het knelpunt was altijd hetzelfde: uren die werden besteed aan het opschonen van gegevens, het opnieuw opbouwen van modellen en het controleren van spreadsheets voordat er überhaupt echt kon worden nagedacht. Toen AI betrouwbaar genoeg werd om een grootboek te lezen, bankafschriften te verwerken of een defecte formuleketen te traceren, heb ik mijn praktijk eromheen opnieuw opgebouwd.

Tegenwoordig positioneer ik mezelf als een fractionele CFO met AI als uitgangspunt: AI doet het zware werk met gegevens en eerste versies, terwijl ik mijn tijd besteed aan beoordeling — wat de cijfers betekenen en wat de eigenaar vervolgens moet doen.

Hoe AI de gegevensvoorbereiding binnen financiële activiteiten stroomlijnt

Dit is de grootste verandering die ik met AI heb doorgevoerd: ik ben gestopt met het beschouwen van de voorbereiding van onbewerkte gegevens als mensenwerk.

Elke nieuwe opdracht begon met dagen monnikenwerk — pdf-bankafschriften van verschillende banken downloaden, ze semi-handmatig converteren en vervolgens duizenden transacties regel voor regel categoriseren voordat er met enige analyse kon worden begonnen. Er slopen fouten in, en de duurste persoon op de opdracht besteedde tijd aan de minst waardevolle taak.

Daarom heb ik een AI-ondersteunde pijplijn gebouwd. Claude schrijft en voert Python uit (met pdfplumber) om afschriften van verschillende banken te verwerken tot overzichtelijke Excel-bestanden, en elke uitvoer wordt gevalideerd met een volledige balanscontrole — beginsaldo plus transacties moet per periode gelijk zijn aan het eindsaldo — zodat niets zonder controle wordt geaccepteerd. De transacties komen vervolgens terecht in een Supabase-database, waar AI ze categoriseert aan de hand van toewijzingsregels die ik definieer en goedkeur; alles wat onduidelijk is, wordt naar mij doorgestuurd. Bij een recente opdracht betrof dit vier entiteiten bij vier zeer verschillende banken — Amerikaanse en Saoedische, neobanken en traditionele banken.

Als gevolg daarvan is de doorlooptijd van de gegevensfase sterk afgenomen, is de nauwkeurigheid toegenomen omdat de validatie systematisch gebeurt in plaats van steekproefsgewijs, en is mijn tijd verschoven van invoer naar beoordeling — het controleren van uitzonderingen, intercompany-stromen en posten met verbonden partijen, want daar zitten de echte inzichten.

Hoe AI modelcontroles mogelijk maakt

Ik voer regelmatig controles en reconstructies van financiële modellen uit. Zo pak ik dat aan:

• Stap 1 — Stel de regels vast: Maak een Claude-project met schriftelijke instructies: naamgevingsconventies, uitsluitend Engelstalige resultaten, formules als platte tekst en bestanden die wel en niet binnen de scope vallen.
• Stap 2 — Inventarisatie en afhankelijkheidskaart: Claude catalogiseert met Python (openpyxl) elk werkblad, elk benoemd bereik, elke externe koppeling, elk hardgecodeerd getal en elk formulepatroon, en maakt vervolgens een kaart van wat welke gegevens aanlevert. We wijzigen geen enkele cel voordat we de structuur van het model begrijpen.
• Stap 3 — Fouten opsporen: AI traceert berekeningsketens aan de hand van de beoogde logica van het model — watervallen, IRR, schuldenschema's, kasstromen — en maakt een foutenlijst met de celposities, ernst en financiële impact. Voordat we iets classificeren als een fout die het waard is om te herstellen, controleren we of iets verderop in het model die cel uitleest.
• Stap 4 — Uitvoering met twee chats: Ik gebruik een hoofdchat voor afbakening en beoordeling, en een aparte uitvoeringschat. De uitvoeringschat ontvangt telkens één schriftelijke taakomschrijving, voert die uit en controleert onafhankelijk de redenering van de hoofdchat. Wanneer twee AI-controles van elkaar verschillen, geeft dat aan dat ik verder onderzoek moet doen.
• Stap 5 — Verificatie: Ik voer volledige herberekeningen, scans op nul fouten, aansluitingen met brondocumenten en stresstests voor belangrijke scenario's uit. Daarna beoordeel ik de wijzigingen en de logica zelf.

Waarom AI gegevens verwerkt en mensen het oordeel vellen

Wat betreft waar AI moet worden ingezet en waar mensen nodig zijn, is mijn regel eenvoudig: AI bereidt voor, test en maakt concepten; een mens beslist en ondertekent.

Ik vertrouw AI voor:

• Gegevensinvoer en aansluiting: het uitlezen van afschriften, het categoriseren van transacties en analyses van debiteuren en crediteuren.
• Modelcontrole: het traceren van formuleketens, het vinden van verbroken koppelingen, hardgecodeerde overschrijvingen en verborgen fouten in modellen van klanten. AI leest duizenden formules zonder moe te worden.
• Prognoses: Voor e-commerceklanten heb ik systemen voor vraagprognoses gebouwd die de gegevens opschonen, corrigeren voor seizoensinvloeden en advertentie-uitgaven, en verkoopbereiken met betrouwbaarheidsbanden van 95% produceren die als input dienen voor een inkoopplan.
• Afwijkingsanalyse
• Commentaar in eerste concept
• Scenarioanalyses
• Onderzoek, zoals vergelijkende analyses van concurrenten en marktgegevens

Wat uitdrukkelijk menselijk blijft:

• Aannames: Een model is slechts zo goed als de groei, kapitalisatievoet of churn-aanname die eraan ten grondslag ligt, en daarvoor is inzicht nodig in het bedrijf en de mensen die het leiden.
• Kapitaalallocatie, conclusies over waardering en alles wat onder mijn naam naar een investeerder, kredietverstrekker of bestuur gaat: Als CFA-charterholder ben ik verantwoordelijk voor de conclusie, en verantwoordelijkheid kan niet aan een model worden gedelegeerd.
• Beslissingen over mensen en relaties: Kostenbesparingen die gevolgen hebben voor functies, onderhandelingen en het gesprek met een oprichter wiens plan niet werkt.

De twee belangrijkste voordelen van AI in de financiële sector

De schaal van verificatie is een groot voordeel van AI geweest. Het controleert uitputtend werk dat eerder steekproefsgewijs werd beoordeeld. Recente voorbeelden zijn: een werkboek voor de verificatie van 134 meetpunten voor de pitch aan investeerders van een filmproductie, waarbij we elk cijfer in de presentatie terugbrachten naar brondocumenten; een offerteprogramma voor een klant met 126 taken en ongeveer 1.200 formules, dat nul formulefouten opleverde; en een omzetting van bankafschriften voor vier entiteiten, waarbij elke periode een volledige aansluiting van het saldo doorstond.

De kosten zijn een ander voordeel. Met AI kunnen organisaties repetitieve taken en processen automatiseren. Ook wordt het eenvoudig om ongebruikte softwarelicenties en marketinguitgaven in slecht presterende kanalen te schrappen.

Lessen uit de gebieden waar AI moeite mee heeft

AI-fouten zijn juist gevaarlijk omdat ze professioneel lijken. Ik heb verzorgde uitvoer gezien met een verkeerde verwijzing naar een bereik of een verkeerd gelezen regelitem die een oppervlakkige beoordeling zou doorstaan. Een klein maar veelzeggend voorbeeld: formules die in een rapport werden geciteerd, bevatten een voorafgaand gelijkheidsteken, waardoor het spreadsheetprogramma ze probeerde te evalueren en verbroken verwijzingen en onterechte waarschuwingen voor kringverwijzingen produceerde. Daarom bepaalt een vaste regel nu dat formules in resultaten als platte tekst worden geschreven.

AI zal ook graag dingen "repareren" die er niet toe doen. Voordat ik besluit of ik een waarde moet herstellen of corrigeren, controleer ik eerst of iets verderop in het model die waarde daadwerkelijk uitleest. Deze eenvoudige discipline bespaart veel verspilde moeite.

En hier zijn een paar specifieke gebieden waarop AI niet levert:

• Grote verouderde Excel-modellen: ik verwachtte dat AI een model met 30 tabbladen gewoon zou begrijpen en repareren. Dat doet het niet. Grote werkmappen met externe koppelingen, verborgen werkbladen, oude VBA- of ActiveX-besturingselementen en jaren aan patches zijn te veel — de samenhang tussen tabbladen gaat verloren en er worden oplossingen voorgesteld die elders iets kapotmaken. Langzamere, gedisciplineerdere benaderingen werken beter: maak eerst een inventaris en afhankelijkheidskaart van het model; laat AI vervolgens steeds één afgebakende taak uitvoeren, met een afzonderlijke controle van het resultaat. AI is een sterke analist, maar nog geen architect.
• Voorspellen tijdens een regimeverandering: statistische en ML-voorspellingen zijn uitstekend wanneer de toekomst op het verleden lijkt — bijvoorbeeld bij seizoensgebonden e-commercevraag. Omdat ik in Oekraïne woon en werk, zie ik vaak hoe slecht modellen op basis van historische gegevens omgaan met oorlog, sancties, valutaschokken en plotselinge kosteninflatie. In zulke omgevingen produceert AI zelfverzekerde cijfers zonder echte basis; scenariodenken en menselijk oordeel zijn dan veel belangrijker.

En nog een kleiner punt: transactiecategorisering loopt tegen een plafond aan. AI verwerkt het grootste deel goed, maar juist het dubbelzinnige restant — transacties met verbonden partijen, uitgaven van eigenaren, stromen tussen groepsmaatschappijen — is waar het boekhoudkundige risico zit, en daarvoor is nog steeds een menselijk regelboek nodig.

Hoe AI verborgen kostenrisico's in financiën introduceert

CFO's moeten de rekenkosten in de gaten houden als verborgen variabele kostprijs van de omzet.

Veel leiders zien AI nog steeds als software — een vast abonnement. Voor producten die van AI uitgaan is dat niet zo. Elke gebruikersactie kan modelaanroepen activeren, en de inferentiekosten schalen mee met het gebruik, de lengte van prompts en de modelkeuze. Daardoor verandert wat eruitziet als een SaaS-bedrijf met hoge marges in iets met echte, volatiele variabele kosten. Ik zie regelmatig AI-start-ups waarvan de brutomarges stilletjes afnemen naarmate ze groeien, omdat het ontwerp van hun model uitging van softwareachtige marges en niemand de kosten per klant, per functie of per transactie bijhield.

De oplossing is basale financiële discipline, toegepast op een nieuwe kostenpost: meet de economie per eenheid op het niveau van de AI-aanroep, neem rekenkosten op in de kostprijs van de omzet waar die thuishoort, stel budgetten en waarschuwingen in, stem de modelgrootte af op de taak en prijs het product met de rekenkosten in gedachten. Beheersing van rekenkosten is nu een kerntaak van elke CFO in een AI-intensief bedrijf — geen technisch detail.

Hoe je AI beheert

AI heeft management nodig, niet alleen prompts. In het begin behandelde ik het als een zeer snel hulpmiddel, maar het gedraagt zich veel meer als een briljante nieuwe medewerker zonder geheugen van gisteren en met een sterke drang om behulpzaam te zijn. Dit zijn drie dingen die ik mijn vroegere zelf zou vertellen als dat kon:

• Leg de regels één keer vast. Elk bedrijf heeft ongeschreven conventies — hoe percentages worden weergegeven, welke rekeningen in welk rapport verschijnen, hoe formules worden gedocumenteerd en in welke taal opleveringen worden geschreven. Als ze alleen in je hoofd bestaan, zal AI elke keer "redelijkerwijs" iets anders doen.
• Scheid vragen van wijzigingen. Vraag AI waarom een getal er vreemd uitziet en het zal het vaak "repareren". Mijn vaste regel is nu: als ik een vraag stel, antwoordt AI eerst en wacht het op goedkeuring voordat er iets wordt gewijzigd. In het begin zou dat verschillende stille wijzigingen hebben voorkomen die ik later moest terugdraaien.
• Houd taken klein en laat het origineel ongemoeid. Bij mijn eerste pogingen gaf ik AI te veel tegelijk — "controleer dit hele model en repareer het". De resultaten zagen er indrukwekkend uit en waren moeilijk te verifiëren. Afgebakende taakomschrijvingen, één wijziging per keer, een schone kopie van het origineel en een wijzigingslogboek maken elke stap controleerbaar.

Deze drie dingen zouden me uren herwerk, een paar gênante bijna-missers die tijdens de controle werden ontdekt en de tijdelijke misvatting hebben bespaard dat de belangrijkste waarde van AI snelheid is. De belangrijkste waarde is dat je het je kunt veroorloven alles te verifiëren — maar alleen als je het proces daarvoor ontwerpt.

Hoe AI kan worden gebruikt in werkkapitaal

De meeste financiële teams beheren debiteuren, crediteuren en voorraad nog steeds met maandrapportages en onderbuikgevoel, hoewel dit juist het gebied is waar geld wordt gegenereerd of vastgezet. AI is hier echter bijzonder sterk, omdat de input omvangrijk en repetitief is en patronen bevat die mensen niet de tijd hebben om te zien.

Twee gebieden die ik opnieuw heb ingericht:

• Voorraad- en inkoopplanning voor e-commerce: Voor merken in sportkleding, badkleding, speelgoed en eiwitrepen hebben we "bestel opnieuw wat vorig seizoen verkocht" vervangen door een forecastsysteem dat ik al kort heb besproken. We schonen de verkoopgeschiedenis op, normaliseren deze voor seizoensinvloeden en advertentie-uitgaven, voorspellen de vraag met betrouwbaarheidsbanden van 95% en bouwen vervolgens een inkoopplan dat expliciet een afweging maakt tussen opslagkosten, brutomarge, rendement op eigen vermogen, volumekortingen en levertijd van leveranciers. Het resultaat is een inkoopbeslissing die is gebaseerd op een reeks mogelijke uitkomsten, waarbij vooraf zichtbaar is wat de kosten zijn van een vergissing in beide richtingen — in plaats van één enkele schatting.
• Debiteuren, crediteuren en communicatie: Ik bouw door Claude aangedreven analyses op basis van debiteuren, crediteuren en de eigen communicatie van het bedrijf, zodat de financiële afdeling niet alleen ziet dat een factuur te laat is, maar ook waarom — een geschil, een leveringsprobleem, een klant die onder druk staat — en eerder actie kan ondernemen. Met dezelfde benadering worden dubbele of ongebruikelijke crediteurenposten en leveranciersvoorwaarden die ongemerkt zijn veranderd opgespoord.

Waarom Claude Code en Cowork baanbrekers zijn in de financiële sector

Claude is een baanbreker — specifiek in zijn agentgestuurde vorm (Claude Code en Cowork), waarin het niet alleen chat, maar ook met bestanden werkt, Python schrijft en uitvoert, Excel-modellen leest en bouwt en verbinding maakt met databases en bedrijfsapps.

Daarmee kan ik bankafschriften parseren, een model met 30 tabbladen auditen, een forecastsysteem bouwen, een investeerdersmemo opstellen en een voor Power BI geschikte dataset bouwen — en belangrijker nog: het schrijft code die ik kan bewaren, opnieuw kan uitvoeren en auditen, in plaats van me alleen antwoorden te geven. Met instructies op projectniveau kan ik de regels van elke klant één keer vastleggen, zodat het werk tussen sessies consistent blijft.

Maar Excel blijft onmisbaar. Het is nog steeds de taal die investeerders, kredietverstrekkers en besturen lezen, en de beste AI-werkwijzen die ik uitvoer eindigen in een schoon, transparant spreadsheet dat een mens regel voor regel kan controleren.

Hoe AI teams en opleidingstrajecten verandert

De piramide is een diamant geworden. Traditioneel heeft een financiële praktijk veel junioren nodig die gegevens invoeren, aansluitingen maken en eerste versies van modellen opstellen, enkele senioren die deze controleren en één partner aan de top. Tegenwoordig doet AI het grootste deel van die basislaag.

De talentmix waar ik naar zoek, is dienovereenkomstig veranderd. Minder waarde in snelheid van gegevensverwerking; veel meer in drie dingen: begrijpen hoe een bedrijf geld verdient, het vermogen om een nauwkeurige briefing te schrijven en het resultaat te testen, en het vertrouwen om een oprichter te vertellen dat een getal of een plan niet klopt.

De open vraag voor het beroep is het opleidingstraject. Junioren leerden vroeger door het routinewerk te doen. Als AI dat overneemt, moeten we oordeelsvermogen bewust aanleren — door mensen AI-uitvoer te laten beoordelen, kritisch te bevragen en uit te leggen, in plaats van die vanaf nul te produceren.

Vijf adviezen voor CFO's

Dit is mijn advies aan CFO's:

• Gebruik AI zelf, deze week, voor echt werk. Delegeer AI niet aan een innovatiecomité en wacht niet op de perfecte bedrijfsbrede uitrol. Pak één pijnlijk, repetitief proces — een aansluiting, een modelcontrole, een eerste concept van een bestuursrapportage — en voer het persoonlijk met AI uit. Je kunt geen transformatie leiden die je niet zelf hebt ervaren.
• Ontwerp de beheersmaatregelen voordat je opschaalt. Elke AI-workflow heeft een ingebouwde controle nodig die niet afhankelijk is van vertrouwen in de AI: een balanscontrole, een aansluiting op het grootboek, een tweede onafhankelijke controle. AI maakt sneller en overtuigender fouten dan een junioranalist, dus je controleontwerp moet beter zijn dan voorheen.
• Houd oordeelsvorming en verantwoordelijkheid bij mensen. Laat AI voorbereiden, testen en opstellen; houd aannames, kapitaalallocatie en alles wat namens jou wordt ondertekend bij mensen. Leg die grens vast, zodat je team weet waar die ligt.
• Bouw het team opnieuw op, niet alleen de hulpmiddelen. Het financiële team van de toekomst is kleiner, ervarener en analytischer. Investeer in mensen die vragen kunnen formuleren, cijfers ter discussie kunnen stellen en met de organisatie kunnen praten — die vaardigheden worden waardevoller in combinatie met AI; louter gegevens verwerken doet dat niet.
• Meet waarde, niet activiteit. Snellere rapportages zijn prettig, maar de echte vraag is of je meer waarde ontdekt: marge die je niet had gezien, geld dat op de verkeerde plek vastzit, een deal die verkeerd is geprijsd. Als AI tijd vrijmaakt voor het financiële team en die tijd niet naar besluitvorming gaat, heb je alleen het oude werk geautomatiseerd.

Blijf op de hoogte

Je kunt het werk van Sergei Mochtchenkov volgen op LinkedIn. Bekijk ook aistartupcfo.com en financialmodeling.net.

Er volgen meer expertinterviews op The CFO Club!