AI verandert de vaardigheden van financiële teams

Christian Wattig is de oprichter van Inside FP&A, een onlinecursusplatform dat financiële teams leert betere zakelijke beslissingen te nemen. Hij heeft leidinggevenden bij onder andere Google, Merck, Lowe’s en Discover opgeleid en vervulde ook financiële functies bij Procter & Gamble, Unilever en Squarespace.

We spraken met hem om te begrijpen over welke vaardigheden financiële leiders moeten beschikken, nu AI zoveel van het werk kan uitvoeren. Dit vertelde hij ons.

FP&A leiden

Ik ben een FP&A-expert, maker van onlinecursussen en bedrijfstrainer. Met mijn persoonlijke programma’s heb ik financiële teams bij Google, Merck, Lowe’s, Discover en vele andere organisaties geholpen betere zakelijke beslissingen te nemen. Ik leid ook het FP&A-certificaatprogramma aan de Wharton School van de University of Pennsylvania en deel inzichten op LinkedIn en in mijn wekelijkse nieuwsbrief.

Voordat ik mijn onlinecursusplatform Inside FP&A oprichtte, werkte ik ruim tien jaar bij Procter & Gamble en Unilever, waar ik leiding gaf aan FP&A- en boekhoudteams in wereldwijde markten. Daarvoor trad ik in dienst bij snelgroeiende technologiebedrijven. Zo hielp ik onder andere Squarespace naar de beurs te brengen en bereidde ik het eerste financiële verhaal van het bedrijf voor Wall Street-analisten voor.

Hoe AI moet worden gebruikt in FP&A

Christian deelt

Je hebt geen datawetenschapsteam of dure software meer nodig om een algoritmische prognose te maken. ChatGPT, Claude en Gemini zijn uitstekend in het maken van statistische prognoses.

AI moet worden gebruikt voor je eerste versie van een analyse en model.

‘Eerste versie’ is daarbij de belangrijkste term. Mensen vertellen me dat ze dachten dat AI 95% van hun modelleertaken zou overnemen, maar voor het bouwen van sterke financiële modellen is meer tijd nodig om de uitvoer te beoordelen. Daardoor verdwijnt een groot deel van de tijdwinst.

AI is ook geschikt voor prognoses op basis van tijdreeksanalyse. Je hebt geen datawetenschapsteam of dure software meer nodig om een algoritmische prognose te maken. ChatGPT, Claude en Gemini zijn uitstekend in het maken van statistische prognoses. Het enige wat je hoeft te doen, is historische gegevens aanleveren en vragen om Python-code te maken die in Excel een ARIMA-model uitvoert.

Dit zijn andere manieren waarop ik AI dagelijks gebruik in FP&A:

• Afwijkingsanalyse: bouw driverbomen die afwijkingen verklaren.
• Voorbereiding op gesprekken met bedrijfspartners: ga goed voorbereid vergaderingen in, zodat je de juiste informatie bij partners kunt verzamelen.
• Budgetbeoordelingen: identificeer risico’s en kansen in het budget van een bedrijfspartner zonder de relatie te schaden.
• Rapporten verfijnen: vertel het verhaal achter de cijfers.
• Bestuurspresentaties: anticipeer op lastige vragen voordat ze worden gesteld.

Voor voorbeelden van prompts voor elk van deze toepassingen kun je hier terecht.

Sommige taken moeten echter door mensen worden uitgevoerd:

• Diepgaande analyse
• Samenwerken met bedrijfspartners
• Beïnvloeden
• Afwegingen maken

Waarom afwijkingen in AI-prognoses worden bepaald door de invoer

Een paar jaar geleden, toen ik leiding gaf aan een FP&A-team bij een groot bedrijf in consumentengoederen, beheerde ik de prognose voor het werkkapitaal. Het was een enorme prognose, met tientallen deelprognoses voor regelitems en divisies die samenkwamen in het totale bedrijfsresultaat. Omdat de prognose zo complex en tijdrovend was, kozen we deze om voor het eerst een machine-learningbenadering te testen.

We besteedden de ontwikkeling van het AI-model uit aan een externe partij. Toen we de eerste resultaten van het nieuwe model ontvingen en deze een maand later vergeleken met de werkelijke cijfers, waren we enthousiast. De nauwkeurigheid van de prognose was aanzienlijk beter dan bij onze eerdere resultaten. Ik wist zeker dat dit project een groot succes zou worden, totdat het leiderschapsteam om een verklaring vroeg voor de resterende afwijking tussen de voorspellingen van het machine-learningmodel en de werkelijke resultaten.

Ik had geen idee hoe ik die vraag moest beantwoorden, omdat ik niet betrokken was bij het bouwen van het model. Ik nam contact op met de datawetenschapper die bij de externe partij verantwoordelijk was voor het model. Ik benaderde het op dezelfde manier als waarop ik een afwijking in een traditioneel Excel-voorspellingsmodel zou analyseren: ik vroeg hem uit te leggen hoe het model werkt, zodat ik kon vaststellen wat de afwijking zou kunnen veroorzaken. Hij zei: "We gebruiken een ensemble van verschillende algoritmen voor machinaal leren. Elke maand concurreren ze met elkaar en maakt het best presterende model de voorspelling. Concreet gebruiken we algoritmen voor machinaal leren zoals DeepAR van Amazon en Temporal Fusion Transformer van Google, en traditionele algoritmen zoals Holt-Winters en modellen voor autoregressieve geïntegreerde voortschrijdende gemiddelden. In totaal omvat het ensemble 12 verschillende algoritmen die met elkaar concurreren. We testen elk algoritme aan de hand van historische gegevens en kiezen vervolgens het algoritme met de hoogste nauwkeurigheid.”

Ik begreep minder dan de helft van wat hij zei, dus vroeg ik door: “Oké, waarom denk je dat er nog steeds zo'n aanzienlijke afwijking bestaat tussen de werkelijke resultaten en de voorspellingen van het model?” Hij antwoordde dat hij geen idee had, omdat hij ons bedrijf niet begreep.

De situatie was dat ik niet begreep hoe het machinale-leermodel werkte en dat de datawetenschapper niet begreep hoe het bedrijf werkte. Hoe konden we hier een afwijking verklaren? Ik brainstormde over verschillende oplossingen voor dit probleem. Zouden we de datawetenschapper naar ons kantoor moeten uitnodigen, zodat we kunnen uitleggen hoe het bedrijf werkt? Zouden we iemand uit ons team moeten vragen een cursus machinaal leren en datawetenschap te volgen? Was het überhaupt mogelijk dit te leren zonder een diploma in wiskunde of informatica?

Het duurde even, maar uiteindelijk besefte ik dat ik het probleem helemaal verkeerd bekeek. Sterker nog, ik probeerde het verkeerde probleem op te lossen. Met machinaal leren verklaar je afwijkingen niet door te wijzen op fouten in het model zelf. De meest geavanceerde algoritmen worden om een reden “black-boxmodellen” genoemd — zelfs de wetenschappers die ze hebben gebouwd, begrijpen soms niet welke conclusies ze trekken. Ik besefte dat het allemaal om de invoer draait. Rommel erin, rommel eruit.

Om afwijkingen met machinaal leren te verklaren, moeten we onderzoeken of de gegevenspunten die we aan het model doorgeven juist en toereikend zijn. De beste manier om dit te doen is experimenten te combineren met een aanpak die “backtesting” wordt genoemd. Met AI-modellen kun je doen alsof het afgelopen jaar nog niet heeft plaatsgevonden en het model vragen een voorspelling te maken. Als het bijvoorbeeld mei 2026 is, kan ik het AI-model vragen 2025 te voorspellen door historische gegevens uit 2020 tot en met 2024 aan te leveren. Vervolgens kun je onmiddellijk vergelijken hoe dicht de voorspelling bij de werkelijke resultaten ligt, de gegevenspunten aanpassen en opnieuw testen.

Uiteindelijk ontdekten we dat de nauwkeurigheid van de voorspelling aanzienlijk verbeterde toen we het model aanvullende gegevens uit onze voorraadsystemen gaven: gegevenspunten waar we eerder nooit rekening mee hadden gehouden, omdat onze traditionele modellen op basis van spreadsheets daardoor nog complexer zouden zijn geworden.

Waarom CFO's processen moeten standaardiseren voordat ze AI implementeren

AI repareert gebrekkige financiële processen niet. Het schaalt ze op.

Ik heb genoeg financiële teams nieuwe technologie zien invoeren om te weten hoe dit gaat. De hulpmiddelen versterken wat er al is, zowel het goede als het slechte.

Als je toelichting op afwijkingen vandaag een puinhoop is — bijvoorbeeld omdat elke analist die anders schrijft, er geen overeengekomen drempelwaarden zijn en er geen consistente structuur is — dan zal AI diezelfde puinhoop over elk kostencentrum verspreiden, vloeiend en snel. Als je model geen documentatie of naamgevingsstandaarden heeft, helpt AI je het zelfverzekerder verder kapot te maken. Als je voorspelling van de ene maand op de andere zonder duidelijke toelichting op de drijvende factoren 20% schommelt, zal AI die schommelingen voortzetten, maar dan met een betere opmaak.

De financiële teams die ik daadwerkelijk waarde uit deze technologie zie halen, zijn niet de teams met de meest geavanceerde inrichting. Het zijn de teams die al wisten hoe goed eruitziet. Ze hadden sjablonen. Ze hadden een werkbare definitie van "nuttig". Ze hadden het weinig glamoureuze werk van standaardiseren al gedaan voordat ze AI ooit vroegen iets te doen.

Waarom financiële teams de promptmethode van Greg Brockman moeten gebruiken

Veel financiële teams hebben moeite om goede resultaten uit hun AI-tools te halen, omdat hun prompts te kort of niet specifiek genoeg zijn. Ze behandelen AI alsof het een Google-zoekopdracht is.

Ik raad altijd de methode van Greg Brockman aan voor het aansturen van redeneermodellen:

1. Doel
2. Uitvoerindeling
3. Waarschuwingen
4. Context

Met deze aanpak krijgen teams steevast betere resultaten.

Hoe CFO's werving opnieuw moeten vormgeven voor het AI-tijdperk

Christian deelt

Let op overmoed, een mentaliteit waarbij tools vooropstaan, gebrekkige communicatie en het ontbreken van afwegingen. Met deze drie oefeningen kun je de eigenschappen beoordelen die ik hierboven heb genoemd.

CFO's moeten hun processen voor het screenen van sollicitanten opnieuw vormgeven. Het AI-tijdperk vereist andere vaardigheden.

Traditioneel richten leiders zich op snelheid in spreadsheets, vaardigheid in Excel en de kwaliteit van rapportages. AI automatiseert echter al deze taken. Zoek in plaats daarvan naar het volgende:

• Oordeelsvermogen onder onzekerheid
• Zakelijke communicatie
• Systeemdenken
• Leersnelheid
• Datavaardigheid

Probeer bij sollicitatiegesprekken voor welke functie dan ook het volgende:

• Geef kandidaten een korte, plausibele, door AI gegenereerde verklaring van afwijkingen of samenvatting van prestaties. Vraag wat volgens hen twijfelachtig is en wat moet worden geverifieerd. Vraag ze vervolgens om dit te herschrijven in enkele opsommingstekens voor een leidinggevende.
• Vraag de kandidaat om de eerste vijf vragen te noemen die hij of zij zou stellen als diegene moest uitleggen waarom de omzetprognose afweek — en waarom.
• Vertel de kandidaat dat je volgend kwartaal margedruk en onzekerheid over de vraag verwacht. Vraag de kandidaat om drie scenario's te definiëren, de belangrijkste drijfveren te benoemen en aan te bevelen wat er nu moet gebeuren.

Let op overmoed, een mentaliteit waarbij tools vooropstaan, gebrekkige communicatie en het ontbreken van afwegingen. Met deze drie oefeningen kun je de eigenschappen beoordelen die ik hierboven heb genoemd.

Waarom strategische vaardigheden en diepgaande analyses nu belangrijk zijn

Financiële teams moeten weten waarop ze optimaliseren.

Zodra ze met AI al die tijd vrijmaken, zullen senior leiders verwachten dat ze op een andere manier waarde toevoegen — door strategische partners te worden en diepgaande analyses te leveren. Er wordt van hen verwacht dat ze verbanden leggen tussen operationele kengetallen en financiële resultaten om concrete aanbevelingen te doen over hoe het bedrijf kansen kan benutten of risico's kan beperken.

Met andere woorden: ze moeten zich bijscholen in de strategische financiële vaardigheden op een hoger niveau waarop AI geen antwoord heeft. Dat is de enige manier om een plaats aan tafel te verdienen in een AI-ondersteunde toekomst.

Blijf op de hoogte

Volg het werk van Christian Wattig op LinkedIn. Leer ook van hem via zijn YouTube-kanaal of bekijk zijn online cursusplatform, Inside FP&A.

Er komen meer interviews met experts aan op The CFO Club!