AI in Finance

Wat AI toevoegt aan klassieke finance automation

AI wordt vaak beschreven als de volgende generatie automatisering. Dat suggereert dat bestaande regels, workflows en financiële systemen plaatsmaken voor software die zelfstandig begrijpt wat er moet gebeuren. Zo werkt het niet.

De belangrijkste verandering is subtieler en tegelijkertijd ingrijpender. Klassieke automatisering voert vooraf beschreven logica uit. AI kan uit data en context een uitkomst afleiden zonder dat iedere inhoudelijke relatie als afzonderlijke regel is vastgelegd. Daardoor kan software niet alleen verwerken wat vooraf volledig is gestructureerd, maar ook informatie classificeren, overeenkomsten inschatten, patronen herkennen en tekst genereren.

Voor finance verschuift daarmee de grens van wat automatiseerbaar is. De standaardstroom was vaak al goed te automatiseren. Het werk bleef vooral zitten in documenten die afweken, verwijzingen die ontbraken, omschrijvingen die meerdere betekenissen konden hebben en situaties waarin verschillende gegevens samen moesten worden beoordeeld. Juist daar kan AI iets toevoegen.

AI maakt finance automation daarmee niet foutloos of zelfstandig. Het maakt automatisering contextgevoeliger. Om daar bruikbare financiële processen van te maken, moeten afgeleide uitkomsten nog steeds worden gecombineerd met betrouwbare brondata, vaste controles, procesregie en duidelijk belegde verantwoordelijkheid.

De kern van AI is afleiden

De term artificial intelligence is breed. Toch bevat de definitie uit de Europese AI Act een bruikbaar onderscheid met traditionele software. Een AI-systeem leidt uit ontvangen input af hoe het een output genereert. Die output kan bestaan uit een voorspelling, inhoud, aanbeveling of beslissing. De toelichting maakt bovendien expliciet dat eenvoudige software die uitsluitend door mensen vastgelegde regels uitvoert, niet onder dit onderscheid valt. Het kenmerkende verschil is het vermogen om te infereren: een uitkomst afleiden.

Dat onderscheid is binnen finance goed zichtbaar.

Een klassieke procesregel kan bepalen dat een factuur boven een vastgesteld bedrag door een tweede persoon moet worden goedgekeurd. Het bedrag, de grens en de vervolgstap zijn expliciet vastgelegd. Dezelfde input leidt onder dezelfde omstandigheden tot dezelfde uitkomst.

Een AI-model kan op basis van eerdere boekingen, de leverancier, de factuuromschrijving en andere context een waarschijnlijk passende grootboekrekening voorstellen. De relatie tussen al die kenmerken en de voorgestelde rekening is niet als een lange lijst afzonderlijke regels ingevoerd. Het model heeft die relatie uit voorbeelden of patronen afgeleid.

De procesregel beantwoordt dus de vraag: wat moet er volgens de afspraak gebeuren?
Het AI-model beantwoordt een andere vraag: welke uitkomst is op basis van de beschikbare informatie waarschijnlijk?

Dat verschil verklaart zowel de kracht als de beperking van AI. Regels zijn sterk wanneer het juiste antwoord vooraf eenduidig kan worden beschreven. AI is sterk wanneer de relevante samenhang wel in data of context aanwezig is, maar moeilijk volledig in regels is te vangen.

AI is een familie van technieken

AI wordt in gesprekken vaak gelijkgesteld aan generatieve AI. Dat is te beperkt. Machine learning, documentherkenning, natural language processing, voorspellende modellen en generatieve modellen vallen allemaal onder de brede AI-noemer, maar vervullen verschillende functies.

Voor finance is vooral het onderscheid tussen voorspellende en generatieve AI nuttig:

Voorspellende AI is doorgaans gericht op een afgebakende taak. Een model kan bijvoorbeeld mogelijke matches rangschikken, transacties classificeren of bepalen welke waarnemingen afwijken van een verwacht patroon. Het doel en de gewenste output zijn relatief nauw omschreven.

Generatieve AI is breder inzetbaar. Een taalmodel kan tekst lezen, samenvatten, herschrijven en genereren. Daardoor kan het omgaan met e-mails, contractteksten, toelichtingen, beleidsdocumenten en vragen in gewone taal. Die brede taalvaardigheid maakt generatieve AI zichtbaar en toegankelijk, maar niet automatisch geschikter voor iedere financiële taak.

Een model dat specifiek is ontwikkeld om de waarschijnlijkheid van een betalingsachterstand te schatten, kan voor die ene taak waardevoller zijn dan een algemeen taalmodel. Andersom kan een generatief model informatie uit verschillende teksten samenbrengen waar een traditioneel voorspellend model niets mee kan.

De relevante vraag is daarom niet of een organisatie ‘AI’ gebruikt, maar welke vorm van afleiding voor een bepaalde financiële taak nodig is.

Hoe een model leert

Bij klassieke automatisering beschrijft een ontwikkelaar of proceseigenaar de logica. Bij machine learning wordt een model geoptimaliseerd op basis van data.

Bij supervised learning krijgt het model voorbeelden met een bekende uitkomst. Historische factuurregels kunnen bijvoorbeeld zijn voorzien van de grootboekrekening waarop zij uiteindelijk zijn geboekt. Het model zoekt naar patronen waarmee het voor een nieuwe factuurregel de meest waarschijnlijke classificatie kan voorspellen.

Bij unsupervised learning zijn vooraf geen juiste uitkomsten toegevoegd. Het model zoekt zelf naar structuur in de data, bijvoorbeeld groepen waarnemingen die op elkaar lijken of transacties die juist sterk van het gebruikelijke patroon afwijken. Dat kan relevant zijn voor segmentatie en anomaliedetectie.

Generatieve foundation models worden op grote hoeveelheden data voorgetraind om algemene patronen en relaties te leren. Vervolgens kunnen zij via instructies, aanvullende training of toegang tot gecontroleerde bronnen worden toegespitst op een bepaalde toepassing.

Twee nuances zijn hierbij belangrijk.

Ten eerste leert een model geen financiële waarheid. Het leert statistische samenhang in de gegevens waarop het is getraind of die het als context ontvangt. Als historische boekingen inconsistent zijn, kan een model die inconsistentie overnemen. Als uitzonderingen in het verleden verkeerd zijn afgehandeld, worden die uitkomsten niet correct doordat een model er een patroon in herkent.

Ten tweede blijft een model na ingebruikname niet vanzelf leren. Sommige AI-systemen kunnen adaptief worden ingericht, maar veel modellen veranderen pas wanneer zij bewust opnieuw worden getraind, aangepast of vervangen. Feedback verzamelen en een model automatisch laten veranderen zijn twee verschillende zaken. In een gecontroleerde financeomgeving is dat onderscheid essentieel.

Vijf vormen van AI-output binnen finance

De technische varianten van AI zijn talrijk. Vanuit het financiële proces zijn vijf soorten output te onderscheiden.

1. Herkennen en structureren

AI kan informatie herkennen in documenten en berichten waarvan de vorm varieert. Denk aan het onderscheiden van documenttypen, het herkennen van velden en regels of het interpreteren van tekstuele omschrijvingen.

Hiermee wordt ongestructureerde of semigestructureerde input omgezet naar gegevens waarmee een proces verder kan werken. Het resultaat is niet noodzakelijk meteen juist of volledig. Het is een interpretatie van de bron, die kan worden getoetst aan controles zoals totalen, verplichte velden, stamgegevens en toegestane waarden.

2. Classificeren

Een classificatiemodel deelt informatie in een vooraf bepaalde categorie in. Het kan een documentsoort, transactietype, reden voor een dispuut of passende boekingscategorie voorstellen.

Klassieke automatisering gebruikt hiervoor vaak woordenlijsten en beslisbomen: als een omschrijving een bepaalde term bevat, kies dan categorie X. AI kan meer kenmerken tegelijk wegen en ook overeenkomsten herkennen wanneer de formulering afwijkt. Daardoor hoeft niet voor iedere schrijfwijze of combinatie een nieuwe regel te worden toegevoegd.

3. Rangschikken en matchen

Niet iedere vraag heeft één onmiddellijk herkenbaar antwoord. Bij afletteren kunnen meerdere openstaande posten een mogelijke relatie hebben met een ontvangen betaling. Bij factuurverwerking kunnen verschillende bestellingen of ontvangstregistraties als kandidaat naar voren komen.

AI kan kandidaten rangschikken op waarschijnlijkheid. De waarde zit dan niet alleen in een automatische match, maar ook in het verkleinen en ordenen van de zoekruimte. Een financiële controle kan vervolgens vaststellen of bedragen, valuta, entiteiten en openstaande saldi daadwerkelijk aansluiten.

4. Voorspellen en signaleren

Voorspellende modellen gebruiken historische patronen en actuele kenmerken om een toekomstige uitkomst of risico in te schatten. Ook kunnen zij signaleren dat een transactie, ontwikkeling of combinatie van kenmerken afwijkt van wat gebruikelijk is.

Een voorspelling is geen vaststelling. Zij beschrijft een waarschijnlijkheid onder bepaalde aannames. Een afwijking is evenmin automatisch een fout of fraudegeval. Het is een waarneming die nader onderzoek of een andere procesroute kan rechtvaardigen.

5. Genereren en samenvatten

Generatieve AI kan financiële en transactionele informatie vertalen naar tekst. Het kan berichten samenvatten, informatie uit documenten bijeenbrengen, een antwoord voorbereiden of een eerste toelichting op cijfers formuleren.

Dat verandert vooral de omgang met taal. Waar traditionele finance automation sterk is in velden, codes en bedragen, kan generatieve AI ook werken met de communicatie en toelichting eromheen.

Een taalmodel is echter geen grootboek, rekenmachine of gezaghebbende gegevensbron. Exacte bedragen, boekingen en controles moeten afkomstig blijven uit de onderliggende administratie en deterministische berekeningen. Generatieve AI kan die informatie toegankelijk maken of toelichten, maar mag haar niet vrij reconstrueren.

De waarschijnlijkste uitkomst is niet vanzelf de juiste

Bij een vaste procesregel kan worden nagegaan welke conditie tot welke actie heeft geleid. Bij AI ligt dat anders. De uitkomst is gebaseerd op een model dat relaties in data heeft geleerd en die toepast op nieuwe input.

Voorspellende modellen kunnen bij een uitkomst een score geven. Zo’n score kan worden gebruikt om verschillende procesroutes in te richten: een hoog gewaardeerde match kan automatisch verder worden gecontroleerd, een minder zekere match kan als voorstel worden getoond en een lage score kan leiden tot een andere behandeling.

Een modelscore is echter niet hetzelfde als feitelijke juistheid. De betekenis ervan hangt af van de manier waarop het model is ontwikkeld en getest. Ook kunnen fouttypen verschillende gevolgen hebben. Een gemiste afwijking is iets anders dan een onschuldige transactie die ten onrechte als afwijkend wordt aangemerkt. Alleen een gemiddeld nauwkeurigheidspercentage zegt daarom weinig over de bruikbaarheid in het proces.

Bij generatieve AI is de onzekerheid nog minder zichtbaar. Goed geformuleerde tekst kan overtuigend klinken, ook als delen ervan onjuist zijn. NIST gebruikt hiervoor de term confabulation: foutieve inhoud die zelfverzekerd wordt gepresenteerd. Toegang tot gecontroleerde broninformatie en aanvullende controles kan dit risico beperken, maar niet principieel opheffen.

AI levert dus niet alleen een nieuwe mogelijkheid op, maar ook een nieuw soort uitval. Klassieke automatisering loopt zichtbaar vast wanneer geen regel van toepassing is. AI kan wél een uitkomst produceren wanneer de onderbouwing onvoldoende is. Binnen finance is een plausibel antwoord daarom niet genoeg.

Context zit niet vanzelf in het model

AI wordt vaak contextgevoelig genoemd. Dat betekent niet dat een model automatisch over alle relevante bedrijfscontext beschikt.

Voor een financiële beoordeling kunnen onder meer de actuele leveranciers- en klantgegevens, het rekeningschema, een bestelling, ontvangstinformatie, openstaande posten, contractafspraken, bevoegdheden en fiscale regels relevant zijn. Een algemeen model kent die informatie niet, en historische trainingsdata hoeft niet meer overeen te komen met de actuele situatie.

Een bruikbare AI-toepassing moet daarom de juiste context op het juiste moment beschikbaar krijgen. Die context kan komen uit de actuele transactie, gecontroleerde bedrijfsgegevens, relevante brondocumenten en expliciete procesinstructies. Daarbij moet helder blijven welk onderdeel uit de bron afkomstig is, welk onderdeel door het model is afgeleid en welke regel uiteindelijk de procesactie bepaalt.

Dat is een fundamenteel verschil tussen een losse AI-assistent en AI als onderdeel van finance automation. Een assistent kan een antwoord formuleren. Een financiële toepassing moet het antwoord kunnen verbinden aan de transactie, de bron, de toegestane handeling en de registratie daarvan.

Van modeloutput naar gecontroleerde procesactie

Een AI-model verwerkt nog geen factuur, boekt geen betaling en sluit geen periode af. Het produceert een uitkomst die binnen een proces moet worden gebruikt.

Daarvoor zijn verschillende lagen nodig:

1. Bronnen leveren de feiten.
   Documenten, transacties en gecontroleerde bedrijfsgegevens vormen de input.
2. AI leidt een uitkomst af.
   Het model herkent, classificeert, rangschikt, voorspelt of genereert.
3. Vaste controles toetsen de uitkomst.
   Bedragen, verplichte gegevens, toleranties, bevoegdheden en bedrijfsregels worden deterministisch gecontroleerd waar dat mogelijk is.
4. De workflow bepaalt de vervolgstap.
   De uitkomst en controles worden vertaald naar een taak, voorstel, goedkeuring of toegestane automatische actie.
5. De uitvoering wordt vastgelegd.
   Een integratie, financieel systeem of RPA-robot voert de handeling uit en registreert wat er is gebeurd.

Hiermee ontstaat het samenspel dat in het eerste artikel als intelligent automation is beschreven. AI verzorgt de interpretatie, maar het proces bepaalt hoe die interpretatie mag doorwerken.

Dat principe voorkomt twee tegengestelde fouten. Aan de ene kant kan een organisatie AI beperken tot een losse assistent die wel antwoorden geeft, maar niets structureel aan het proces verandert. Aan de andere kant kan zij een waarschijnlijk modelantwoord behandelen alsof het een harde procesregel is. In het eerste geval blijft de automatiseringswaarde beperkt; in het tweede geval verdwijnt noodzakelijke controle.

AI verandert de uitzonderingsstroom

Veel financeprocessen kennen een rechte standaardroute en een brede verzameling uitzonderingen. Een factuur met de juiste gegevens, een geldige bestelling en een sluitende ontvangst kan automatisch worden verwerkt. Het werk ontstaat wanneer een referentie ontbreekt, een omschrijving afwijkt, meerdere transacties op elkaar lijken of verschillende bronnen elkaar tegenspreken.

Klassieke automatisering probeert deze variatie op te vangen met meer regels en beslispaden. Dat werkt zolang de situaties voldoende voorspelbaar en afgrensbaar zijn. Op een bepaald moment wordt het regelstelsel echter ingewikkelder, terwijl nieuwe varianten uitval blijven veroorzaken.

AI kan de grens tussen standaard en uitzondering verleggen. Het kan een afwijkende omschrijving toch classificeren, kandidaten voor een ontbrekende relatie rangschikken of ongestructureerde communicatie bij de juiste processtap betrekken. Een deel van de uitval kan daardoor opnieuw een gecontroleerde stroom worden.

Dat betekent niet dat de uitzonderingsstroom verdwijnt. Naarmate eenvoudige gevallen automatisch worden verwerkt, bestaat het resterende werk relatief vaker uit conflicterende, nieuwe of risicovolle situaties. Een hoger automatiseringspercentage kan dus samengaan met inhoudelijk complexer werk voor de financeprofessional.

De kwaliteit van AI in finance moet daarom niet alleen worden beoordeeld op hoeveel transacties een model van een uitkomst voorziet. Relevant is vooral welke fouten worden voorkomen, welke nieuwe fouten kunnen ontstaan en hoe de modeluitkomst de totale processtroom beïnvloedt.

Gestructureerde data blijft beter dan geïnterpreteerde data

AI kan veel variatie in documenten en berichten verwerken. Dat maakt gestructureerde gegevensuitwisseling niet minder belangrijk.

Een gestructureerde e-factuur bevat gegevens in een machineleesbaar formaat en kan rechtstreeks in een financieel proces worden geïmporteerd. De betekenis en het gebruik van velden zijn vastgelegd in een semantisch model en bijbehorende bedrijfsregels. Bij een pdf of vrije tekst moet software eerst afleiden waar een gegeven staat en wat het betekent.

Wanneer betrouwbare, gestandaardiseerde data aan de bron beschikbaar kan zijn, is het onlogisch om die structuur te vervangen door een waarschijnlijkheidsmodel. AI is waardevol voor de variatie die niet vooraf kan worden weggenomen. Het is geen argument om documentuitwisseling, stamgegevens of procesafspraken minder zorgvuldig in te richten.

Dit levert een belangrijk ontwerpprincipe op:

Structureer wat structureerbaar is, leg vast wat controleerbaar is en gebruik AI voor de context die niet doelmatig in vaste regels kan worden gevangen.

AI binnen the Office of the CFO

De rol van AI verschilt per laag van the Office of the CFO.

Documents & Data

Aan de basis kan AI documenten en berichten herkennen, classificeren en structureren. Ook kan het helpen bij validatie door ongewone combinaties of ontbrekende samenhang te signaleren. De betrouwbare uitwisseling en vastlegging van brondata blijft hier leidend. AI vult ontbrekende structuur aan; het vervangt een eenduidige transactiestandaard niet.

Spend & Revenue

Binnen Purchase to Pay en Order to Cash kan AI voorstellen doen voor codering, mogelijke relaties tussen transacties rangschikken, betaal- en leveringspatronen herkennen en berichten interpreteren. De grootste bijdrage ligt bij situaties waarin meerdere contextsignalen moeten worden gecombineerd en vaste regels te veel varianten zouden vereisen.

Planning & Control

Binnen Financial & Business Control kan AI patronen, afwijkingen en verwachte ontwikkelingen herkennen. Generatieve AI kan daarnaast helpen om informatie te bevragen, samen te vatten en in tekst toe te lichten. De kwaliteit van die output blijft afhankelijk van de volledigheid, actualiteit en betekenis van de onderliggende data.

Over deze drie lagen heen verandert AI de positie van finance automation. Automatisering verwerkt niet alleen transacties volgens vaste routes, maar kan ook waarschijnlijkheden en context gebruiken om de route te ondersteunen. Daarmee ontstaat meer ruimte voor intelligente processturing, zolang feiten, interpretaties en beslissingen niet met elkaar worden verward.

Performance, compliance en intelligence

AI beïnvloedt de drie doelen van finance automation ieder op een andere manier.

Performance verbetert wanneer AI variatie kan verwerken die anders handwerk of uitval veroorzaakt. Niet alleen de voorspelbare standaardhandeling, maar ook een deel van de interpretatie eromheen kan worden ondersteund. Het relevante resultaat is daarbij niet de snelheid van het model, maar de doorstroming van het volledige proces.

Compliance vraagt om meer nuance. AI kan afwijkingen signaleren, documenten controleren en relevante informatie bijeenbrengen. Maar een afgeleide uitkomst vormt op zichzelf geen bewijs dat een transactie correct, toegestaan of volgens beleid is verwerkt. Compliance blijft afhankelijk van betrouwbare brongegevens, expliciete normen, herleidbare controles en vastgelegde verantwoordelijkheid.

Intelligence is waar AI de mogelijkheden het duidelijkst verbreedt. Modellen kunnen samenhang herkennen in grotere hoeveelheden transactionele en tekstuele informatie, ontwikkelingen voorspellen en informatie toegankelijker maken. Finance kan daardoor niet alleen zien wat er is verwerkt, maar eerder herkennen wat afwijkt, wat waarschijnlijk volgt en waar aandacht nodig is.

De drie doelen moeten in balans blijven. Meer automatische interpretatie kan de performance verhogen, maar zonder controle ook nieuwe onzekerheid introduceren. Meer data levert niet automatisch intelligence op wanneer definities of bronnen niet betrouwbaar zijn. En een uitgebreid controlesysteem is niet effectief als niemand meer begrijpt hoe de uitkomsten in het proces worden gebruikt.

Wat AI niet oplost

AI kan een onduidelijk proces soms soepel laten lijken. Een model vindt toch een classificatie, genereert toch een antwoord of stelt toch een vervolgstap voor. Daarmee kan onderliggende procesrommel minder zichtbaar worden zonder dat zij verdwijnt.

AI lost de volgende problemen niet zelfstandig op:

• onbetrouwbare of tegenstrijdige brongegevens;
• onduidelijke procesverantwoordelijkheid;
• inconsistente financiële definities;
• ontbrekende bestel-, ontvangst- of contractinformatie;
• beleid dat niet eenduidig is vastgesteld;
• gebrekkige integratie en registratie;
• onvoldoende inzicht in de gevolgen van een fout.

Een model kan patronen afleiden uit het verleden, maar niet bepalen welk beleid een organisatie zou moeten voeren. Het kan een waarschijnlijke boeking voorstellen, maar niet zelfstandig vaststellen welk risico acceptabel is. Het kan een toelichting genereren, maar geen ontbrekende financiële werkelijkheid creëren.

Juist omdat AI overtuigende output kan produceren, wordt de kwaliteit van de basis belangrijker. Slechte data beperkt niet alleen de uitkomst; AI kan fouten ook sneller en minder zichtbaar door een proces verspreiden.

Van automatische verwerking naar intelligente processturing

De werkelijke betekenis van AI in finance ligt niet in een financiële chatbot of een afzonderlijk voorspelmodel. Zij ligt in het vermogen om interpretatie onderdeel te maken van een gecontroleerde processtroom.

Klassieke automatisering blijft de ruggengraat: gegevens uitwisselen, totalen berekenen, rechten controleren, taken routeren en transacties vastleggen. AI vergroot vervolgens het bereik van die automatisering. Het kan informatie verwerken die varieert, verbanden inschatten die niet volledig zijn uitgeschreven en tekst gebruiken die voor traditionele software moeilijk toegankelijk is.

De combinatie levert een andere vorm van finance automation op:

• regels leggen vast wat zeker en verplicht is;
• AI leidt af wat waarschijnlijk en relevant is;
• workflows bepalen hoe die uitkomst mag worden gebruikt;
• financiële systemen bewaren de feiten en voeren toegestane transacties uit;
• mensen dragen verantwoordelijkheid waar beoordeling en professioneel oordeel nodig zijn.

AI vervangt dus niet de basis van finance automation. Het maakt die basis bruikbaar voor een groter en minder voorspelbaar deel van de werkelijkheid.

De kern kan in één zin worden samengevat:

AI maakt het mogelijk om financiële processen niet alleen volgens regels uit te voeren, maar ook context te interpreteren, zonder dat een waarschijnlijke uitkomst daarmee een financieel feit wordt.

Hoe organisaties die probabilistische technologie beheersbaar, uitlegbaar en controleerbaar inzetten, komt aan bod in het volgende artikel: AI onder controle.