Tussen performance en financiële integriteit

Intelligent Finance Automation gebruikt AI om meer variatie en uitzonderingen te verwerken, maar bouwt daarbij voort op een deterministische en onvervalste financiële gegevensbasis.

Automatisering heeft finance veel gebracht. Berekeningen verlopen sneller, controles worden consequenter uitgevoerd en grote aantallen transacties kunnen zonder handmatige verwerking door systemen stromen. Toch heeft klassieke automatisering niet alleen winst opgeleverd. Meer automatisering betekent niet vanzelf dat de hoeveelheid werk evenredig afneemt.

Naarmate de standaardstroom verder wordt geautomatiseerd, verschuift het resterende werk naar uitzonderingen, ontbrekende gegevens, correcties en situaties die niet precies binnen de ingerichte logica passen. Medewerkers verwerken dan minder transacties met de hand, maar besteden meer tijd aan het bewaken van workflows, het verklaren van uitval en het herstellen van gevallen waarin systemen vastlopen. Iedere nieuwe schrijfwijze, afwijking of procesvariant kan weer om een extra regel, tolerantie of beslispad vragen. Dat is de automatiseringsparadox: automatisering neemt werk weg, maar kan ook nieuw systeem- en uitzonderingswerk creëren.

Een factuur met een herkenbaar ordernummer, een exact bedrag en een geregistreerde goederenontvangst kan grotendeels automatisch worden verwerkt. Vaste controles stellen vast of de gegevens kloppen en of de factuur binnen de toegestane toleranties valt. Maar wat gebeurt er wanneer een leverancier een afwijkende omschrijving gebruikt, factuurregels niet exact aansluiten op orderregels, een klant meerdere openstaande facturen in één bedrag betaalt of een e-mail tegelijk een betalingsvraag en een dispuut bevat?

Klassieke automatisering volgt in zulke situaties de regels die vooraf voor de ontvangen input zijn vastgelegd. AI kan de situatie en haar context interpreteren, mogelijke relaties herkennen en een waarschijnlijke uitkomst voorstellen. Daardoor lijkt intelligente automatisering een antwoord te kunnen bieden op een belangrijk deel van de paradox: niet iedere variant hoeft meer vooraf in afzonderlijke regels te worden gevangen.

Daar staat een nieuw risico tegenover. AI kan onvolledige of inconsistente gegevens overtuigend interpreteren en daarmee de indruk wekken dat het onderliggende dataprobleem is opgelost. Dat kan de performance verhogen, maar tegelijk compliance, governance en data-integriteit onder druk zetten. Onder de probabilistische interpretatielaag moet daarom altijd een deterministische financiële werkelijkheid herkenbaar blijven: wat oorspronkelijk is ontvangen of geregistreerd, waar het vandaan kwam, hoe het is verwerkt en wat uiteindelijk is geboekt.

Van klassieke naar intelligente automatisering

Finance wordt al decennialang geautomatiseerd. ERP-systemen voeren berekeningen en boekingen uit. Integraties en transactienetwerken wisselen gegevens uit. Workflows sturen taken naar de juiste medewerker en dwingen goedkeuringsroutes af. RPA bedient applicaties waarin rechtstreekse koppelingen ontbreken.

Deze vormen van automatisering werken met vooraf beschreven logica. Als een veld ontbreekt, een bedrag een grens overschrijdt of een factuur niet binnen de tolerantie valt, volgt een vastgestelde actie. Onder dezelfde omstandigheden leidt dezelfde logica tot dezelfde uitkomst. Dat maakt klassieke automatisering snel, consistent en goed controleerbaar.

De beperking ontstaat wanneer de werkelijkheid meer variatie bevat dan doelmatig in regels kan worden vastgelegd. Dezelfde kosten kunnen op verschillende manieren worden omschreven. Een factuurnummer kan in een betaalreferentie onvolledig zijn overgenomen. Een leverancier kan één e-mail voor meerdere verzoeken gebruiken. Klassieke automatisering beoordeelt die input niet vanuit een breder begrip van de situatie, maar volgt de logica die voor de aangetroffen waarden is vastgelegd. Om iedere variant alsnog af te handelen, ontstaan steeds meer woordenlijsten, toleranties, uitzonderingsregels en beslispaden. Wat niet past, valt uit naar handmatige verwerking.

AI benadert zo’n vraag anders. Een model kan uit voorbeelden, data en context afleiden welke betekenis, categorie of relatie waarschijnlijk past, zonder dat iedere inhoudelijke combinatie vooraf als afzonderlijke regel is geprogrammeerd. Het kan bijvoorbeeld herkennen dat verschillende formuleringen naar dezelfde vraag verwijzen of rangschikken welke openstaande posten het waarschijnlijkst bij een betaling horen. Precies daar kan AI de performance sterk verhogen: niet door regels sneller uit te voeren, maar door meer van de variatie en uitval te interpreteren die buiten die regels terechtkomt.

Daarmee is AI niet simpelweg een slimmere versie van RPA, en intelligente automatisering geen nieuwe technologie die bestaande automatisering vervangt. De technieken vervullen verschillende rollen:

• klassieke regels toetsen wat expliciet is vastgelegd;
• AI interpreteert wat niet volledig vooraf is te beschrijven;
• workflows bepalen welke route en bevoegdheden bij de uitkomst horen;
• integraties en RPA voeren toegestane handelingen uit;
• financiële systemen registreren de definitieve feiten.

Intelligente automatisering ontstaat wanneer deze onderdelen als één proces samenwerken. De verdieping RPA, AI en hyperautomation gaat uitgebreider in op de verschillende technieken en hun onderlinge rol.

Klassieke automatisering voert uit wat vooraf is vastgelegd. AI helpt bepalen wat informatie waarschijnlijk betekent.

Hoe AI eigenlijk werkt

AI is een brede verzamelnaam. Niet ieder AI-model voorspelt het volgende woord. Een classificatiemodel kan voorspellen tot welke categorie een e-mail behoort. Een matchingmodel kan mogelijke relaties tussen een betaling en openstaande posten rangschikken. Een voorspellend model kan de kans op te late betaling inschatten. Een anomaliedetectiemodel kan signaleren welke transactie afwijkt van een gebruikelijk patroon.

Deze modellen hebben gemeen dat zij uit input afleiden welke output waarschijnlijk past. Dat vermogen tot afleiden, of infereren, vormt ook in de Europese AI Act een belangrijk onderscheid met software die uitsluitend door mensen vastgelegde regels uitvoert. De output kan een voorspelling, aanbeveling, beslissing of gegenereerde inhoud zijn.

Bij generatieve AI draait het vaak om een groot taalmodel. Zo’n model verwerkt tekst in tokens: woorden, woorddelen, leestekens en andere kleine teksteenheden. Het genereert een antwoord door steeds te voorspellen welk volgend token waarschijnlijk past bij de voorafgaande tokens en de beschikbare context. Door die stap telkens te herhalen ontstaat een zin, samenvatting, toelichting of volledig antwoord.

Dat klinkt eenvoudiger dan het in de praktijk is. Tijdens de training leert een taalmodel complexe patronen en relaties uit zeer grote hoeveelheden tekst. Instructies, aanvullende bedrijfsinformatie en toegang tot hulpmiddelen kunnen de context verder verrijken. Daardoor kan het model relevante informatie combineren en teksten produceren die inhoudelijk sterk en specifiek zijn.

Toch blijft een fundamenteel onderscheid bestaan. Het model stelt niet eerst onafhankelijk vast wat waar is om dat feit vervolgens te formuleren. Het genereert de inhoud die op basis van zijn patronen en context waarschijnlijk past. Een vloeiende en overtuigende tekst kan daardoor juist zijn, maar ook een verkeerde waarde, niet-bestaande bron of te stellige verklaring bevatten. NIST noemt zulke zelfverzekerd gepresenteerde onjuistheden confabulations.

Ook een score van een voorspellend model is geen financieel feit. Een hoge waarschijnlijkheid voor een grootboekrekening betekent niet dat de boeking volgens het actuele rekeningschema is toegestaan. Een waarschijnlijke match bewijst niet dat een betaling werkelijk voor die facturen bedoeld was. De betekenis van een score hangt bovendien af van de gebruikte data, de testmethode en de omstandigheden waarin het model wordt toegepast.

AI kan dus veel kennis en context benutten, maar de waarschijnlijkste uitkomst is niet automatisch de juiste. Meer over de verschillende soorten modellen, leerdata, context en AI-output staat in AI in finance.

De gecombineerde automatiseringsketen

Een AI-model verwerkt op zichzelf geen factuur, betaling of rapportage. Het levert een uitkomst die een gecontroleerde procesketen moet kunnen gebruiken.

1. Bronnen leveren de input. Documenten, berichten, transacties en bedrijfsgegevens vormen de feitelijke basis. Ook onvolledige of inconsistente brondata blijven herkenbaar als oorspronkelijk ontvangen of geregistreerde informatie.
2. Herkenning maakt informatie bruikbaar. OCR leest tekst uit beeldbronnen; Intelligent Document Processing classificeert en structureert minder voorspelbare documenten.
3. AI interpreteert. Een model herkent, classificeert, rangschikt, voorspelt, genereert of doet een voorstel.
4. Vaste controles begrenzen de uitkomst. Bedragen, statussen, toleranties, stamgegevens, bevoegdheden en wettelijke voorwaarden worden reproduceerbaar getoetst.
5. De workflow bepaalt de route. De uitkomst wordt automatisch verwerkt, als voorstel aangeboden, naar een specialist gestuurd of geblokkeerd.
6. Integraties en RPA voeren uit. Zij halen gegevens op, geven opdrachten door of bedienen een bestaand systeem.
7. Het financiële systeem registreert. De definitieve transactie, status en auditinformatie worden vastgelegd.

Menselijke beoordeling kan op verschillende plaatsen nodig zijn: om ontbrekende context toe te voegen, tussen plausibele alternatieven te kiezen of een materiële handeling formeel te autoriseren.

De taakverdeling is daarmee helder:

AI interpreteert, regels begrenzen, workflows regisseren, integraties voeren uit en financiële systemen registreren.

AI onder controle

Controle begint met een helder onderscheid tussen bronfeit, modeluitkomst, procesbesluit en uitgevoerde handeling. Een factuurbedrag uit het financiële systeem is iets anders dan een door AI afgeleide categorie. Een voorspelde categorie is weer iets anders dan de beslissing om een factuur automatisch te boeken.

Daarom heeft iedere toepassing een deterministische financiële basis nodig. Die basis hoeft niet schoon, volledig of fraai ingericht te zijn. Zij moet wel onvervalst en herleidbaar blijven. Vast moet staan wat oorspronkelijk is ontvangen of geregistreerd, uit welke bron het kwam, welke controles en transformaties zijn toegepast, wat AI heeft afgeleid of voorgesteld en wat uiteindelijk als financiële handeling is uitgevoerd.

Een model mag rommelige gegevens gebruiken om een situatie te interpreteren of een afwijking te signaleren. Het mag die gegevensbasis niet zelf normaliseren of de oorspronkelijke financiële werkelijkheid ongemerkt vervangen door een versie die waarschijnlijker of consistenter lijkt. Zodra niet meer zichtbaar is waar een waarde vandaan kwam en waarom zij is gewijzigd, ontstaat een keurige maar niet langer controleerbare werkelijkheid.

Structurele problemen in de financiële gegevensbasis moeten daarom deterministisch worden aangepakt: met standaardformaten, eenduidige definities, stamdatabeheer, vaste mappings, validatieregels en expliciet vastgelegde correcties. Standaardisatie verandert gegevens volgens een vooraf bepaalde en reproduceerbare afspraak. AI leidt een waarschijnlijke betekenis of correctie af. Dat onderscheid is essentieel voor data-integriteit.

De deterministische basis legt bovendien vast welke bronnen gezaghebbend zijn, welke waarden en combinaties zijn toegestaan, wanneer een modeluitkomst mag doorwerken en welke handelingen expliciet zijn uitgesloten. Betrouwbaarheidsgrenzen kunnen onderdeel zijn van die inrichting, maar zijn nooit de enige maatstaf. Ook financiële impact, omkeerbaarheid, nieuwheid, functiescheiding en wettelijke vereisten tellen mee.

Herleidbaarheid is daarbij praktischer dan een algemene belofte van uitlegbaarheid. Achteraf moet kunnen worden gereconstrueerd welke brondata, model- en instructieversie, controles, uitkomst en bevoegdheden tot de handeling hebben geleid. Bij een correctie of incident moet bovendien duidelijk zijn wie eigenaar is van het proces en wie het systeem kan aanpassen of stoppen.

Voor AI-agents geldt dit des te sterker. Een agent kan meerdere stappen plannen en hulpmiddelen gebruiken, maar hoort alleen toegang te krijgen tot de gegevens en acties die voor zijn taak nodig zijn. Een agent kan handelen; verantwoordelijkheid, bevoegdheid en eigenaarschap blijven bij mensen en organisaties.

Het artikel AI onder controle werkt deze inrichting verder uit.

Bouw probabilistische intelligentie boven op een deterministische financiële werkelijkheid, nooit in plaats daarvan.

De mens op het juiste moment

Een medewerker die ieder AI-voorstel moet bevestigen, maakt een proces niet automatisch veiliger. Bij lange reeksen juiste voorstellen dreigt gedachteloos goedkeuren. Zonder toegang tot de bron, voldoende tijd of een mogelijkheid om de uitkomst te wijzigen, is menselijke controle vooral een formele tussenstap.

Menselijke beoordeling is vooral waardevol wanneer informatie onvolledig of tegenstrijdig is, meerdere uitkomsten verdedigbaar zijn, professioneel oordeel nodig is of een handeling grote en moeilijk omkeerbare gevolgen heeft. Ook nieuwe situaties buiten de bekende procesvariatie en beslissingen met juridische of relationele gevolgen vragen eerder om menselijke tussenkomst.

De route mag daarom niet alleen afhangen van de zekerheid van het model. Een hoge score bij een materiële betaling vraagt om andere controle dan dezelfde score bij een eenvoudig te herstellen interne classificatie. Omgekeerd kan een minder zekere, maar onschuldige uitkomst veilig als voorstel worden verwerkt.

Menselijke controle moet zo dicht mogelijk bij het beslissende moment liggen. Soms is dat vóór interpretatie, wanneer eerst een betrouwbare bron moet worden gekozen. Soms is het na een modelvoorstel, wanneer context de keuze tussen alternatieven bepaalt. Bij een materiële actie kan formele autorisatie vlak voor uitvoering nodig zijn. Voor stabiele, automatisch verwerkte stromen kunnen monitoring en gerichte steekproeven zinvoller zijn dan controle van iedere transactie.

De verdieping Human in the loop behandelt hoe zulke interventies betekenisvol worden ingericht.

Menselijke controle is pas werkelijk controle wanneer de mens de uitkomst kan begrijpen, betwisten en veranderen.

Waar begin je?

De beste startvraag is niet waar AI aan een bestaand proces kan worden toegevoegd. Zoek eerst naar een uitzonderingsstroom waarin interpretatie werkelijk het knelpunt vormt.

Een geschikte use case heeft doorgaans:

• voldoende volume en terugkerend handwerk;
• herkenbare patronen, maar te veel variatie voor uitsluitend vaste regels;
• herleidbare brongegevens en representatieve historische voorbeelden;
• een uitkomst waarvan de juistheid later kan worden gecontroleerd;
• duidelijk verschil tussen fouten met beperkte en grote gevolgen;
• vaste grenzen aan wat automatisch mag worden uitgevoerd.

Breng vervolgens eerst de huidige procesuitkomst in beeld. Hoeveel gevallen vallen uit, waarom gebeurt dat, hoeveel tijd kosten zij en welke fouten hebben de grootste gevolgen? Kies daarna precies welke output AI moet leveren: een classificatie, kandidatenlijst, voorspelling, signaal of concepttekst. Definieer afzonderlijk welke controle en bevoegdheid nodig zijn voordat die output tot een actie leidt.

Test niet alleen de gemiddelde nauwkeurigheid van het model. Meet ook gemiste afwijkingen, onnodige uitval, correcties, doorlooptijd, herstelwerk en prestaties bij nieuwe of weinig voorkomende situaties. Een model kan technisch goed scoren en toch weinig proceswaarde leveren, of juist een grote bijdrage leveren door de zoekruimte voor medewerkers sterk te verkleinen.

Gebruik bovendien geen AI om variatie te interpreteren die bij de bron redelijkerwijs kan worden voorkomen. Een gestructureerde e-factuur blijft betrouwbaarder dan een pdf waarvan velden opnieuw moeten worden afgeleid. Eenduidige stamgegevens en vaste validaties blijven beter dan een model dat voortdurend vervuilde varianten probeert te herstellen. AI kan helpen ontdekken waar de gegevensbasis tekortschiet, maar standaardisatie en gecontroleerde correctie moeten dat probleem bij de bron oplossen.

Een bruikbaar ontwerpprincipe is:

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

Waarschijnlijkheden binnen vaste grenzen

Klassieke automatisering blijft de basis van financiële verwerking. Zij verbindt systemen, voert berekeningen uit, past afspraken toe en registreert transacties op een reproduceerbare manier. Tegelijk laat de automatiseringsparadox zien dat vaste logica niet iedere variant doelmatig kan opvangen. Automatisering versnelt dan de standaardstroom, terwijl uitzonderingen, correcties en verklaringswerk zich daarbuiten opstapelen.

AI kan die grens verleggen. Het kan situaties interpreteren die niet exact overeenkomen met vooraf ingerichte regels en daarmee een veel groter deel van de financiële verwerking automatiseren. Daar ligt de grote performancewinst van Intelligent Finance Automation.

Die winst is alleen houdbaar wanneer AI niet zelf de financiële waarheid mag vormen. De oorspronkelijke gegevens, hun herkomst, deterministische transformaties en definitieve boekingen moeten zichtbaar en reproduceerbaar blijven. Onzuivere brondata mogen worden aangepakt, maar dan met standaardisatie, validatie en gecontroleerde correcties—niet met een model dat ongemerkt de waarschijnlijkste werkelijkheid invult.

Intelligent Finance Automation gebruikt probabilistische AI om variatie te interpreteren, boven op een deterministische financiële waarheid die onvervalst en herleidbaar blijft.