Vena & Claude: van een FP&A- tooling -team naar een AI-financeteam

Waar blijft die week voor een bestuursvergadering toch?

Vraag de meeste finance-teams waar vorige week naartoe ging, en het eerlijke antwoord is: spreadsheets. Iemand haalt de salesforecast uit het ene bestand, het headcountplan uit een tweede en een valutaveronderstelling uit een derde. Daarna gaat een middag op aan controleren of die drie kloppen met elkaar en met wat er vorige maand is gebeurd.

Ergens in dat proces klopt een getal niet meer. Niemand weet nog precies waarom. De maker van dat tabblad is deze week met verlof, dus het bestand blijft liggen, of iemand bouwt de logica uit zijn hoofd na.

Wat er na het controleren en afstemmen aan tijd overblijft, gaat naar oordeelsvorming: klopt dit getal nog, wat is er in de markt veranderd, wat moet het bestuur horen? Meestal is dat een uur, terwijl de beslissing een dag verdient.

Sneller rapporteren gaf finance niet meer invloed. Hoe komt dat?

Financiële teams hebben de afgelopen jaren een aanzienlijk deel van hun budget besteed aan het versnellen van de rapportage. De maandafsluiting, die vroeger drie weken in beslag nam, kost nu nog maar één week. Dashboards worden ’s nachts bijgewerkt in plaats van volgens een handmatig schema. Dit alles heeft echter niets veranderd aan het onderliggende probleem: het samenstellen van de gegevens is niet verdwenen, en het team dat dit werk doet, heeft er minder tijd voor.

De oorzaak ligt in waar de cijfers staan. Een forecast die in één spreadsheet is gebouwd en naar een presentatie is geëxporteerd, klopt op het moment van exporteren en een uur later al minder, zodra iemand een aanname in het bronbestand aanpast. Elke export is een momentopname van een getal dat allang weer beweegt.

Die kloof valt het meest op op het moment waar niemand op rekent: het bestuur vraagt wat er gebeurt als een productlancering een maand opschuift, een vraag die niemand in het model van vorige week heeft meegenomen. Tegen de tijd dat finance een goed antwoord heeft berekend, is de vergadering voorbij en is de beslissing zonder dat antwoord genomen.

Wat moet er veranderen voordat AI hier iets toevoegt?

Een AI-assistent schrijft stellige zinnen over bijna alles, ook over een getal dat drie weken oud is. Iedereen kijkt naar de chatbot. Of je het antwoord kunt vertrouwen, hangt af van wat eronder ligt: één actuele versie van elk getal, een logboek van wie wat heeft gewijzigd en regels over wie welke cijfers mag zien. Zet je een AI-assistent op een map met spreadsheets, dan bestaat niets daarvan. Zet je hem op een systeem dat de cijfers op één plek bewaart, dan wel.

Finext implementeert Vena, een planningsplatform dat de begrotings- en forecastcijfers van een bedrijf in één gekoppeld systeem bewaart, met die regels al ingebouwd. Staan de cijfers daar eenmaal, dan is AI nuttig voor twee aparte klussen. De eerste is de forecast zelf maken: de cijfers invullen voordat iemand ze hoeft te typen. De tweede is vragen beantwoorden over cijfers die al bestaan, het soort vraag dat een bestuur zonder waarschuwing stelt. Daar horen verschillende tools bij, en elk verdient een eigen blik.

Kan een model de eerste versie van je forecast schrijven?

Volgend jaar voorspellen op basis van historische patronen is geen nieuw idee. Twee of drie jaar eigen cijfers lezen, het patroon vinden en de cijfers voor volgend jaar voorstellen voordat iemand een leeg template opent, in de volksmond predictive forecasting, bestaat al tientallen jaren. Lange tijd was rekenkracht de beperking, en die beperking is al jaren weg. Niemand hoeft de jaarbegroting dus nog met een leeg blad te beginnen. Een model leest je historie, stelt voor elke regel een startgetal voor en je team stuurt dat bij.

Het model is sterk op precies de regels die je verwacht: kosten die elk jaar volgens een voorspelbaar patroon terugkomen, zoals softwarelicenties en kantoorartikelen. Wat nog nooit is gebeurd, kent het niet, zoals een overname of een klant die op het punt staat te vertrekken, want dat staat niet in drie jaar historie. Juist die getallen verdienen de volle aandacht van een mens, omdat een model daar niet bij kan helpen.

Vraag afdelingshoofden hun eigen budget vanaf nul te bouwen, en hun prikkel is het grootste bedrag dat ze kunnen verdedigen, niet het meest accurate. Geef ze in plaats daarvan het voorstel van een model en vraag om uitleg bij elke wijziging, en het gesprek verschuift: ze bouwen geen pleidooi meer voor meer, maar verdedigen een specifieke aanpassing van een specifiek getal.

Wat gebeurde er toen een model het opnam tegen ervaren planners?

Finext draaide een pilot voor een wereldwijd farmaceutisch bedrijf dat de vraag voorspelt voor tienduizenden afzonderlijke producten in tientallen markten. Op die schaal kan geen team elk product evenveel aandacht geven. De test was daarom simpel: maak een statistische forecast voor dezelfde producten die de eigen planners van het bedrijf al met de hand voorspelden, en vergelijk de twee.

Het model versloeg de menselijke forecast bij meer dan de helft van de geteste producten. Bij de rest waren de planners beter.

Die verdeling is de echte uitkomst. De machine wint de lange staart: duizenden reeksen waarbij het alternatief vaak een vuistregel is, omdat niemand tijd heeft om ze stuk voor stuk te bekijken. De planner wint op context: een klant die in Q3 vertrekt, een uitgestelde lancering of een prijsverlaging van een concurrent staat niet in de historie. Het werkmodel is daarom eerst de machine, dan de mens. Het model produceert, en de planner beoordeelt en overschrijft waar de context het antwoord verandert.

Kun je je eigen cijfers een vraag stellen en het antwoord vertrouwen?

Plak een spreadsheetexport in een AI-assistent en stel een vraag, en het antwoord komt stellig, met cijfers die op het moment van exporteren al verouderd waren en zonder dat je kunt nagaan of ze nog kloppen.

Het alternatief is een directe koppeling tussen de AI-assistent en de live cijfers zelf. Model Context Protocol, kortweg MCP, is een open standaard die werkt als USB-C voor AI: je stelt een vraag in gewone taal, MCP stuurt die door naar het beheerde Vena-model en je krijgt live data terug in plaats van een verouderde export. Zo kan een organisatie ook de AI-tool blijven gebruiken die ze al heeft gekozen, of dat nu Claude, ChatGPT, Copilot of Gemini is.

Drie dingen maken dat veilig. Ten eerste blijven de systeemrechten van de gebruiker gelden: heeft een controller vandaag geen toegang tot Duitsland of mag die er niets wijzigen, dan geldt dat ook voor zijn AI. Ten tweede komt elke herziene forecast in het beheerde model terecht, bij voorkeur in een apart scenario, en niet in een werkboek op iemands laptop. Ten derde heeft elke terugschrijving een audit trail die laat zien wie wat wanneer heeft gewijzigd, van welke waarde naar welke waarde, met de mogelijkheid om het terug te draaien.

Je team kan dezelfde koppeling gebruiken voor het probleem van eerder in dit artikel. Elk regionaal team schrijft opmerkingen bij de eigen cijfers, vaak in de eigen taal, en iemand moet alles nog lezen en de samenvatting schrijven die het bestuur te zien krijgt. Met deze koppeling schrijft een AI-assistent die samenvatting in minuten, in één taal, met een spoor terug naar de oorspronkelijke opmerkingen.

Wat moet er kloppen voordat dit voor jou werkt?

Niets hiervan werkt als je cijfers nog in een map met spreadsheets staan die mensen per mail doorsturen. Het startpunt is één systeem dat de actuele cijfers bewaart, bijhoudt wie wat heeft gewijzigd en weet wie welke cijfers mag zien.

De tweede voorwaarde is dat een mens de uitkomst van het model controleert voordat die in de buurt van een bestuurspresentatie komt. Een forecast die niemand beoordeelt, wordt over twee jaar een systeem dat niemand kan uitleggen als iemand er een lastige vraag over stelt. Het model doet een voorstel, een mens tekent af.

Werkt je team vandaag nog met spreadsheets, dan is dat het eerlijke startpunt. Een gekoppeld systeem bouwen is op eigen kracht al de moeite waard, nog voordat AI ter sprake komt: het verdient zichzelf terug in minder tijd aan afstemmen, ook als niemand er ooit een vraag aan stelt.

Daarna is de volgorde kort: breng de cijfers op één plek, bepaal wie wat mag zien en koppel pas dan een AI-assistent. Teams die de eerste stap overslaan, automatiseren het afstemprobleem in plaats van het op te lossen.

Steef Houtekamer laat dit allemaal op het scherm zien: hij bouwt een forecastregel, koppelt Claude aan live cijfers en zet opmerkingen van planners in drie talen om in één samenvatting.

Frequently asked questions

Wat is voorspellende prognose?

Bij predictive forecasting leest een computermodel meerdere jaren van je eigen historische cijfers en stelt het automatisch de cijfers voor volgend jaar voor, voordat iemand met de hand een forecast bouwt. Het werkt vooral goed voor kosten- en omzetregels die elk jaar hetzelfde patroon volgen. Voor alles wat nog niet eerder is gebeurd, vervangt het je eigen oordeel niet.

Vervangt dit ons finance-team?

Nee. Een model kan op basis van historie een startgetal voorstellen, maar weet niets van een overname, een nieuw product of een klant die op het punt staat te vertrekken, omdat dat niet in eerdere data staat. Die beslissingen vragen nog steeds om een mens, en iemand moet elk getal dat het model voorstelt controleren voordat het wordt gebruikt.<br>

Komen onze gegevens in een AI-model terecht?

Dat hangt af van hoe je koppelt. Een directe koppeling tussen een AI-assistent en je live cijfers, zoals in dit artikel beschreven, respecteert je bestaande rechten: kun je een cijfer vandaag niet inzien in je systeem, dan verandert een AI-koppeling daar niets aan. Vraag je leverancier precies hoe hun opzet hiermee omgaat voordat je iets koppelt. Voor strikt gegevensbeleid bieden lokale modellen en beheerde modellen in Europa een oplossing.

Wat moeten we regelen voordat we dit kunnen doen?

Eén systeem met je actuele cijfers, in plaats van een map met spreadsheets die van hand tot hand gaat. Een logboek van wie wat heeft gewijzigd. En duidelijke regels over wie welke cijfers mag zien. Zonder dat fundament heeft een AI-assistent niets betrouwbaars om mee te werken, hoe capabel het model ook is.

Hoe lang duurt het om zoiets op te zetten?

Dat hangt bijna helemaal af van waar je cijfers nu staan. Een team met al één gekoppeld planningssysteem kan binnen een paar weken een AI-koppeling toevoegen. Een team dat nog met losse spreadsheets werkt, moet eerst dat fundament leggen, en dat kost meer tijd dan het AI-deel ooit zal doen. Neem gerust contact met ons op voor een volwassenheidsscan, waarmee we samen bepalen waar jouw organisatie nu staat.