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

Waar blijft die week voor een bestuursvergadering toch?

Vraag de meeste financiële teams waar ze vorige week hun tijd aan hebben besteed, en het eerlijke antwoord is: spreadsheets. Iemand haalt de omzetprognose uit het ene bestand, het personeelsplan uit een ander en een valutavoorspelling uit een derde, en is vervolgens een hele middag bezig om ervoor te zorgen dat deze drie met elkaar en met de cijfers van vorige maand overeenkomen.

Ergens in dat proces klopt een getal niet meer. Niemand weet meer precies waarom. De persoon die dat tabblad heeft gemaakt, is deze week met verlof, dus het bestand blijft liggen, of iemand reconstrueert de logica uit het hoofd.

De tijd die overblijft na het controleren en afstemmen wordt besteed aan het vormen van een oordeel: of een cijfer nog steeds klopt, wat er op de markt is veranderd, wat de raad van bestuur moet horen. Meestal is dat een uur per week, terwijl de beslissing eigenlijk een hele dag verdient.

Een snellere rapportage gaf de financiële afdeling niet meer zeggenschap. Waarom niet?

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 reden hiervoor ligt in de aard van de cijfers. Een prognose die in één spreadsheet is opgesteld en naar een presentatie wordt geëxporteerd, is op het moment van exporteren nog nauwkeurig, maar een uur later al minder nauwkeurig, zodra iemand een aanname in het bronbestand wijzigt. Elke export is een momentopname van een cijfer dat al aan verandering onderhevig is.

Die kloof komt het duidelijkst naar voren op het moment waarop niemand rekening mee houdt: wanneer de raad van bestuur vraagt wat er gebeurt als de lancering van een product een maand vertraging oploopt – een vraag die niemand in het model van vorige week had meegenomen. Tegen de tijd dat de financiële afdeling een gedegen antwoord heeft berekend, is de vergadering al voorbij en is de beslissing zonder dat antwoord genomen.

Wat moet er veranderen voordat AI hier van nut kan zijn?

Een AI-assistent kan overtuigende zinnen schrijven over vrijwel alles, inclusief een cijfer dat al drie weken verouderd is. Wat iedereen opvalt, is de chatbot. Wat bepaalt of je het antwoord kan vertrouwen, is wat erachter schuilgaat: één actuele versie van elk cijfer, een overzicht van wie wat heeft gewijzigd, en regels over wie welke cijfers mag inzien. Wijs een AI-assistent naar een map met spreadsheets en niets van dat alles is aanwezig. Wijs hem naar een systeem dat is gebouwd om de cijfers op één plek te bewaren, en dan is het wel aanwezig.

Finext maakt gebruik van Vena, een planningsplatform dat de begrotings- en prognosecijfers van een bedrijf in één geïntegreerd systeem samenbrengt, waarbij de regels al zijn ingebouwd. Zodra de cijfers daar zijn opgeslagen, kan AI worden ingezet voor twee verschillende taken. De eerste is het opstellen van de prognose zelf, waarbij de cijfers worden ingevuld voordat iemand ze hoeft in te voeren. De tweede is het beantwoorden van vragen over reeds bestaande cijfers, het soort vragen dat een raad van bestuur zonder waarschuwing stelt. Hiervoor zijn verschillende tools nodig, en elk daarvan is het waard om op zijn eigen merites te worden bekeken.

Kan een model de eerste versie van een jouw -prognose opstellen?

Het voorspellen van de cijfers voor volgend jaar op basis van historische patronen is geen nieuw idee. Het bestuderen van twee of drie jaar aan eigen cijfers van jouw , het herkennen van het patroon en het voorstellen van de cijfers voor volgend jaar nog voordat iemand een leeg sjabloon opent – wat doorgaans ‘voorspellende prognoses’ wordt genoemd – bestaat al tientallen jaren. De beperkende factor was gedurende het grootste deel van die tijd de rekenkracht, maar dat is al jaren geen echte beperking meer, zodat niemand de jaarlijkse begroting nog vanaf een leeg blad hoeft te beginnen. Een model analyseert de geschiedenis v jouw en stelt voor elke regel een startcijfer voor, waarna het jouw -team daarop voortbouwt.

Het model presteert precies goed op de punten die je zou verwachten: kosten die zich jaar na jaar volgens een voorspelbaar patroon herhalen, zoals softwarelicenties en kantoorbenodigdheden. Het heeft geen manier om rekening te houden met zaken die nog niet eerder zijn voorgekomen, zoals een overname of een klant die op het punt staat weg te gaan, omdat dat allemaal niet terug te vinden is in de gegevens van de afgelopen drie jaar. Dat zijn juist de cijfers die de volledige aandacht van een mens verdienen, omdat een model daarbij niet kan helpen.

Vraag een afdelingshoofd om zijn of haar eigen begroting helemaal vanaf nul op te stellen, en de drijfveer is dan het hoogst mogelijke bedrag dat hij of zij kan verdedigen, niet het meest nauwkeurige bedrag. Geef hem of haar in plaats daarvan een door een model voorgesteld bedrag en vraag om uitleg bij elke wijziging, en het gesprek krijgt een andere wending: hij of zij stopt met het bepleiten van een hoger bedrag en begint in plaats daarvan een specifieke aanpassing van een specifiek bedrag te verdedigen.

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

Finext heeft een proefproject uitgevoerd voor een wereldwijd opererend farmaceutisch bedrijf dat de vraag naar tienduizenden afzonderlijke producten in tientallen markten voorspelt. Op die schaal kan geen enkel team elk product evenveel aandacht geven, dus de test was eenvoudig: er moest een statistische prognose worden opgesteld voor dezelfde producten die de eigen planners van het bedrijf al handmatig voorspelden, en de twee moesten met elkaar worden vergeleken.

Het model presteerde beter dan de menselijke voorspelling bij meer dan de helft van de geteste producten. Bij de overige producten presteerden de planners beter dan het model.

Die scheiding is de echte bevinding. De machine wint op de lange termijn: duizenden reeksen waarbij het alternatief vaak een vuistregel is, omdat niemand de tijd heeft om ze stuk voor stuk te onderzoeken. De planner wint op het gebied van context: een klant die in het derde kwartaal vertrekt, een vertraging bij de lancering of een prijsverlaging door een concurrent komt niet voor in de geschiedenis. Het bedrijfsmodel is daarom: eerst de machine, dan pas de mens. Het model genereert de resultaten, en de planner beoordeelt deze en past ze aan wanneer de context het antwoord verandert.

Kan je jouw een vraag stellen over zijn eigen nummers en op het antwoord vertrouwen?

Als je een geëxporteerde spreadsheet in een AI-assistent plakt en hem een vraag stelt, geeft hij vol vertrouwen antwoord, waarbij hij gebruikmaakt van cijfers die al verouderd waren op het moment dat je ze exporteerde, zonder dat je kunt controleren of ze nog actueel zijn.

Het alternatief is een directe koppeling tussen de AI-assistent en de live gegevens zelf. Model Context Protocol, of MCP, is een open standaard die fungeert als een soort USB-C voor AI: je Stel een vraag in gewoon Engels, MCP stuurt deze door naar het beheerde Vena-model, en je krijgt live gegevens terug, geen verouderde export. Het stelt een organisatie bovendien in staat om de AI-tool te gebruiken die ze al heeft gekozen, of dat nu Claude, ChatGPT, Copilot of Gemini is.

Drie zaken zorgen ervoor dat dit veilig is. Ten eerste blijven de systeemrechten van de gebruiker van kracht: als een controller vandaag geen toegang heeft tot Duitsland of daar geen wijzigingen in kan aanbrengen, geldt dat ook voor zijn of haar AI. Ten tweede wordt elke bijgestelde prognose opgeslagen in het beheerde model, idealiter in een apart scenario, en niet in een werkboek op iemands laptop. Ten derde is elke terugschrijving voorzien van een audittrail waarin wordt weergegeven wie wat heeft gewijzigd, wanneer en van welke waarde naar welke waarde, met de mogelijkheid om de wijziging ongedaan te maken.

jouw Het team kan dezelfde verbinding gebruiken om het probleem dat eerder in dit artikel aan de orde kwam, op te lossen. Elk regionaal team maakt zijn eigen aantekeningen bij zijn eigen cijfers, vaak in zijn eigen taal, en er moet nog steeds iemand alles doorlezen en de samenvatting opstellen die het bestuur te zien krijgt. Door deze koppeling stelt een AI-assistent die samenvatting binnen enkele minuten op, in één taal, met een verwijzing naar de oorspronkelijke aantekeningen.

Wat moet er aan de hand zijn voordat dit werkt voor je?

Dit alles heeft geen zin als jouw de cijfers nog steeds in een map met spreadsheets staan die via e-mail tussen mensen worden uitgewisseld. Het uitgangspunt is één enkel systeem waarin de actuele cijfers worden bijgehouden, waarin wordt geregistreerd wie wat heeft gewijzigd en waarin wordt bijgehouden wie welke cijfers mag inzien.

De tweede voorwaarde is dat iemand de resultaten van het model controleert voordat deze in de buurt van het bestuursdeelnemers komen. Een prognose die door niemand wordt gecontroleerd, verandert in een systeem dat niemand kan uitleggen als er over twee jaar een lastige vraag over wordt gesteld. Het model doet een voorstel; een mens geeft nog steeds de definitieve goedkeuring.

Als het team v jouw t op dit moment nog steeds met spreadsheets werkt, is dat het realistische uitgangspunt, en is het op zich al de moeite waard om een geïntegreerd systeem op te zetten, nog voordat AI überhaupt ter sprake komt: het betaalt zichzelf terug doordat er minder tijd nodig is voor het afstemmen van gegevens, nog voordat iemand er een vraag over stelt.

Vanaf daar is het een kort proces: breng de cijfers op één plek samen, bepaal wie wat mag zien, en koppel pas daarna een AI-assistent eraan. Teams die de eerste stap overslaan, automatiseren uiteindelijk het afstemmingsprobleem in plaats van het op te lossen.

Steef Houtekamer loopt dit alles op het scherm door: hij stelt een prognoselijn op, koppelt Claude aan actuele cijfers en zet opmerkingen van planners in drie talen om in één samenvatting.

Veelgestelde vragen

Wat is voorspellende prognose?

Bij voorspellende prognoses wordt een computermodel gebruikt om de historische cijfers van jouw over meerdere jaren te analyseren en automatisch de cijfers voor het komende jaar te berekenen, nog voordat iemand handmatig een prognose opstelt. Dit is vooral nuttig voor kosten- en inkomstenposten die jaar na jaar een terugkerend patroon vertonen. Het is echter geen vervanging voor het eigen oordeel bij zaken die zich nog niet eerder hebben voorgedaan.

Zal dit ons financiële team vervangen?

Nee. Een model kan weliswaar een startcijfer voorstellen op basis van historische gegevens, maar het kan onmogelijk rekening houden met een overname, een nieuw product of een klant die op het punt staat weg te gaan, omdat dat allemaal niet in de historische gegevens terug te vinden is. Voor die beslissingen is nog steeds een mens nodig, en iemand moet nog steeds elk cijfer dat het model voorstelt controleren voordat het wordt gebruikt.

Komen onze gegevens terecht in een AI-model?

Het hangt ervan af hoe je dit koppelt. Een directe koppeling tussen een AI-assistent en jouw live-nummers, zoals beschreven in dit artikel, houdt rekening met jouw bestaande machtigingen: als je op dit moment geen cijfers binnen jouw systeem kan inzien, verandert het koppelen van een AI-assistent daar niets aan. Vraag jouw provider precies hoe hun opzet hiermee omgaat voordat je iets koppelt. Lokale modellen en gereguleerde modellen in Europa bieden een oplossing voor strenge gegevensbeleidsregels.

Wat moeten we eerst regelen voordat we dit kunnen doen?

Eén systeem waarin de actuele cijfers v jouw e worden bijgehouden, in plaats van een map met spreadsheets die van de ene naar de andere persoon wordt doorgegeven. Een overzicht van wie wat heeft gewijzigd. En duidelijke regels over wie welke cijfers mag inzien. Zonder die basis heeft een AI-assistent geen betrouwbare informatie om mee te werken, hoe capabel het model ook is.

Hoe lang duurt het om zoiets op te zetten?

Het hangt vrijwel volledig af van de huidige stand van zaken op het gebied v jouw . Een team dat al beschikt over één geïntegreerd planningssysteem kan binnen enkele weken een AI-koppeling toevoegen. Een team dat nog steeds met verspreide spreadsheets werkt, moet eerst die basis leggen, en dat deel van het werk kost meer tijd dan het AI-gedeelte ooit zal doen. Neem gerust contact met ons op voor een rijpheidsbeoordeling, waarbij we kunnen vaststellen waar jouw organisatie op dit moment staat.