De meeste AI-assistenten op financieel gebied kunnen zonder blikken of blozen een afwijking uitleggen, maar vraag ze eens waarom de cijfers voor de Scandinavische landen in de eerste helft van het jaar altijd zo tegenvallen, en ze hebben geen antwoord. Vena Omega is Vena’s poging om die kloof te dichten, en het is de moeite waard om te weten wat het eigen datamodel v jouw e zou leren, voordat je beslist wat dat betekent voor de opzet v jouw .
Waarom begint de AI-assistent van jouw elke keer weer helemaal opnieuw?
De kwaliteit van het antwoord is zelden het probleem. Vraag een goed opgeleide assistent om een afwijking uit te leggen en hij of zij zal de afwijking uitleggen. Vraag of die afwijking ertoe doet, en hij of zij heeft niets om mee te werken. Hij of zij heeft niet gezien hoe dezelfde post zich in de afgelopen vier cycli heeft gedragen, en weet niet dat kostenplaats 4400 sinds 2023 een verzamelpost is, of dat de intercompany-post er in maand 1 altijd verkeerd uitziet en in maand 2 weer klopt.
Het werk verdwijnt dus niet, maar verschuift. In plaats van de analyse uit te voeren, besteden je hun tijd aan het aanleveren van achtergrondinformatie: ze plakken de cijfers van het afgelopen kwartaal in en corrigeren dezelfde verkeerde interpretatie van de jouw -rekeningstructuur die je in de vorige cyclus al had rechtgezet. Dat gaat sneller dan het met de hand doen, maar niet zoveel sneller als de demo deed vermoeden.
De reden is structureel. Wat de prognose van jouw geloofwaardig maakt, zit in de hoofden van mensen, niet op een plek die een machine kan lezen. Waarom de cijfers voor de Scandinavische landen in het eerste halfjaar altijd te laag worden ingeschat. Welke toewijzingstabel al twee jaar lang als „tijdelijk” wordt bestempeld, maar nu een dragende rol vervult. Dat zit in de hoofden van mensen en in Teams-discussies, soms in de opmerkingenkolom van een bestand op iemands bureaublad.
Wat is de bedoeling van Vena Omega in dit verband?
Vena heeft de overname van Morpheo AI in augustus 2026 afgerond. Morpheo AI is een bedrijf uit Toronto waarvan de technologie gefragmenteerde bedrijfsgegevens opmaakt, zodat AI ermee kan werken. Die technologie vormt nu de basis voor Vena Omega, dat wordt gepositioneerd als een cumulatieve context-engine die speciaal voor de financiële sector is ontwikkeld. Deze overname volgt op de overname van Acterys eerder dit jaar, waardoor dit de tweede overname van Vena in vier maanden is die gericht is op hetzelfde probleem.
Het is de bedoeling dat de context zich opbouwt in plaats van te worden gereset. Omega koppelt jouw -gestuurde gegevens aan de definities, drijfveren en eerdere beslissingen die de cijfers betekenis geven, en elk plan, elke afwijking en elke correctie draagt bij aan wat het systeem weet. Dit is echter de ontwerpdoelstelling, nog geen resultaat dat iemand op dit moment kan laten zien. Er liggen nog geen afgeronde klantcycli aan ten grondslag, en de meeste leveranciers bewegen zich in dezelfde richting. Beschouw de aangekondigde scope en de geleverde scope als twee verschillende zaken totdat Vena hierover meer duidelijkheid verschaft.
Wat een context-engine leert van een ‘drifted’ model
Een context-engine leert het model k je n werkelijkheid hanteren, niet het model uit het ontwerpdocument. Als een afmeting is afgeweken, of als een toewijzingstabel onjuist is op een manier waar iedereen inmiddels mee heeft leren omgaan, wordt dat wat het systeem aanneemt over de bedrijfsvoering v jouw . Het systeem signaleert de tijdelijke oplossing niet, maar neemt deze over.
En omdat de context zich opstapelt, wordt de fout steeds groter. Een verkeerde aanname die vroeger in één spreadsheet stond, bepaalt nu elk antwoord, en wel met meer in plaats van minder zekerheid. Dit is het ‘tweede-jaar-probleem’ dat we ook bij consolidatiewerkzaamheden zien. In jaar 1 ziet alles er prima uit. In jaar 2 verandert de reikwijdte van een entiteit, of wordt een regel herschreven, en is de persoon die de configuratie heeft uitgevoerd inmiddels vertrokken, waardoor niemand meer kan uitleggen waarom het systeem deze specifieke visie hanteert.
Wat kunnen we hier nu aan doen?
Hiervoor is nog geen besluit over een stappenplan nodig; de koers is goed, maar het bewijs ontbreekt nog. Wat nu de moeite waard is, is te achterhalen wat het eigen datamodel v jouw aan een context-engine zou leren, en op welke punten het die engine iets verkeerds zou leren. Op die vraag is vandaag al een antwoord te geven, ongeacht of Omega uiteindelijk in een jouw -opstelling terechtkomt of niet.
Als je samen met iemand de hiërarchieën en aannam jouw s willen doorlopen en een eerlijk beeld willen krijgen van wat nog stevig staat en wat is afgedreven, neem dan contact met ons op!
