GenAI in finance klinkt voor veel CFO’s als een chatbot die de boekhouding overneemt. Dat beeld is tegelijk te groot en te klein.
Te groot, omdat generatieve AI geen boekingen maakt, geen betalingen uitvoert en geen beslissingen neemt die bij je controller horen. Te klein, omdat het veel meer doet dan vragen beantwoorden: het leest facturen, mails, contracten en bankafschriften, legt verbanden en zet voorstellen klaar. In dit artikel lees je wat GenAI vandaag concreet doet in finance, waar het zijn grenzen heeft, welke drie misverstanden een goede start in de weg staan en hoe je een eerste use case kiest.
Wat GenAI in finance wel is: taal, niet rekenen
Generatieve AI is in finance sterk in taal: lezen, begrijpen en uitleggen. Rekenen en beslissen laat je aan regels en mensen. Wie die scheiding goed maakt, krijgt een systeem dat zijn auditor kan uitleggen.
Het meeste werk in finance is geen rekenwerk. Een factuur coderen betekent een omschrijving begrijpen. Een betaling afpunten betekent een mededeling vol tikfouten interpreteren. Een afwijking in het maandrapport verklaren betekent tien boekingen lezen en de oorzaak benoemen. Dat is taalwerk, en daar is generatieve AI goed in.
Rekenen is iets anders. Een taalmodel kan een periode uit een contract halen, maar de deling door twaalf doet een rekenregel. Een cashforecast komt uit je open posten en een statistisch model, niet uit een taalmodel. Daarom combineert een goed ingerichte toepassing drie dingen: een taalmodel dat leest en uitlegt, regels die rekenen en controleren, en een mens die beslist. Elk voorstel draagt een bronverwijzing, zodat je altijd ziet waarop het steunt.
In de praktijk heet zo’n combinatie een agent. Een agent voert een afgebakende taak uit, zoals de crediteurenmailbox lezen of bankregels afpunten, en zet het resultaat klaar als voorstel. De regel die wij overal hanteren is kort: de agent stelt voor, een mens beslist.
Waar dat concreet helpt, verschilt per domein, maar het patroon is overal hetzelfde.
Vijf financedomeinen, één patroon
In elk financedomein zit het handwerk in het lezen en verbinden van informatie die buiten het ERP staat, en daar levert GenAI zijn waarde. De tabel toont per domein waar dat zit.
| Domein | Waar het handwerk zit | Wat GenAI doet |
|---|---|---|
| Crediteuren (purchase-to-pay) | Coderen, matchen, mailbox met herinneringen en statusvragen | Stelt codering voor uit je boekingshistoriek, koppelt regels aan bestelbonnen, zet antwoorden klaar |
| Debiteuren (order-to-cash) | Bewijs bij de factuur, afpunten zonder mededeling, disputen | Verzamelt werkbonnen, vindt facturen achter verzamelbetalingen, herkent disputen |
| Maandafsluiting (record-to-report) | Accruals, intercompany, afstemmingen verklaren | Leest periodes uit documenten, zoekt de oorzaak van verschillen |
| Controlling (FP&A) | Cijfers verzamelen, afwijkingen verklaren | Schrijft een eerste commentaar met bron, rekent cash op werkelijk betaalgedrag |
| Risk en compliance | Controles achteraf en steekproefsgewijs | Signaleert wijzigingen van bankgegevens en afwijkende patronen, met uitleg |
Wat in die tabel opvalt, is dat geen enkele toepassing in het ERP zelf zit. De bronnen zijn mails, pdf’s, Peppol-berichten, bankafschriften en contracten. Dat heeft een belangrijk gevolg, en het brengt ons bij het eerste misverstand.
Drie misverstanden die een goede start in de weg staan
De drie misverstanden die wij het vaakst tegenkomen, gaan over autonomie, timing en besparing. Elk ervan leidt tot een verkeerde eerste beslissing.
“AI neemt de beslissingen over.” Dat is niet zo, en het is ook niet wenselijk. Een goed ingerichte agent boekt niet, betaalt niet, keurt niet goed en wijzigt geen stamgegevens. Hij stelt voor, met een zekerheidsscore en een bron. Jij bepaalt de drempel waarboven een voorstel doorgaat naar goedkeuring. Dat maakt het systeem verdedigbaar tegenover je auditor en aanvaardbaar voor je team.
“We wachten tot het nieuwe ERP er is.” Omdat het handwerk buiten het ERP zit, overleeft het de migratie. Na de go-live komen dezelfde mails binnen van dezelfde leveranciers. Agents die bovenop het ERP werken, helpen vandaag al en gaan bij de go-live mee: je wisselt de bron, niet de agent.
“Het levert meteen een besparing op.” Vrijgekomen tijd is capaciteit, geen cashbesparing. Bij klanten van JUVO wordt meer dan 90% van de inkomende facturen automatisch gecodeerd, en bij één klant daalde de afstemming van leveranciersafschriften van zes naar minder dan een halve FTE. Dat is waardevol, maar je loonkost daalt pas als je bewust beslist wat je met die tijd doet. Reken dus niet met besparingen die je niet terugziet.
Met die drie misverstanden uit de weg blijft de vraag waar je begint.
Hoe kies je je eerste use case?
Een goede eerste use case heeft veel volume, veel uitzonderingen, een meetbaar resultaat en leeft buiten het ERP. Vier criteria, en hoe meer er kloppen, hoe beter de kandidaat.
– Volume. Een taak die elke dag terugkomt, levert meer op dan een taak die één keer per kwartaal gebeurt. Factuurcodering en afpunten scoren hier hoog.
– Uitzonderingen. Regels werken goed voor het standaardgeval. GenAI maakt het verschil bij wat afwijkt: een onbekende leverancier, een vrije mededeling, een gewijzigde prijs.
– Meetbaarheid. Kies een taak waarvan je kan zeggen of het voorstel klopte. Een bankregel is correct afgepunt of niet. Een codering is aanvaard of aangepast.
– Buiten het ERP. Een taak die in mailbox, documenten of bankbestanden leeft, kan je starten zonder iets aan je ERP te veranderen.
In de praktijk komen de crediteurenmailbox, factuurcodering en het afpunten van betalingen er vaak als eerste uit. Daarna volgt een korte cyclus: een nulmeting, een prototype op je eigen data binnen enkele weken, en een beslismoment. Haalt het de businesscase niet, dan weet je dat snel.
Soms is de eerlijke conclusie dat je nog niet moet starten. Verwerk je enkele honderden facturen per maand van een vaste groep leveranciers en betalen je klanten netjes met een gestructureerde mededeling, dan doen de regels in je boekhoudpakket al het meeste werk. En kloppen je stamgegevens niet, dan levert een opkuis meer op dan een agent. Wij zeggen je dat ook, als dat het antwoord is.
Wat je morgen al kan doen, ook zonder ons
Drie cijfers vertellen je waar GenAI in jouw finance-team het meeste oplevert, en je kan ze zelf verzamelen.
Tel hoeveel mails er per week binnenkomen in je crediteuren- en debiteurenmailbox die geen factuur of betaalbewijs zijn. Noteer hoeveel bankregels per maand niet automatisch afgepunt worden. En vraag je controllers hoeveel uur de laatste maandafsluiting kostte aan zoeken en verklaren, los van het boeken. Met die drie cijfers zie je waar het taalwerk zit, en dus waar AI het verschil kan maken.
Benieuwd waar GenAI in jouw financeteam het meeste oplevert?
In een Discovery Session bekijken we samen je processen en wijzen we je eerste use case aan.
Veelgestelde vragen over GenAI in finance
Wat is het verschil tussen GenAI en klassieke automatisering in finance?
Klassieke automatisering volgt vaste regels en werkt goed voor het standaardgeval. Generatieve AI begrijpt taal en kan dus ook omgaan met wat afwijkt: een onbekende factuuropmaak, een vrije betaalmededeling of een klacht in een mail. In een goede oplossing werken beide samen.
Is GenAI in finance veilig en controleerbaar?
Dat hangt af van de inrichting. Wanneer de agent alleen voorstelt, elk voorstel een bronverwijzing krijgt en een mens beslist, is het proces beter controleerbaar dan een manuele boeking met een losse notitie. Het taalmodel rekent niet en voert niets uit.
Waar begin je met AI in finance?
Bij een taak met veel volume, veel uitzonderingen en een meetbaar resultaat, die buiten het ERP leeft. De crediteurenmailbox, factuurcodering en het afpunten van betalingen zijn vaak goede kandidaten.
Bart helpt al bijna twintig jaar bedrijven hun finance processen te verbeteren. De laatste jaren deed hij dat vooral met AI en procesautomatisering, van factuurverwerking tot afsluiting. Bij JUVO leidt hij het AI-aanbod voor finance, customer operations en logistiek.