Thought leaders

AI is maar zo slim als de financiële gegevens waarop het is gebaseerd

Ilan Atias
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenAI faalt wanneer systemen het niet eens zijn over wat één enkel veld zoals betaaldatum…
Meer weergeven
  • AI faalt wanneer systemen het niet eens zijn over wat één enkel veld zoals betaaldatum betekent.
  • Verbonden financiële gegevens stellen AI in staat om betekenisvolle verschuivingen te onderscheiden van routinefluctuaties.
  • Datacontracten en gebeurtenisgestuurde stromen zijn belangrijker dan de AI-toepassing zelf.

AI is inmiddels onderdeel van bijna elk gesprek over de toekomst van financiën. Organisaties investeren in AI om routinematig werk te automatiseren, prognoses te verbeteren en medewerkers te helpen sneller beslissingen te nemen. De meeste van die gesprekken beginnen bij modellen en toepassingen. Mijn ervaring is dat ze zouden moeten beginnen bij de kwaliteit, toegankelijkheid en het beheer van de gegevens waarop die systemen steunen.

Ik heb mijn hele loopbaan gewerkt aan de ontwikkeling en opschaling van betalingsinfrastructuur. De lastigste problemen hadden zelden met algoritmen te maken. Het ging om de onderliggende infrastructuur die boekhoudplatforms, banken, salarisverwerkers en betalingsnetwerken nodig hebben om dezelfde zakelijke gebeurtenis op dezelfde manier te beschrijven.

De uitdaging is vooral zichtbaar in de financiële sector. Boekhouding, bankzaken, salarisadministratie, facturering en betalingen leveren allemaal informatie op die zakelijke beslissingen beïnvloedt. Wanneer die systemen los van elkaar werken, ontstaan versnipperde gegevensomgevingen waarin het voor AI veel moeilijker is om de context binnen de organisatie te begrijpen. AI kan patronen herkennen binnen afzonderlijke systemen, maar kan niet betrouwbaar verklaren wat er in het bedrijf als geheel gebeurt zonder een samenhangend beeld van de financiële situatie van de organisatie. In de beginperiode bij Melio liepen we tegen een probleem aan dat onbeduidend klinkt, maar dat niet is: wat betekent ‘betaald’? Een klant keurt op maandag een betaling goed. Het geld wordt dinsdag van de rekening afgeschreven. De bank van de leverancier maakt het donderdag beschikbaar. De transactie wordt de week daarop aan een factuur gekoppeld. Vier tijdstippen, vier verdedigbare antwoorden op de vraag ‘wanneer is dit betaald?’, en geen ervan is onjuist. Een menselijke boekhouder kan met die dubbelzinnigheid omgaan zonder erbij stil te staan. Een prognosemodel dat ‘betaaldatum’ als één veld behandelt, doet zelfverzekerde en systematisch onjuiste voorspellingen over de timing — en juist die moet een kasstroomprognose goed inschatten. Die systemen met elkaar verbinden was de noodzakelijke eerste stap. Pas toen we ervoor zorgden dat ze dezelfde betekenis aan de velden gaven, werd die verbinding waardevol. In de financiële sector begint ‘klaar voor AI’ met verbonden systemen, en die verbinding telt alleen als de systemen dezelfde gebeurtenis op dezelfde manier beschrijven.

Beter inzicht leidt tot betere beslissingen

De behoefte aan samenhangende financiële gegevens wordt steeds urgenter. Uit het rapport Small Business Insights van Xero blijkt dat kleine bedrijven in de Verenigde Staten nu gemiddeld 29,3 dagen moeten wachten voordat ze betaald krijgen, terwijl de jaarlijkse omzetgroei van 4,0% onder het langetermijngemiddelde blijft. Wanneer betalingstermijnen, uitgaven en vraag zich allemaal onafhankelijk van elkaar ontwikkelen, hebben organisaties systemen nodig die deze signalen met elkaar in verband kunnen brengen in plaats van ze afzonderlijk te analyseren — en dat geldt net zo goed voor de treasuryfunctie van een groot bedrijf als voor een onderneming met 10 medewerkers.

Stel dat een bedrijf overweegt of het vóór het einde van het kwartaal nog een medewerker kan aannemen. Die beslissing hangt van meer af dan het huidige banksaldo: verwachte betalingen van klanten, salarisverplichtingen, terugkerende uitgaven, aankomende belastingverplichtingen en de verwachte omzet spelen allemaal een rol. Geen enkele afzonderlijke maatstaf biedt een betrouwbaar antwoord. Door die gegevens samen te brengen, krijgen leidinggevenden een duidelijker beeld van de financiële positie van hun organisatie en heeft AI betekenisvolle informatie om op basis daarvan te redeneren. Automatisering vereist toegang tot transacties. Redeneren vereist context.

Financiële teams kunnen het eerste deel van elke maand bezig zijn met het afstemmen van gegevens tussen systemen, voordat ze aan zinvolle analyses toekomen. Tegen de tijd dat ze een compleet beeld hebben, kan de verandering in de kasstroom die ze proberen te begrijpen al weken oud zijn. Juist die vertraging kunnen samenhangende gegevens helpen verminderen.

AI voegt waarde toe wanneer het bedrijf begrijpt

De eerste generatie AI in de financiële sector was gericht op efficiëntie: transacties categoriseren, facturen verwerken en teams helpen routinetaken sneller af te ronden. Die mogelijkheden leveren nog steeds waarde op, maar de verwachtingen verschuiven van taakautomatisering naar contextbewuste ondersteuning bij beslissingen: eerder zicht op kasstroomrisico’s, nauwkeurigere prognoses en inzicht in de mogelijke gevolgen van veranderingen in betaalgedrag, uitgaven of omzetpatronen voor toekomstige resultaten.

Daarvoor moet AI financiële gegevens in hun context analyseren. De betekenis van een transactie hangt af van de omstandigheden eromheen: hogere uitgaven kunnen wijzen op te hoge uitgaven, maar ook op de inkoop van voorraden in aanloop naar de seizoensgebonden vraag; een daling van de kasreserves kan duiden op liquiditeitsproblemen, maar ook simpelweg het gevolg zijn van de timing van kwartaalbetalingen van belastingen. AI wordt waardevol wanneer het hetzelfde kan doen: patronen in historische transacties, kassaldi, openstaande vorderingen en operationele signalen met elkaar verbinden om een betekenisvolle verandering te onderscheiden van een normale schommeling.

De juiste basis leggen

Voor technologieleiders die AI in de financiële sector evalueren, is de belangrijkste vraag niet welke toepassing ze als eerste moeten inzetten, maar of de onderliggende gegevensomgeving de volledige en actuele context kan bieden die deze toepassingen nodig hebben. Bij de ontwikkeling van zulke systemen zijn een paar investeringen van het grootste belang:

Beschouw integraties als contracten, niet als verbindingen. Een eenmalige synchronisatie tussen een boekhoudplatform en een betalingssysteem raakt verouderd. Leg expliciete gegevenscontracten vast — schema’s, velddefinities en garanties voor actualiteit — zodat AI downstream niet ongemerkt minder goed gaat presteren wanneer een upstreamsysteem verandert.

Stap over van batchgewijze afstemming naar gebeurtenisgestuurde gegevensstromen. Als financiële gegevens wekelijks of maandelijks worden afgestemd, maakt AI voorspellingen op basis van verouderde informatie. Gebeurtenisgestuurde gegevenspijplijnen die transacties verwerken zodra ze plaatsvinden, geven modellen de actualiteit die ze nodig hebben om veranderingen vroegtijdig te signaleren.

Leg een semantische laag vast voor financiële kengetallen. ‘Kaspositie’, ‘openstaande vorderingen’ en ‘omzet’ moeten in elk systeem hetzelfde betekenen. Zonder consistente definities zal AI zelfverzekerd antwoorden geven die geen twee teams op dezelfde manier interpreteren.

Toets AI-uitkomsten aan de werkelijkheid. Het grootboek biedt financiën een voordeel ten opzichte van de meeste andere AI-domeinen: er is een verifieerbare registratie. Voor AI-gegenereerde financiële inzichten moet dezelfde maatstaf gelden als voor het werk van een junioranalist: toets ze aan de gerealiseerde cijfers en meet de nauwkeurigheid in de loop van de tijd. Vertrouwen in AI-aanbevelingen verdien je door te meten, niet door het simpelweg te claimen.

Deze investeringen krijgen minder aandacht dan de AI-toepassingen die erop voortbouwen, maar bepalen wel of die toepassingen werken.

De echte onderscheidende factor

Nu AI steeds meer wordt geïntegreerd in financieel beheer, verschuift de technische uitdaging: het gaat niet langer om wat afzonderlijke modellen kunnen, maar om hoe effectief ze functioneren binnen de bredere architectuur van financiële gegevens.

Organisaties die investeren in gekoppelde gegevens zullen veranderingen in de kasstroom eerder signaleren en meer vertrouwen hebben in AI-gegenereerde prognoses. Het verschil zit niet in het model, maar in de gegevens erachter.

Ilan Atias geeft leiding aan de R&D-, product- en BI-teams van Melio. Voor zijn tijd bij Melio was Ilan vicepresident R&D bij Windward, wereldwijd marktleider in voorspellende maritieme analyse. Eerder werkte Ilan als onderzoeker bij Outbrain, een bedrijf voor native advertising, waar hij verantwoordelijk was voor een gepersonaliseerd aanbevelingssysteem op basis van algoritmen voor machinelearning.