DAG DRIE VAN DE CLOSING, HALF ZES
De cijfers zijn er. Nu nog het commentaar voor het directiecomité. U opent een chat, plakt de resultatenrekening erin en vraagt om een analyse van de afwijkingen. Het antwoord leest vlot. Het noemt ook alles: de herclassificatie van vorige maand, een afrondingsverschil op de bankkosten en de marge-erosie die er écht toe doet, netjes naast elkaar. De AI kent uw materialiteitsgrens niet, weet niet dat de vergelijkingsbasis de laatste forecast is en niet het oorspronkelijke budget, en hanteert een andere definitie van EBITDA dan uw reporting manual. U corrigeert, legt uit, vraagt opnieuw. En volgende maand begint u weer van nul.
WAAROM LOSSE PROMPTS VOOR FINANCE NIET VOLSTAAN
Generatieve AI beantwoordt vragen goed. Maar financewerk is geen reeks losse vragen. Het is een vaste opeenvolging van stappen, met definities, toleranties, controles en een duidelijke outputvereiste. Zolang die structuur alleen in uw hoofd zit, krijgt u plausibele tekst in plaats van een controleerbare analyse.
SNELLER GEFORMULEERD, NIET SNELLER KLAAR
De tijdwinst op het schrijven verdwijnt in het nalezen. Collega’s bouwen elk hun eigen prompts, met eigen definities. Een conclusie in het managementcommentaar is achteraf niet meer te herleiden tot de stap waarin ze ontstond. En wat u écht wilt versnellen – materiële afwijkingen selecteren, drivers verklaren, forecastaannames challengen – blijft handwerk.
HET PROBLEEM ZIT IN DE DEFINITIES, NIET IN DE TECHNOLOGIE
Wat een AI-analyse onbetrouwbaar maakt, is zelden het model. Het zijn de definities die het model niet kent: wat telt als EBITDA, welke posten zijn eenmalig, hoe verhoudt een interne prestatiemaatstaf zich tot de cijfers in de jaarrekening. Wie die definities en de aansluiting naar de externe verslaggeving niet vastlegt, krijgt managementinformatie die vlot leest maar niet aansluit. Deze dag legt die vakinhoudelijke basis eerst – en bouwt er pas daarna een assistent op.
WAT EEN FINANCIAL MOET KUNNEN: INSTRUEREN, STRUCTUREREN, CONTROLEREN
Programmeren hoeft niet. Wat wel moet: een opdracht formuleren die een CFO zou goedkeuren. Een terugkerende taak uitschrijven als workflow met trigger, input, stappen, output en stopregels. Financiële regels en controles vastleggen zodat de AI ze consequent toepast. Output testen op ontbrekende, tegenstrijdige of onverwachte informatie. En scherp bepalen wat de AI zelfstandig voorbereidt en wat altijd door een mens wordt goedgekeurd.
WAT DEZE DAG DOET: STRUCTUUR DIE OP ELK PLATFORM WERKT
U past AI eerst toe op een geïntegreerde financecase: actuals versus budget en forecast, variance analysis en managementcommentaar. Daarna zet u één terugkerende opdracht om in een herhaalbare workflow en legt u die vast in het Finance Agent Canvas. Het canvas is bewust tool-neutraal: dezelfde structuur bouwt u om tot een agent in Microsoft Copilot, een custom GPT of project in ChatGPT, een project in Claude of een Gem in Gemini. Wat u leert, blijft bruikbaar wanneer uw organisatie later van platform wisselt.
De dag draait om die structuur, niet om de bediening van één platform. De trainer demonstreert met uitgewerkte voorbeeldagents en u krijgt per platform een beknopte bouwinstructie mee. Het bouwen in uw eigen omgeving doet u zelf, op basis van uw eigen kennis van dat platform en de rechten die uw organisatie u geeft.