AI-capabilities zijn de specifieke vaardigheden van een large language model — tekst, code-uitvoering, vision (afbeeldingen lezen), RAG (kennisbank-koppeling), file-creatie en connector-acties. Voor controllers en finance-managers bepaalt welke capabilities je bewust inzet — en welke uitsluit — of de output bruikbaar wordt of een audit-bevinding in wording.
Het model is één component. De capabilities eromheen — code-execution, reasoning, vision, RAG, file creation, connectors — bepalen of een AI-tool in de finance-praktijk werkt. Niet elke capability is voor finance even waardevol; sommige (file creation, code, MCP) zijn structureel doorslaggevend, andere (image generation, voice) zijn meestal randverschijnsel. Dit artikel loopt ze per stuk langs vanuit het werk van een controller, AP/AR-medewerker of finance-manager.
Tekst — de basis, en de minst onderscheidende
Tekst in, tekst uit. Concept-toelichtingen, samenvattingen van management-rapportages, herschrijvingen van een board-memo, vertalingen van een Engelse jaarrekening. Alle frontier-modellen doen dit goed; de verschillen zitten in stijl. Claude staat bekend om gebalanceerd, neutraal Nederlands — handig voor formele finance-stukken. GPT-5 is sterker in precisie. Gemini excelleert op zeer lange documenten.
Voor finance: gebruik dit voor de eerste versie van een variance-toelichting, een samenvatting van een audit-rapport, of een herformulering van een interne notitie. Niet voor cijfers — daar heb je een andere capability voor nodig.
Code-execution — waar finance-werk écht profiteert
Twee varianten. Code generation: het model schrijft Python, SQL, VBA — handig voor controllers die incidenteel een Excel-formule of een SQL-query nodig hebben. Code execution: het model draait zelf code in een sandbox en gebruikt het resultaat. Dat tweede is voor finance cruciaal.
Een financieel scenario doorrekenen, een Excel-export filteren, een marge-analyse op duizenden regels, een DSO-berekening per klantsegment: allemaal taken waar code-execution een onbetrouwbaar raadspel omzet in een deterministische uitkomst. Modellen kunnen niet rekenen, maar Python wel.
Praktische regel: zet code-execution expliciet aan, en geef in je prompt een hint ("gebruik Python om de marge te berekenen") als het model niet uit zichzelf de capability oppakt. En vraag altijd om de berekening, niet alleen het antwoord — niet "de marge is 23%", maar "de marge is 23% (€460.000 brutowinst / €2.000.000 omzet)". Dan zie je in een seconde of het klopt.
Reasoning — voor wat zwaarder weegt dan een mail
Reasoning-modellen — GPT-5 Thinking, Claude Opus 4.5 extended thinking, Gemini 3 Deep Think — doen meerstaps-redeneren onder de motorkap. Ze genereren intern een redeneerspoor voordat het antwoord verschijnt. Dat kost meer rekentijd en geld (factor 3-10 ten opzichte van een "instant"-variant), maar levert dramatisch betere resultaten op bij complex finance-werk: due diligence, contract-analyse, meerstaps-aansluiting van balans en aangifte, IFRS-toelichtingen, jaarrekening-review.
Het is geen gratis upgrade. Voor een variance-toelichting of een mail is reasoning overkill — trager en duurder zonder zichtbare winst. Voor een investeringsmemo, een review van een aandeelhoudersovereenkomst of een meerstaps-data-analyse is het het standaardgereedschap.
Vision — facturen, bonnen, bankafschriften
Afbeeldingen interpreteren: gescande facturen, bankafschriften in PDF, screenshots van een dashboard, handgeschreven onkostenformulieren. Prijs is hoger dan tekst (ruwweg 3-5x per "image token"), maar vision opent hele klassen van finance-toepassingen: factuurdata extraheren uit een binnenkomende mail, bonnen herkennen voor expense-rapportages, bankafschriften lezen van klanten die nog steeds PDF's sturen, productfoto's matchen met factuurregels voor voorraad-werk.
Voor PDF's met layout (tabellen uit een grootboek-export, kolommen in een crediteurenstaat) zijn Claude en Gemini sterker dan GPT in nauwkeurigheid van extractie. Voor handgeschreven materiaal levert geen enkel model 100%; reken op steekproefcontrole.
RAG — voor close-handboek, fiscale handleiding en historische rapportages
Retrieval Augmented Generation. In plaats van een heel document in het context-window te proppen, wordt de bron in stukken ("chunks") gehakt en geïndexeerd. Bij een vraag zoekt het systeem eerst de paar meest relevante chunks. Voor finance is dit handig voor: het complete close-handboek, fiscale handleidingen (CGB-handleiding, RJ-uitgaven, BTW-handboek), historische maandrapportages, jaarstukken van eerdere jaren.
Nadeel: RAG mist structuur. Een fiscale regel die alleen begrijpelijk is in combinatie met een definitie drie hoofdstukken eerder, kan verloren gaan. Voor verkennende Q&A op een grote bron: prima. Voor zorgvuldige close-reading van één belangrijk document (een shareholders-agreement, een transfer-pricing-rapport): liever full context. Zie Context engineering voor finance-AI voor de trade-off.
File creation — board-packs en jaarrekening-templates
Sinds Claude Opus 4.5 (oktober 2025) genereren modellen direct correct geformatteerde .xlsx, .docx en .pptx-bestanden, met formules, opmaak, en de mogelijkheid om een eigen template als basis te gebruiken. Upload jullie board-pack-template, laat het model de variantanalyses, KPI-pagina's en commentaar invullen, en je krijgt output in jullie huisstijl in plaats van AI-default.
Dit verschuift de drempel voor rapportage-automatisering substantieel. Voorheen was "de laatste mijl" — van model-output naar een bruikbaar Excel- of Word-bestand — vaak meer werk dan het genereren zelf. Die mijl is nu grotendeels weg, en juist voor finance-rapportage is dat de plek waar de meeste opmaakuren in zaten.
Memory — beperkt nuttig in finance
Persistente feiten over de gebruiker die tussen sessies bewaard worden: voorkeuren, terugkerende patronen, eerdere context. Voor algemene productiviteit handig; voor finance voorzichtiger toepassen. Audit-trail vereist explicietheid en herhaalbaarheid; memory die "ergens" bewaard wordt en gevoelig is voor sessie-drift is voor formeel werk minder geschikt. In de meeste finance-workflows verkies je een expliciete Tenant Context Pack of knowledge base boven het impliciete memory-mechanisme van een chat-tool.
Connectors en MCP — waar finance-werk schaalbaar wordt
Model Context Protocol (MCP), eind 2024 uitgebracht door Anthropic, is inmiddels een open standaard met meer dan 10.000 publieke servers. Voor finance zijn de relevante MCP-koppelingen: Exact en andere boekhoudpakketten, MS365 (mail, agenda, SharePoint), banking-portals, debiteuren-/incasso-systemen. Het model haalt on-demand data op, zonder dat jij copy-pastet.
Voor serieus zakelijk finance-gebruik is dit waar het interessant wordt. Een CFO-assistent die rechtstreeks in de administratie kan kijken, een AP-agent die binnenkomende facturen herkent en in Exact aanmaakt — zonder MCP of vergelijkbare connectors blijft het bij handmatig kopiëren. Zie MCP-servers in finance-praktijk voor de servers die in een finance-context bruikbaar zijn.
Agents — combinatie van capabilities
Een agent is een AI die autonoom tools kiest, beslissingen neemt, en meerstaps-plannen uitvoert. De capability-kant van agents is dat het model zelf moet kunnen uitvogelen welke tool wanneer nodig is. Agents staan of vallen met de onderliggende capabilities: een agent zonder goede connectors, code-execution en file-uploads is niet meer dan een duurder gesprek. Zie Van prompts naar agents in finance voor de volwassenheidsladder.
Kosten- en privacy-aandachtspunten voor finance
Capabilities verschillen in kosten. Voor finance een ruwe richtlijn:
- Tekst, code-execution, vision: enkele centen tot een dubbeltje per call.
- Reasoning (extended thinking): dubbeltjes tot enkele euro's per zware run.
- Deep research, full-duplex voice: euro's per run.
Privacy is — voor finance — kritischer dan kosten. Welke capabilities beschikbaar zijn en hoe data wordt verwerkt hangt af van de tier. Consumer-tiers bewaren standaard gesprekken voor productverbetering (opt-out vaak mogelijk maar niet altijd voldoende). De OpenAI API en Anthropic API hebben zero retention voor zakelijke klanten. Claude Enterprise, ChatGPT Enterprise/Team en Microsoft Copilot for Business bieden contractuele garanties over data residency en GDPR-compliance. Voor finance-data is een enterprise- of API-pad vrijwel altijd de enige verantwoorde route.
Saldus in de praktijk
In Saldus zijn de capabilities die er voor finance toe doen — code-execution voor berekeningen, MCP-koppeling met Exact, file-uploads voor close-handboek en tenant-context, eigen modelkeuze per agent — als bouwblokken in één platform geïntegreerd. Je hoeft niet zelf de capability-set per tool bij elkaar te puzzelen of te ontdekken welke tier je nodig hebt. Dat betekent niet dat capabilities verdwijnen — ze worden alleen geleverd in een vorm die in een finance-context werkbaar is, met de audit- en governance-laag al ingebouwd.