AI in de maandafsluiting — anatomie van een snellere close

AI in de maandafsluiting betekent het inzetten van AI-ondersteuning op specifieke close-stappen — bankmutaties matchen, onverklaarde posten najagen, intercompany aansluiten, variance-analyse, board-pack draften — terwijl stappen die oordeelsvermogen vragen bij de mens blijven. Voor finance-teams kort dit een 10-dagen-close in tot 6 of 7 dagen — zonder audit-bewijslast in te leveren, mits de inrichting per stap bewust gekozen is.

Vraag een willekeurige controller bij een MKB- of scale-up-bedrijf hoe lang de maandafsluiting duurt en het antwoord ligt vrijwel altijd tussen vijf en vijftien werkdagen. Vraag waar de tijd in zit en het rijtje is herkenbaar: bankmutaties matchen, onverklaarde posten najagen, journaalposten boeken, intercompany aansluiten, BTW controleren, variance-analyse maken, board-pack samenstellen. Een paar van die stappen vragen oordeelsvermogen. De meeste vragen vooral discipline, snelheid en het uithoudingsvermogen om zes uur achter elkaar in een grootboek-export te kijken.

AI verandert die verhouding. Niet door de close over te nemen — dat zou niemand willen en de externe accountant zou er onmiddellijk een bevinding op schrijven — maar door op de stappen die discipline en snelheid vragen het draftwerk over te nemen, zodat de menselijke uren naar de oordeelsstappen verschuiven. Dat is geen visie, dat is operationele werkelijkheid voor finance-teams die er in 2026 mee aan de slag zijn. Maar het werkt alleen als je per stap weet wat AI wel en niet kan, en hoe je het bewijsspoor intact houdt voor controle achteraf.

Status quo — waar de uren zitten

Een typische maandafsluiting in een scale-up van 80 FTE met één primaire administratie ziet er per stap zo uit:

• Dag 1-2: bankmutaties ophalen, koppelen aan openstaande facturen, onverklaarde posten najagen.
• Dag 2-3: crediteuren afsluiten, openstaande inkoopfacturen verwerken, voorraadbewegingen verwerken.
• Dag 3-4: intercompany-aansluiting, reclassificaties, periode-overstijgende correcties.
• Dag 4-5: voorzieningen, overlopende posten, transitorische correcties.
• Dag 5-6: BTW-aansluiting en aangifte.
• Dag 6-8: variance-analyse (actual vs. budget en actual vs. vorig jaar), toelichting bij grote afwijkingen.
• Dag 8-10: board-pack opmaken, formatteren, naar CFO en RvC sturen.

Bij goed lopende teams ligt dit ritme dichter bij dag 5-7 totale doorlooptijd; bij teams met meer entiteiten of zonder vaste closing-discipline schuift het naar dag 10-15. De pijn zit niet in de complexiteit van afzonderlijke stappen — die zijn al jaren bekend — maar in de cumulatieve hoeveelheid handwerk en de noodzaak om vrijwel alle stappen handmatig in elkaar over te laten lopen.

Wat AI wel en niet kan in de close

AI is goed in: patroonherkenning op grote hoeveelheden gestructureerde data (bankmutaties tegen facturen, terugkerende boekingen), tekstgeneratie op basis van numerieke input (variance-toelichtingen, board-pack-secties), classificatie (welke inkoopfactuur hoort bij welk kostenplaat), en cross-checking tussen bronnen (balans vs. BTW-aangifte, intercompany-saldi).

AI is matig in: oordeel over materialiteit, beoordeling of een afwijking een "verklaring waard" is of "ruis", en het inschatten van wat de gebruiker écht wil weten. Een AI die een variance-toelichting schrijft kan precies vertellen dat de personeelskosten 8% boven budget liggen — maar of dat komt door één bonus-uitkering, drie nieuwe hires of een verschuiving in CAO-tarieven moet de controller benoemen.

AI is slecht in (en moet dat ook blijven): oordeel over voorzieningen en accruals waar managementinschatting nodig is, beoordeling van one-off events (M&A, herstructurering), en alles waar de "echte" cijfers eindigen en de "te onderbouwen" cijfers beginnen. Dit zijn precies de plekken waar de externe accountant z'n meeste tijd aan besteedt — en met goede reden.

Anatomie van een AI-ondersteunde close

Een close-cyclus die AI-ondersteuning serieus inzet ziet er stap voor stap zo uit. Per stap geven we aan wat de AI doet, wat de mens doet, en waar het HITL-punt zit.

Stap 1 — Bankreconciliatie

AI: Haalt bankmutaties op, scant openstaande facturen en historische match-patronen, stelt voor elke mutatie de meest waarschijnlijke match voor (of "geen match, mogelijk nieuwe boeking nodig"). Mens: AP/AR-medewerker reviewt voorstellen in een queue, accepteert matches, herstelt fouten, behandelt onverklaarde posten. HITL: Bij twijfel-matches en bij alle nieuwe boekingen. Bij hoge-confidence matches en bedragen onder een vooraf afgesproken drempel kan de match autonoom.

Tijdwinst: typisch 60-70% op deze stap. De tijd schuift van "alle mutaties zelf bekijken" naar "alleen de twijfels en nieuwe posten beoordelen".

Stap 2 — Crediteuren en inkoopfacturen

AI: OCR + classificatie van binnenkomende facturen, voorstel voor kostenplaat en grootboekrekening op basis van leverancier, omschrijving en historie. Aansluitvoorstel met inkooporders en goederenontvangsten. Mens: AP-medewerker reviewt classificaties en stelt zo nodig bij. Bij nieuwe leveranciers of afwijkende patronen handmatige invoer. HITL: Standaard bij elke factuur boven een drempelbedrag; bij eerste-keer-leveranciers altijd.

Tijdwinst: 50-70% op deze stap, mits de factuurstroom relatief stabiel is. Bij hoge variëteit (veel eenmalige leveranciers) minder.

Stap 3 — Intercompany-aansluiting

AI: Haalt saldi uit alle entiteit-administraties op, presenteert verschillen in een matrix, stelt voor onverklaarde verschillen een waarschijnlijke verklaring voor (timing, valuta, niet-gespiegelde boeking). Mens: Controller bevestigt of corrigeert per verschil. HITL: Op elke correctie, want het zijn formele boekingen in meerdere administraties.

Tijdwinst: vooral op de zoek-tijd. De boekingen zelf blijven menselijk werk.

Stap 4 — Variance-analyse en toelichting

AI: Vergelijkt actual met budget en vorig jaar, identificeert posten boven een materialiteitsdrempel, schrijft per afwijking een conceptverklaring op basis van bekende patronen en eerder vastgelegde toelichtingen. Mens: Controller leest de drafts, voegt het oordeel toe (is dit incidenteel of structureel?), past de toon aan voor de doelgroep. HITL: Op het hele rapport voordat het naar de CFO gaat.

Tijdwinst: dit is waar AI het hardst werkt. Een variance-toelichting van 15 posten die normaal twee uur kost, kost dertig minuten review-tijd. Maar pas op: de kwaliteit van de drafts staat of valt met de bekende context die de AI heeft (KPI-definities, jullie taalgebruik, eerder uitgelegde patronen).

Stap 5 — Board-pack samenstellen

AI: Vult een board-pack-template met de cijfers van de maand, voegt de gereviewde toelichtingen toe, genereert een executive summary, stelt grafieken voor. Mens: CFO leest, past samenvatting aan, voegt strategische context toe, accordeert. HITL: Vóór distributie aan RvC of investeerders.

Tijdwinst: groot op het opmaak-werk, klein op de inhoudelijke kant. Het executive summary is een leesbare eerste versie, geen finale versie.

Wat dit betekent voor je doorlooptijd

Een nuchtere realiteit: AI brengt geen close van tien dagen naar één dag. Wel van tien naar vijf of zes dagen, mits de organisatie ook andere factoren op orde heeft (input op tijd, geen wekelijkse procedure-wijzigingen, een stabiel rekeningschema). De grote winst zit niet in volledige automatisering, maar in het verschuiven van uren van repetitief werk naar oordeelswerk — wat tegelijk de kwaliteit van de close verhoogt, omdat de controller meer tijd heeft voor de stappen die discipline en oordeel vragen.

Rolverdeling — wat verandert er voor het team?

De AP- en AR-medewerker worden van invoerders meer reviewers — ze beoordelen drafts in plaats van ze te tikken. Dat klinkt als degradatie, in de praktijk is het tegendeel: het werk wordt afwisselender en het denkwerk per uur hoger.

De controller verschuift van "alle data zelf in elkaar zetten" naar "patronen herkennen en oordeelsvragen beantwoorden". Voor ervaren controllers is dit aantrekkelijk; voor junior-controllers minder, omdat de leercurve via repetitief werk juist daar zit. Een goed AI-traject in finance houdt daar rekening mee — niet alle handwerk uit het junior-pad halen, anders wordt de pijplijn van toekomstig controllers leeg.

De CFO krijgt eerder en vaker cijfers van betere kwaliteit, maar moet investeren in de governance-discipline: welke agent doet wat, wie reviewt, hoe documenteer je dat het in control is.

Audit-grade — wat de externe accountant zal vragen

Drie vragen waar je voorbereid op moet zijn voordat je een AI-ondersteunde close live laat gaan:

1. Welke AI-acties zijn er in deze periode geweest en op welke data? Een audit-log per stap, per agent, met input-snapshot en output, op gelijk niveau bewaard als de boekhouding zelf. Niet in losse logfiles op een laptop — in centrale opslag, onveranderlijk, voor minimaal de verplichte fiscale bewaartermijn.

2. Wie heeft welke AI-draft geaccordeerd en wanneer? Per accordering een persoon, een tijdstip, en — bij vier-ogen — twee personen. Dit is identiek aan wat al voor handmatige boekingen gevraagd wordt; je breidt het bestaande autorisatie-bewijs uit naar AI-acties.

3. Hoe weet je dat de AI in deze periode niet stilletjes verkeerd is gaan werken? Een periodieke steekproefcontrole op de output (bijvoorbeeld 10 random bankreconciliaties per maand handmatig nalopen) plus monitoring van de uitval-rate (wat percentage van AI-voorstellen werd gecorrigeerd?). Stijgt die ratio plotseling, dan stuurt je workflow daar zelf op.

Dit klinkt zwaar. In de praktijk valt het mee, mits je de log- en review-infrastructuur niet als losse aanbouw bedenkt maar in het ontwerp meteen meeneemt.