Cashforecast met AI — van Excel-13-weeks naar rolling forecast

Cashforecast met AI betekent een rolling 13-weeks-forecast inrichten waarin AI de routinematige update doet — debiteurenstanden uit Exact, betaalkalenders, terugkerende kosten — terwijl aannames over nieuwe verkopen en uitzonderlijke posten bij de CFO of controller blijven. Voor finance-teams die op vrijdag een actuele cashforecast willen die op woensdag nog bruikbaar is: het verschil tussen halve-dag-per-week onderhoud en altijd-actueel.

Vrijwel elke CFO die op een scale-up of een PE-portfolio-bedrijf zit kent het probleem: een 13-weeks cashforecast die op vrijdag actueel was, op maandag al verouderd is, en op woensdag niet meer betrouwbaar genoeg om mee naar de board te gaan. De forecast wordt onderhouden in Excel, gevoed met data uit Exact, debiteurenstanden, betaalkalenders en aannames over verkopen — en juist die combinatie maakt 'm tot een werk dat eenmaal per week iemand een halve dag kost en daarna langzaam verloopt tot de volgende update.

AI verandert die ritmiek niet door de forecast te "doen", maar door het update-werk dat 'm achteraan loopt aanzienlijk goedkoper te maken. Goed ingezet betekent dat: een forecast die elke ochtend actueel is, met scenario's die in minuten — niet uren — bijgesteld zijn. Slecht ingezet betekent het: een forecast met indrukwekkende grafieken die in feite onzin is omdat de aannames niet door een mens zijn beoordeeld. Het verschil zit in hoe je het inricht.

Status quo — waarom Excel-cashforecasts vastlopen

Een 13-weeks rolling forecast bestaat ruwweg uit vier blokken: openingssaldo, in te komen kasstromen (debiteuren, vooruitfacturatie, financiering), uit te gaan kasstromen (crediteuren, salarissen, vaste lasten, belastingen) en eindsaldo per week. Het bouwen ervan is geen rocket science; het onderhouden wel.

De pijn zit in vier dingen.

De inkomende kant verandert sneller dan de Excel. Een debiteur betaalt drie dagen eerder dan verwacht, een grote klant verschuift een betaling, een vooruitfactuur landt niet. De Excel weet dat pas als iemand het handmatig bijwerkt.

De uitgaande kant zit verspreid over systemen. Open crediteuren in Exact, leasecontracten in een spreadsheet, BTW-aangiftes in de planning, salarissen vanuit HR. Eén-week update kost een uur of meer aan data-verzamelen.

Scenario's zijn handmatig kopieerwerk. "Wat gebeurt er als die grote betaling een maand later komt?" — in Excel betekent dat een tab kopiëren, een aantal cellen aanpassen, en hopen dat er geen formule-verwijzing kapot is gegaan. Drie scenario's bouwen kost een halve dag.

De forecast vergeet zichzelf. Als de werkelijke kasstroom afwijkt van de forecast, is de eerstvolgende update niet automatisch leerzaam — niemand grijpt terug naar "wat had ik vorige week gedacht en wat is er anders gegaan".

Het resultaat: een forecast die voor de eerste twee weken redelijk klopt, voor week 3-6 schimmig is, en voor week 7-13 nominaal aanwezig maar feitelijk niet besluitvormingsmateriaal. CFO's negeren dat niet bewust — ze hebben simpelweg de tijd niet om hem actueel te houden.

Wat AI wel en niet kan in een cashforecast

AI is goed in:

• Pattern-extractie uit historische data. Welke klanten betalen typisch op welke termijn? Welke leveranciers innen op welke vervaldag? Welke maanden zijn structureel zwaarder of lichter? Een mens kan dit ook, maar minder gestructureerd en niet voor honderden klanten tegelijk.
• Koppeling tussen openstaande posten en de forecast. De openstaande debiteurenlijst en het verwachte betaalgedrag per klant samenvoegen tot een datum-specifieke instroom.
• Scenario-generatie. Geef een aanname mee ("klant X betaalt 4 weken later", "we sluiten geen nieuwe contracten meer in week 4-8") en de AI berekent de impact op het cash-pad zonder dat iemand cellen hoeft te kopiëren.
• Variance-analyse op de forecast zelf. Vorige week voorspelden we instroom X, het werd Y — welk verschil komt door welke klant, welke aanname klopte niet, hoe pas je het patroon aan?

AI is slecht in (en moet dat ook blijven):

• One-off events. Een herfinanciering die mogelijk doorgaat, een M&A-deal waarvan de timing in overleg is, een gewonnen of verloren grote klant. Dit zijn punctuele beslissingen die de mens kent en de AI niet kan voorspellen uit data.
• Strategische cash-keuzes. Of je een dividend gaat uitkeren, of je een investering naar voren haalt, of je een leverancier sneller wilt betalen om korting te krijgen — dit is CFO-werk, geen forecast-werk.
• Beoordelen of de forecast intern consistent is met de strategie. Een forecast die laat zien dat cash krap wordt maar geen rekening houdt met geplande capex of een aanstaande funding-ronde, is technisch kloppend en operationeel waardeloos.

Hoe een AI-ondersteunde cashforecast eruitziet

Per onderdeel: wat de AI doet, wat de mens doet, en wat het knippunt is.

Inkomende kasstromen — debiteuren en vooruitfacturatie

AI: Haalt de actuele openstaande debiteurenlijst op, koppelt per debiteur het historische betaalpatroon (gemiddelde betaaltermijn, variabiliteit, betrouwbaarheid), en stelt per openstaande factuur een verwachte betaaldatum voor. Aggregeert dat per week. Mens: Controller of CFO bekijkt de aggregatie, overschrijft per uitzondering (we weten dat klant X eind volgende week pas betaalt, ondanks de termijn). Bekijkt het overall betrouwbaarheidsniveau. HITL: Op handmatige overrides. De basis-forecast mag dagelijks autonoom updaten.

Uitgaande kasstromen — crediteuren, salarissen, vaste lasten

AI: Haalt openstaande crediteuren uit Exact, voegt vaste lastenpatronen toe (huur, abonnementen, leases, salarissen, sociale lasten, vennootschapsbelasting-voorlopige aanslagen), en plaatst ze in de juiste week. Mens: Controller verifieert dat alle vaste lasten meegenomen zijn en dat bijzondere uitgaven (bonussen, capex, eenmalige investeringen) handmatig zijn toegevoegd. HITL: Op handmatige toevoegingen.

Scenario-analyse

AI: Op verzoek van de gebruiker — "wat als klant X drie weken later betaalt", "wat als omzet 15% lager uitvalt", "wat als we de funding-ronde één maand opschuiven" — genereert binnen seconden een nieuw cash-pad met deltas en kritieke punten. Mens: CFO of controller benoemt het scenario, beoordeelt de uitkomst, neemt mee in de besluitvorming. HITL: N.v.t. — dit zijn analyses, geen besluiten.

Periodieke variance-analyse

AI: Vergelijkt de actuele cashpositie met de forecast van een week geleden, decomponeert het verschil naar specifieke debiteuren, crediteuren of categorieën, en stelt een toelichting op. Mens: Controller leest de toelichting, bevestigt of past aan, gebruikt het als feedback voor de aannames in de volgende update. HITL: Op de toelichting voor distributie.

Communicatie naar CFO of board

AI: Genereert een eenpagina-samenvatting van de cashpositie: huidig saldo, voorspeld saldo per einde maand, kritieke weken in de horizon, samenvattende toelichting van de grootste forecast-bewegingen. Mens: CFO leest, voegt strategische context toe, accordeert. HITL: Vóór distributie aan board of investeerders.

Het overconfidence-risico

Een specifiek risico bij AI-cashforecasts dat je actief moet adresseren: een forecast die er goed uitziet, krijgt onevenredig veel vertrouwen — meer dan een handmatige Excel waarvan iedereen wéét dat 'm achteraf loopt. Een AI-forecast met mooie grafieken en een gepersonaliseerde toelichting voelt als een betrouwbaarder document, terwijl de onderliggende data even goed of slecht is.

Twee disciplines om dit te tegengaan:

• Betrouwbaarheidsmarge expliciet maken. Per week niet alleen het verwachte saldo, maar ook de bandbreedte (P10-P90, of een vergelijkbare maat). Een forecast zonder bandbreedte oversleept de eigen onzekerheid.
• Aannames zichtbaar in elke samenvatting. Welke aannames over betaalgedrag, welke uitzonderingen zijn handmatig ingebracht, welke one-off events zijn meegenomen. Een board die deze regels niet leest, leest het saldo niet goed.

Audit-grade — een cashforecast hoort ook in het controle-spoor

Een cashforecast is geen formele rapportage in de zin van een jaarrekening, maar wel een document waar besluiten op worden genomen — funding, dividend, capex-timing, debiteurenbeleid. Dat maakt 'm tot een document waar je achteraf moet kunnen verklaren hoe hij tot stand is gekomen, vooral als beslissingen ervan zijn afgeleid en achteraf in discussie komen (een aandeelhoudersgeschil, een banking-covenant-discussie, een investeerder die vraagt waarom een prognose afweek).

Praktisch: bewaar per versie van de forecast de input-snapshot (welke debiteurenstand, welke crediteurenstand, welke handmatige aannames), het AI-model dat is gebruikt, en de toelichting die erbij is gepubliceerd. Een AI die elke dag een nieuwe versie maakt zonder versie-historie is geen verbetering — dat is het uitwissen van bewijs over hoe je tot je inzicht bent gekomen.

Wat dit oplevert

Bij teams die AI in hun cashforecasting hebben ingericht zien we drie verschuivingen.

De forecast wordt actueel in plaats van wekelijks. Dat klinkt klein, maar het verandert hoe vaak de CFO erop wil reageren — een forecast die elke ochtend klopt, wordt gebruikt; een forecast die woensdag 11 dagen oud is, wordt genegeerd.

Scenario-werk wordt incrementeel in plaats van projectmatig. "Wat als" wordt een werkvraag voor in een MT-meeting in plaats van een spreadsheet-opdracht voor over twee dagen.

De variance-analyse achteraf wordt scherper, omdat de AI consistent dezelfde decompositie maakt en het patroon-leren over maanden cumuleert. Niet alleen "we hebben €120K minder binnen dan gedacht", maar "€80K daarvan komt door klant X die we structureel te optimistisch inschatten — patroon aanpassen".

Grenzen — wanneer AI hier minder oplevert

• Bedrijven met sterk projectmatige cashstromen (bouw, M&A-advisering, project-engineering) waarvan de timing per project ad-hoc is. AI kan hier ondersteunen, maar het patroon-leren is dunner omdat de "patronen" eenmalig zijn.
• Bedrijven met grote, individueel-onderhandelde klantcontracten waar de meeste betaal-events specifiek zijn afgesproken. Hier blijft het werk grotendeels handmatig — AI helpt met de basis, niet met de essentie.
• Vroege-fase startups zonder voldoende historische betaaldata om patronen uit te leren. Hier doet AI de aannames niet beter dan de oprichter zelf.