Wat AI vandaag wel en niet kan voor finance-werk

AI voor finance-werk steunt op twee verschillende capaciteiten: kennis uit training (statisch, breed, gemiddeld) en capabilities + koppelingen (specifiek, actueel). Wie dat onderscheid negeert behandelt AI als Google en loopt tegen hallucinaties aan op precies de plekken waar het pijn doet — in cijfers, in regelgeving, en in klant- of leveranciersgegevens.

Een AI-model is geen boekhoudsysteem en ook geen database. Het is een neuraal netwerk dat tijdens training patronen heeft opgeslagen uit miljarden teksten — algemene kennis, geen feiten over jouw bedrijf. Zodra die training klaar is, wordt het model bevroren. Wat het "weet" over finance is wat in die training is verankerd: hoe een grootboek werkt, hoe een jaarrekening is opgebouwd, wat IFRS 15 op hoofdlijnen voorschrijft. Wat het niet weet, is jouw rekeningschema, jouw klantenlijst, jouw maandafsluiting van vorige maand. Dat moet er telkens bij — via capabilities en koppelingen.

Dat onderscheid — kennis versus capabilities — is voor finance-teams de belangrijkste mentale kapstok. Wie het negeert, behandelt AI als Google en loopt tegen hallucinaties aan op precies die plekken waar het pijn doet: in cijfers, in citaten van regelgeving, en in specifieke klant- of leveranciersgegevens.

Wat het model in zijn hoofd heeft — en wat dat voor finance betekent

Tijdens training leest een model honderden miljarden woorden, inclusief boekhoudkundige handboeken, fiscale wetteksten en jaarrekeningen. Daar leert het patronen uit: hoe een journaalpost is opgebouwd, hoe een aansluiting werkt, welke begrippen bij elkaar horen. Drie concrete gevolgen voor finance-gebruik:

• Het model weet niets van jouw rekeningschema. Vraag je naar "kostenplaats 4150", dan komt er een plausibel ogend maar verzonnen antwoord — tenzij je het rekeningschema meegeeft als context.
• Het model rekent niet écht. Vraag 4 × 4 en je krijgt 16, want dat patroon zit er miljoenen keer in. Vraag een Excel-extract van 2.000 regels op te tellen en je krijgt een plausibel cijfer dat vaak fout is — tenzij het model code uitvoert om het werkelijk te berekenen.
• Fiscale tarieven, drempels en regels veranderen. Een model met training cutoff in 2024 kent niet de BTW-aanpassing van vorig kwartaal, niet de gewijzigde MIA-percentages, niet de meest recente RJ-bulletin. Citeert het ze toch overtuigend? Dat is precies het probleem.

Kennis in een AI-model is dus: breed, statisch, en gemiddeld. Goed in wat overal op internet staat, slecht in wat specifiek voor jouw bedrijf is of recent is veranderd.

Capabilities — waar de praktische finance-waarde vandaan komt

Capabilities zijn de gereedschappen die naast het model staan. Het model leert tijdens training om ze in te zetten als de vraag dat vereist. Voor finance-werk zijn er een handvol die er echt toe doen:

• Code-execution. Het model draait Python in een sandbox om écht te rekenen, een Excel-extract te filteren, een tijdreeks te analyseren. Voor cijferwerk verschuift dit van "raden door tokens" naar "deterministische uitkomst". Vraag altijd om een berekening, niet alleen een antwoord — dan zie je of code is gebruikt.
• Vision. Een gescande factuur, een handgeschreven bonnetje, een bankafschrift in PDF — vision-capability haalt de bedragen er uit. Het maakt OCR-werk dat eerder tot een aparte tool behoorde tot deel van een AI-workflow.
• RAG en file-uploads. Een close-handboek, jullie rekeningschema-toelichting, het BTW-handboek van een klant — niet in elke prompt plakken, maar als knowledge base aan een assistent koppelen. Het model raadpleegt op-aanroep.
• Connectors en MCP. De directe koppeling met Exact, MS365, banking-portals — zodat het model live data ophaalt in plaats van wat jij geplakt hebt. Voor serieus finance-werk is dit waar het interessant wordt.
• Web search. Voor actuele fiscale tarieven, recente IFRS-updates, of het VIES-BTW-nummer-check is web search het verschil tussen verouderde knowledge en bruikbaar antwoord.

Een "slimmer" model lost meestal minder op dan een model met de juiste capability aan. Voor een controller die een variance-analyse wil, is code-execution wezenlijker dan extended-thinking.

Waarom dit voor finance specifiek belangrijk is

Drie redenen waarom het onderscheid in finance-context strikter telt dan elders.

Betrouwbaarheid op cijfers. Een model dat puur uit knowledge antwoordt op een cijfervraag, is bezig met patronen — niet met geverifieerde feiten. Een capability (code, file-upload, MCP-koppeling) zorgt voor grond onder de voeten. Bij externe rapportage is dit verschil het verschil tussen audit-proof en audit-bevinding.

Modelkeuze is minder belangrijk dan tier en capability-set. Frontier-modellen begin 2026 — GPT-5, Claude Opus 4.5/Sonnet 4.5, Gemini 3 Pro — presteren op kennis vrij vergelijkbaar. Het verschil zit in welke capabilities eromheen zitten en in welke tier je gebruikt. Claude in Claude.ai met file-uploads en MCP heeft een andere capability-set dan dezelfde Claude via Microsoft Copilot. Hetzelfde model, andere praktische bruikbaarheid voor finance.

Data-security per tier. Een grootboek-extract uploaden in een consumer-ChatGPT-account is een ander juridisch traject dan dezelfde upload in Claude Enterprise met DPA. Voor finance-data is een enterprise- of API-pad vrijwel altijd de enige verantwoorde route. Zie AI-governance voor finance voor de tier-classificatie.

Een mentaal model dat houdbaar is

Zie het AI-model als een ervaren externe controller die een jaar geleden bij jullie is langs geweest, sindsdien niets meer heeft gehoord, en nu opnieuw mag adviseren. Hij weet veel over finance in het algemeen. Hij weet niets over wat er sinds vorig jaar in jullie administratie is gebeurd, niets over de laatste BTW-tariefwijziging, en niets specifieks over klant X.

Capabilities zijn zijn collega's en gereedschappen: de Exact-koppeling waarmee hij actuele saldi opvraagt, de rekenmachine waarmee hij niet hoeft te raden, de mappen met jullie close-handboek waar hij in mag bladeren. De kunst is niet om hem slimmer te maken, maar om hem de juiste gereedschappen te geven en duidelijke opdrachten met de juiste context.