De ontwikkelingen in AI gaan snel, maar het meeste nieuws raakt je werk niet. Deze vier wel.

1. Anthropic bouwt kostenbeheersing in. Anthropic voegde aan zijn zakelijke omgeving kostenbeheersing toe: modelrestricties per gebruikersgroep, waarschuwingen bij 75 en 90 procent van het budget, een dashboard per team en per gebruiker, en een export naar tools waarmee je die kosten volgt. De aanleiding is duidelijk. AI is een variabele kostenpost geworden en het prijsverschil tussen het goedkoopste en het duurste model loopt flink op. Budgetten uit 2024 kloppen niet meer.

2. OpenAI lanceert GPT-5.6 en ChatGPT Work. OpenAI bracht een nieuwe modelfamilie uit, met varianten voor verschillende prijzen en prestaties, plus ChatGPT Work: een werkplek-assistent voor documenten, spreadsheets en presentaties. Dat is een directe aanval op Microsoft 365 Copilot. Voor finance betekent die concurrentie vooral ruimte om bij je volgende contractverlenging over de prijs te onderhandelen.

3. Microsoft richt Copilot in Excel op finance. Twee dingen maken het bruikbaar in plaats van leuk: herbruikbare skills, waarmee je een terugkerende taak zoals een variantieanalyse één keer bouwt en je collega’s die daarna met een klik gebruiken, en directe koppelingen naar databronnen zoals FactSet en S&P Global, zodat data binnenkomt zonder overtypen. Voor teams die op Microsoft draaien is dit de eerste release met een concrete productiviteitsclaim.

4. Wat kosten jullie AI-tokens? Bloomberg berichtte dat analisten CFO’s van beursgenoteerde bedrijven expliciet vragen wat hun AI-tokenverbruik kost. Zes maanden geleden stond dat niet op de agenda. Het laat zien waar dit heen gaat: AI-kosten worden een cijfer waar je op wordt bevraagd, ook in het MKB.

De rode draad: AI is uit de experimenteerfase en in de fase waarin je erop wordt afgerekend. Wie het behandelt als kostenpost én als productiviteitsdrijver, staat sterker in de budgetgesprekken van Q4.

De maandafsluiting duurt bij de meeste bedrijven vijf tot tien werkdagen. De rapportage kost dagen handmatig Excel-werk. Dit speelt bij vrijwel elk bedrijf tussen vijftig en vijfhonderd medewerkers.

Reken het eens door voor een finance-team van zes. Zes licenties kosten circa tweeduizend euro per jaar. Tel er eenmalig implementatie en training bij op en je zit rond de vijfenhalfduizend euro in jaar één. Tegenover een conservatieve drie uur tijdwinst per persoon per week, met een adoptiecorrectie naar zestig procent, staat een waarde van ongeveer vierentwintigduizend euro. Dat is een terugverdientijd van ongeveer drie maanden.

Het kostenverschil tussen de tools zit niet vooral in het merk maar in het model. Microsoft 365 Copilot, ChatGPT en Claude zitten in dezelfde orde van grootte per gebruiker per maand. Het echte onderscheid is licentie versus verbruik: een vaste licentie is voorspelbaar, betalen per gebruik schaalt mee maar kan oplopen.

De eerlijke nuance hoort erbij: tijdwinst is nog geen geld op de bank. Bespaarde uren worden pas waarde als je groei opvangt zonder bij te huren, of als je die uren inzet op analyse in plaats van overtypwerk. Zo gerekend houdt de businesscase stand, ook als je de helft van de winst zou wegstrepen.

De maandafsluiting duurt bij de meeste bedrijven vijf tot tien werkdagen. Dat is bijna altijd een procesvraag, geen capaciteitsvraag.

AI haalt daar tijd uit, maar niet waar de meeste teams het eerst zoeken. Niet in het boeken zelf, wel in alles eromheen: de toelichtingen, de eerste versie van de rapportage, het nalopen van reconciliaties op afwijkingen.

De grootste fout die we zien: een team automatiseert een rommelig proces in plaats van het eerst te vereenvoudigen. Dan gaat hetzelfde werk alleen sneller de mist in. Begin niet bij de tool, maar bij de stap in je afsluiting die elke maand het langst duurt.

Steeds meer routinewerk in de afsluiting wordt door AI-agents overgenomen. De vraag die daarbij hoort is of je de uitkomst kunt vertrouwen. Het antwoord is: alleen met een vaste controlestap en een opgeruimd proces eronder.

Het volledige stappenplan met een checklist per fase staat in onze Kennisbank.

De meest gestelde vraag over AI in finance is: welke tool moet ik kiezen. Het antwoord hangt niet af van welk merk het populairst is, maar van wat je wilt doen en waar je data staat.

Draait je bedrijf op Microsoft en werk je de hele dag in Excel en Outlook, dan begint het bij Copilot. Wil je vooral analyseren en lange documenten verwerken, dan zijn de losse chatmodellen zoals ChatGPT en Claude sterker.

Het onderscheid dat de meeste vergelijkingen overslaan gaat niet over merk maar over prijsmodel. Een vaste licentie per gebruiker is voorspelbaar en makkelijk te begroten. Betalen per gebruik schaalt mee met wat je echt doet, maar kan oplopen zodra taken automatisch achter elkaar draaien. Voor een team dat begint, is een vaste licentie bijna altijd het rustigst.

Onderzoek onder CFO’s laat zien dat de grootste drempels bij adoptie niet de tools zijn, maar governance, datakwaliteit en kosten. Kies dus niet alleen een tool, maar ook de afspraken eromheen.

De meeste AI-mislukkingen in finance hebben niets met de tool te maken. Ze ontstaan bij de aanpak eromheen. Dit zijn de zeven fouten die ik het vaakst tegenkom.

1. Beginnen zonder je data op orde. AI maakt rommelige data niet schoon. Het maakt de rommel alleen sneller zichtbaar, met een overtuigend verhaal eromheen. Ruim eerst je bronnen en definities op. Onderzoek wijst datakwaliteit en assurance steeds aan als de factor die bepaalt wie met AI wint en wie niet.

2. Vertrouwelijke cijfers in een tool zonder beleid. Zet geen bedrijfsdata in een tool waarvan niemand weet waar die heen gaat. Maak eerst afspraken met IT en je accountant over welke tool voor welke data mag. Onder de EU AI Act gelden bovendien strengere eisen voor toepassingen rond kredietbeoordeling en beslissingen over mensen.

3. Een rommelig proces automatiseren. Automatiseer geen proces dat je eerst had moeten vereenvoudigen, anders gaat hetzelfde werk alleen sneller fout. Vereenvoudig, standaardiseer, en automatiseer dan pas.

4. Blind vertrouwen op de output. Een toelichting die een model schrijft klinkt overtuigend, ook als hij niet klopt. Jij tekent de cijfers, dus jij controleert. Bouw een vaste controlestap in voordat iets naar buiten gaat.

5. Geen eigenaar en geen governance. Zonder iemand die verantwoordelijk is voor wat AI mag en oplevert, blijft het bij losse experimenten. Wijs een eigenaar aan en leg vast wie welke tool gebruikt en waarvoor.

6. De verkeerde tool voor de taak. Kies niet op merk maar op wat je doet en waar je data staat. De duurste of populairste tool is zelden de juiste voor elke taak, en dat scheelt ook in kosten.

7. Geen nulmeting, geen resultaat. Wie niet meet hoe lang een taak vóór AI kostte, kan achteraf geen winst aantonen. Leg een nulmeting vast en reken na negentig dagen af op cijfers. Zonder bewijs verzandt elk AI-initiatief in beloftes.

Wat de zeven fouten delen: AI versterkt wat er al ligt. Teams met een opgeruimd proces en heldere afspraken gaan sneller. Teams die hopen dat AI de chaos oplost, zien die chaos vergroot terugkomen.