Tegen dezelfde kosten transformeert AI uw financiële analyse. De competentie om ze te beoordelen maakt het verschil.

Een artificiële-intelligentiemodel schrijft vandaag, in enkele minuten, een resultatencommentaar, een kredietnota of een bedrijfswaardering die er juist uitzien. De productiekost van een plausibele financiële analyse is praktisch tot nul gedaald.

De kost van de verificatie ervan is niet bewogen. En dat is uitstekend nieuws voor wie ze weet te lezen.

Dit hebben nog maar weinig bedrijfsleiders geïntegreerd. Met een constant budget kan AI de efficiëntie van een financiële analyse vermenigvuldigen: waar een nota produceren uren vroeg, volstaan nu enkele minuten. De vrijgekomen tijd verdwijnt niet, hij verschuift naar wat echt waarde creëert: het oordeel en vervolgens de actie. Maar die omslag vindt slechts onder één voorwaarde plaats: de fundamenten beheersen die toelaten de machine te controleren. Zonder die basis doet AI u geen tijd winnen. Ze fabriceert, sneller, goed gepresenteerde fouten.

Een concreet voorbeeld. Het maandelijkse resultatencommentaar produceren kostte een financieel directeur twee tot drie uur: de cijfers extraheren, ze vormgeven, schrijven. Met AI valt dat deel terug op een twintigtal minuten productie en herlezing. Met hetzelfde budget blijven er meer dan twee uur over. Alles hangt af van hun besteding: ze herinvesteren in de actie. Opmerken dat de betalingstermijn van de klanten van 45 naar 62 dagen is gegaan, beslissen de vervaldagen met de twee grootste klanten te heronderhandelen, het effect op de thesaurie becijferen. AI heeft die waarde niet gecreëerd: ze heeft de tijd vrijgemaakt om ze te gaan zoeken waar ze zich bevindt, in de actie.

Waarde ontstaat dus noch uit het instrument alleen noch uit de mens alleen: ze ontstaat uit hun ontmoeting. Een AI die produceert, een menselijke competentie die beslist ze al dan niet te vertrouwen. Het is precies die competentie die wij bij Sagora opbouwen via opleiding en advies. En het is de betekenis van onze visie: financiën door de mens en voor de mens. Anders gezegd: financiën die pas zin hebben wanneer ze echte beslissingen verhelderen en de mensen dienen die ze dragen.

Voor een bedrijfsleider of een financieel manager is de zeldzame competentie niet langer de analyse produceren: het is weten welke vraag te stellen, een fout cijfer herkennen en de grens zien waarachter het instrument afhaakt. Drie gegevensreeksen objectiveren die diagnose. Hier zijn ze, met wat ze concreet betekenen voor uw beslissingen.

Begrijpen: reële capaciteiten, maar smaller dan de belofte

Laten we beginnen met meten in plaats van geloven.

De benchmark “Finance Agent” van Vals AI legt de grote AI-modellen 927 vragen voor die gemodelleerd zijn op het werk van een junior financieel analist: opzoekingen in honderden pagina’s gepubliceerde jaarrekeningen, aanpassingen van het ene jaar op het andere, berekeningen in meerdere stappen. In de versie van mei 2026 blijft het beste geteste model steken op ongeveer 52% juiste antwoorden. In de meest veeleisende categorieën, waaronder financiële modellering, zakken de beste modellen naar 23% juiste antwoorden.

Het instrument is dus nuttig. Het is alleen niet betrouwbaar op zichzelf. En vooral: zijn betrouwbaarheid is niet uniform. Ze tekent een onregelmatige grens, performant hier, falend daar.

Dat is precies wat “Navigating the Jagged Technological Frontier” (Dell’Acqua et al., 2023) aantoont, de meest geciteerde veldstudie over het onderwerp, uitgevoerd door de Harvard Business School met de Boston Consulting Group bij 758 consultants. Binnen de perimeter waar AI performant is: ongeveer 25% tijdswinst en een duidelijk hogere kwaliteit. Buiten die perimeter: 19 procentpunten minder succes dan de groep die zonder AI werkte. Het instrument hield niet alleen op te helpen, het verslechterde de prestatie.

Het meest verontrustende punt van de studie past in één zin: men delegeert het meest waar het instrument het zwakst is. Omdat de grens onzichtbaar is, wordt het vertrouwen slecht gekalibreerd. En het is die slechte kalibratie, veel meer dan de technologie zelf, die het risico vormt. Zich vormen is eerst en vooral leren die grens te zien.

Decoderen: het gevaar is niet de zichtbare fout, maar de fout die er juist uitziet

Een grove fout wordt opgemerkt. Een goed vormgegeven fout wordt ondertekend.

In oktober 2025 betaalde Deloitte de laatste schijf terug van een contract met een totale waarde van 440.000 Australische dollar, gesloten met de Australische overheid, nadat in het opgeleverde rapport een twaalftal onbestaande referenties en een verkeerd geciteerde rechterlijke uitspraak waren ontdekt. Dat is geen beginnersfout: het is wat er gebeurt wanneer een generatief instrument in de productieketen binnenkomt zonder dat de controleketen wordt herdacht.

Het juiste beeld is dit.

Niemand zou blindelings de nota van een stagiair in zijn eerste week ondertekenen. De echte vraag is waarom we daartoe geneigd zijn zodra dezelfde tekst uit een machine komt.

Een voorbeeld uit onze onderwijspraktijk illustreert het goed. Gevraagd naar de waarde van een onderneming stelt AI spontaan een benadering via multiples voor: op uw EBITDA de coëfficiënt toepassen die bij vergelijkbare transacties wordt waargenomen. Dat is de dominante marktpraktijk en dat is precies het probleem. Multiples zijn een marktreferentie, een vergelijkingstaal, hoogstens een coherentiecontrole: ze vormen geen waarderingsmethode. Twee ondernemingen met dezelfde EBITDA kunnen het dubbele van elkaar waard zijn, afhankelijk van hun groei en de kwaliteit van hun beheer. De waarde van een onderneming komt overeen met haar geactualiseerde toekomstige kasstromen en het echte debat gaat over de hypothesen: de opportuniteitskost van het kapitaal, de normatieve groei, de bestendigheid van de stromen. Wanneer men een hypothese corrigeert die het instrument alleen had gesteld, zonder het te zeggen, meet men hoever de waarde verschuift. Het instrument reproduceert de dominante praktijk; het kiest niet de correcte methode in uw plaats. Een pedagoog wel.

Een laatste element dat managers nog onderschatten: verantwoordelijkheid laat zich niet delegeren. De Europese AI-verordening (verordening (EU) 2024/1689) legt sinds februari 2025, via artikel 4, een voldoende niveau van AI-geletterdheid op aan organisaties die deze systemen inzetten, en het merendeel van haar verplichtingen geldt vanaf augustus 2026. Een cijfer ondertekenen dat door een machine is geproduceerd, blijft ondertekenen, met alle gevolgen inzake verantwoordelijkheid.

Handelen: drie reflexen te installeren vóór het volgende rapport

Wat hiermee concreet te doen? Drie reflexen, in deze volgorde.

De fundamenten versterken, niet vervangen. AI heeft de financiële grammatica niet veranderd: een kasstroom blijft een kasstroom, een hypothese blijft een hypothese. Het is precies de methode die toelaat de machine te controleren. Een manager die geen analyse kan opbouwen, zal er geen kunnen verifiëren en zal uiteindelijk ondertekenen wat hij niet begrepen heeft.

De grens in kaart brengen door ze te testen, niet door ze te decreteren. Onderscheid wat het instrument goed en zonder groot risico doet (gegevensextractie, structurering, vormgeving, eerste lezing, herformulering) van waar het gevaarlijk is (keuze van de hypothesen, beoordeling van de gegevenskwaliteit, conclusie, aanbeveling). De beste oefening die wij kennen: een team een analysenota overhandigen die door een AI op echte jaarrekeningen is geproduceerd, met een dubbele opdracht, ze valideren en ze dan breken. Men vindt er bijna altijd meerdere fouten, waarvan minstens één die de conclusie verandert. Het is het meest doeltreffende vaccin tegen slecht gekalibreerd vertrouwen.

Eén vraag stellen vóór alle andere: waar komt dit cijfer vandaan. Elk gegeven dat in een beslissing wordt overgenomen, moet een identificeerbare bron hebben. De vertrouwelijkheid van de bedrijfsgegevens en de traceerbaarheid van wat werd geproduceerd, worden behandeld als startvoorwaarden, niet als een stijlclausule.

Casestudy: “990 euro, gewoon om op een knop te drukken?”

Een klant ondervraagt ons, sceptisch, over de prijs van een analyse van zijn interne rekeningen: 990 euro. Zijn redenering past in één zin: “Het volstaat op een knop te drukken.”

Dat is precies het misverstand dat AI installeert. De knop bestaat, inderdaad. Wat hij niet ziet, is alles wat errond speelt.

Ik antwoordde hem, met een glimlach: om licht te hebben volstaat het ook op een knop te drukken. En toch betalen we graag voor alle technologie, het netwerk en de dienstverlening die dat eenvoudige gebaar mogelijk maken. De knop is nooit het product. Hij is het zichtbare deel van werk dat wél waarde heeft.

Achter die 990 euro zit geen automatische extractie. Er zit de ontwikkeling van de analyse, de lezing van de cijfers verbonden met de realiteit van zijn onderneming, de pedagogie die het resultaat begrijpelijk en bespreekbaar maakt en, vooral, de actiehefbomen: wat te beslissen, in welke volgorde, met welk verwacht effect. Het opgeleverde document is geen wegwerpnota. Het is een financieel rapport dat standhoudt in een raad van bestuur en op een algemene vergadering.

Wij zitten niet in de conformiteit. Wij zitten in de analyse: begrijpen, decoderen, handelen. Op een knop drukken produceert een tekst. Begrijpen wat hij zegt, hem verifiëren en hem omzetten in een beslissing: dat is wat een prijs heeft, omdat dat is wat waarde heeft. Financiën door de mens en voor de mens, tot in de hefboom van de acties ten dienste van de teams.

De voorraad is reëel en nog grotendeels onaangeboord

Deze voorzorgen zijn geen pleidooi tegen het instrument. De winsten zijn concreet voor wie het binnen zijn perimeter gebruikt: de Harvard-BCG-studie meet ze, ongeveer 25% tijdswinst en een hogere kwaliteit waar het instrument op zijn plaats is. Een manager die deze grens beheerst, produceert sneller, verkent meer scenario’s en besteedt zijn tijd waar hij telt: aan het oordeel.

En dat voordeel ligt nog voor het grijpen. Volgens “The GenAI Divide: State of AI in Business 2025”, een rapport van Project NANDA, verbonden aan het MIT Media Lab, levert ongeveer 95% van de generatieve AI-pilootprojecten in ondernemingen geen meetbare impact op de resultatenrekening op. En de enquêtes van Gartner bij financiële directies plaatsen de interne competenties en de gegevenskwaliteit bovenaan de remmen op adoptie, vóór de technologie en vóór het budget. Anders gezegd: wat ontbreekt is niet de technologie, het is de competentie om ze in waarde om te zetten.

Men hoort vaak dat AI de financieel manager niet zal vervangen, maar dat de manager die ermee kan werken degene zal vervangen die het niet kan. De formule is slechts waar onder één voorwaarde en die verandert alles: ermee kunnen werken is niet weten hoe ze te laten produceren, het is weten hoever ze te vertrouwen. De te maken omslag past in één zin: overgaan van “wat kan het instrument in mijn plaats doen” naar “wat moet ik, zelf, kunnen verifiëren”. Dat antwoord heeft waarde en het zal waar blijven wanneer de instrumenten van naam veranderd zijn.

Het is precies daaraan dat wij bij Sagora werken door opleiding en advies op elkaar af te stemmen: de fundamenten die toelaten te oordelen en de grens van het instrument, getest op echte cases. Tegen dezelfde kosten beslist die beheersing of AI u tijd doet winnen of u sneller doet ondertekenen.

Het aanbod van Sagora, concreet

Deze beheersing tot uw dienst stellen blijft geen idee. Dit zijn de vier manieren waarop wij ze operationeel maken.

• Analyserapport met verklarend gesprek. Vanaf 990 € excl. btw. Een volledige analyse van uw bij de NBB neergelegde jaarrekeningen. En vooral een gesprek van 45 minuten waarin wij u de resultaten met helderheid en pedagogie uitleggen: wij vertalen de cijfers in concrete actiehefbomen, zodat u weet wat te beslissen en in welke volgorde. U ontvangt geen rapport, u vertrekt met een plan.

• Analyserapport op interne rekeningen. Dezelfde striktheid toegepast op uw interne rekeningen, zo dicht mogelijk bij de beheersrealiteit. Een fijne sturing in plaats van een foto van de wettelijke neerlegging, met de hefbomen die eerst geactiveerd moeten worden.

• Gekozen concurrentiële benchmark. U kiest de concurrenten, wij maken ze leesbaar. U situeert uw prestatie en ziet precies waar in te grijpen om de kloof te dichten.

• Opleiding en advies. De fundamenten die toelaten te oordelen en de grens van het instrument, getest op uw echte cases. U wint de autonomie om elke analyse om te zetten in een gedragen beslissing, zonder van het instrument af te hangen.

Laten we erover praten: formations@sagora.eu.

Bronnen

• Vals AI, “Finance Agent Benchmark” (v2), mei 2026: www.vals.ai/benchmarks

• Dell’Acqua, F. et al., “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality”, Harvard Business School Working Paper 24-013, september 2023: hbs.edu

• Internationale pers over de gedeeltelijke terugbetaling van Deloitte aan de Australische overheid (DEWR-rapport), oktober 2025, onder meer Fortune.

• Verordening (EU) 2024/1689 van 13 juni 2024 (AI-verordening), artikel 4: eur-lex.europa.eu

• Project NANDA (MIT Media Lab), “The GenAI Divide: State of AI in Business 2025”, rapport 2025.

• Gartner, “Gartner Survey Shows Finance AI Adoption Remains Steady in 2025”, persbericht, november 2025.

Sagora Finance, redactionele lijn. Artikel verankerd aan de opleidings- en adviesprogramma’s van Sagora en aan het aanbod van Sagora Analytics (auteur: Prof. Mathias Schmit).

Waarschuwing: Dit artikel heeft een informatief en pedagogisch doel. De geciteerde gegevens komen uit de hierboven vermelde bronnen; het klantenvoorbeeld is geanonimiseerd. Het vormt geen beleggingsadvies.

www.sagora.eu