Wat ik leerde van het bouwen van een AI-native financefunctie

Finance is een realtimefunctie geworden. Voor mij is de kans veel groter dan de boeken sneller afsluiten of een prognose vaker bijwerken. Het gaat erom veranderingen in het bedrijf direct te zien, leiders te helpen eerder te handelen en financiële teams meer tijd te geven om vorm te geven aan wat er daarna gebeurt.

Toen ik twee jaar geleden bij OpenAI begon, ondersteunde slechts een klein financieel team een bedrijf dat buitengewoon snel groeide. We moesten de functie vanaf de basis opbouwen en AI centraal stellen in hoe we werken, beslissingen nemen en het bedrijf ondersteunen.

Ik herkende ook het uitgangspunt. Bij de afsluiting en het bijwerken van prognoses kwam nog steeds handmatig, terugkerend werk kijken: informatie opzoeken, veranderingen verklaren en de input voor een beslissing samenstellen. We hadden toegang tot de geavanceerdste AI-tools ter wereld en leerden nog hoe we Finance daaromheen opnieuw konden inrichten.

Daarom stelden we twee ambitieuze doelen: een afsluiting op dag nul en geautomatiseerde, continu bijgewerkte prognoses.

Het idee achter een afsluiting op dag nul is om leiders een realtime, afgestemd en traceerbaar beeld van de financiële positie van het bedrijf te geven. Continue prognoses bouwen voort op die basis en laten zien hoe het bedrijf verandert, wat er daarna kan gebeuren en welke beslissingen het resultaat kunnen beïnvloeden.

We werken nog steeds aan beide ambities. Het werk heeft de manier waarop ons team opereert al veranderd. Het heeft ons voorbij de beperkingen van statische spreadsheets, handmatige zoekopdrachten naar ondersteunende documentatie en presentaties gebracht, naar live tools die zijn gebaseerd op de volledige context en data van het bedrijf. Het heeft financeprofessionals ook in staat gesteld de tools te bouwen die ze voor hun werk nodig hebben en hun expertise breder in te zetten.

Dat is voor mij de echte belofte van een AI-native financefunctie: een team dat begrijpt wat er gebeurt terwijl het gebeurt, leiders inzicht geeft in de keuzes die voor hen liggen en het bedrijf meer tijd geeft om te handelen zolang het resultaat nog kan veranderen.

Daarvoor is meer nodig dan alleen de invoering van nieuwe technologie. Het vereist dat we werk opnieuw inrichten rond de beslissingen die ertoe doen, mensen ruimte geven om te experimenteren, duidelijke verantwoordelijkheden in elke workflow verankeren en het betrouwbare werk meten dat AI uitvoert, zodat we een duidelijke ROI kunnen aantonen.

Dit zijn vijf praktische lessen uit onze ervaring die elke CFO kan toepassen.

De eerste stap was brede toegang. Mensen hebben de vrijheid nodig om AI binnen de context van hun eigen werk te verkennen. Toegang levert de meeste waarde op als die gepaard gaat met gestructureerde experimenten rond echte problemen.

We nodigden salesengineers uit voor een financehackathon en vroegen het team werk mee te nemen dat ze wilden transformeren. Een van de resultaten was IR-GPT, een aangepaste GPT die is gebaseerd op de goedgekeurde stukken waarmee ons investor-relationsteam due-diligencevragen beantwoordt. We begonnen ook aangepaste GPT's te bouwen voor onder meer inkoop en belastingen.

Dankzij de hackathon veranderde AI van een abstracte mogelijkheid in een werkende tool. In één dag konden mensen een terugkerende taak identificeren, een oplossing bouwen, die met collega's testen en verbeteren. De gebruiksscenario's kwamen van de mensen die het dichtst bij het werk stonden, terwijl technische experts hen hielpen sneller vooruitgang te boeken.

Voor CFO's is de les eenvoudig: je hebt zowel experimenten van onderaf als een strategie van bovenaf nodig. Geef mensen veilige, krachtige AI en laat degenen die het dichtst bij het werk staan betere werkwijzen vinden. Richt tegelijkertijd de aandacht en middelen van het leiderschap op de veranderingen die het belangrijkst zijn voor het bedrijf. De echte kans ontstaat wanneer beide samenkomen: praktische ideeën van de werkvloer die worden toegepast op je grootste prioriteiten.

Financiële teams besteden enorm veel energie aan het verzamelen van de input voor een beslissing. Voor een prognosebeoordeling moeten mensen soms de recentste data zoeken, spreadsheets afstemmen, afwijkingen verklaren, grafieken maken, documenten voorbereiden en die documenten omzetten in dia's. Uiteindelijk bereikt de analyse de beslisser, maar dan heeft het team al een groot deel van zijn tijd besteed aan de samenstelling ervan.

AI verandert de werkeenheid. Financeleiders kunnen het volledige traject van brondata tot beslissing opnieuw inrichten.

Neem de afsluiting. Elke CFO kent het maandelijkse proces: werkelijke cijfers in het ene systeem, inkooporders in een ander, overlopende posten in een spreadsheet en de verklaring voor een afwijking verborgen in een berichtenreeks.

We werken toe naar een ander operationeel model. De ambitie achter een afsluiting op dag nul is om goedgekeurde uitgavenplannen, werkelijke grootboekcijfers, inkooporders, overlopende posten en transactiegegevens samen te brengen in een continu afgestemd overzicht. Elke afwijking kan worden herleid tot de onderliggende activiteit. AI kan een eerste verklaring opstellen en uitzonderingen markeren die aandacht vereisen. Finance valideert de cijfers, past een deskundig oordeel toe en blijft verantwoordelijk voor de definitieve goedkeuring.

De afsluiting verdwijnt niet. Wat wel begint te verdwijnen, is de hectiek om na afloop van de periode te reconstrueren wat er in het bedrijf is gebeurd.

Die afgestemde basis kan een continu bijgewerkte prognose mogelijk maken. Ons team bouwt workflows die statistische modellen, verkoopgesprekken, bewijs op accountniveau, operationele data en het oordeel van Finance samenbrengen.

We laten de beperkingen van spreadsheets achter ons en stappen over op interactievere tools die de statistische prognose, het ondersteunende bewijs en de scenario's samenbrengen in één actueel overzicht. Leiders kunnen zien wat er is veranderd, waarom dat is gebeurd en welke beslissingen het resultaat kunnen beïnvloeden. Als een nieuwe klanttoezegging ontbreekt in de basisprognose, kan het systeem het ondersteunende bewijs tonen en laten zien welk effect een aanpassing op het kwartaal of jaar zou hebben. Finance kan de aannames onderzoeken, scenario's vergelijken en beslissen of de goedgekeurde prognose moet worden bijgewerkt.

Datzelfde overzicht kan leiders helpen betere beslissingen over kapitaalallocatie te nemen. Een financieel team kan zien waar marketinguitgaven rendement opleveren, waar de resultaten afvlakken en wat een andere besteding van de volgende euro kan betekenen.

Geautomatiseerde prognoses zijn het einddoel. Een voortdurend bijgewerkt overzicht, snellere scenarioanalyses en duidelijk eigenaarschap vanuit Finance brengen ons daar.

De bredere les is om te beginnen met een belangrijke beslissing en van daaruit terug te werken. Breng de data, tools, goedkeuringen en overdrachtsmomenten in kaart die daarvoor nodig zijn. Bepaal vervolgens welke onderdelen AI kan analyseren, coördineren of voltooien. Dit verbetert de snelheid en kwaliteit van de volledige besluitvormingscyclus.

De grotere transformatie is dat financeprofessionals nu zelf de tools kunnen bouwen die ze voor hun werk nodig hebben.

Recent onderzoek van OpenAI laat zien dat 40% van het gespecialiseerde AI-gebruik door financeprofessionals betrekking heeft op werk buiten het traditionele financiële domein, en 22% op technische taken.

Iedereen in mijn team bouwt aangepaste AI-dashboards en tools met ChatGPT Work en Codex. Het werk verschuift van statische Excel-modellen en PowerPoint-presentaties naar live dashboards die zijn gebaseerd op de volledige context en data van het bedrijf. Deze tools kunnen een analyse voortzetten, vervolgvragen beantwoorden en worden bijgewerkt wanneer de onderliggende informatie verandert.

Een collega die onze advertentietak ondersteunt, had nog nooit geprogrammeerd. Hij gebruikte Codex om een tool te bouwen die onze maandelijkse advertentieprognose omzet in week- en dagplannen. De tool houdt rekening met weekdagen en feestdagen, vergelijkt prognoses en koppelt elk cijfer aan het goedgekeurde model. Marketingleiders zien snel wat er is veranderd, waarin ze moeten investeren en wat extra uitgaven kunnen opleveren.

De mensen die het probleem begrijpen, kunnen nu de oplossing vormgeven. Door deze tools te bouwen, gaan ze ook anders kijken naar de gebruikelijke werkwijze. Een financeprofessional kan de besluitvormingsinfrastructuur bouwen die het bedrijf nodig heeft, deze met collega's testen en verbeteren naarmate het werk verandert.

Financiële teams worden niet minder gespecialiseerd. Ze kunnen hun expertise juist breder inzetten.

IR-GPT leerde ons een belangrijke les over beheersing. Voor due-diligencevragen van investeerders moet een analist soms eerdere stukken doorzoeken, een antwoord opstellen, de consistentie controleren en de beoordeling coördineren. Met een aangepaste GPT die is gebaseerd op goedgekeurde bronnen, kan werk dat voorheen uren duurde en soms 's nachts doorging nu binnen enkele seconden een sterk eerste concept opleveren.

De mens blijft een centrale rol spelen. Ons investor-relationsteam leest het concept, voegt een deskundig oordeel en context toe en controleert of onze antwoorden voor alle investeerders consistent blijven. AI versnelt het werk. Mensen blijven verantwoordelijk voor het resultaat.

Dat is het juiste model voor Finance. CFO's moeten samen met IT- en governanceteams bepalen tot welke data een AI-systeem toegang heeft, welke handelingen het mag uitvoeren, wanneer goedkeuring nodig is en wanneer een kwestie moet worden geëscaleerd. Elke uitvoer moet aan een betrouwbare bron zijn gekoppeld. Elke prognose moet een duidelijke toelichting bevatten. Voor elke wijziging van een goedgekeurde basisprognose moet Finance toestemming geven.

De korte hype rond "tokenmaxxing" is alweer voorbij. Het is nu eenvoudig om gebruikslimieten, budgetcontroles, rolgebaseerde toegang, regels voor modelroutering en goedkeuringsdrempels in te stellen. CFO's kunnen het AI-gebruik met dezelfde discipline beheren als elke andere variabele kostenpost en teams tegelijk ruimte geven om te bouwen en experimenteren.

Duidelijke verantwoordelijkheden scheppen het vertrouwen dat nodig is om sneller te handelen. Naarmate synthese, afstemming en voorbereiding sneller verlopen, krijgen financeprofessionals meer tijd om aannames ter discussie te stellen, het bedrijf te adviseren en hun oordeel te gebruiken.

CFO's hebben een scorecard voor AI nodig die is gebaseerd op operationele prestaties. Meer licenties kopen of meer tokens gebruiken zegt niet veel. Het gaat erom of het werk goed wordt uitgevoerd en wat het werkelijk kost.

Stel voor elke workflow vier vragen:

• Heeft AI belangrijk werk voltooid?
• Wat kostte het, inclusief de tijd van medewerkers, controle en herstelwerk?
• Was het resultaat goed genoeg om te gebruiken?
• Heeft het ons geholpen sneller te handelen of een betere beslissing te nemen?

Voor een financieel team kan nuttig werk betekenen dat een prognose is bijgewerkt, een afwijking is verklaard, een auditverzoek is afgehandeld of een vraag van het bestuur is beantwoord. Voor de afsluiting kan de scorecard de doorlooptijd omvatten, het aandeel automatisch afgestemde transacties, het aantal uitzonderingen dat moet worden beoordeeld en de tijd die nodig is om een afwijking te verklaren. Voor prognoses kan de scorecard de nauwkeurigheid, de frequentie van updates, de tijd die nodig is om een nieuw scenario op te stellen en de kwaliteit van de beslissingen die de prognose ondersteunt omvatten.

Het goedkoopste model is niet altijd het voordeligst. Als een beter model met minder pogingen en controles tot een betrouwbaar antwoord komt, kan het in totaal goedkoper zijn.

Finance bevindt zich op het kruispunt van strategie, kapitaal, data, risico en prestaties. Daardoor hebben CFO's een uniek beeld van hoe het bedrijf werkt en een krachtig mandaat om de AI-transformatie te leiden.

Een AI-native financefunctie kenmerkt zich door kortere cycli, sterkere controles, betere beslissingen en meer tijd voor oordeelsvorming. Het traject begint met een betekenisvolle workflow en breidt zich uit op basis van bewijs: geef mensen de tools, help ze het werk opnieuw in te richten, houd de verantwoordelijkheden duidelijk en meet het resultaat.

De afsluiting op dag nul en de continue prognose verwoorden een bredere ambitie: een financieel team dat begrijpt wat er gebeurt terwijl het gebeurt, leiders laat zien wat er daarna kan gebeuren en het bedrijf helpt sneller betere beslissingen te nemen.

Het resultaat is een financieel team met meer capaciteit en een CFO met een duidelijker beeld van het bedrijf. Het biedt ook een werkbaar model waarmee het hele bedrijf intelligentie kan omzetten in duurzame waarde. Zoals ik altijd zeg: je kunt niet worden wat je niet kunt zien. Als we willen dat onze financiële teams de mogelijkheden van AI omarmen, moeten we laten zien hoe dat eruitziet. En als CFO's moeten we bij onszelf beginnen.

Mijn financiële team heeft laten zien hoe dit er in de praktijk uitziet. Je kunt de opname hier bekijken⁠(opent in een nieuw venster).