45% van de financieel leiders heeft geen basisregels voor AI-gebruik

Bijna de helft (45%) van de organisaties die zichzelf tot de ‘AI-leiders’ rekent, beschikt niet over het minimale governancekader dat nodig is om AI verantwoord op te schalen in finance workflows. Dat blijkt uit nieuw onderzoek van Payhawk.

Het onderzoek weerlegt ook de gangbare aanname dat AI-volwassenheid zich langs een vaste ladder ontwikkelt. Zelfs binnen de categorie ‘leiders’ valt de AI-gereedheid uiteen in zes afzonderlijke adoptieprofielen, elk met andere tekortkomingen. Uit de data blijkt dat de werkelijke belemmering voor opschaling niet de AI-capaciteit zelf is, maar de beheersbaarheid ervan: de mate waarin een organisatie kan verantwoorden, herleiden en controleren wat AI doet binnen de finance workflows.

Deze bevindingen zijn gebaseerd op een wereldwijd onderzoek onder 1.520 financeen bedrijfsleiders. ‘AI-leiders’ (deelgroep n=405) zijn gedefinieerd als organisaties die hun AI-volwassenheid beoordeelden met een 7 of hoger op een schaal van 10.

‘Regelschuld’ en ‘dataschuld’: waarom AI-programma’s vastlopen

Vijf operationele vereisten bepalen of AI binnen finance workflows de stap kan zetten van ‘geïmplementeerd’ naar ‘operationeel’: uitvoeringsmaatregelen, minimale gebruiksregels voor AI, vaardigheden en instrumenten, een toegewezen budget, en data die geschikt is voor AI-analyse. Slechts 26% van de AI-leiders heeft alle vijf vereisten op orde.

Het onderzoek onderscheidt zes operationele profielen op basis van de scores op deze vijf vereisten:

• Opgeschaalde adopteerders (26,9%): sterk op alle vijf vereisten. Deze organisaties beschikken over een volledig operationele AI-infrastructuur.
• Stapsgewijze verbeteraars (17,5%): AI-gereedheid is verspreid aanwezig, maar nergens echt sterk ontwikkeld.
• Uitvoeringsgedreven implementeerders (16,0%): sterk op uitvoering en vaardigheden, maar de basisregels ontbreken. Het duidelijkste voorbeeld van ‘regelschuld’.
• Agent-first, controle-later (14,1%): enthousiasme en experimenteerdrang lopen ver voor op governance. Basisregels ontbreken en de uitvoeringsgereedheid schiet tekort.
• Governance-voorwaartse opschalers (13,8%): sterke regels en uitvoering, maar de datagereedheid is zwak (slechts 30% scoort hier sterk). Het duidelijkste voorbeeld van ‘dataschuld’.
• ‘Control first’ planners (11,6%): vaardigheden, budget en data zijn relatief sterk, maar uitvoeringsmaatregelen ontbreken. De capaciteit is er, maar wordt niet benut.

Deze twee structurele tekortkomingen, ‘regelschuld’ en ‘dataschuld’, verklaren waarom opschaling zo vaak vastloopt.

• Regelschuld ontstaat wanneer organisaties AI sneller inzetten dan zij hun governance inrichten. Dit leidt tot systemen die niet kunnen worden gecontroleerd, verantwoord of veilig ingebed in werkprocessen met goedkeuringen, compliancevereisten of financiële controlemechanismen. Twee profielen, Uitvoeringsgedreven implementeerders en Agent-first, controle-later, vertonen dit patroon en vertegenwoordigen samen circa 30% van de leiders.
• Dataschuld ontstaat wanneer governance en uitvoering wel op orde zijn, maar de onderliggende data inconsistent, onvolledig of gefragmenteerd is. In dat geval kan een organisatie het AI-gebruik beheersen, maar niet vertrouwen op de uitkomsten op grotere schaal. Het meest uitgesproken voorbeeld hiervan zijn de Governance-voorwaartse opschalers.

Uit het onderzoek blijkt een opvallende onevenwichtigheid. Terwijl 78% van de zelfbenoemde ‘AI-leiders’ aangeeft over sterke vaardigheden en instrumenten te beschikken, heeft slechts 55% basisregels voor governance ingevoerd, de laagst scorende factor van alle vijf.

De regelschuld verklaart waarom veel organisaties op papier ‘gevorderd’ lijken, maar er niet in slagen verder te komen dan kleine, ondersteunende toepassingen. Dit doet zich vooral voor in kleinere organisaties die snel bewegen. De dataschuld verklaart waarom andere organisaties gedisciplineerd en goed bestuurd lijken, maar toch niet in staat zijn AI te verankeren in de kern van hun financiële bedrijfsvoering. Die schuld concentreert zich in complexe, sterk gereguleerde omgevingen.

Het onderzoek signaleert ook een veelvoorkomende en kostbare onjuiste afstemming: organisaties die investeren in meer AI-capaciteit terwijl de echte hindernis de governance-infrastructuur is, of die beleidsraamwerken maken terwijl de echte hindernis de datakwaliteit is. In beide gevallen stagneert de voortgang, omdat niet de juiste beperking wordt aangepakt.

“Het gevoel dat AI in finance ongelijkmatig opschaalt, komt doordat organisaties op verschillende snelheden vordering maken op de capaciteiten die opschaling vereisen”, aldus Hristo Borisov, CEO en medeoprichter van Payhawk. “Veel organisaties investeren in meer AI, terwijl de echte knelpunten elders liggen – in regels of in data. AI opschalen in finance is in de kern een vraagstuk van orkestratie: het op elkaar afstemmen van regels, data en verantwoording dwars door werkprocessen heen. Wie slechts een deel van de benodigde randvoorwaarden aanpakt, loopt vast in afwegingen en blijft hangen in ondersteunende toepassingen.”

Lees nu het hele rapport.