Veel finance-organisaties experimenteren met AI, maar slechts weinigen halen er echte waarde uit. Succes hangt minder af van het model zelf, en meer van robuuste processen, duidelijke kaders, controleerbare workflows en de juiste organisatiestructuur. Door te focussen op meetbare taken zoals factuurverwerking, reconciliatie en uitgavenbeheer, en compliance vanaf het begin te integreren, kunnen AI-pilots eindelijk worden omgezet in tastbare winst.
Als je met raden van bestuur praat, “doet iedereen iets met AI.” Maar als je naar de P&L kijkt, bijna niemand. Die kloof, grote ambitie, weinig impact, stond centraal tijdens een Financial Times-webinar (in samenwerking met Payhawk). Geen zoveelste hypesessie, maar een praktische gids om uit de pilot paralysis te komen.
Het webinar, met gasten zoals Ermir Qeli van Swiss Re, Lilia Christofi van PwC en Gaurav Sawhney van Barclays, begon met een duidelijke constatering: Hoewel 82% van de finance leaders zegt open te staan voor AI, is slechts ongeveer 20% van de bedrijven voorbij de proof-of-conceptfase (PoC) gekomen om echte waarde te realiseren.
Wat het gesprek interessant maakte, was dat de sprekers het niet hadden over “het model van de week.” Ze spraken over de operationele realiteit – kaders, architectuur, prikkels en het echte werk van het herinrichten van finance processen.
De basis bepaalt of AI een succes wordt of een risico
Payhawk co-founder en CEO Hristo Borisov verwoordde wat veel klanten fluisteren: pilots mislukken wanneer glimmende tools niet voldoen aan de enterprise-checklist. In een tijdperk waarin software niet alleen tekst genereert maar ook zelfstandig handelt, zijn afgebakende rechten, duidelijke workflowgrenzen en onveranderbare audittrails geen luxe, maar voorwaarden om naar productie te gaan. “Niet spannend,” gaf hij toe, “maar zonder die basis blijft de kloof tussen intentie en impact bestaan, en blijven PoC’s hangen in theorie.”
Gaurav Sawhney van Barclays sloot daarop aan met een praktische “autonomieladder” – human in command → human in the loop → human over the loop – en een waarschuwing: in agentische workflows verspreiden fouten zich razendsnel zonder zorgvuldige beslislogboeken. Finance heeft behoefte aan auditability, explainability, reliability en repeatability – vanaf dag één ingebouwd.
Met andere woorden: governance ís het product.
Het gaat niet alleen om tech, maar ook om mensen en processen
Lilia Christofi van PwC ging in tegen de neiging binnen de sector om te experimenteren om het experimenteren zelf. Slechts “misschien één procent” van de organisaties heeft de volwassenheid om AI op schaal te gebruiken, zei ze, omdat succes vraagt om het herontwerpen van cultuur, organisatiestructuur en operationele modellen, niet alleen om nieuwe technologie te implementeren. Voor nu zijn veel bedrijven beter af met een gecentraliseerde AI-stack die zorgt voor consistentie en controle, en die na verloop van tijd kan worden opgeschaald.
Die centralisatie hoeft niet star te zijn. Christofi beschreef een modulaire aanpak waarbij een “agent” in feite een systeem van agents is – met taaklogica, prompts, kaders en validatie- en controleagents die elkaars werk nakijken. De architecturale vraag is hoe ver je componenten kunt hergebruiken tussen domeinen zoals inkoop of legal. Hoe je die keuze ook maakt, je hebt tool-orkestratie nodig en de discipline om voortdurend te blijven investeren in R&D, niet alleen in demo’s.
Platforms verslaan losse modellen
Ermir Qeli van Swiss Re bracht praktijkvoorbeelden uit de verzekeringswereld, een van de weinige finance-sectoren die voorbij het PoC-theater lijkt te zijn. Zijn team is “ver voorbij de pilotfase” met use cases binnen de ongestructureerde datawereld van finance, waaronder claimsverwerking, fraudedetectie en contractanalyse. De belangrijkste les was niet “kies model X”, maar: bouw een AI-platform waarin modellen kunnen worden vervangen zonder dat governance, processen of meetbaarheid breken. Dat is hoe je omgaat met een landschap dat wekelijks verandert.
Qeli maakte ook een subtieler punt: foundation models begrijpen je bedrijf niet. Er bestaat geen model dat een risico kan beoordelen of een claim volledig kan afhandelen. Dat is goed nieuws voor gevestigde spelers – zolang ze de juiste “vertalerrollen” invullen die domeinkennis combineren met AI-expertise en projecten richten op concrete bedrijfsdoelen. Zo vermijd je de valkuil van eindeloos experimenteren en realiseer je echte impact.
Regelgeving is geen excuus, maar onduidelijkheid wel
Ja, regelgevingskaders verschillen: de risiconiveaus van de EU AI Act, de sandbox-aanpak in het VK en de sectorspecifieke regels in de VS. Maar de paneldiscussie was verrassend pragmatisch: beschouw de EU AI Act als een pijler van een wereldwijd raamwerk, pas dit vervolgens aan voor APAC en de VS; verwacht dat toezichthouders duidelijkheid en herstelmaatregelen eisen, niet alleen dat bedrijven data verzamelen; en ga ervan uit dat frauderisico’s toenemen door AI, waardoor expliciete controles nodig zijn over welke data agents mogen gebruiken en waar die data naartoe gaat. Beter goed voorbereid met wat je wél weet dan te wachten op perfecte afstemming tussen wetgevers.
Wat nu echt het verschil maakt
Het gesprek draaide steeds terug naar afgebakende, gesloten financeprocessen waar waarde snel en meetbaar is: het najagen van bonnetjes en declaraties, het extraheren van factuurdata, het omzetten van transacties naar ERP-klare records en het sluiten van reconciliatielussen. Als je kunt kwantificeren hoeveel uren of FTE’s je bespaart, hoe cyclustijd daalt en hoeveel transacties automatisch worden gereconcilieerd, dan luisteren CFO’s. Als je dat niet kunt, doen ze dat niet. Payhawk richt zijn AI Office van de CFO expliciet in rond dit soort concrete resultaten.
Productiegericht werken, of helemaal niet
Christofi’s nuchtere beoordeling van de afgelopen achttien maanden – “dure experimenten” – sloeg aan omdat het overeenkomt met wat veel klanten ervaren. Haar compliment over Payhawk’s aanpak (“geen PoC’s meer, maar alles gestructureerd in productie brengen”) zal de keuze tussen leveranciers niet bepalen, maar onderstreept wel een bredere les voor de markt: productie is een productkeuze. Teams die die stap zetten, houden op met praten over AI-strategieën en beginnen te rapporteren over AI-inkomsten.
De cheat sheet voor CFO’s: zes manieren om uit de PoC-val te ontsnappen
- Zorg eerst voor de juiste kaders: Meet het percentage AI-acties met volledige, onveranderbare audittrails en het percentage dat binnen gedefinieerde rechten wordt uitgevoerd. Als die cijfers laag zijn, zal je eigen risicoteam de uitrol stopzetten.
- Kies gesloten use cases: Meet uren of FTE’s bespaard, kortere doorlooptijd, en automatische reconciliatiepercentages – geen onderbuikgevoel. Afgebakende taken met duidelijke nulmetingen maken het ROI-verhaal ijzersterk.
- Bouw een modelonafhankelijk platform: Meet hoe lang het duurt om een model te vervangen of te upgraden, de dekking van gedeelde orkestratie en de regressietests na veranderingen. Je concurrentievoordeel ligt in stabiele orkestratie en testen, niet in vendor lock-in.
- Meet meer dan kostenbesparing: Voor klantprocessen, meet CSAT (klanttevredenheid), first-contact resolution en afhandeltijd. Voor risico, meet verbeterde detectie en lagere foutmarges. Voor omzet, toon conversie of upsell door AI-gestuurde inzichten. Besturen willen winstgevende groei, geen demostatistieken.
- Leg de autonomieladder vast: Rapporteer het aandeel processen per autonomieniveau (in-command, in-loop, over-loop) en de gemiddelde hersteltijd wanneer mensen ingrijpen. Als je niet kunt uitleggen wanneer mensen aan zet blijven, kun je agents niet opschalen.
- Zie compliance als ontwerpprincipe: Bouw een wereldwijd kader op met de EU AI Act als pijler en playbooks voor regionale varianten in VK, VS en APAC. Meet de reactietijd voor audits en hoe snel bevindingen worden opgelost. Regelgeving is een randvoorwaarde, geen obstakel.
Het bredere verhaal hier is positief. Finance beweegt van ondersteunende AI naar controleerbare actie. Het concurrentievoordeel komt niet voort uit de keuze van het model, maar uit operationele discipline – het vermogen om AI-uitkomsten om te zetten in echte financiële resultaten. Na een jaar vol AI-demo’s ligt de lat hoger. De echte vraag is nu simpel: waar komt het geld binnen?
Georgi Ivanov is een voormalig CFO die nu marketing- en communicatiestrateeg is. Hij leidt de merkstrategie en AI-thought leadership bij Payhawk, waar hij zijn financiële kennis combineert met een vooruitstrevende manier van vertellen.
