Het AI-gereedheidsrapport voor CFO’s: Part 1

AI-volwassenheid in finance: waarom sommige teams opschalen en andere vastlopen

De rol van de CFO staat opnieuw op een kantelpunt. AI is geen toekomstige capability meer die je aan de randen van de organisatie verkent. Het raakt steeds dieper verankerd in dagelijkse financiële besluitvorming, van forecasting en goedkeuringen tot beheersing, compliance en rapportage. Dat klinkt overzichtelijk. Tegelijkertijd nemen economische druk, toezicht en operationele complexiteit in hoog tempo toe.

Dit rapport onderzoekt AI-volwassenheid in finance, waarom AI-adoptie zo ongelijk verloopt tussen organisaties en wat er daadwerkelijk bepaalt of AI veilig kan opschalen binnen CFO-workflows.

Voor finance leaders zorgt dit voor een herkenbare spanning. AI dringt dieper door in financiële processen, precies op het moment dat toezicht, risicoblootstelling en verantwoordingsplicht toenemen.

Net als eerder bij “digitale transformatie” belooft AI snelheid, efficiëntie en beter inzicht. Maar finance teams kunnen technologie niet adopteren op basis van enthousiasme of beloften over efficiëntie. Elk systeem dat uitgaven, goedkeuringen of data raakt, moet beheersbaar, auditbaar en verdedigbaar zijn onder toezicht. Niet anders dan elk ander financieel proces. En precies hier vertragen of stranden veel AI-initiatieven, zelfs bij organisaties die zichzelf zien als AI-gericht of technologisch volwassen.

Samenvatting: inzicht in ongelijke AI-volwassenheid en waarom orkestratie voorop staat

Om inzicht te krijgen in hoe CFO’s omgaan met dit veranderende landschap, werkte Payhawk samen met IResearch. Samen interviewden we wereldwijd 1.520 senior professionals voor een reeks van vier CFO-rapporten. De volledige methodologie vind je aan het einde van dit rapport.

Voor de analyse delen we organisaties in naar omvang: 50–250 medewerkers en 251+ (“at scale”).

Het onderzoek maakte snel duidelijk dat een veelgebruikte framing steeds minder klopt. Het idee dat AI-implementatie simpelweg een traject is van “pilot, uitrol, opschaling” is te simplistisch. In dit rapport betekent orkestratie: de beheersingsmechanismen die AI werk laten doen zonder goedkeuringen, audit trails of verantwoordelijkheid te doorbreken.

CFO’s vragen zich niet af of AI in theorie werkt of hoe eenvoudig het is om uit te rollen. Ze willen weten of AI kan draaien binnen echte workflows, zonder extra risico, zonder verlies van beheersing en zonder nieuwe auditrisico’s te creëren.

Het doel van deze studie is om het gesprek te verleggen van algemeen AI-volwassenheidsdenken rond “early versus late adopters” naar een relevantere vraag voor finance leaders: wat bepaalt in de praktijk of AI veilig kan opschalen binnen een finance organisatie? En hoe pas je dat toe?

Hoe we volwassenheid meten in dit onderzoek: Respondenten beoordeelden de AI-volwassenheid van hun organisatie op een schaal van 1 tot 10. Dit is een zelfgerapporteerde maat en moet worden gelezen als waargenomen volwassenheid, niet als een geauditeerde score. Maar in een markt waarin budgetten worden toegewezen op basis van perceptie, is waargenomen volwassenheid wel degelijk beslissingsrelevant.

Hier is één publish-ready Nederlandse versie, gevolgd door een korte Engelse toelichting op de belangrijkste keuzes.

Nederlandse versie (publiceerbaar)

Deze nieuwe inzichten geven je een praktische manier om te zien waar die frictie vandaan komt, nog vóór die zichtbaar wordt in vastlopende uitrol, een groeiend aantal uitzonderingen of weerstand bij audits. Concreet laat het zien:

• Waar AI-volwassenheid zich daadwerkelijk concentreert, in plaats van waar die wordt verondersteld
• Waarom zelfbenoemde ‘AI-leiders’ geen homogene groep vormen
• Waarom het opschalen van AI in finance steeds meer een vraagstuk wordt van operating model en orkestratie, en steeds minder van technologie

Aan het einde van dit rapport kunnen CFO’s scherp zien waar hun organisatie echt staat, wat AI structureel tegenhoudt om daadwerkelijk ROI te leveren, en waarom advies als ‘sneller bewegen’ of ‘meer pilots draaien’ binnen finance niet werkt.

Hoe AI-volwassenheid in finance er in 2025/26 echt uitziet

De markt is niet ‘vroeg’. Ze is ongelijk verdeeld.

In 2025 werd AI in finance vaak omschreven als ‘vroeg’: adoptie zou de grootste hobbel zijn, met een lineair pad van eerst pilots, daarna uitrol en uiteindelijk grootschalige automatisering. Met onderweg allerlei afwegingen tussen snelheid en zichtbaarheid.

Onze data laat iets anders zien. AI-volwassenheid in finance ontwikkelt zich niet langer als één golf, maar valt uiteen in clusters. AI in finance blijven bestempelen als ‘vroeg’ betekent dat je het probleem verkeerd diagnosticeert en teams richting generieke vervolgstappen stuurt die niet meer passen bij hun werkelijke beperkingen.

Bijna een derde van de respondenten ziet AI binnen de eigen organisatie zelfs niet als ‘vroeg’. Integendeel: zij beoordelen hun organisatie als sterk volwassen en positioneren zichzelf als leiders. In dit rapport gebruiken we die term ‘leiders’ consequent in beschrijvende zin, niet als oordeel over daadwerkelijke gereedheid. Later in het rapport blijkt namelijk dat juist deze groep uiteenvalt in zeer verschillende operationele realiteiten, zodra wordt gekeken naar wat zij veilig kunnen delegeren zonder dat risico’s sneller groeien dan de bijbehorende beheersing.

Voor de analyse delen we volwassenheid in drie niveaus:

• Lage volwassenheid: 1–3
• Middelmatige volwassenheid: 4–6
• Hoge volwassenheid: 7–10

Deze niveaus vormen geen ladder. Ze beschrijven waar organisaties zich vandaag clusteren, niet de volgorde waarin zij zich noodzakelijkerwijs zullen ontwikkelen.

Nederlandse versie (publiceerbaar)

Zit je in de 4–6 ‘middenmoot’, dan is je volgende stap niet méér pilots. Het zijn minimale spelregels en bruikbare data voor de workflows die je wilt delegeren.

Figuur 1 toont de verdeling van AI-volwassenheidsscores binnen de volledige steekproef (n=1.520). Drie structurele patronen springen eruit.

Het zwaartepunt ligt bij middelmatige volwassenheid. De meeste organisaties clusteren in de range 4–6. Deze teams experimenteren niet meer vanaf nul, maar opereren AI ook nog niet als een kerncapaciteit waarop je betrouwbaar kunt bouwen.

Voor CFO’s vormt juist dit middensegment het grootste uitvoeringsrisico: er is genoeg activiteit om verwachtingen te creëren, maar onvoldoende structuur om daadwerkelijk op te schalen.

Zelfbenoemde ‘leiders’ zijn talrijk, niet uitzonderlijk. Bijna een derde van de respondenten beoordeelt de eigen organisatie met een 7–10 op AI-volwassenheid. Daarmee is het label ‘leider’ breed genoeg om kritisch te bekijken en te divers om als één operationele realiteit te behandelen.

De markt beweegt ongelijk, niet sequentieel. De verdeling laat geen geleidelijke opwaartse verschuiving zien, maar gelijktijdige toestanden: een kleine groep die schaalt, een grote middenmoot die moeite heeft om activiteit om te zetten in operatie, en een staart die vroeg blijft. Juist deze spreiding, niet één enkel gemiddelde, typeert de markt vandaag.

Wat Figuur 1 niet laat zien, is of die volwassenheid ook beheersbaar is. Daarom hangt schaal in finance minder af van ambitie en meer van orkestratie tussen regels, data en verantwoordelijkheid. AI-adoptie houdt alleen stand als zij overeind blijft binnen beleid, controls, audit en accountability.

De ongelijk verdeelde volwassenheid in Figuur 1 is dus geen toeval. Ze voorspelt waar AI-initiatieven uitmonden in duurzame verandering van workflows en waar ze vastlopen, ongeacht vroege energie of ambitieuze scope.

Het risico voor finance teams is een verkeerde diagnose. Wanneer AI-initiatieven stagneren, ligt het falen zelden bij de use case zelf. Het zit in het moment waarop geautomatiseerde beslissingen botsen met beleid, auditvereisten of exception-afhandeling die nooit zijn ontworpen voor delegatie.

Zolang volwassenheid als één label wordt behandeld, blijven deze verschillen onzichtbaar. Dat is waarom generiek advies voor ‘leiders’ vaak niet verklaart waarom AI in sommige finance teams schaalt en in andere vastloopt.

Konstantin licht toe:

In finance is het opschalen van AI minder een integratieprobleem en meer een orkestratieprobleem. Integratie verbindt systemen en data, terwijl orkestratie bepaalt hoe werk door goedkeuringen, uitzonderingen, logging en eigenaarschap beweegt. CFO’s hebben beleidsgedreven controle, traceerbaarheid en exception-afhandeling nodig over workflows heen.

Dit leidt tot de volgende vraag: als AI-volwassenheid ongelijk verdeeld is, waar concentreert zij zich dan structureel, en welke voorwaarden bepalen die uitkomsten?

Nederlandse versie (publiceerbaar)

Hoe sector, omvang en complexiteit AI-adoptie in finance vormgeven

De data laat ook zien dat ongelijk verdeelde volwassenheid geen toeval is, maar duidelijke structurele lijnen volgt.

Een tweede trend uit het onderzoek is dat AI-gereedheid in finance sterk clustert per context. Twee organisaties kunnen even gemotiveerd zijn en toch een heel verschillend volwassenheidsniveau laten zien, omdat zij onder andere werken met andere dataomgevingen, processtandaardisatie, compliance-druk, schaalvoordelen en de kosten van het beheersen van verandering.

Voordat we analyseren hoe AI-leiders zich gedragen, brengen we eerst in kaart waar volwassenheid zich in de markt concentreert.

Contextdimensies die in de analyse worden gebruikt:

1. Sector:

• Tech: Software & Internet; IT & Elektronica
• Diensten: Zakelijke dienstverlening; Media & Entertainment
• Gereguleerd: Financiële dienstverlening; Healthcare & Pharma; Energie & Utilities
• Kern­economie: Alle overige sectoren, waaronder retail, productie, groothandel, logistiek, travel, onderwijs en consumentendiensten

2. Bedrijfsomvang:

• 50–250 medewerkers
• 251+ medewerkers

Door het hele rapport heen verwijst “op schaal” naar de groep met 251+ medewerkers. Dit markeert het punt waarop coördinatie, beheersing, systemen en change management primaire beperkende factoren worden.

Vanuit deze dimensies onderscheiden we zes contextsegmenten, die consequent worden aangeduid met naam en definitie:

• Tech op schaal (Tech, 251+)
• Diensten op schaal (Diensten, 251+)
• Snelle adopters, dunne beheersing (Tech/Diensten, 50–250)
• Gereguleerd op schaal (Gereguleerd, 251+)
• Kerneconomie op schaal (Overige sectoren, 251+)
• MKB-kernoperators (Gereguleerd/Kerneconomie, 50–250)

Kernoperators zijn organisaties waarin finance primair wordt beoordeeld op operationele continuïteit en audit-bestendigheid, met een lage tolerantie voor experimenten binnen kernworkflows.

De kerneconomie omvat sectoren waarin waarde vooral ontstaat door het op grote schaal opereren en coördineren van fysieke systemen, zoals productie, retail, logistiek, energie en zorgverlening, en niet door softwareproducten of professionele dienstverlening.

“Op schaal” betekent hier één eenvoudig ding: dezelfde AI-ambitie gedraagt zich anders zodra een organisatie groot genoeg is dat coördinatie, beheersing en systemen de beperkende factor worden.

Figuur 2. Contextsegmenten laten zien waar AI-volwassenheid zich concentreert (n=1.520).
Figuur 2 plaatst elk contextsegment op basis van het aandeel in de steekproef en het percentage organisaties dat een hoge AI-volwassenheid (7–10) rapporteert.

Nederlandse versie (publiceerbaar)

De concentratie van hoge AI-volwassenheid loopt uiteen van 73,3% bij Tech op schaal (6,6% van de steekproef) tot 13,5% bij MKB-kernoperators (29,8% van de steekproef). Dit onderstreept hoe sterk AI-gereedheid uiteenloopt per ‘context’.

Wat moet je dan met deze segmenten? Gebruik ze om de juiste eerste stap te kiezen. Elk contextsegment loopt vast op een ander punt, waardoor één generiek ‘AI-volwassenheids’-playbook misleidend is.

(Zie segmentatietabel hieronder.)

Nederlandse versie (publiceerbaar)

Dit is bewust high-level. Het doel is niet perfecte governance. Het doel is om één workflow te kiezen en precies die beperking weg te nemen die opschaling in jouw context tegenhoudt. Voelt opschalen traag, begin dan bij het knelpunt in jouw rij hierboven. Jouw taak is orkestratie bouwen, zodat delegatie verdedigbaar blijft.

Daarom hangt vooruitgang van AI in finance af van orkestratie tussen beheersing, data en verantwoordelijkheid, en niet alleen van het integreren van nieuwe tools. Werk moet door goedkeuringen, uitzonderingen, logging en eigenaarschap kunnen bewegen zonder extra auditrisico te creëren.

Voor de meeste CFO’s hangt vooruitgang minder af van hoe snel teams experimenteren, en meer van de vraag of beheersing, data en processen gedelegeerd werk op schaal kunnen dragen.

Context bepaalt vaak waar het eerste knelpunt zit. Succesvol opschalen begint met orkestratie oplossen, vóórdat je experimenten uitbreidt. Enthousiasme reikt maar zo ver. Drie implicaties springen eruit.

Ten eerste: tech op schaal zet het gereedheidsplafond, maar is niet de norm.
Dit segment laat de hoogste concentratie van organisaties met hoge AI-volwassenheid zien, maar vertegenwoordigt slechts een klein deel van de markt. Wat hier werkt, weerspiegelt gunstige omstandigheden, geen blauwdruk die de meeste finance teams kunnen kopiëren.

Ten tweede: de kerneconomie is het zwaartepunt van de markt.
Organisaties in de kerneconomie, zowel op schaal als in het middensegment, vormen het grootste deel van finance teams, maar laten een veel lagere volwassenheid zien. Die kloof is structureel, niet motivationeel. Deze organisaties werken doorgaans met gevarieerdere workflows, gefragmenteerde systemen en een lagere tolerantie voor ongecontroleerde verandering, waardoor AI lastiger op te schalen is, zelfs bij sterke intentie.

Ten derde: regulering hertekent adoptie in plaats van die te blokkeren.
Opvallend genoeg kunnen grotere, sterk gereguleerde organisaties vergelijkbare AI-volwassenheidsniveaus bereiken als snelle adopters, maar via strakkere randvoorwaarden.

Een apart structureel signaal ontstaat rond organisatorische complexiteit.

Over de contextsegmenten heen zien we dat segmenten met hoge volwassenheid ook een hoger aandeel complexe multi-entity structuren hebben (11+ entiteiten):

• Tech op schaal: 48,5% complex
• Diensten op schaal: 45,6%
• Gereguleerd op schaal: 44,7%
• Kerneconomie op schaal: 43,9%

Op het eerste gezicht lijkt dat tegenintuïtief: waarom zou meer complexiteit samenhangen met hogere volwassenheid?

Omdat complexiteit investeringen afdwingt, denk aan shared service-modellen, gestandaardiseerde processen, gecentraliseerde beheersing en sterkere prikkels om te automatiseren.

Maar complexiteit alleen garandeert geen gereedheid. De twee segmenten in de kerneconomie zijn ook complex, maar blijven toch achter in volwassenheid. Dat wijst erop dat standaardisatie en governancecapaciteit minstens zo bepalend zijn als complexiteit.

Konstantin vult aan:

Complexiteit dwingt investeringen af, maar garandeert geen gereedheid.

Grotere organisaties met meerdere entiteiten investeren eerder in standaardisatie en beheersing, maar veel daarvan lopen alsnog achter doordat dataconsistentie en procesafstemming onopgelost blijven. Schaal creëert druk om te moderniseren, maar governancecapaciteit bepaalt of AI daadwerkelijk standhoudt.

Wat dit nu betekent voor CFO’s

Vanaf hier worden de implicaties concreet voor finance leaders. AI-volwassenheid in finance blijft niet achter door gebrek aan intentie of timing. Ze is ongelijk verdeeld omdat finance teams onder verschillende structurele beperkingen opereren.

Daarom faalt generiek advies als ‘sneller bewegen’ of ‘meer pilots draaien’ zo vaak. De echte beperking zit niet in ambitie of tooling, maar in de vraag of AI kan worden uitgebreid op een manier die verdedigbaar blijft onder audit, beleid en accountability binnen de eigen operating context.

Voordat finance leaders vragen hoe ze AI moeten opschalen, is het zinvol om stil te staan bij een eenvoudiger set vragen om de eigen beperkingen scherp te krijgen.

Stel jezelf de volgende vragen:

1. Waar is AI vandaag al actief in onze finance workflows, ook informeel?
2. Welke van die toepassingen zouden een audit doorstaan als we ze breder inzetten?
3. Waar dwingen goedkeuringen, uitzonderingen of datalacunes nog tot handmatige workarounds?
4. Welke beslissingen kunnen we morgen verder delegeren zonder extra risico te creëren?
5. Waar zou opschaling van AI ons als eerste blootstellen: regels, data of verantwoordelijkheid?

Hoe je met vertrouwen verdergaat

Dit onderzoek wijst finance leaders een duidelijkere weg vooruit. Behandel AI-volwassenheid als contextspecifiek, niet als één enkele ladder. Erken dat ‘AI-leiderschap’ verschillende vormen kan aannemen, met eigen sterke punten en beperkingen. En focus op waar beheersbaarheid standhoudt, vóórdat automatisering wordt uitgebreid naar bredere workflows.

In een ongelijk verdeelde markt komt vooruitgang voort uit orkestratie. Wanneer AI wordt ingezet met duidelijke regels, heldere verantwoordelijkheid en een solide datafundament, creëert snelheid waarde in plaats van risico.

Praktisch gezien doen CFO’s dit door de vraag te verschuiven van ‘hoe snel kunnen we AI adopteren?’ naar ‘waar kunnen we vandaag werk veilig delegeren?’

1) Diagnose vóór opschalen
Breng huidige AI-use cases in kaart tegen de realiteit van finance. Waar beïnvloedt AI al beslissingen, goedkeuringen of classificaties? Welke daarvan zou je morgen met vertrouwen verdedigen onder audit?

2) Identificeer de eerste beperking
Wees expliciet over wat opschaling nu echt tegenhoudt. Ontbrekende regels, onduidelijke verantwoordelijkheid, gefragmenteerde data of inconsistente processen. Meestal is er maar één echte blokkade.

3) Definieer minimale kaders, geen perfecte governance
Bepaal duidelijke grenzen waarbinnen AI mag opereren: goedgekeurde taken, escalatiedrempels, loggingvereisten en eigenaarschap van uitkomsten. Het gaat om verdedigbare delegatie, niet om een governance-imperium.

4) Koppel AI-uitbreiding aan data die je vertrouwt
Geef prioriteit aan use cases waar stamdata, transactiehistorie en integraties betrouwbaar genoeg zijn voor consistente uitkomsten. AI schaalt waar data bruikbaar is.

5) Bouw uitbreiding bewust op
Schaal AI alleen zo snel als beheersing en data toelaten. Elke nieuwe workflow moet meer gedelegeerd werk toevoegen dan extra risico.

Deze aanpak verandert AI-adoptie van een race in een operating decision. Ze bereidt ook de volgende vraag voor, die we in het volgende rapport direct behandelen: zelfs bij organisaties die zichzelf leiders noemen, welke onderdelen van de operating stack ontbreken wanneer AI niet schaalt?

In het volgende rapport in deze reeks duiken we in de ‘AI-leider’-groep en onderzoeken we wat daadwerkelijk bepaalt of AI kan opschalen binnen finance workflows. We kijken voorbij labels en in de operating stack zelf: executie, minimale spelregels, skills, budget en datagereedheid.

Wil je zien hoe beheersbare AI eruitziet binnen echte finance workflows? Ontdek hoe Payhawk AI toepast met ingebouwde beheersing, audit trails en accountability by design. Je ziet concrete voorbeelden van hoe AI delegatie ondersteunt zonder goedkeuringen, beleidshandhaving of auditgereedheid te verzwakken, gebaseerd op hoe Payhawk AI inzet binnen spend-, accounts payable- en financial control-workflows.

Methodologie

Op basis van bevestigende stellingen die in nauwe samenwerking met finance- en business leaders zijn ontwikkeld, voerde IResearch interviews uit in acht landen. Het doel was om echte operationele realiteiten en uitdagingen in kaart te brengen.

De dekking omvatte:

• Regio’s: DACH, EU, Spanje, Frankrijk, Benelux, VK & Ierland, Verenigde Staten
• Senioriteit: C-suite, VP’s, directors en senior individual contributors
• Functies: Finance, Accounting, Sales, HR, Procurement
• Sectoren: Diensten, Digital, Manufacturing, Healthcare, Education & Non-profit, B2C
• Bedrijfsomvang: 50–100 fte, 101–250 fte, 251–500 fte, 501–1.000 fte en 1.000+ fte