Het AI-readinessrapport voor CFO’s: Part 2

Even onder organisaties die zichzelf AI-leider noemen, heeft slechts 26% alle operationele voorwaarden op orde om AI in finance op te schalen.

Dit verklaart het huidige marktpatroon: pilots zijn gebruikelijk, maar duurzame schaal blijft zeldzaam. In finance wordt schaal niet bepaald door hoe snel AI output genereert, maar door de vraag of die output goedkeuringsprocessen, uitzonderingen en auditcontroles doorstaat zonder dat de verantwoordelijkheid verwatert.

Dit rapport, het tweede deel in onze vierdelige AI-readinessserie, onderzoekt de vijf voorwaarden die bepalen of AI binnen finance kan opschalen. Daarbij maken we gebruik van data uit ons onderzoek onder meer dan 1.500 Business & Finance Leaders. Voor deze analyse richten we ons op ‘AI-leiders’: respondenten die hun organisatie een 7 tot 10 gaven op een zelfbeoordeelde AI-volwassenheidsschaal van 1 tot 10 (n=405).

De finance AI operating stack

In veel sectoren kan AI met minimale voorbereiding worden getest. Een team schaft een tool aan, start een proof-of-concept en laat tijdswinst zien.

Ook in finance ontstaat zelden blokkade in de pilotfase. De blokkade ontstaat zodra AI opschuift richting besluitvorming binnen beheerskaders.

Ons onderzoek laat vijf kernvoorwaarden zien die bepalen of AI binnen finance kan opschalen — en niet alleen wordt getest. Dit zijn de minimale voorwaarden die leiders noodzakelijk achten om AI onder toezicht en controle te laten functioneren.

De vijf voorwaarden zijn:

Uitvoeringsmaatregelen ingericht: “We hebben al maatregelen en voorbereidingen getroffen voor AI-integratie.”
In de praktijk: benoemde use-case-eigenaren, succesindicatoren, uitrolplanning en monitoring van adoptie.

Minimale regels vastgesteld: “Onze organisatie heeft minimale regels vastgesteld voor het gebruik van AI.”
In de praktijk: wat AI mag doen, wanneer escalatie verplicht is, wat wordt gelogd en wie eindverantwoordelijk is.

Vaardigheden en tools beschikbaar: “Medewerkers beschikken over de vaardigheden en tools om AI effectief te implementeren.”
In de praktijk: toegang tot tools, training en het vermogen om AI in productie te bouwen, testen en ondersteunen.

Budget toegekend: “Er is budget vrijgemaakt voor AI-initiatieven.”
In de praktijk: een gefinancierde roadmap, beschikbare capaciteit (tijd en mensen) en budget voor data, integraties en change management.

Data geschikt voor AI-analyses: “Onze data is geschikt om AI-gedreven analyses effectief te ondersteunen.”
In de praktijk: consistente stamdata, betrouwbare integraties en output die aansluit op bronsystemen.

Elke stelling is beoordeeld op een 1–7 schaal voor mate van overeenstemming. Voor consistentie beschouwen we scores van 6–7 als ‘sterk aanwezig’.

Samen vormen deze vijf elementen wat wij de finance AI operating stack noemen: de basis die bepaalt of AI in finance kan doorgroeien van adoptie naar duurzame uitvoering.

Zoals Konstantin het verwoordt: “AI in finance schaalt niet omdat het model beter wordt. Het schaalt wanneer de beheersing, het eigenaarschap en de datafundamenten sterk genoeg zijn om het te dragen.”

Zelfs AI-leiders zijn niet overal klaar voor

Als AI-volwassenheid alleen een kwestie was van ambitie of experimenteren, zouden organisaties die zichzelf ‘leider’ noemen over de hele linie goed voorbereid zijn.

Maar in finance schaalt AI niet op intentie alleen. Opschalen vraagt om een operationele basis: duidelijke regels, uitvoeringsdiscipline, bruikbare data en governance die standhoudt zodra AI onderdeel wordt van echte workflows.

Figuur 3 laat zien dat de gereedheid zelfs bij de meest volwassen organisaties in onze steekproef ongelijk verdeeld is. Leiders bouwen vaak eerst capaciteit op en formaliseren pas later de beheerskaders die nodig zijn voor duurzame schaal.

Deze kloof verklaart waarom veel finance teams de waarde van AI in pilots kunnen aantonen, maar moeite hebben om die te verankeren in de workflows die er het meest toe doen.

Top-2 agreementpercentages over vijf opschalingsvoorwaarden onder AI-leiders (n=405)

De resultaten laten een duidelijke volgorde zien in wat finance leaders als eerste op orde brengen: capaciteit en investeringen komen eerder, terwijl governance en regels achterblijven.

• Vaardigheden en tools: 78%
• Budget toegekend: 69%
• Uitvoeringsmaatregelen ingericht: 64%
• Data bruikbaar: 61%
• Minimale regels: 55%

Belangrijkste inzicht
AI-volwassenheid is geen ladder van use cases. Het is delegatiegereedheid: het vermogen om werk bij mensen weg te halen zonder dat de verantwoordelijkheid vervaagt.

De marktbeperking is geen AI-geletterdheid, maar bestuurbaarheid

In dit rapport betekent bestuurbaarheid dat AI binnen de beheerskaders van finance kan opereren: duidelijke grenzen aan wat het mag doen, escalatie bij uitzonderingen, standaard logging en een benoemde eigenaar die verantwoordelijk is voor de uitkomst.

Het publieke AI-narratief gaat er vaak van uit dat adoptie in finance traag is omdat teams vaardigheden of vertrouwen missen. De data laat een specifieker beeld zien.

Onder leiders zijn vaardigheden en tools de sterkste dimensie (78% Top-2).
Minimale regels zijn de zwakste (55% Top-2).

Die kloof is cruciaal, omdat AI in finance geen losse productiviteitslaag is. Zodra AI invloed heeft op goedkeuringen, classificaties, uitgavenbeslissingen of auditbewijslast, wordt governance de bepalende factor.

De beperking verschuift van:

• “Kunnen we AI gebruiken?” naar
• “Kunnen we AI gebruiken op een manier die we als finance leaders kunnen verantwoorden?”

Zoals Konstantin uitlegt:

Finance teams lopen vast omdat niemand helder kan benoemen wie eigenaar is van de output. De technologie is krachtig, maar dat alleen levert geen resultaat op voor finance leaders die werken onder expliciete audit-, beleids- en delegatiekaders.

Hier ontstaat de scheidslijn in opschaling, en die wordt als eerste zichtbaar in de aanwezigheid van minimale regels.

Het verborgen risico onder leiders: regelschuld

Onder AI-leiders zijn vaardigheden zelden de beperkende factor, maar regels meestal wel. In onze data beoordeelt 32,1% van de leiders vaardigheden als sterk aanwezig zonder dat minimale regels zijn vastgesteld, en 21,7% rapporteert sterke uitvoeringsmaatregelen zonder minimale regels.

Die kloof noemen we regelschuld: AI-gebruik groeit sneller dan toestemming, escalatiepaden, logging en eigenaarschap zijn vastgelegd. Vroege successen maskeren het probleem, maar het wordt zichtbaar zodra AI-output in goedkeuringsstromen terechtkomt, uitzonderingen triggert of onder audittoetsing valt — en de organisatie niet helder kan aantonen wat het systeem mocht doen.

In deel 3 gaan we dieper in op regelschuld. Voor nu is de boodschap helder: als je niet kunt benoemen wat AI mag doen en wie verantwoordelijk is voor de uitkomst, ben je niet klaar om op te schalen.

Datagereedheid is een opschalingsdrempel

De tweede harde drempel is datagebruikbaarheid. Slechts 61% van de leiders is het er sterk mee eens dat hun data AI-gedreven analyses effectief kan ondersteunen.

Wanneer stamdata inconsistent is en mappings tussen entiteiten breken, kan AI-output niet worden aangesloten op betrouwbare financiële registraties. Dat is dataschuld: de organisatie heeft intentie en capaciteit, maar de datafundamenten kunnen AI niet dragen in operationele workflows.

In deel 3 lichten we dataschuld verder toe. De kern hier is eenvoudig: als output niet kan worden herleid tot een betrouwbare bron, kun je AI in finance niet operationaliseren.

Full-stackgereedheid bestaat, maar is de uitzondering

Na figuur 3 dringt een logische vraag zich op:
Hoeveel leiders hebben alle vijf voorwaarden sterk op orde?

Het antwoord: slechts 26% van de AI-leiders scoort Top-2 op alle vijf dimensies.

Dit is een belangrijke nuance. Het bewijst dat full-stackgereedheid vandaag al in de markt bestaat. Maar het is niet de standaard, zelfs niet onder leiders.

Twee dingen kunnen tegelijk waar zijn:

• AI is hier
• AI is schaalbaar in finance

Maar schaalbare finance AI is nog steeds een minderheidspositie. De meeste organisaties lopen voor op onderdelen, niet op volledige operationele gereedheid.

Wat dit betekent voor de volgende fase van AI-opschaling

De vijf dimensies hierboven impliceren een duidelijke volgorde in hoe finance AI zich verder zal ontwikkelen.

AI zal eerst opschalen waar:

1. De regeldruk lichter is
2. De data-eisen beperkter zijn
3. De foutkosten beheersbaar blijven

Dat betekent eerst afgebakende, ondersteunende workflows, en pas daarna kernbesluitvormingsprocessen.

Opschaling naar afsluitprocessen, beheersing, goedkeuringen en governance zal minder afhangen van modelprestaties en meer van het inlopen van minimale operationele inrichting.

Konstantin voegt toe:

Finance heeft geen governance-imperium nodig. Het heeft minimale, afdwingbare beheerskaders nodig die werk laten bewegen zonder de controle te verliezen.

Zie hieronder de minimale beheerskaders:

Datafundamenten bepalen of AI operationeel wordt of een zijlaag blijft.

Zonder betrouwbare integraties en schone data blijft AI ondersteunend. Met die basis wordt AI onderdeel van het finance operating model.

Praktische handvatten voor CFO’s: bouw de minimale stack

Voor finance leaders is de conclusie niet dat AI-leiders falen.

Het is dat opschalen vraagt om een bewust ontworpen operationeel fundament.

Een 30-secondencheck voor CFO’s

Kies één workflow waarin AI al een financebeslissing beïnvloedt, direct of indirect. Kun je het volgende niet aantoonbaar maken, dan ben je niet klaar om die workflow op te schalen:

• wat AI mag doen, per rol, taak en drempelwaarde
• hoe uitzonderingen worden geëscaleerd en opgelost
• wat standaard wordt gelogd ter ondersteuning van audittoetsing
• wie verantwoordelijk is voor de uitkomst
• hoe de output aansluit op bronsystemen

In de praktijk stokt opschaling zodra één van deze elementen ontbreekt, zelfs wanneer pilots succesvol lijken.

Waarom segmentatie nu belangrijk wordt

Figuur 3 liet zien dat AI-leiders geen uniforme groep vormen. Sommigen hebben de volledige operating stack op orde. Anderen zijn sterk in uitvoering maar licht in regels, of governance-gericht maar beperkt door data.

“AI-leider” is dus geen eenduidige categorie. Daarom onderzoekt ons derde rapport twee zaken: de vormen van operationele schuld die opschaling stilzwijgend blokkeren, zelfs aan de top van de volwassenheid (namelijk regelschuld en dataschuld), en de verschillende operationele houdingen waarin finance teams daardoor terechtkomen.

De volgende fase van finance AI wordt namelijk niet bepaald door adoptie. Die wordt bepaald door welke operating stacks daadwerkelijk standhouden onder toezicht.

Wil je in de tussentijd zien hoe bestuurbare AI er in de praktijk uitziet? Ontdek hoe Payhawk genuine finance orchestration mogelijk maakt met native AI die direct is ingebouwd in spendworkflows, ondersteund door ingebouwde beheerskaders, audittrails en accountability by design. Je ziet concrete voorbeelden van delegatie die goedkeuringen, beleidshandhaving en auditgereedheid versterken in plaats van verzwakken.

Methodologie:

Op basis van bevestigende stellingen, ontwikkeld in nauwe samenwerking met finance- en businessleiders, voerde IResearch interviews uit in acht landen om werkelijke operationele realiteiten en uitdagingen te weerspiegelen. Aantal respondenten: 1.500.

Dekking omvatte:

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