Het CFO-rapport over AI-gereedheid: deel 4

Konstantin Dzhengozov, CFO en medeoprichter van Payhawk:

"Na vier rapporten was dit het rapport waar ik het meest enthousiast over was om te publiceren. De eerste drie gingen over de diagnose. Dit laatste deel van de serie laat je precies zien wat je vervolgens moet doen. Als je de serie hebt gevolgd, weet je al meer over je AI-programma dan de meeste financiële professionals. Nu gaat het erom die kennis goed te benutten."

Toen we met dit onderzoek begonnen, dachten we dat de focus zou liggen op de adoptie van AI: welke teams snel vooruitgang boeken, welke achterblijven en waarom. Dat is het verhaal dat de meeste AI-onderzoeken vertellen. Maar onze data lieten iets anders zien.

Uit een onderzoek onder 1.520 senior besluitvormers in de financiële en zakelijke wereld bleek dat de teams die problemen ondervonden niet faalden omdat ze geen AI hadden geïmplementeerd. Ze faalden omdat ze wel AI-functionaliteiten hadden ontwikkeld, maar geen operationele basis hadden gelegd om deze robuust te maken. Regels waren nooit duidelijk gedefinieerd. Gegevens konden niet correct worden afgestemd.

In veel afdelingen van een bedrijf is dit hiaat een bron van ergernis. In de financiële sector is het cruciaal. Financiële teams kunnen niet zeggen: “De exacte governance-structuur bepalen we later.” Goedkeuringen, audit trails en verantwoordelijkheden zijn geen functies die je later kunt toevoegen. Het zijn essentiële voorwaarden voor het functioneren van de hele organisatie.

De eerste drie rapporten hebben aangetoond waar deze spanningsgebieden in de markt ontstaan. Dit rapport laat u zien hoe u hiermee om kunt gaan. Als u de reeks hebt gelezen, kent u het uitgangspunt voor uw organisatie al. Dit rapport biedt u de concrete volgende stap. Gebruik het.

Bijna elk AI-programma in de financiële sector kent een punt waarop de pilot niet langer de maatstaf is. Het bedrijf is geëvolueerd, de verwachtingen zijn gestegen en er wordt plotseling van AI verwacht dat het taken met een reële impact afhandelt: goedkeuringen, boekingen of betalingen aan leveranciers. Juist op dit punt wordt de kloof tussen wat het systeem kan en wat de organisatie realistisch gezien aankan, duidelijk.

Op het moment dat elk AI-programma in de financiële sector bereikt

Stel je een situatie voor die veel financiële teams in ons onderzoek beschreven: een financieel controller bij een productiebedrijf met 600 werknemers en haar team implementeerden met succes een pilotproject met kunstmatige intelligentie. Het systeem identificeerde afwijkingen in facturen, stelde de juiste grootboekrekeningen voor en verkortte de audittijd met 40%. De CFO was dolenthousiast. Het team kreeg budget voor verdere ontwikkeling.

Zes maanden later kwam de uitrol tot stilstand. Tijdens een interne audit werd een vraag gesteld waarop niemand een definitief antwoord kon geven: Wat mag dit systeem precies goedkeuren? En wie is verantwoordelijk als het fouten maakt?

Het team had weliswaar capaciteiten opgebouwd, maar niet de ondersteunende laag die die capaciteiten robuust zou maken. De AI bleef alleen aan de randen van het proces opereren – waar onduidelijkheden nog acceptabel waren. Juist daar was het voordeel echter het minst merkbaar.

Dit is het lot waarmee de meeste AI-programma's in de financiële sector worden geconfronteerd. De pilot werkt. Het bedrijf is enthousiast. Maar dan komt er abrupt een einde aan de uitrol: een auditvraag, een escalatie zonder duidelijke verantwoordelijkheid, of een resultaat dat niet te verklaren is.

Tatiana Okhotina, CFO bij Token.io, vat het perfect samen:

Alles moet controleerbaar zijn.

Vier woorden – van enorm belang voor AI. Want als iets niet begrijpelijk is, kan het niet opgeschaald worden.

Wat deze serie heeft laten zien

De eerste drie rapporten in deze reeks hebben een duidelijk beeld geschetst.

Deel 1 toonde aan dat de volwassenheid van AI in de financiële sector structureel ongelijk verdeeld is – bepaald door de sector, de bedrijfsgrootte en de operationele omgeving. De markt bevindt zich niet simpelweg "nog in de kinderschoenen". Ze is verdeeld. Sommige teams integreren AI al in hun kernprocessen. Een groot deel zit vast in de overgang van pilotprojecten naar productiegebruik. Weer anderen experimenteren nog.

Deel 2 identificeerde de vijf voorwaarden die bepalen of AI schaalbaar is in de financiële sector: operationele key performance indicators (KPI's), minimale governance-regels, vaardigheden, budget en bruikbare data. Van de zelfbenoemde AI-leiders beschikt slechts 26% over alle vijf voorwaarden tegelijkertijd in hoge mate. Vaardigheden en budget worden doorgaans als eerste ontwikkeld, terwijl minimale governance-regels en de beschikbaarheid van data achterblijven.

Deel 3 onthulde dat zelfs de meest toonaangevende bedrijven in zes verschillende operationele startpunten vallen – elk met zijn eigen sterke en zwakke punten en knelpunten. Teams met sterke uitvoeringscapaciteiten zetten AI snel en productief in, maar missen een robuuste governance-structuur. Governance-georiënteerde ‘scalers’ hebben duidelijke regels, maar een zwak datafundament. Geschaalde gebruikers beschikken over de complete stack, maar moeten deze verder beveiligen om meer verantwoordelijkheid aan AI te kunnen delegeren.

Dit eindrapport beantwoordt de vraag waar alle drie de rapporten naartoe hebben gewerkt: als je weet waar je staat, waar moet je dan eigenlijk mee beginnen?

Een andere kijk op de zaak: twee soorten schulden, één beslissing.

Hierin schuilt het inzicht dat de manier waarop de meeste CFO's naar hun AI-programma kijken verandert.

Veel financiële teams schrijven vastgelopen AI-initiatieven toe aan een gebrek aan tools, onvoldoende vaardigheden of problemen met verandermanagement. Gegevens van 1.520 senior besluitvormers laten echter een ander beeld zien. De belangrijkste bottleneck – ongeacht de branche, de omvang van het bedrijf of het zelfingeschatte volwassenheidsniveau – is bijna altijd een van de twee structurele tekortkomingen.

Regelgevingsschuld ontstaat wanneer de implementatie van AI sneller verloopt dan de governance. AI wordt actief gebruikt en processen draaien. De organisatie kan echter niet duidelijk definiëren wat AI mag doen, wanneer escalatie nodig is, wie verantwoordelijk is of hoe het auditspoor eruitziet. Regelgevingsschuld blijft meestal onzichtbaar in pilotprojecten. Het wordt pas zichtbaar wanneer AI taken overneemt die duidelijke verantwoording vereisen: goedkeuringen, beleidscontroles, afsluitingsprocessen of betalingen.

Dataschuld ontstaat wanneer er weliswaar governance is, maar het datalandschap geen betrouwbare resultaten oplevert. Stamgegevens zijn inconsistent tussen bedrijven. Integraties lopen vast op cruciale punten. AI-resultaten kunnen niet eenduidig ​​worden herleid tot de onderliggende systemen. Teams in deze situatie hebben vaak al aanzienlijke governance-inspanningen geleverd en merken desondanks dat AI niet verder komt dan het ondersteuningsniveau, omdat de onderliggende basis niet stabiel genoeg is.

Beide soorten schulden gedragen zich als financiële verplichtingen: ze groeien op de achtergrond en worden duur precies wanneer je ze het minst nodig hebt.

Wat AI-pioniers al hebben bereikt – en wat er nog ontbreekt:

• Vaardigheden en hulpmiddelen: 78% sterk ontwikkeld
• Budget veiliggesteld: 69%
• Meetbaar implementatiesucces: 64%
• Bruikbare gegevens: 61%
• Minimumregels: 55%

Vaardigheden en budget komen op de eerste plaats. Van de vijf randvoorwaarden volgen regels en data het verst achteraan. De gegevens in dit rapport laten duidelijk zien dat juist deze twee factoren schaalvergroting in de weg staan, zelfs als de benodigde vaardigheden, het budget en de operationele implementatie al aanwezig zijn.

Van de pioniers op het gebied van AI beschikt 32% over sterke capaciteiten, maar mist minimale regels. Nog eens 22% heeft duidelijke operationele controles ingesteld – eveneens zonder minimale regels. In beide gevallen is de capaciteit aanwezig. Wat ontbreekt, is de structuur die definieert wat wel en niet is toegestaan.

Konstantin Dzhengozov, CFO en medeoprichter van Payhawk, legt uit:

Regels en data zijn geen abstracte problemen. Ze verklaren waarom AI snel werkt in pilotprojecten, maar plotseling traag wordt in de productieomgeving. In de financiële wereld kan governance niet worden uitgesteld. Het moet worden gecreëerd voordat het nodig is.

De beslissing waar CFO's vandaag de dag voor staan ​​is daarom eenvoudig: Welk type schuld moet je als eerste afbouwen? Welke werkprocessen krijgen prioriteit, welke tools worden gebruikt en hoe snel schaal je op – dit alles vloeit voort uit het antwoord op deze vraag.

Dit operationele perspectief ontbreekt precies in de meeste modellen voor AI-volwassenheid. Ze meten adoptie en gebruik. Ze vergelijken gebruiksscenario's, tools en vaardigheden. Maar niets hiervan laat een CFO precies zien wat hun eigen AI-programma blokkeert. Door naar de twee soorten schulden te kijken, komt dat wel aan het licht.

Figuur 7. AI-pioniers in relatie tot governance en data-fundamenten. Zes operationele uitgangspunten langs de horizontale as, gebaseerd op het percentage respondenten dat aangeeft dat er minimumregels zijn, en het percentage respondenten dat hun data als AI-klaar beoordeelt. De kwadranten tonen het belangrijkste knelpunt voor elk uitgangspunt.

Jouw uitgangspunt bepaalt je eerste stap.

De zes operationele uitgangspunten uit deel 3 brengen elk een typisch knelpunt met zich mee.

Teams met sterke implementatievaardigheden (16%) zetten AI snel in voor productief gebruik en beschikken over gedegen expertise. Wat ontbreekt, zijn minimale governance-regels. Hun kernprobleem is een gebrek aan regels. Wanneer nieuwe use cases worden gebouwd op een gebrek aan controlestructuur, neemt het risico sneller toe dan de voordelen. De eerste stap is daarom governance – niet extra functionaliteit.

Governance-georiënteerde scalers (13,8%) hebben regels opgesteld en werken met een hoge operationele discipline. Tegelijkertijd is de data-gereedheid zwak. Hun knelpunt is dataschuld. Extra beleidsmaatregelen creëren geen schaalbaarheid. De eerste stap is het definiëren van de verantwoordelijkheid voor masterdata en het stabiliseren van integraties – voordat AI dieper in operationele workflows wordt geïntegreerd.

Controlegerichte planners (11,6%) beschikken al over de nodige vaardigheden, budget en betrouwbare gegevens. Wat hen ontbreekt, zijn operationele controlevariabelen. Hun knelpunt ligt in de implementatie. De randvoorwaarden zijn aanwezig. De eerste stap is om een ​​concrete workflow productief te implementeren, in plaats van de gereedheid alleen maar theoretisch uit te breiden.

Gebruikers met een hoge schaalbaarheid (26,9%) hebben alle vijf de randvoorwaarden stevig in handen. Hun knelpunt is industrialisatie: release-processen, foutafhandeling en audit trails moeten verder worden beveiligd, zodat verdere delegatie beheersbaar blijft.

Stapsgewijze optimalisatie (17,5%) laat zichtbare vooruitgang zien, maar niet uniform. Sommige randvoorwaarden zijn sterk ontwikkeld, terwijl andere achterblijven. AI evolueert, maar heeft zich nog niet ontwikkeld tot een consistent werkingsmodel. Het knelpunt is consistentie: identificeer de zwakste randvoorwaarde en dicht die lacune voordat de reikwijdte verder wordt uitgebreid.

Teams die "eerst agent, dan controle" hanteren (14,1%) hebben hoge ambities, maar beperkte operationele discipline op diverse randvoorwaarden. Hun manoeuvreerruimte is beperkter. Kies een duidelijk gedefinieerde workflow, bouw de kleinst mogelijke functionele operationele stack ervoor en test het model voordat je gaat opschalen. Vanuit dit uitgangspunt leiden grootschalige transformatieprogramma's vaak tot maandenlange activiteiten, zonder dat er ook maar één workflow daadwerkelijk wordt opgeschaald.

Weet u niet zeker welk scenario op u van toepassing is? Kies hieronder de juiste optie en ontdek welk type schuld uw bedrijf momenteel het meest belemmert.

Het 30/60/90-dagenplan

Elk van de volgende opties begint met een korte beschrijving van de situatie. Als die overeenkomt met uw huidige situatie, is dat uw uitgangspunt.

Optie 1: Regels voor het aanpakken van schulden, eerst de schuld aflossen

Deze optie is geschikt voor u als uw situatie er als volgt uitziet: AI creëert al toegevoegde waarde, maar uw organisatie kan niet duidelijk aantonen of verantwoorden wat deze AI doet.
Dagen 1-30: Definieer de minimale controlestructuur voor een actieve workflow.

Kies de workflow waarin AI al actief wordt gebruikt en die het meest waarschijnlijk verder opgeschaald kan worden. Noteer voor deze specifieke workflow vier belangrijke punten – en alleen deze vier:

• Wat de AI mag doen en bij welke drempelwaarde het moet stoppen en escaleren.
• Wie behandelt escalerende uitzonderingen en hoe snel moet er gereageerd worden?
• Wat wordt standaard geregistreerd?
• Wie draagt ​​de verantwoordelijkheid – als een duidelijk omschreven rol, niet als een team?

Dit is een operationele specificatie van één pagina voor één specifieke workflow. Houd het kort genoeg voor consistente implementatie en nauwkeurig genoeg voor controleerbaarheid.
Dagen 31-60: Voer de workflow uit volgens de nieuwe regels en documenteer wat er niet werkt.

Het doel is niet een perfect proces. Het doel is om hiaten bloot te leggen: onduidelijke escalatiepaden, ontbrekende logboekvermeldingen of verantwoordelijkheden die niemand definitief kan toewijzen. Elke uitzondering levert waardevolle inzichten op. Na 60 dagen zou je precies moeten kunnen traceren wat de AI heeft gedaan, wat er is geëscaleerd, wie de beslissing heeft genomen en hoe dit is gedocumenteerd.

Dagen 61-90: Pas dezelfde aanpak toe op een tweede workflow.

Herschrijf het governance-model niet. Gebruik hetzelfde sjabloon voor minimale regels en pas het aan de nieuwe context aan. Het doel is een herhaalbaar patroon, geen eenmalig concept. Na 90 dagen zou je twee gecontroleerde workflows, een functionerend escalatiemodel en een robuuste logboekstructuur moeten hebben die bestand is tegen externe audits.
De maatstaf voor succes: een auditor of toezichthouder vraagt: "Wat mocht de AI in deze workflow doen en wie was daarvoor verantwoordelijk?" – en uw team beantwoordt deze vraag in minder dan twee minuten.

Optie 2: Pak eerst de dataschuld aan.

Deze optie is geschikt voor u als uw situatie er als volgt uitziet: uw governance is solide, maar u vertrouwt de resultaten van de AI niet voldoende om ernaar te handelen.
Dagen 1-30: Identificeer de specifieke gebrekkige gegevensbasis die een workflow blokkeren.

Kies de workflow waarbij AI theoretisch gezien al zou moeten opschalen, maar waarvan de resultaten nog niet betrouwbaar genoeg zijn. Beantwoord vervolgens de volgende vragen – uitsluitend voor deze workflow:

Van welke stamgegevens is deze workflow afhankelijk: leveranciers, managementtaken, kostenplaatsen of bedrijfsstructuren?
Waar ontstaan ​​breuken of afwijkingen tussen systemen of samenlevingen?
Welk bewijs zou een auditor nodig hebben om te bevestigen dat een AI-resultaat uit deze workflow correct is?
Dit is een gerichte data-audit voor een specifieke workflow. De centrale vraag is: welke hiaten belemmeren de duidelijke traceerbaarheid van de AI-resultaten in deze workflow?

Dagen 31-60: Stabiliseer de gegevensbasis van deze workflow.

Definieer een duidelijke verantwoordelijke voor elk relevant stamgegeven. Standaardiseer de structuren – categorieën, kostenplaatsen en grootboekrekeningen – specifiek voor deze workflow. Bouw of valideer de integratiepaden zodat resultaten terug te traceren zijn naar het leidende systeem.

Vermijd de neiging om datakwaliteit op een brede, uniforme manier aan te pakken. Grote dataprojecten leveren zelden snel genoeg de concrete verbeteringen op die nodig zijn om een ​​productieve workflow te realiseren. Pak eerst de problemen aan die de workflow vereist – en schaal van daaruit verder.

Dagen 61-90: Zorg ervoor dat de resultaten reproduceerbaar zijn – en schaal vervolgens op.

De resultaten moeten nu onafhankelijk verifieerbaar zijn: traceerbaar naar de brongegevens, begrijpelijk voor auditors en duidelijk toewijsbaar aan een verantwoordelijke persoon. Als dit lukt, heb je aangetoond dat jouw governance-model AI kan integreren in productieve workflows. Gebruik vervolgens dezelfde aanpak voor de volgende workflow.

De maatstaf voor succes: een AI-resultaat uit deze workflow kan binnen vijf minuten worden herleid tot een betrouwbare bron – zelfs door iemand die niet bij de creatie ervan betrokken was.

Optie 3: Beide soorten schulden bestaan ​​tegelijkertijd.

Deze optie is geschikt voor je als jouw situatie er als volgt uitziet: AI wordt al gebruikt, maar noch de governance, noch de datafundering is toereikend om op te schalen naar centrale workflows.

Gezien deze situatie is de drang om alles tegelijk op te lossen bijzonder sterk – en dat is precies wat uiteindelijk meestal het duurst is. Brede programma's leiden vaak tot maandenlange beleidsontwikkeling en investeringen in infrastructuur, zonder dat er ook maar één workflow daadwerkelijk op grotere schaal wordt toegepast.

Dag 1-30: Kies een duidelijk omschreven workflow en definieer de kleinst mogelijke functionele besturingsstack.

Het selectiecriterium is: zoek de workflow waarbij fouten beheersbaar zijn en de data het schoonst is. Kies de workflow die het model het snelst bewijst – niet de workflow die op papier het meest waardevol lijkt.

Definieer de minimale regels (uit variant 1) en de minimale gegevensvereisten voor deze workflow uitsluitend op één pagina. Welke stamgegevens, integratiepaden en afstemmingslogica heeft deze workflow nodig? Niets meer.

Dagen 31-60: Gebruik het product productief, bedien het en documenteer wat niet werkt.

Gebruik de workflow productief. Documenteer alles. Los eventuele problemen op. Het doel is een werkend voorbeeld van een gecontroleerde en datagestuurde workflow die u kunt verdedigen tijdens een audit, kunt uitleggen aan uw directie en kunt gebruiken als sjabloon voor vervolgstappen.

Dagen 61-90: Gebruik de inzichten om je volgende prioriteiten te bepalen.

Na 60 dagen de eerste workflow te hebben uitgevoerd, weet je welke bottleneck lastiger bleek dan verwacht. Waren de regels moeilijk te handhaven? Of waren de gegevens meer gefragmenteerd dan gedacht? Dit antwoord vertelt je welke soort schuld je vervolgens moet aanpakken – en biedt zo een solide basis voor investeringsbeslissingen in plaats van giswerk.

De maatstaf voor succes: een workflow met minimale regels en een datafundament dat verifieerbare resultaten mogelijk maakt. Niet vijf workflows. Eén – feilloos geïmplementeerd.

Optie 4: Industrialisatie

Deze optie is geschikt voor u als uw situatie er als volgt uitziet: AI wordt al opgeschaald, maar het operationele model moet verder worden beveiligd voordat extra delegatie gerechtvaardigd is.

Dag 1-30: Controleer op afwijkingen in de governance binnen alle actieve workflows.

Naarmate het aantal workflows toeneemt, worden regels die oorspronkelijk voor één context zijn ontwikkeld, informeel overgedragen naar andere contexten. Verantwoordelijkheden die aanvankelijk duidelijk waren, vervagen door wisselingen in teams. Voer daarom een ​​gestructureerde evaluatie uit van alle actieve AI-workflows: Zijn de toegangsrechten nog steeds correct? Functioneren de escalatiekanalen nog steeds? Is het auditspoor volledig en consistent in alle bedrijven?

Dagen 31-60: Dicht de hiaten in de afhandeling van uitzonderingen en escalaties.

Het grootste risico in deze fase schuilt in uitzonderlijke gevallen die door de mazen van de escalatielogica glippen: ongebruikelijke transacties, bedrijfsbrede uitzonderingen of grensgevallen binnen het beleid. Onder normale omstandigheden blijven deze problemen onzichtbaar. Ze worden kostbaar tijdens het afsluitingsproces of een audit. Documenteer de uitzonderlijke gevallen die zich hebben voorgedaan in actieve workflows. Zorg ervoor dat elk geval een verantwoordelijke partij, een oplossingsroute en een gedocumenteerd verslag heeft.

Dagen 61-90: Breid governance uit naar het volgende workflowniveau

Zodra het operationele model robuust is, kunt u de AI-delegatie uitbreiden naar de volgende categorie workflows – doorgaans complexere, waardevollere of controlegevoelige processen. Elke nieuwe workflow moet aan dezelfde controleerbaarheidsnorm voldoen als de eerste.

De maatstaf voor succes: elke door AI beïnvloede beslissing in alle actieve workflows kan worden getraceerd, verklaard en toegeschreven aan een verantwoordelijke persoon – zelfs in workflows die na de oorspronkelijke uitrol zijn toegevoegd.

"Vind jouw variant in 60 seconden" / Visueel in het ontwerp:

Uittrekbare titels: Vind jouw variant in 60 seconden
Ondertitel: Twee vragen. Vier paden. Eén duidelijk startpunt.
Vraag 1: Kun je duidelijk aangeven wat AI in deze workflow mag doen en wie daarvoor verantwoordelijk is?

[ ] Ja, ga dan verder naar vraag 2
[ ] Nee, dan heb je een regelsschuld. Ga verder naar optie 1.

Vraag 2: Kun je de resultaten van de AI toeschrijven aan een toonaangevend systeem?

[ ] Ja, dan ben je klaar voor industrialisatie. Ga verder naar optie 4.
[ ] Nee, dan heb je een dataschuld. Ga verder naar optie 2.

Als je geen van beide vragen met zekerheid kunt beantwoorden, dan bestaat er sprake van beide soorten schulden. Ga verder naar optie 3.

Variant snelreferentiestrook (vier naast elkaar geplaatste vakjes met labels):

Optie 1
Optie 2
Optie 3
Optie 4

Regels: Pak eerst de schulden aan.
Pak eerst de dataschuld aan.
Beide soorten schulden bestaan.
industrialisatie

Creëer de minimale besturingsstructuur
Stabiliseer de gegevensbasis
Kies een duidelijk omschreven workflow.
Beveiligen van bestaande structuren

Voor: Teams met een sterke focus op implementatie
Voor: Governance-georiënteerde scalers, incrementele optimizers
Voor: Teams die de makelaar centraal stellen
Voor: Gebruikers met een grote schaal, planners die gericht zijn op controle.

Voetnoot: Ongeacht met welke optie u begint, het allerbelangrijkste is altijd om eerst de juiste soort schulden af ​​te bouwen, deze basis te versterken en pas daarna verder te schalen.

De cruciale omslag in perspectief: AI in de financiële sector is een kwestie van legitimiteit.

De meeste CFO's beginnen deze reeks met de veronderstelling dat hun AI-programma een probleem heeft met de tools, het verandermanagement of de data-infrastructuur dat zich na verloop van tijd vanzelf oplost. De data onthullen echter iets concreters – en, belangrijker nog, iets dat oplosbaar is.

In de financiële sector moet AI aan drie vormen van legitimiteit voldoen voordat het op grote schaal kan worden ingezet.

Operationele legitimiteit betekent dat AI daadwerkelijk taken kan uitvoeren in kritieke processen. De meeste teams bereiken dit punt al vroeg. Daarom leveren pilotprojecten vaak snel zichtbare resultaten op.

Institutionele legitimiteit betekent dat de organisatie haar gebruik van AI kan verdedigen tegenover audits, richtlijnen en verantwoordingsplichten. Precies hier vormt de gebrekkige regelgeving een cruciaal knelpunt: een governancekloof die niet zomaar met betere tools kan worden gedicht.

Datagestuurde legitimiteit betekent dat de organisatie kan vertrouwen op de databasis waarop AI opereert. Precies hier wordt dataschuld een beperkende factor. Strikte governance op gefragmenteerde data leidt tot AI die, hoewel gecontroleerd, in de praktijk niet betrouwbaar functioneert.

In de context van de hele reeks gezien, is institutionele legitimiteit het interne perspectief op de schuldenlast van regelgeving, en datagerelateerde legitimiteit het interne perspectief op de schuldenlast van data. Beide beschrijven dezelfde kloof vanuit verschillende invalshoeken: de operationele randvoorwaarden die bepalen of AI niet alleen kan worden geïmplementeerd, maar ook op een verantwoorde manier kan worden gebruikt.

Operationele legitimiteit wordt eerst vastgesteld. Daarom zijn pilotprojecten relatief eenvoudig. Institutionele en datagestuurde legitimiteit vergen aanzienlijk meer tijd – en kunnen niet worden overgeslagen. Juist daarom is opschaling zo lastig.

De teams die deze kloof het snelst dichten, identificeren specifiek de ontbrekende vorm van legitimiteit en bouwen daar precies aan. In plaats van constant nieuwe tools te introduceren of nieuwe pilotprojecten op dezelfde kwetsbaarheid te lanceren. Dit coördinatiewerk – het verbinden van regels, data en verantwoordelijkheden binnen een workflow – is precies wat Finance Orchestration in de praktijk bewerkstelligt. De werkelijke beperking van moderne operationele modellen ligt daarom niet in de introductie van AI, maar in de orchestratie ervan.
Konstantin voegt hieraan toe:

De CFO's die AI het meest opschalen, zullen niet degenen zijn die het snelst begonnen. Het zullen degenen zijn die begrepen welke bottleneck ze als eerste moesten aanpakken, die consequent hebben opgelost en pas verder hebben opgeschaald toen hun operationeel model gereed was. Dit is geen voorzichtigheid. Zo bouw je iets dat een blijvende impact heeft.

CFO's: De belangrijkste bevinding

Uit vier rapporten, gebaseerd op 1.520 respondenten, komt één belangrijke conclusie naar voren – ongeacht de branche, bedrijfsgrootte of zelfingeschat volwassenheidsniveau: het verschil tussen schaalbare AI en stagnerende AI zit hem in de operationele randvoorwaarden rondom de technologie, niet in de technologie zelf.

De meest vooruitstrevende CFO's hebben één gemeenschappelijke gewoonte: voordat ze AI in een nieuwe workflow implementeren, vragen ze zich niet alleen af ​​of het resultaten oplevert. Ze vragen zich ook af of ze deze implementatie kunnen rechtvaardigen onder kritische toetsing.

Juist die vraag – “Kunnen we hier de verantwoordelijkheid voor nemen?” – is de praktische test voor beide soorten schulden. Als je niet duidelijk kunt definiëren wat AI mag doen en wie daarvoor verantwoordelijk is, heb je een regelsschuld. Als je de resultaten niet kunt herleiden tot een betrouwbare bron, heb je een dataschuld. Als beide mogelijk zijn, ben je klaar om op te schalen.

De volgorde is cruciaal. Eerst proberen het verkeerde type schuld af te lossen – of alles tegelijk proberen op te lossen zonder een duidelijk startpunt – is het patroon achter de meeste mislukte AI-programma's in de financiële sector. Organisaties die daarentegen het juiste type schuld in de juiste volgorde afbouwen, creëren een cumulatief effect: elke gecontroleerde workflow maakt de volgende gemakkelijker te implementeren, moeilijker aan te vallen en waardevoller dan de vorige.

Dit is precies hoe orchestratie er in de praktijk uitziet: niet als een eenmalige implementatie, maar als een financieel operationeel model dat met elke uitbreiding sterker wordt.

Volgende stappen

Bepaal je uitgangspunt. En los eerst precies één probleem op.

De volgende diagnostische handleiding leidt direct naar de vier varianten van dit rapport. Als u niet zeker weet welke bottleneck uw programma momenteel vertraagt, begin dan hier:
Kies een workflow waarin AI al actief is of gepland staat.

Vraag 1: Kunt u duidelijk aangeven wat AI wel en niet mag doen en wie daarvoor verantwoordelijk is?
Zo nee: Regels Schuld

Vraag 2: Kun je de resultaten van de AI toeschrijven aan een toonaangevend systeem?
Zo nee: Dataschuld

Als beide antwoorden nee zijn: Optie 3.
Als beide antwoorden ja zijn: Optie 4.

Farah Rouassi, VP Finance and Strategic Partnerships bij Paradox, bewandelde precies dit pad toen ze Payhawk AI in haar financiële team integreerde.

Reisboekingen die voorheen meer dan een uur coördinatie vergden, duren nu slechts vier minuten. Het bijhouden van bonnen, wat voorheen twee volledige werkdagen per maand in beslag nam, is nu geautomatiseerd. De AI werkt binnen duidelijk gedefinieerde workflows. Elke transactie, elke goedkeuring en elke indiening volgt de regels die door hun team zijn vastgesteld. Met Payhawk heeft Paradox het volgende bereikt:

Reisboekingen 93% sneller – van meer dan een uur naar vier minuten.

Geen tijd meer kwijt aan het bijhouden van bonnetjes – voorheen twee dagen per maand.

Een centraal platform voor kaarten, facturen, reizen en goedkeuringen – beheerd door regels die door het financiële team zelf zijn vastgesteld.

Farah zei:

Mijn financieel controller stuurt automatisch alle herinneringen gedurende de maand. Ik hoef aan het einde van de maand geen berichten meer te versturen. Geen stress, geen geduld nodig.

Zo ziet het eruit wanneer aan de operationele randvoorwaarden is voldaan: niet alleen AI die werkt, maar AI die robuust is, schaalbaar en financiële teams tijd teruggeeft voor het werk dat er echt toe doet.

Als u wilt zien hoe dit in de praktijk werkt, ontdek dan hoe Payhawk AI inzet voor uitgavenbeheer, crediteurenadministratie en reizen – met ingebouwde controles, audit trails en duidelijke verantwoordelijkheden vanaf het begin. [Vraag een demo aan.]

Dit is het vierde en laatste rapport in de serie "CFO AI Readiness", gebaseerd op een origineel onderzoek van IResearch onder 1.520 senior financiële en zakelijke besluitvormers wereldwijd.

Methodologie: Er werden interviews afgenomen in de DACH-regio (Duitsland, Oostenrijk, Zwitserland), Spanje, Frankrijk, de Benelux, het Verenigd Koninkrijk en Ierland, en de Verenigde Staten. Respondenten: C-level executives, vice-presidenten, directeuren en senior medewerkers uit de financiële, boekhoudkundige, verkoop-, HR- en inkoopafdelingen. Sectoren: dienstverlening, digitale economie, productie, gezondheidszorg, onderwijs en non-profit, en B2C. Bedrijfsgroottes: 50-100 FTE, 101-250 FTE, 251-500 FTE, 501-1.000 FTE en 1.000+ FTE. De vijf beoordelingscriteria werden elk beoordeeld op een schaal van 1 tot 7. "Goed gevestigd" komt overeen met een score van 6-7.

Deel 1-3 van de serie:

Deel 1: AI-volwassenheid in de financiële sector – waarom sommige teams schalen en andere stagneren
Deel 2: De vijf voorwaarden die bepalen of AI schaalbaar is
Deel 3: CFO-gereedheidsrapport – waarom zelfs AI-pioniers in de financiële sector stagneren