Het AI-readiness-rapport voor CFO’s: Deel 3

De meeste financiële teams beginnen met waardevolle AI-pilots. Ze signaleren afwijkingen in facturen, stellen boekingen voor en besparen tijd bij controles. Het vertrouwen groeit snel. Daarna komt de lastigere vraag: kan dezelfde AI ook goedkeuringen, beleidscontroles of journaalpostvoorstellen op schaal ondersteunen en tegelijk standhouden bij audits? Daar begint het tempo bij veel financiële teams te vertragen ontstaan twee grote frustraties.

De eerste: “We doen veel met AI, maar niets schaalt door naar kernprocessen.” De tweede: “We hebben de governance-discussies gevoerd, maar die leiden nooit tot concrete toepassingen.”

Deze frustraties wijzen op verschillende problemen in verschillende soorten organisaties. Zolang je die niet van elkaar onderscheidt, blijf je makkelijk investeren in de verkeerde oplossing.

De eerste twee rapporten in deze AI-readinessreeks legden de basis. Het eerste rapport liet zien dat AI-volwassenheid in finance structureel ongelijk verdeeld is. Sector, bedrijfsgrootte en context spelen daarin een rol. Het tweede rapport liet zien dat schaalbaarheid afhangt van vijf kernvoorwaarden: uitvoeringskracht, minimale governanceregels, vaardigheden, budget en datavolwassenheid. Ook werd duidelijk dat deze voorwaarden, zelfs bij gevorderde organisaties zelden tegelijk aanwezig zijn.

Dit rapport gaat een stap verder. Waarom slagen sommige financiële teams die al als AI-leiders bestempeld zijn er wel in om op te schalen, terwijl anderen blijven steken?

AI-leiders vormen geen homogene groep. Ze werken vanuit verschillende operationele houdingen, met eigen sterktes, zwaktes en obstakels voor schaal. Dat is belangrijk, want de volgende stap is niet voor iedereen hetzelfde. Sommige teams hebben duidelijkere regels nodig. Andere hebben sterkere datagrondslagen nodig. Weer andere moeten hun bestaande gereedheid omzetten in operationele uitrol. Voor CFO’s draait het om één kernbeslissing: welke omstandigheden houdt een concrete adoptie echt tegen?

Leiders vormen geen één groep

Voor dit rapport analyseren we de 405 respondenten die een score van zeven tot tien haalden op AI-volwassenheid en het governancegedeelte van de enquête hebben ingevuld. Elk van de vijf schaalvoorwaarden wordt gemeten op een schaal van één tot zeven. In dit rapport betekent “sterk aanwezig” een score van zes of zeven — de twee hoogste punten op de schaal — en dus een duidelijke bevestiging dat aan de voorwaarde wordt voldaan. Segmentindelingen zijn vastgezet om consistente rapportage te waarborgen.

Figuur 4 laat zien hoe leiders verdeeld zijn over zes operationele houdingen.

Geschaalde adopters (26,9%) — de houding die het dichtst in de buurt komt van volledige gereedheid — scoren sterk op alle vijf voorwaarden tegelijk. Ze beschikken over uitvoeringskracht, minimale governanceregels, de juiste vaardigheden, budget en datagrondslagen die betrouwbare output ondersteunen. Eén op de vier leiders heeft deze volledige operationele stack op orde. Dat cijfer is belangrijk, omdat het bewijst dat schaalbare AI in finance geen toekomstbeeld is — het bestaat vandaag al op betekenisvolle schaal. Het laat ook zien hoe complex het is om deze stack samen te brengen.

Stapsgewijze verbeteraars (17,5%) boeken echte vooruitgang, maar ongelijk verdeeld. Sommige voorwaarden zijn sterk, andere blijven achter. AI beweegt vooruit, maar versterkt zich nog niet over het hele operating model.

Uitvoering-gedreven implementers (16,0%) leveren. 100% geeft aan dat uitvoering sterk staat, en 96,9% ziet ook vaardigheden als stevig aanwezig. Maar 0% geeft aan dat minimale governanceregels op orde zijn. Deze teams weten hoe ze moeten bouwen en uitrollen, maar de controlelaag is niet meegegroeid.

Agent-first, control-later (14,1%) laat een duidelijke AI-drive en echte experimenten zien, maar mist operationele discipline. Opnieuw geeft 0% aan dat minimale regels aanwezig zijn. Slechts 24,6% scoort sterk op uitvoering en 35,1% op datavolwassenheid. AI is actief in deze organisaties, maar niet gebouwd op een stabiele basis.

Governance-first opschalers (13,8%) zijn de meest inzichtgevende groep in de data, omdat ze de meest gangbare aanname over gereedheid doorbreken. Uitvoering scoort 92,9%, minimale regels 100% en vaardigheden 92,9%. Datavolwassenheid zakt naar 30,4%. Deze organisaties doen veel dingen goed. Wat hen beperkt is niet governance, maar de data onder hun processen.

Control-first planners (11,6%) hebben vaardigheden, budget en data redelijk op orde, maar uitvoering ontbreekt. De capaciteit is er, maar nog niet vertaald naar implementatie.

Konstantin Dzhengozov, CFO bij Payhawk, zegt:

Geavanceerde AI-adoptie kan er in de praktijk heel verschillend uitzien. In finance kan het ene team klaar zijn om op te schalen, omdat het beschikt over de juiste controles, data en operationele discipline. Een ander team kan er van buiten net zo actief uitzien, maar mist nog één cruciale voorwaarde die verdere vooruitgang blokkeert.

Het standaard volwassenheidsmodel gaat uit van één richting: hoe volwassener, hoe verder gevorderd, en elke organisatie bevindt zich op dezelfde ladder. In finance werkt dat niet zo. Schaal vraagt meerdere dingen tegelijk: het vermogen om te implementeren, om te sturen, om te investeren en om te werken met data die beslissingen echt ondersteunt. Ontbreekt één van die elementen, dan kunnen de andere dat niet compenseren.

Elke houding weerspiegelt wat een organisatie nu heeft en waar ze op optimaliseert.

• Uitvoering-gedreven teams optimaliseren voor snelheid — hun beperking is governance.
• Governance-first opschalers optimaliseren voor controle — hun beperking is data.
• Control-first planners hebben de basis gelegd — hun uitdaging is om dit om te zetten in uitvoering.

Geen van deze posities is verkeerd, maar elk kent een voorspelbare bottleneck. Organisaties kiezen deze beperkingen meestal niet bewust; ze erven ze uit hun systemen, risicohouding en manier van werken.

De echte blokkade is niet méér AI

Figuur 5 toont het aandeel leiders per houding dat sterk bevestigt dat aan elke opschalingsvoorwaarde is voldaan.

Hier worden twee structurele patronen zichtbaar die het vastlopen binnen de kopgroep grotendeels verklaren.

De eerste is een governance-kloof:

Dit ontstaat wanneer AI-initiatieven sneller gaan dan de minimale regels die nodig zijn om ze te ondersteunen.

Uitvoering-gedreven teams laten dit het duidelijkst zien: 100% op uitvoering, 96,9% op vaardigheden, 0% op minimale governanceregels. Agent-first, control-later laat dezelfde kloof zien vanuit een andere invalshoek. We zien sterke interesse en echte experimenten, maar dezelfde ontbrekende controlelaag.

Dit is juist in finance cruciaal omdat het werk draait om verantwoordelijkheid. Zodra AI betrokken is bij goedkeuringen, uitgavencategorisatie, factuurverwerking, leveranciersregistratie of journaalposten, moet de organisatie kunnen verantwoorden wat er is gebeurd. Wat mocht de AI doen? Wanneer werd er opgeschaald? Wie is verantwoordelijk voor de uitkomst? Wat staat er in de audittrail?

Het patroon ziet er vaak zo uit: een financieel team voert een succesvolle pilot uit met AI om afwijkingen in facturen te signaleren of boekingen voor te stellen. De resultaten zijn goed, het vertrouwen groeit en het bedrijf wil uitbreiden — bijvoorbeeld door facturen met een laag risico automatisch goed te keuren of op schaal journaalposten te genereren. Op dat moment wordt het gebrek aan governance concreet. Niet omdat de AI de taak niet aankan, maar omdat goedkeuringslogica, escalatiepaden en auditregistratie niet duidelijk genoeg zijn voor bredere toepassing. De pilot werkte. De uitrol hapert. En de reflex is vaak om meer use cases toe te voegen of het model verder te verfijnen — terwijl dat het echte probleem niet oplost.

De tweede is een data-kloof:

Governance-first opschalers maken dit scherp zichtbaar. 100% geeft aan dat minimale regels op orde zijn, 92,9% ziet uitvoering als sterk en 92,9% ook vaardigheden — maar slechts 30,4% vindt dat de data klaar is voor AI. Dit zijn organisaties die veel dingen goed doen. Ze hebben duidelijk beleid en sterke uitvoeringsdiscipline. Wat hen beperkt is of de onderliggende data betrouwbaar genoeg is om op te schalen.

Finance-AI werkt dieper in processen wanneer het steunt op consistente stamdata, schone transactiehistorie, duidelijke kostenplaatsstructuren, beleidsmetadata en afstemmingslogica die overeind blijft over entiteiten en systemen heen. Als die basis gefragmenteerd is kan het team AI nog wel inzetten voor samenvattingen en eerste beoordelingen, maar aarzelt het om AI beslissingen te laten sturen die echt betrouwbaar moeten zijn. Governance is aanwezig,maar betrouwbare uitvoering volgt niet.

Konstantin legt uit:

De meest gemaakte fout is denken dat de volgende stap altijd meer AI is. In finance is de volgende stap vaak meer discipline. Je moet weten of je blokkade zit in regels, data of uitvoering. Als je dat verkeerd inschat kun je veel investeren en toch vast blijven zitten.

De kostbare fout is in beide gevallen dezelfde: investeren in de verkeerde oplossing. Teams met een governance-kloof blijven nieuwe use cases toevoegen, meer copilots inzetten en extra automatisering bouwen — bovenop dezelfde ontbrekende randvoorwaarden. Teams met een data-kloof investeren juist in verfijning van beleid en extra governancelagen, terwijl de data nog steeds geen betrouwbare output ondersteunt.

Context bepaalt welke schuld domineert

Beide perspectieven moeten samen worden bekeken. Context — zoals sector en bedrijfsgrootte — vormt de structurele omgeving rond een financieel team. De houding beschrijft hoe er daadwerkelijk wordt gewerkt. Samen verklaren ze waarom hetzelfde advies, dezelfde productboodschap en dezelfde best practice zo verschillend uitpakken afhankelijk van de situatie van een team.

Figuur 6 laat zien hoe houdingen verdeeld zijn over verschillende contextsegmenten en helpt zo de dominante bottleneck per segment te identificeren. Vier segmenten hebben een duidelijke beperkende factor en verklaren het grootste deel van de praktische spanningen bij het opschalen van finance-AI vandaag. De overige twee — dienstverleners op schaal en kernindustriebedrijven op schaal — laten een gemengder beeld zien, zonder één dominante bottleneck. Ze zijn opgenomen in Figuur 6 voor volledigheid, maar worden hieronder niet afzonderlijk besproken.

1. Tech- en dienstverlenende bedrijven, 50–250 medewerkers

Medewerkers bevinden zich hier vooral in een uitvoering-gedreven houding. Deze teams bewegen snel, adopteren makkelijk nieuwe tools en hebben minder organisatorische lagen die besluitvorming vertragen. Diezelfde wendbaarheid gaat vaak samen met een lichtere compliance-structuur, kleinere auditfuncties en minder formele governance dan bij grotere organisaties. Het resultaat is voorspelbaar: adoptie loopt voor op de controles die nodig zijn om dit te ondersteunen. Opschalen vertraagt zodra auditors traceerbaarheid eisen, wanneer consistente goedkeuringslogica op schaal nodig is of wanneer klanten bewijs van processen vragen. De beperking zit hier in governance-mechanismen, niet in de capaciteiten van het model.

2. Gereguleerde bedrijven en bedrijven in kernsectoren, 50–250 medewerkers

Hier zien we een van de meer verrassende inzichten uit de data. De dominante houding is Agent-first, control-later. Je zou verwachten dat AI-enthousiasme zonder duidelijke kaders vooral voorkomt bij goed gefinancierde organisaties met een focus op technologie. De data laat iets anders zien: kleinere spelers in traditionele en gereguleerde sectoren hebben vaak duidelijke AI-ambities, maar missen de operationele basis om dit veilig uit te rollen. Kleine financiële teams, hoge dagelijkse werkdruk, beperkte capaciteit voor beleidsontwikkeling en een grote gevoeligheid voor fouten maken veilig opschalen lastiger. AI schaalt hier wanneer het komt met vooraf ingestelde grenzen, ingebouwde audittrails en duidelijke uitzonderingsafhandeling. De governance-last moet laag genoeg zijn zodat een klein team dit kan dragen zonder extra complexiteit.

3. Gereguleerde sectoren, 251+ medewerkers

Hier zien we een duidelijke concentratie van zowel geschaalde adopters als governance-first opschalers. Dit doorbreekt de aanname dat regelgeving de belangrijkste rem is op AI-vooruitgang. Gereguleerde omgevingen verhinderen opschalen niet — ze dwingen het om gecontroleerd te gebeuren. Deze organisaties hebben vaak sterkere risicofuncties, duidelijkere verantwoordelijkheidsstructuren en meer geformaliseerd beleid, wat gecontroleerde uitrol ondersteunt. Tegelijk werken ze vaak met oudere systemen, gefragmenteerde data over entiteiten heen en complexe rapportage-eisen. Governance neemt één obstakel weg en legt een ander bloot. De meest zichtbare beperking in dit segment is datakwaliteit, zelfs wanneer de operationele discipline sterk is.

4. Techbedrijven, 251+ medewerkers

Deze groep heeft de hoogste concentratie geschaalde adopters. Grotere techorganisaties beschikken vaker over de vaardigheden, het budget en de integratiecapaciteit om de volledige stack samen te brengen. Maar Figuur 6 laat ook zien dat volledige gereedheid hier niet vanzelfsprekend is. Sommige teams lopen vooruit op hun governance. Andere hebben alles in huis, maar hebben die gereedheid nog niet omgezet in daadwerkelijke uitrol. Context maakt volledige gereedheid haalbaarder, maar niet automatisch.

De overige twee segmenten — dienstverleners op schaal (Services, 251+) en kernindustriebedrijven op schaal (Overige sectoren, 251+) — laten geen duidelijke dominante beperking zien. Hun houdingen zijn gemengder en combineren elementen van governance-schuld, datatekorten en stapsgewijze vooruitgang in vergelijkbare mate. Dat betekent niet dat er geen bottleneck is, maar dat deze minder uniform is. De juiste oplossing verschilt hier sterker per organisatie. Voor deze segmenten is de diagnose in het volgende onderdeel extra belangrijk.

De praktische conclusie per segment: in snel bewegende omgevingen ligt de grootste beperking bij governance. In kleinere, traditionele omgevingen zit de beperking in governance-capaciteit — het vermogen om controles te beheren zonder een aparte functie. In gereguleerde omgevingen op schaal verschuift de beperking naar data, zelfs als governance sterk is. In grote techomgevingen komt volledige gereedheid vaker voor, maar is nog steeds afhankelijk van operationele discipline om echte schaal te bereiken.

Daarom is het opschalen van finance-AI vooral een vraag van juiste volgorde. De fout is om overal dezelfde transformatie-aanpak toe te passen. De juiste stap is om de dominante beperking in jouw context te herkennen en die eerst op te lossen, voordat je extra capaciteit toevoegt.

Wat CFO’s nu moeten prioriteren

Financiële teams lopen vaak vast wanneer ze blijven investeren rondom het echte probleem, in plaats van het direct op te lossen.

Voor CFO’s is de relevantere vraag: welke voorwaarde houdt een concreet financieel proces op dit moment tegen om op te schalen? Voor sommige teams ligt dat in governance — zoals goedkeuringskaders, escalatieregels en audittrails die AI gecontroleerd laten werken. Voor andere teams ligt het in data — zoals stamgegevens, transactiehistorie en entiteitstructuren die nodig zijn voor betrouwbare output.

De kosten van een verkeerde diagnose zijn aanzienlijk. Teams kunnen budget besteden aan extra tools, meer pilots of extra beleidslagen, terwijl het proces zelf nog steeds niet opschaalt. Dat vertraagt de ROI, verlengt de uitrol en zorgt ervoor dat finance meer werk draagt zonder meer controle.

Finance-AI levert de meeste waarde wanneer het werkt binnen goedkeuringen, beleidscontrole, uitzonderingsbeheer en auditklare processen. Daar is orkestratie cruciaal. Het zorgt ervoor dat AI werk vooruit helpt, terwijl de controle behouden blijft.

Konstantin zegt:

Voor een CFO is dit een vraag van volgorde. Waarde ontstaat door de ene voorwaarde te identificeren die een concreet financieel proces blokkeert, die eerst op te lossen en daarna verder uit te breiden.

De term “AI-leider” omvat inmiddels meer variatie dan voorheen. Verschillende leiders worden door verschillende factoren geremd, en de weg vooruit is niet voor iedereen gelijk. De financiële teams die het verst komen, zijn degenen die hun specifieke beperking eerlijk herkennen en er vroeg naar handelen.

De volgende fase van finance-AI zal in het voordeel zijn van teams die weten wat schaal tegenhoudt, dit eerst oplossen en vervolgens gecontroleerd verder opschalen.

Als je wilt zien hoe dat er in de praktijk uitziet, ontdek hoe Payhawk AI toepast binnen echte financiële workflows, met ingebouwde controles, audittrails en duidelijke verantwoordelijkheid. Je ziet hoe teams van losse AI-initiatieven naar gecontroleerde uitvoering gaan, terwijl goedkeuringen, beleidscontrole en auditgereedheid intact blijven.

Methodologie:

Met behulp van stellingen die in nauwe samenwerking met finance- en businessleiders zijn ontwikkeld, heeft IResearch interviews uitgevoerd in acht landen om echte operationele situaties en uitdagingen in kaart te brengen. Aantal respondenten: 1.520.

De dekking omvatte:

• Regio’s: DACH, Spanje, Frankrijk, Benelux, VK & Ierland, Verenigde Staten
• Senioriteit: C-level, VP’s, Directors en senior specialisten
• Functies: Finance, Accounting, Sales, HR, Procurement
• Sectoren: Dienstverlening, Digital, Manufacturing, Healthcare, Onderwijs & non-profit, B2C
• Bedrijfsgrootte: 50–100 FTE, 101–250 FTE, 251–500 FTE, 501–1.000 FTE en 1.000+ FTE

De vijf schaalvoorwaarden zijn elk beoordeeld op een schaal van 1–7. “Sterk aanwezig” verwijst naar scores van 6–7 (de twee hoogste punten op de schaal). Deze drempel is consistent toegepast in alle vier rapporten in deze reeks.