Hoe AI finance transformeert

1. Financiële prognoses en planning

AI transformeert het financiële prognose- en planningsproces door middel van voorspellende analyses. Een voorspellende analyse is een soort data-analyse dat wordt gebruikt in bedrijven om trends, correlaties en causaliteit te identificeren. Hierbij wordt gebruikgemaakt van data, statistische algoritmes en machine learning om toekomstige resultaten te voorspellen op basis van de analyse van historische data en bestaande trends.

Met behulp van voorspellende analyses kunnen financiële teams de toekomstige cashflow voorspellen met behulp van historische bedrijfsdata en data uit de bredere bedrijfstak. Traditionele financiële prognoses moeten handmatig worden aangepast wanneer de omstandigheden veranderen, maar op AI gebaseerde prognoses kunnen opnieuw worden gekalibreerd op basis van nieuwe data, zodat de prognoses en plannen relevant en nauwkeurig blijven. GenAI kan zelfs automatisch contextuele opmerkingen maken om uitleg te geven bij prognoses van verwachtingsmodellen en belangrijke factoren te benadrukken die bepalend zijn voor de voorspelling.

2. Wettelijk verplichte compliance

De wettelijk verplichte naleving wordt wereldwijd steeds complexer. Dit heeft de afgelopen jaren geleid tot een sterke toename van de kosten en resources voor de wettelijk verplichte rapportage. Het kost organisaties veel tijd en resources om aan die vereisten te voldoen. Met AI kan een deel van de werklast worden weggenomen door de nalevingsmonitoring, het audittrailbeheer en het opstellen van wettelijk verplichte rapporten te automatiseren.

Een bijzonder waardevolle technologie op het gebied van naleving van de regelgeving is natuurlijke taalverwerking (natural language processing, NLP). NLP is een tak van AI die ervoor zorgt dat computers menselijke taal kunnen begrijpen en genereren. Met NLP kunnen snel grote hoeveelheden tekstuele data worden ontleed en kan ruwe tekst of spraak worden omgezet in betekenisvolle inzichten. Lange documenten, contracten, beleidsregels en andere tekstbronnen kunnen hiermee worden geanalyseerd om er kritieke informatie, relevante wijzigingen en mogelijke nalevingsrisico's uit te halen. Met NLP kan zelfs het beheer van documenten worden vereenvoudigd door deze automatisch te classificeren op basis van vooraf bepaalde criteria.

3. Optimalisatie van de cashflow

Een effectief cashflowbeheer staat altijd hoog op de prioriteitenlijst van CFO's en hun teams, en AI blijkt een waardevol instrument te zijn om de cashflow te optimaliseren. Vanwege de grote hoeveelheid data die nodig is, hebben de meeste financiële professionals meer dan een dag nodig om een geconsolideerd overzicht van hun contanten en liquiditeit samen te stellen. De prognoses kunnen ook nog altijd fouten bevatten en snel achterhaald zijn.

Met behulp van voorspellende analyses en machine learning kunnen bedrijven automatisch data uit alle relevante (historische en actuele) bronnen samenvoegen om doorlopend de toekomstige cashflow te voorspellen. Met een snellere, nauwkeurigere prognose van de cashflow kunnen bedrijven proactief stappen ondernemen om een gezond liquiditeitsniveau in stand te houden. Als er bijvoorbeeld te veel contant geld is, kan er door vroege betalingen bij leveranciers worden geprofiteerd van kortingen of kunnen er gebieden worden geïdentificeerd waarin het bedrijf opnieuw kan investeren. Als er weinig contant geld is, kunnen kredietposities opnieuw worden beoordeeld of valutatransfers tussen dochterondernemingen worden geactiveerd. Financiële teams kunnen ook gebruikmaken van AI om werkkapitaal te optimaliseren door de juiste beloningen voor vroege betalingen toe te passen en leveranciers te selecteren op basis van marktomstandigheden, betalingsgeschiedenis en andere factoren.

4. Onkostenbeheer

Onkostenbeheer kan snel een bron van frustratie worden. Voor werknemers is het lastig om de regels van het onkostenbeleid te volgen en handmatig betalingsbewijzen te verzamelen, formulieren in te vullen en declaraties in te dienen. Dit proces is bovendien foutgevoelig. Financiële teams kunnen ook niet bij elke declaratie handmatig controleren of alle vermelde uitgaven aan de regels voldoen. AI is een krachtige tool waarmee het onkostenbeheer sneller en minder complex kan worden gemaakt. Optische tekenherkenning (optical character recognition, OCR), een vorm van AI waarbij handgeschreven, afgedrukte of een afbeelding van tekst wordt ingescand en de relevante informatie daaruit wordt gehaald en gedigitaliseerd, kan bijvoorbeeld worden gebruikt om betalingsbewijzen te verwerken en onkosten in te voeren. Betalingsbewijzen en facturen worden met OCR ingescand, waarna de declaratievelden, zoals de naam van de handelaar, de datum en het totale bedrag, automatisch worden ingevuld.

Dit is niet de enige toepassing van AI in onkostenbeheer. Bedrijven kunnen AI ook gebruiken om goedkeuringsworkflows te automatiseren, waarbij alleen de onkosten worden gemarkeerd die door het financiële team moeten worden beoordeeld op basis van vooraf bepaalde regels. Hierdoor wordt een cultuur gestimuleerd voor beheren op basis van uitzonderingen. Er zijn ook steeds vaker AI-assistenten voor onkosten beschikbaar voor werknemers. Hiermee kunnen onkosten automatisch worden gecategoriseerd, wordt de vereiste documentatie voor alle onkosten ingevuld en ingediend en wordt advies gegeven over het nalevingsbeleid van het bedrijf.

5. Automatisering van taken

Het automatiseren van taken is een van de meest toegepaste en misschien wel een van de belangrijkste mogelijkheden van AI. Met behulp van AI kunnen talloze handmatige, tijdrovende financiële processen worden geautomatiseerd waar het financiële team voorheen veel tijd aan kwijt was:

• Data-invoer: relevante data worden uit overzichten, facturen, bonnen en andere financiële documenten gehaald en ingevoerd in het systeem van het bedrijf.
• Facturen vastleggen en verwerken: papieren facturen worden ingescand, gelezen en gedigitaliseerd.
• Matching en verificatie: facturen worden automatisch vergeleken met de bijbehorende inkooporders en ontvangstbewijzen.
• Betalingsuitvoering: het betalingsproces wordt vereenvoudigd, waarbij betalingen worden ingepland om de cashflow te optimaliseren, de gewenste betaalwijze wordt geselecteerd en de betalingen automatisch of met minimale menselijke tussenkomst worden uitgevoerd.
• Afstemming: er wordt een geautomatiseerd afstemmingsproces uitgevoerd waarbij betalingstransacties worden vergeleken met bankafschriften om te controleren of de bedragen en begunstigden met elkaar overeenkomen.
• Standaardwaarden voor rekeningcodecombinatie: segmentwaarden van de rekeningcodecombinatie worden voorspeld en automatisch standaard ingesteld op factuurregels van crediteuren zonder inkooporder.
• Financiële afsluitingsprocessen: met intelligente procesautomatisering (IPA) wordt de complexe orkestratie van de financiële afsluiting geautomatiseerd en wordt de taakstatus op meerdere systemen gecontroleerd. Hierbij worden nieuwe regels aanbevolen voor continue automatisering, wordt het afsluitingsproces automatisch gestart zodra afhankelijke taken zijn voltooid en wordt de afsluitingskalender bijgewerkt.

Een geavanceerde automatisering van grote, terugkerende en alledaagse handmatige taken biedt tal van voordelen, waaronder tijd- en kostenbesparingen, minder fouten en een grotere werknemerstevredenheid omdat financiële medewerkers zich kunnen concentreren op belangrijkere strategische taken.

6. Financiële rapportage en analyse

Met AI kunnen meerdere aspecten van het proces voor financiële rapportage en analyse worden geautomatiseerd en verbeterd. In eerste instantie kan hiermee relevante financiële informatie uit verschillende databronnen worden verzameld. Vervolgens kunnen de financiële data worden opgeschoond en verwerkt door fouten, inconsistenties en ontbrekende waarden te identificeren en de financiële teams te laten weten welke gebieden extra aandacht vragen.

Daarna kunnen er op basis van de data en met behulp van AI financiële overzichten worden gegenereerd, zoals winst- en verliesrekeningen, balansen en cashflowoverzichten, waarbij de data worden omgezet in rapporten waarin de kernprestatie-indicatoren (KPI's), trends en observaties worden vermeld. AI kan ook een rol spelen bij wettelijk verplichte rapportages. De benodigde formulieren kunnen door GenAI worden ingevuld met data die door het financiële team worden verstrekt, waarna het personeel deze kan nakijken en bevestigen.

GenAI kan worden gebruikt om toelichtende rapporten te produceren en context te geven aan de cijfers door financiële overzichten en data te combineren met de benodigde uitleg. GenAI kan zelfs helpen bij het voorbereiden van de eerste ontwerpen voor 10-Q- en 10-K-rapporten, inclusief voetnoten en een managementdiscussie en -analyse (MD&A).

1. De efficiëntie en productiviteit verhogen

Er zijn al vele manieren waarop AI kan helpen de efficiëntie en productiviteit op de financiële afdeling te verhogen, en dat is nog maar het begin. Het automatiseren van diverse financiële processen, zoals het verzamelen, consolideren en invoeren van data, is al een aanzienlijke verbetering. De rol van finance wordt hiermee verschoven van rapportage over het verleden naar een focus op de toekomst, via analyses en prognoses die nuttig zijn voor het bedrijf.

Dat is echter slechts het begin van de mogelijke toepassingen van AI om de efficiëntie en productiviteit in finance te verhogen. Financiële teams implementeren bijvoorbeeld ook GenAI om eenvoudiger informatie te kunnen vinden, ontbrekende kennis aan te vullen en het werk gedaan te krijgen. Toepassingen zijn onder andere ondersteuning bij schrijven, samenvatten, analyseren en chatten. Volgens een onderzoek uit 2023 door Boston Consulting Group en MIT Sloan verbeterde GenAI de prestaties van een hoogopgeleide werknemer met maar liefst 40% in vergelijking met werknemers die geen GenAI gebruikten. Uit een PwC-rapport uit 2024 bleek dat 60% van de CEO's verwacht dat GenAI efficiëntievoordelen oplevert. En in een NVIDIA-enquête uit 2024 onder 400 wereldwijde financiële dienstverleners werd een 'betere operationele efficiëntie' het meest genoemd als voordeel van AI (43% van de ondervraagden).

2. De klantervaring en klantenbinding verbeteren

Met AI kunnen bedrijven hun klantervaring en klantenbinding verbeteren, door gepersonaliseerde, proactieve en geïntegreerde interacties via verschillende contactpunten aan te bieden. Personalisatie is een goed voorbeeld. In een rapport van Forrester uit 2024 gaf 42% van de ondervraagde leidinggevenden aan dat de hyperpersonalisatie van de klantervaring een belangrijke toepassing is van AI.

AI kan helpen bij de personalisatie door klantdata, voorkeuren en gedrag te analyseren en op basis daarvan de juiste productaanbevelingen, contentsuggesties en aanbiedingen te selecteren. Bedrijven kunnen ook een stap verdergaan met AI-gestuurde klantsegmentatie voor gerichtere marketingcampagnes en -promoties. Met AI kunnen zelfs de prijzen worden gepersonaliseerd, door op basis van realtime inzicht in de voorkeuren van individuele klanten, veranderingen in de markt en activiteiten van concurrenten de prijzen en kortingen te optimaliseren.

AI vormt tegenwoordig een integraal onderdeel van de klantenbinding, met voorspellende analyses die een prognose geven van toekomstig klantgedrag, levenslange waarde en zelfs de 'churn rate'. Hierdoor kunnen bedrijven problemen proactief aanpakken zodra deze zich voordoen.

Ten slotte kan de relatie met klanten worden verbeterd met behulp van AI-gestuurde chatbots en digitale assistenten die dag en nacht beschikbaar zijn om vragen te beantwoorden.

3. Het aantal fouten verminderen

Door AI te gebruiken in finance, kan het aantal fouten worden verminderd, en dan vooral het aantal menselijke fouten. Omvangrijke terugkerende taken zijn gevoelig voor menselijke fouten, maar bij computers treedt dit probleem niet op. Door gebruik te maken van de geavanceerde algoritmes, data-analyses en automatiseringsmogelijkheden van AI kunnen veelvoorkomende fouten op het gebied van data-invoer, financiële rapportage, boekhouding en factuurverwerking worden geïdentificeerd en gecorrigeerd.

4. De kosten verlagen

Het is al gebleken dat het mogelijk is om de kosten te verlagen met behulp van AI. In het NVIDIA-onderzoek meldde meer dan 80% van de respondenten een hogere omzet en lagere jaarlijkse kosten door het gebruik van AI-applicaties. Verder kunnen met de implementatie van AI, volgens een rapport van de Bank of America van oktober 2023, de kosten van S&P 500-bedrijven in de komende vijf jaar met ongeveer 65 miljard dollar worden verlaagd.

Er zijn vele manieren waarop de kosten kunnen worden verlaagd met behulp van AI. Het automatiseren van taken is een voor de hand liggende methode om kosten te verlagen. Bedrijven kunnen hiermee de arbeidskosten verminderen, personeelstekorten opvangen, de productiviteit en efficiëntie verbeteren en ervoor zorgen dat hun werknemers zich kunnen richten op belangrijke strategische activiteiten. Bedrijven geven ook aan dat de betere inzichten en besluitvorming die mogelijk zijn met AI, van essentieel belang zijn om de kosten te verlagen. Organisaties die gebruikmaken van AI, zijn meestal beter in staat om voorraadniveaus en supply chains te optimaliseren, fraude te detecteren, mogelijkheden voor kostenbesparing te identificeren en resources effectief toe te wijzen.

5. De besluitvorming verbeteren

Een onderzoek uit 2023 door Oracle en New York Times-bestsellerauteur Seth Stephens-Davidowitz dat gericht was op het dilemma rondom besluitvorming waar bedrijfsleiders mee te maken hadden, leverde ontnuchterende resultaten op.

De ondervraagde bedrijfsleiders gaven het volgende aan:

• 74% geloofde dat het aantal beslissingen dat elke dag moest worden genomen, de afgelopen drie jaar met een factor 10 was toegenomen.
• 97% wilde gebruikmaken van data bij het nemen van beslissingen.
• 93% was van mening dat een beslissing over intelligence een organisatie kon maken of breken.
• 72% gaf toe helemaal geen beslissingen meer te nemen vanwege de enorme hoeveelheid data.
• 89% geloofde dat het toenemende aantal databronnen het succes van hun organisatie in de weg stond.
• 94% was van mening dat de financiële afdeling met de juiste data en inzichten betere beslissingen kon nemen.

Dankzij de mogelijkheden van AI voor het beheren, verzamelen, analyseren en contextualiseren van data (om maar een paar mogelijkheden te noemen), kunnen veel obstakels worden weggenomen die volgens bedrijfsleiders de besluitvorming in de weg staan.

6. Risicobeheer verbeteren

AI is een belangrijk instrument voor het opsporen van fraude. Met getrainde machine learning-modellen kunnen zowel actuele als historische transactiedata worden verwerkt en kunnen witwaspraktijken en andere frauduleuze activiteiten worden opgespoord door transactie- en gedragspatronen met elkaar te vergelijken.

Op AI gebaseerde modellen voor het detecteren van afwijkingen kunnen ook worden getraind om transacties te identificeren die op fraude kunnen duiden. AI-systemen leren in dat geval voortdurend nieuwe dingen en het aantal foutpositieve detecties kan in de loop van de tijd worden verminderd, omdat het algoritme wordt verfijnd door te leren welke afwijkingen frauduleuze transacties waren en welke niet.

Het vermogen van AI om in zeer korte tijd grote hoeveelheden data te analyseren, is een enorme aanwinst voor het financiële team. Of het nu om de analyse van supply chains, activiteiten of financiële markten gaat, met AI kunnen snel mogelijke risico's worden geïdentificeerd en voorspellende modelleringstechnieken worden gebruikt om de waarschijnlijkheid en impact van mogelijke uitkomsten te beoordelen.

7. Schaalbaarheid

Een belangrijke reden dat AI nu uit de startblokken is gekomen en toegankelijk is voor zo'n brede groep bedrijven, is de beschikbaarheid van cloudgebaseerde AI-platforms. Voor systemen op basis van AI, en dan met name generatieve AI, is veel computingkracht nodig. De modellen worden ook regelmatig bijgewerkt. Deze twee factoren maken het erg moeilijk om 'AI aan te schaffen' en in het eigen datacenter van een organisatie te laten draaien. Platforms voor cloudcomputing bieden een schaalbare infrastructuur en resources voor het implementeren en uitvoeren van AI-applicaties, waarbij bedrijven betalen voor de mogelijkheden waar ze gebruik van willen maken en kunnen profiteren van updates zonder dat er patches en software-updates moeten worden geïnstalleerd. Bedrijven die cloudgebaseerde ERP-systemen gebruiken, zijn sterk geneigd om AI-technologie uit dezelfde cloud te gebruiken. Er is veel minder bezorgdheid over het verplaatsen en voorbereiden van data voor AI als de oorspronkelijke systemen zich in dezelfde cloudinfrastructuur bevinden.