AI in de accountancy: waarom de basis eerst moet staan

Wat er misgaat: de AI-sticker op een rommelige basis

Op elk congres, in elke nieuwsbrief van een softwareleverancier en in elk vakblad staat AI centraal. De beloften zijn groot: meer doen met minder mensen, klanten beter adviseren, repetitief werk verdwijnt vanzelf. En toch, als ik bij kantoren binnenkom, zie ik dezelfde taferelen als vijf jaar geleden. Stapels handmatig overgetypte facturen, scanmappen vol bestanden met namen als "Scan001.pdf" en "document(3).pdf", en boekhoudingen die net zo zijn ingericht als de boekhouder het ooit heeft geleerd, zonder enige standaardisatie.

Het probleem is niet de beschikbaarheid van AI-tools. Die zijn er volop. Het probleem is wat er al bestaat als je zo'n tool aansluit. AI werkt volgens het garbage-in-garbage-out-principe. Als de input niet klopt, klopt de output ook niet. Ongestructureerde facturen, geen RGS-indeling, scanbestanden zonder context: een AI-model kan daar niets mee doen. Of liever: het doet iets, maar het is de verkeerde conclusie. En dat is gevaarlijker dan geen AI gebruiken. Een goed uitziende samenvatting of een overtuigend uitziende boeking die inhoudelijk niet klopt, geeft een vals gevoel van betrouwbaarheid. Iemand moet dat nog steeds controleren, en de kans dat die fout er doorheen glipt is groter omdat het er op het eerste gezicht goed uitziet.

Wat een solide basis er concreet uitziet

Ik begin in mijn eigen praktijk altijd met de documentstroom en documentbeheer. Elk document dat binnenkomt, of dat nu een factuur is, een bankafschrift of een contract, krijgt automatisch een naam die meteen duidelijk maakt wat het is. Niet "Scan001.pdf" of "document(3).pdf", maar "2026-03-15 - Jansen BV - Inkoopfactuur elektriciteit Q1". Dat klinkt als een detail, maar het is het fundament van alles wat daarna komt. Een AI-model dat een bestand met naam "Scan001.pdf" verwerkt, heeft geen idee wie de afzender is, wat voor document het is of welk tijdvak het betreft. Datzelfde model dat een bestand verwerkt met datum, klantnaam en omschrijving in de naam, heeft al drie vragen beantwoord voordat het de inhoud heeft gelezen.

Hoe de workflow er in stappen uitziet: document binnenkomt, lokale OCR leest de tekst uit, een lokaal taalmodel herkent documenttype, afzender en datum, het model schrijft een bestandsnaam in een vast formaat, het document belandt in de juiste map. Volledig lokaal, geen data naar externe partijen. Elke stap is deterministisch: elk document doorloopt dezelfde pipeline, elke keer opnieuw.

Daar bovenop bouw ik klantdossiers op als context voor het AI-model. Niet alleen cijfers, maar ook: welke leveranciers zijn terugkerend, welk btw-regime geldt, zijn er afwijkingen die eerder zijn besproken. Een concreet voorbeeld: een vaste leverancier stuurt een factuur die 20% hoger is dan gemiddeld. Het model weet, via het klantdossier, dat deze leverancier altijd in het eerste kwartaal factureert en dat er een aantekening staat over een lopend onderhoudscontract. Zonder die context zie je een cijfer. Met die context begrijp je of het klopt.

Daarnaast gebruik ik het Referentie Grootboekschema als standaard voor alle klanten. Consequent, zonder uitzonderingen. RGS maakt het mogelijk om administraties van verschillende klanten te vergelijken, trends te herkennen en automatisering toe te passen die niet per klant opnieuw hoeft te worden ingericht. Zonder die standaard is elke klant een eiland en schaal je niks op.

Hoe zo'n documentpipeline precies werkt, van OCR tot naamgeving in vast formaat, beschrijf ik in detail in Documentstroom automatiseren: elk document altijd vindbaar.

Van boeken naar controleren: hoe AI de rol van de boekhouder verandert

Als de basis staat, verandert de aard van het werk. Boekhoudautomatisering is dan geen losstaand project meer, maar iets dat vanzelf volgt. Niet meer zelf invoeren wat er al is gescand en herkend, maar beoordelen wat er al gedaan is. Dat klinkt als een kleine verschuiving, maar in de praktijk is het fundamenteel anders.

De eerste stap is scan-en-herken: facturen worden automatisch herkend en ingeboekt. Dat werkt zodra de documentstroom op orde is en het naamgevingsformaat consistent is. De volgende stap zijn AI-agents die standaardboekingen zelf verwerken en alleen melden bij afwijkingen. Een bankafschrift dat elke maand dezelfde huurlast bevat, hoeft niemand handmatig te verwerken. Pas als er iets afwijkt, verschijnt er een melding.

In mijn eigen praktijk gebruik ik koppelingen tussen AI en Minox, mijn boekhoudpakket. Hoe ik Minox koppel aan AI beschrijf ik apart, maar de kern: terugkerende boekingen die vroeger handmatig werden doorgelopen, worden nu samengevat en gecontroleerd in plaats van handmatig ingevoerd. Dat vereist een betrouwbare audit trail: elke boeking moet herleidbaar zijn, niet omdat ik het verplicht ben, maar omdat ik er op wil kunnen vertrouwen.

De vergelijking die ik graag gebruik: AI is als een nieuwe medewerker. Basiskennis heeft die medewerker, maar jouw klanten en werkwijze kent hij nog niet. Je werkt hem in, je corrigeert waar nodig, en je vertrouwt hem gaandeweg meer toe. Dat het in het begin misgaat, is geen mislukking. Dat is onderdeel van het proces. Wie dat niet begrijpt, geeft AI te vroeg op of vertrouwt het te snel te veel.

De juiste motivatie voor die verschuiving beschrijf ik in De verkeerde reden om te automatiseren — en de goede.

Dataveiligheid is geen bijzaak: AVG en de EU AI Act

Klantdata van accountants is uiterst gevoelig. Omzetcijfers, salarisgegevens, BSN-nummers op loonstroken: dit soort data vereist zorgvuldige omgang. Toch zie ik kantoren die documenten uploaden naar ChatGPT of een vergelijkbare dienst zonder na te denken over verwerkersovereenkomsten, anonimisering of de aard van de verwerking. Afhankelijk van wat er precies wordt geüpload en hoe, kan dat een AVG-risico zijn dat wacht om te escaleren.

Of cloudgebruik per definitie verboden is, hangt af van de situatie: welke persoonsgegevens worden verwerkt, of er een verwerkersovereenkomst is, of data wordt geanonimiseerd, en wat het doel van de verwerking is. Ik kies desondanks voor lokale modellen op eigen hardware. Niet omdat cloud per definitie onmogelijk is, maar omdat controle en onafhankelijkheid voor mij zwaarder wegen. Geen data naar externe partijen, geen vendor lock-in, geen afhankelijkheid van wat een leverancier morgen besluit te veranderen aan zijn beleid.

Ik ben kritisch op partijen die een cloudkoppeling "AI" noemen en daarmee de indruk wekken dat alles al geregeld is. In een demo ziet het er indrukwekkend uit. In de praktijk, met echte klantdata, is het gevaarlijk als je niet weet waar die data naartoe gaat. Dataveiligheid wordt de komende jaren een van de grootste onderscheidende factoren in de sector. Wie dat nu goed regelt, heeft straks een concurrentievoordeel. Wie het negeert, heeft een probleem.

Het tariefmodel in een geautomatiseerde praktijk

Als een administratie die vroeger acht uur kostte nu twee uur kost, betaalt de klant niet meer acht uur. Dat is de logische consequentie van automatisering, maar veel kantoren zien die verschuiving te laat aankomen. Het traditionele uurtarief staat onder druk, niet morgen, maar nu al.

Ik werk met een modulair model: een vast bedrag per onderdeel, zoals activabeheer, verwerking van bankmutaties en kwartaalaangiftes, aangevuld met een uurtarief voor advies en meerwerk. Voordelen: kosten zijn gedekt ongeacht hoeveel uur een taak kost, het is mogelijk meer klanten te bedienen met dezelfde capaciteit, en de klant weet elke maand precies waar hij aan toe is.

Kantoren die dit niet zien aankomen, merken dat hun marges onder druk komen voordat ze er erg in hebben. De juiste motivatie voor automatisering is niet goedkoper hetzelfde doen, maar de klant beter helpen: betere analyses, snellere inzichten, meer tijd voor het gesprek dat er toe doet. Dat gesprek is ook in een geautomatiseerde praktijk het meest waardevolle wat je te bieden hebt.

Waar begin je? Een concrete checklist

Als ik een administratiekantoor help automatiseren, gebruik ik altijd dezelfde volgorde. Niet omdat ik er een systeem van heb gemaakt, maar omdat het de enige volgorde is die in de praktijk werkt.

AI vergroot wat er al is. Een sterke administratieve basis maakt het werk sneller en betrouwbaarder. Een rommelige basis maakt je fouten schaalbaar. Dat is niet de boodschap die softwareleveranciers brengen op congressen, maar het is wat er in de praktijk gebeurt. Ik begin nooit met AI. Ik begin met de administratie.