Iedereen plakt een AI-sticker — maar de fundering ontbreekt

De AI-sticker lost niets op

Kijk om je heen op elk congres, in elke nieuwsbrief, bij elke softwareleverancier: AI staat overal centraal. En toch, als ik bij kantoren binnenkom, zie ik nog steeds stapels handmatig werk. Scanmappen vol bestanden zonder logische naam. Boekhouding die niet op RGS is ingericht. Facturen die handmatig worden overgetypt terwijl er allang betere opties zijn.

Het probleem is niet dat er geen AI beschikbaar is. Het probleem is dat iedereen een AI-sticker op een rommelige basis aan het plakken is. En dan geldt één principe onverbiddelijk: garbage in, garbage out. Als je input een zooitje is, krijg je geen inzichten terug. Je krijgt meer ruis.

Waar het écht mis gaat

Kantoren denken dat ze "ergens kunnen beginnen" met AI. Maar het echte probleem ligt dieper: geen standaardisatie, geen RGS-koppeling, geen eenduidige structuur in de data.

Het verraderlijke is dat geen van deze problemen er spectaculair uitziet. Een scanmap vol onleesbare bestandsnamen voelt als een irritatie, niet als een blokkade. Een factuur die op de verkeerde debiteur wordt geboekt voelt als "even corrigeren", niet als een systeemfout. Maar tel die kleine irritaties op over honderd klanten en duizenden documenten per jaar, en je krijgt een kantoor dat structureel tijd verliest aan dingen die geen enkele klant ziet of waardeert.

Een concreet voorbeeld uit de praktijk

Stel: een kantoor schaft een AI-tool aan die jaarrekeningen moet analyseren en automatisch een conceptmail naar de klant stuurt met opvallende posten. Klinkt veelbelovend. Maar de saldibalans van klant A is ingericht met een eigen rekeningschema dat niemand meer kan herleiden, en bij klant B staan investeringen soms als kosten geboekt en soms als activa, afhankelijk van wie de boeking destijds deed. Het taalmodel krijgt twee totaal verschillende soorten input en kan onmogelijk weten wat normaal is en wat een afwijking. Het resultaat: een conceptmail vol valse signalen, of erger nog, een mail die wél relevante signalen mist omdat de structuur ze onzichtbaar maakt.

Dit is precies waarom ik in een later artikel schrijf dat de reden waarom je automatiseert, alles bepaalt. Een AI-tool aanschaffen om een probleem in de fundering te verbloemen, werkt averechts: je krijgt niet minder werk, je krijgt ruis die eruit moet worden gefilterd door een mens, vaak dezelfde persoon die het werk eerst handmatig deed.

De juiste volgorde

Digitalisering is geen schakelaar die je omzet. Het is een fundament dat je opbouwt. En die volgorde is niet onderhandelbaar:

Stap één, de documentstroom, beschrijf ik in detail in dit artikel: hoe je met een vast naamgevingsformaat en een OCR-pipeline elk document altijd terugvindt, zonder dat een mens daar nog naar moet kijken. Pas als die laag klopt, is het zinvol om verder te kijken naar automatisering van repetitieve handelingen zoals factuurherkenning.

Waarom dit niet alleen een technisch probleem is

Veel kantoren benaderen digitalisering als een IT-project: een nieuwe tool aanschaffen, een implementatieconsultant inhuren, klaar. Maar de kern van het probleem is zelden technisch. Het is gewoonte. Medewerkers die al tien jaar op dezelfde manier scannen, archiveren en boeken, veranderen niet vanzelf omdat er een nieuwe knop bijkomt. Standaardisatie vraagt om een vaste werkwijze die iedereen volgt, ook als het in het begin meer moeite kost dan de oude, vertrouwde manier.

Dat is ook waarom ik bij kantoren niet begin met een technische audit, maar met de vraag: wat doen jullie nu, en waarom doen jullie het zo? Pas als dat helder is, heeft een nieuwe structuur, en daarna pas automatisering en AI, kans van slagen. Wat die volgorde er concreet uitziet, van documentstroom en OCR tot dataveiligheid en een aangepast tariefmodel, beschrijf ik stap voor stap in dit overzichtsartikel over AI in de accountancy.

Hoe vaak ik dit patroon tegenkom

Ik zou willen dat dit een uitzondering was, maar het is eerder de regel. Van de kantoren waar ik binnenkom, heeft de overgrote meerderheid op papier al "iets met AI": een chatbot-functie in de boekhoudsoftware, een proefabonnement op een AI-tool, een collega die ChatGPT gebruikt voor conceptmails. Wat ze bijna nooit hebben: een RGS-structuur die consistent is toegepast over alle klanten, een documentstroom zonder handmatig zoekwerk, en een factuurherkenning die de juiste partij herkent zonder correctie. De AI-laag is dus niet het probleem, die is vaak prima beschikbaar. Het probleem is dat er onder die laag niets staat om op te bouwen.

Dat is ook waarom kantoren die wél een goede fundering hebben, vaak helemaal niet over AI praten op congressen of in nieuwsbrieven. Ze zijn te druk met het daadwerkelijk gebruiken ervan om er een verhaal omheen te bouwen.

Hoeveel tijd kost het om de fundering op orde te krijgen?

Eerlijke verwachtingen zijn belangrijk hier. Het standaardiseren van een documentstroom voor een klein tot middelgroot kantoor kost meestal enkele weken aan inrichting, gevolgd door een periode van enkele maanden waarin de nieuwe werkwijze moet inslijten. Het op orde brengen van de datastructuur, RGS consequent toepassen op alle administraties, is vaak het tijdrovendste onderdeel, simpelweg omdat het reeds bestaande boekingen en gewoontes raakt die soms al jaren zo lopen.

Wie dit traject in een paar weken denkt af te ronden, onderschat het. Wie denkt dat het nooit klaar is, overschat het probleem. Realistisch is een doorlooptijd van drie tot zes maanden voor de eerste twee stappen, afhankelijk van de omvang van het kantoor en het aantal klantadministraties dat moet worden opgeschoond.

Wat het oplevert

Als de basis staat, verandert er iets fundamenteels. Niet meer tijd kwijt aan verwerken, maar tijd overhouden voor adviseren. Niet meer "hier heb je je jaarrekening", maar een klantgesprek met echte inzichten. Openstaande debiteuren. Trends die je eerder ziet. Dat is waar de accountancy naartoe moet. Hoe dat er in de praktijk uitziet, inclusief een eigen MCP-koppeling met boekhoudsoftware en een lokaal taalmodel dat meekijkt in de jaarrekening, beschrijf ik in dit vervolgartikel.

Wat dit niet betekent

Dit verhaal wordt soms verkeerd begrepen als "wacht maar met AI tot alles perfect is". Dat is niet wat ik bedoel. Perfectie is geen vereiste, consistentie wel. Een kantoor met een eenvoudige, maar overal hetzelfde toegepaste boekingsstructuur is beter af dan een kantoor met een ingewikkeld systeem dat bij elke klant anders wordt toegepast. Het gaat niet om hoe geavanceerd je fundering is, maar om hoe voorspelbaar.

Je kunt ook prima parallel werken: terwijl je de documentstroom standaardiseert, kun je al verkennen welke AI-toepassingen op termijn waarde toevoegen. Het probleem ontstaat pas als je AI als eerste stap ziet in plaats van als laatste. Eerst de volgorde, dan de techniek, niet andersom.

Verkennen mag dus best vroeg beginnen. Alleen de daadwerkelijke ingebruikname van AI op klantdata zou ik uitstellen totdat je zeker weet dat de onderliggende structuur klopt. Het verschil tussen verkennen en daadwerkelijk vertrouwen op de output is precies het verschil tussen een proefopstelling en een productieomgeving.