Welke AI-tool kies je voor je kantoor? Die vraag krijgt vandaag veel aandacht, maar ze is niet de meest bepalende. Krachtige AI is vandaag voor elk accountancykantoor beschikbaar, maar niet elk kantoor haalt er evenveel uit. Het verschil zit in drie andere vragen: welke context geef je die AI, vanuit welke kijk op advies laat je haar werken en hoe zorg je dat elk klantgesprek voortbouwt op wat je al weet? Het antwoord begint bij wat eronder ligt: betrouwbare data, relevante context en een duidelijke adviesidentiteit. Hoe je als kantoor je eigen kennis, expertise en werkwijze organiseert, bepaalt mee hoeveel waarde AI uiteindelijk kan creëren.
Wat weet AI eigenlijk over je klant?
Een AI-model kan in enkele seconden een resultatenrekening analyseren, afwijkingen detecteren en relevante aandachtspunten voor een klantgesprek voorstellen. Maar hoe goed kent die AI de onderneming achter de cijfers eigenlijk?
Neem een onderneming waarvan de personeelskosten het afgelopen jaar met 15% zijn gestegen, terwijl de omzet nauwelijks groeide. AI zal dat onmiddellijk signaleren en mogelijk concluderen dat de rendabiliteit onder druk staat. Maar hoe betrouwbaar is die conclusie? Werden de kosten boekhoudkundig correct geïnterpreteerd? Hoe verhouden ze zich tot vergelijkbare ondernemingen in dezelfde sector? En wat als de stijging het gevolg is van een bewuste investering in extra medewerkers om toekomstige groei mogelijk te maken?
Het verschil zit in de context waarover AI beschikt. Wanneer boekhoudkundige gegevens correct worden geïnterpreteerd, KPI’s eenduidig zijn gedefinieerd en relevante benchmarkgegevens beschikbaar zijn, kan AI veel verder gaan dan het detecteren van afwijkingen. Ze kan cijfers in perspectief plaatsen en gerichtere inzichten formuleren. Maar om ook te begrijpen waarom bepaalde evoluties zich voordoen, heeft ze kennis nodig van de onderneming zelf: haar historiek, ambities en eerdere beslissingen.
Zonder die basis kan AI een overtuigende analyse formuleren, maar daarom nog niet de juiste conclusies trekken. Hoe krachtiger AI wordt, hoe belangrijker de kwaliteit van de data én de context waarop ze voortbouwt.
Waarom is datakwaliteit de eerste stap voor AI in accountancy?
Veel AI-toepassingen zetten een slimme laag boven op verspreide databronnen. In een demo werkt dat vaak indrukwekkend. In de dagelijkse praktijk wordt het kwetsbaar zodra gegevens onvolledig, inconsistent of historisch complex zijn.
Een sterke fundering vraagt dat gegevens uit verschillende boekhoudpakketten op dezelfde manier geïnterpreteerd worden, dat KPI’s overal dezelfde definitie hebben en dat er vergelijkingsmateriaal is dat een cijfer betekenis geeft, zoals benchmarks binnen dezelfde sector, grootte en regio.
Wie vandaag in die basis investeert, kan nieuwe AI-modellen morgen veel sneller inzetten. Wie AI op een zwakke basis zet, bouwt op zand.
Wat gebeurt er als AI bij elke klant zelf kiest wat belangrijk is?
De verleiding is groot om AI gewoon los te laten op de beschikbare cijfers. Wat valt op? Wat moet ik met deze klant bespreken? Daar komen ongetwijfeld interessante antwoorden uit.
Stel nu dat honderd medewerkers van hetzelfde kantoor dat bij honderden klanten doen. De ene keer kiest AI voor brutomarge, de volgende keer voor cashflow. Een collega krijgt andere aandachtspunten. Zes maanden later krijgt dezelfde ondernemer een andere analyse, omdat de prompt of het model veranderd is.
Dan evolueer je niet van standaardwerk naar maatwerk, maar naar ad-hocadvies. Voor de ondernemer wordt dat verwarrend. Voor je kantoor wordt het moeilijk om ergens op voort te bouwen.
Hoe zorg je dat je hele kantoor vanuit dezelfde adviesidentiteit werkt?
Je adviesidentiteit is de gedeelde kijk op adviesverlening binnen je kantoor. Ze bepaalt niet alleen hoe je naar de cijfers van een onderneming kijkt, maar ook hoe je als kantoor samenwerkt en hoe je ondernemers begeleidt bij hun beslissingen.
Dat begint bij een gemeenschappelijke financiële kijk. Welke KPI’s bekijk je altijd bij een managementvennootschap? Welke thema’s volg je systematisch op bij een bouwbedrijf? Welke gezondheidssignalen wil je nooit missen? Maar minstens even belangrijk is wat je vervolgens met die inzichten doet. Hoe bereid je klantgesprekken voor? Hoe leg je de context van een ondernemer vast? Hoe zorg je dat eerdere beslissingen en afgesproken acties bij een volgend gesprek opnieuw op tafel komen? En hoe vertaal je financiële inzichten naar de juiste vragen, zodat een ondernemer er ook daadwerkelijk mee aan de slag kan?
In veel kantoren zit een groot deel van die kennis en werkwijze vandaag nog in de hoofden van ervaren medewerkers. Dat maakt adviesverlening afhankelijk van individuele expertise en moeilijk schaalbaar. Door die expertise te vertalen naar gedeelde principes, processen en werkwijzen, maak je ze toegankelijk voor het hele team. Nieuwe medewerkers kunnen sneller groeien, collega’s kunnen makkelijker op elkaars werk voortbouwen en ondernemers krijgen een consistente kwaliteit van advies, ongeacht wie hun dossier behandelt.
Dashboards, KPI-sets, benchmarks en gespreksflows krijgen daardoor in tijden van AI méér betekenis. Ze helpen om die gedeelde adviesidentiteit concreet te maken en te verankeren in de dagelijkse werking van het kantoor. Zo begint niemand bij een dossier met een blanco blad. Het advies zelf standaardiseer je niet. De weg naar goed maatwerk wel.
En precies daar wordt ook AI interessanter. Want wanneer een kantoor duidelijk heeft vastgelegd welke signalen het belangrijk vindt, hoe het klantgesprekken opbouwt en hoe het beslissingen opvolgt, kan AI veel gerichter ondersteunen. Niet door telkens opnieuw zelf te bepalen wat relevant is, maar door voort te bouwen op de kennis en adviesaanpak van het kantoor. AI kan daarbij ook nieuwe inzichten aanbrengen, zoals een stijgende klantenconcentratie of een kostenpost die sneller groeit dan de omzet. De gedeelde basis zorgt voor consistentie, AI zorgt voor verbreding en de accountant beslist wat voor deze ondernemer op dit moment relevant is.
Hoe neem je wat de ondernemer je vertelt mee in je volgende advies?
Cijfers vertellen maar de helft van het verhaal. Een ondernemer vertelt dat zijn zoon binnen twee jaar in de zaak wil stappen, dat hij een concurrent wil overnemen of dat zijn grootste klant steeds later betaalt. Vanaf dat moment krijgen dezelfde cijfers een andere betekenis.
Blijft die informatie in het hoofd van één accountant, dan verdwijnt een belangrijk deel van de opgebouwde kennis zodra een collega het dossier overneemt. De ondernemer moet zijn verhaal opnieuw vertellen, eerdere beslissingen raken uit beeld en AI kan er bij een volgende analyse evenmin rekening mee houden. Zo wordt de continuïteit van advies afhankelijk van één persoon, in plaats van verankerd te zijn in de werking van het kantoor.
Wordt die informatie vastgelegd en gekoppeld aan de financiële context, dan start het volgende gesprek niet bij “De liquiditeit staat onder druk”, maar bij “De liquiditeit staat onder druk, terwijl de ondernemer binnen twaalf maanden een overname overweegt.” Zo wordt advies een cyclus: data, context, analyse, gesprek, acties en opvolging. Zo maakt elk gesprek de volgende analyse rijker.
Welke rol speelt gespecialiseerde software nog?
Generieke AI-modellen evolueren sneller dan vrijwel elke gespecialiseerde softwareleverancier. Vakspecifieke software hoeft dus niet slimmer te zijn dan zo’n model. Haar meerwaarde zit in het organiseren van de context waarin AI werkt én het ondersteunen van de manier waarop een kantoor advies verleent. Denk aan geharmoniseerde data, eenduidige definities, benchmarks en historiek, maar evengoed aan gedeelde KPI-sets, gespreksflows en ondernemerscontext die bewaard blijft. Zo wordt de kennis en adviesaanpak van het kantoor niet alleen toegankelijk voor medewerkers, maar vormt ze ook de basis waarop AI gericht kan voortbouwen.
Hoe zo’n fundering er in de praktijk uitziet, zie je bij aiGust. Die Belgische adviesinfrastructuur ontstond in 2022 op initiatief van BDO, Van Havermaet en Vandelanotte. Ze investeerde eerst in data en context, en pas daarna in AI. Gegevens uit verschillende boekhoudpakketten worden vertaald naar één gemeenschappelijk datamodel. Benchmarks steunen op geanonimiseerde data van Belgische ondernemingen. Daarbovenop leggen kantoren hun eigen templates en gespreksflows vast. Zo vertrekt elke medewerker vanuit dezelfde financiële kijk, en landen inzichten echt in het klantgesprek.
Conclusie: welke vraag over AI stel je als kantoor vandaag het best?
Niet: welke AI-tool geven we onze medewerkers? Wel: welke context geven we die AI? Vanuit welke adviesidentiteit laten we haar werken? En hoe zorgen we dat elk klantmoment voortbouwt op wat we al weten?
Medewerkers die elk apart cijfers exporteren en slim prompten, maken je nog geen sterke adviesorganisatie. Die ontstaat wanneer je als kantoor een gedeelde kijk ontwikkelt op ondernemingen, op de manier waarop je samenwerkt en op hoe je ondernemers adviseert. Wanneer die kennis en werkwijze niet langer afhankelijk zijn van individuele medewerkers, maar verankerd raken in de werking van het kantoor, ontstaat een basis waarop zowel medewerkers als AI kunnen voortbouwen.
Want uiteindelijk bepaalt niet alleen hoe slim je AI is hoeveel waarde ze creëert, maar vooral hoe goed je als kantoor je eigen expertise hebt georganiseerd. En net die gedeelde basis maakt advies niet alleen schaalbaarder, maar ook persoonlijker voor de ondernemer.
