De wereld op zijn kop: wachten op #genAI terwijl de data al jaren klaarstaat
Er hangt iets vreemds in de lucht binnen de accountancy.
We praten eindeloos over AI. Over de impact van #genAI op de audit. Over hoe Large Language Models het vak gaan veranderen. Panels, artikelen, investeringsagenda’s, vragen van de VEB, alles lijkt te draaien om die ene vraag: wat gaat AI voor ons betekenen?
En ondertussen gebeurt er iets opmerkelijks.
We wachten.
We wachten op technologie die ons eindelijk in staat zou stellen om data gedreven te werken, alsof die mogelijkheid nog moet ontstaan. Alsof we nog even geduld moeten hebben voordat het écht begint.
Terwijl de werkelijkheid precies andersom is.
De sector beschikt al jaren over alles wat nodig is om fundamenteel anders te werken. Datawarehouses, analyseplatforms, process mining, machine learning — het ligt er allemaal. De data is er, de tools zijn er, de use cases zijn bekend.
Alleen het gebruik blijft achter. En dat maakt deze hele discussie over #genAI ongemakkelijk. Want we wachten niet op technologie.
We wachten op onszelf.
#genAI is geen oplossing voor een probleem dat we al opgelost hebben
De fascinatie voor #genAI is begrijpelijk. Het is indrukwekkend wat deze modellen kunnen: teksten schrijven, verbanden leggen, complexe informatie begrijpelijk maken. Ze voelen intelligent, bijna menselijk.
Maar juist daardoor ontstaat verwarring.
Want #genAI wordt steeds vaker gezien als de volgende stap in data-analyse. Als dé technologie die de audit eindelijk data gedreven gaat maken.
En dat is, eerlijk gezegd, de wereld op zijn kop.
Large Language Models zijn niet gebouwd om data te verwerken zoals wij dat in de accountancy nodig hebben. Ze zijn geen engines voor het analyseren van miljoenen transacties, geen systemen voor het reconstrueren van processtromen, geen betrouwbare basis voor het detecteren van afwijkingen in financiële datasets.
Ze zijn uitzonderlijk goed in taal. Niet in data.
Wie LLM’s inzet als primaire analysetool, kiest feitelijk voor een omweg , een elegante, maar inefficiënte en minder controleerbare route, terwijl de snelweg al jaren open ligt.
Het echte probleem zit niet in technologie, maar in gedrag
De hardnekkigheid van deze misvatting zegt iets anders. Iets fundamentelers.
De accountancy heeft geen technologisch probleem. Ze heeft een adoptieprobleem.
Zolang we blijven werken met steekproeven terwijl volledige populaties beschikbaar zijn, zolang PBC-lijsten de audit domineren terwijl data direct ontsloten kan worden, zolang dashboards worden gezien als innovatie terwijl de onderliggende werkwijze onveranderd blijft, dan helpt geen enkele nieuwe technologie.
Ook #genAI niet.
Sterker nog, het risico is dat #genAI precies dat gedrag versterkt. Dat het fungeert als een comfortabel verhaal: “we zijn ermee bezig”, zonder dat de kern verandert.
Een slimme laag over een traditioneel proces. Dat voelt als vooruitgang, maar is het niet.
De echte kracht van #genAI zit ergens anders
En dat is misschien nog wel het meest interessante. Want #genAI hééft waarde. En veel ook.
Alleen niet waar we het nu vaak zoeken.
De kracht van LLM’s zit niet in het verwerken van data, ook niet in het begrijpen van wat die data betekent. Het kan helpen in het beter uitleggen van uitkomsten, het verbinden van inzichten, het ondersteunen van professionele oordeelsvorming. In het versnellen van documentatie, het scherper formuleren van risico’s, het beter vertellen van het verhaal achter de cijfers.
Daar wordt het spannend. Maar alleen als de analyse zelf al goed staat.
Zonder dat fundament blijft #genAI hangen in het herschrijven van teksten over een proces dat inhoudelijk niet verandert.
Niet wachten op AI, maar beginnen met data
De ironie is bijna te groot om te negeren. De sector wacht op een technologie die niet bedoeld is om het probleem op te lossen dat ze al jaren kán oplossen.
En daardoor blijft de echte stap uit.Niet omdat het niet kan, maar omdat het nog niet gebeurt.
De volgorde zou anders moeten zijn. Veel eenvoudiger ook.
- Begin met data.
- Gebruik de technologie die er al is.
- Analyseer volledige populaties.
- Begrijp processen zoals ze écht lopen.
En voeg dán #genAI toe als laag die helpt om inzichten te verdiepen en te communiceren.
Niet andersom.
Misschien is dit wel de echte vraag
De discussie over AI in de audit gaat zelden over de vraag die er werkelijk toe doet.
Niet: wat gaat #genAI veranderen?
Maar: waarom hebben we de afgelopen tien jaar de mogelijkheden die we al hadden niet volledig benut? Dat is geen technologische vraag. Dat is een vraag over het vak zelf.
En misschien is dat precies waarom we hem liever niet stellen.