Finance is geen taalprobleem (en toch gebruiken we taalmodellen)
Er is iets fundamenteel scheef aan hoe we generatieve AI proberen toe te passen binnen finance, en dat scheve zit niet in de technologie zelf, maar in de manier waarop we haar positioneren alsof zij een probleem oplost dat er in de kern nooit is geweest. In gesprekken met CFO’s, controllers en adviseurs hoor je steeds vaker dat AI-analyses maakt, risico’s beoordeelt en zelfs richting geeft aan besluitvorming, terwijl de werkelijkheid een stuk minder spectaculair en tegelijkertijd een stuk interessanter is, omdat finance nooit heeft gewacht op betere zinnen, maar altijd heeft gedraaid om betere inzichten.
De essentie van finance ligt namelijk niet in taal, maar in data, in transacties die zich herhalen, in patronen die zichtbaar worden als je verder kijkt dan steekproeven en in afwijkingen die juist opvallen omdat ze niet passen in dat patroon. Het is een vakgebied dat zich in de afgelopen decennia juist heeft ontwikkeld door steeds meer data te analyseren, verbanden te leggen en processen te begrijpen, waarbij technieken als data mining, regressie en process mining niet als hype zijn gekomen, maar als logische vervolgstap in een wereld waarin steeds meer informatie beschikbaar werd.
Tegen die achtergrond is het opvallend dat we nu massaal grijpen naar een technologie die fundamenteel anders werkt, omdat een generatief model niet is ontworpen om transacties te doorgronden of patronen in financiële data te analyseren, maar om taal te genereren die overtuigend klinkt, gebaseerd op waarschijnlijkheid en context. Dat levert indrukwekkende output op, maar het is output van een andere orde dan waar finance om vraagt, omdat dezelfde vraag vandaag en morgen tot een net iets ander antwoord kan leiden zonder dat daar een fout achter zit, simpelweg omdat het systeem zo werkt.
En precies daar begint het te wringen.
Waar finance vraagt om reproduceerbaarheid, levert generatieve AI variatie. Waar finance vraagt om herleidbaarheid, levert een taalmodel een antwoord zonder transparante redenering die stap voor stap is terug te volgen. Waar finance vraagt om controleerbaarheid, ontstaat output die overtuigend klinkt, maar niet zonder meer te verifiëren is zonder het onderliggende werk opnieuw te doen. Dat maakt het niet onbruikbaar, maar wel fundamenteel anders dan wat nodig is op de plekken waar het nu vaak wordt gepositioneerd.
Wat er vervolgens gebeurt, is dat organisaties generatieve AI inzetten op onderdelen van finance waar de toegevoegde waarde beperkt is, niet omdat de technologie daar het beste tot zijn recht komt, maar omdat het verhaal eromheen zo sterk is dat het moeilijk is om er niet in mee te gaan. Het idee dat een model “meedenkt” of “analyseert” klinkt aantrekkelijk, maar verhult dat de echte kracht van finance nog steeds ligt in het doorgronden van data met technieken die daar specifiek voor zijn ontwikkeld en die zich laten uitleggen, testen en herhalen.
Daar zit een belangrijk onderscheid dat vaak onderbelicht blijft, namelijk dat een goed geformuleerd antwoord niet hetzelfde is als een goede analyse. Een model kan een perfecte toelichting schrijven bij een kasstroomoverzicht, inclusief nuance en structuur, zonder ook maar iets te begrijpen van de onderliggende dynamiek, en juist omdat die toelichting zo overtuigend klinkt, ontstaat het risico dat we de kwaliteit van de taal verwarren met de kwaliteit van het inzicht.
Dat is geen theoretisch probleem, maar een praktisch risico, omdat beslissingen in finance niet worden genomen op basis van hoe iets klinkt, maar op basis van hoe goed het onderbouwd en te verantwoorden is.
Tegelijkertijd betekent dit niet dat generatieve AI geen rol heeft binnen finance, maar wel dat die rol ergens anders ligt dan vaak wordt gesuggereerd. De kracht zit niet in het analyseren van financiële data, maar in het structureren en verwoorden van informatie, in het versnellen van rapportages, in het samenvatten van bevindingen en in het ondersteunen van communicatie, precies daar waar taal wél het primaire middel is.
En dat is een wezenlijk verschil.
Want zolang we generatieve AI blijven positioneren als een vervanging voor analytische technieken die al decennia hun waarde bewijzen, blijven we teleurgesteld in wat het oplevert, terwijl de teleurstelling niets zegt over de technologie zelf, maar alles over hoe we haar proberen te gebruiken.
Misschien is dat wel de kern van wat hier gebeurt, namelijk dat we een technologie die uitzonderlijk goed is in taal proberen toe te passen op een domein dat in de basis niet om taal draait, en dat we vervolgens verrast zijn dat het niet brengt wat we ervan verwachten.
Finance heeft geen behoefte aan betere zinnen.
Het heeft behoefte aan betere inzichten.
En dat begint nog steeds bij data.