Het vergelijken van werkelijke uitgaven met de begroting en het signaleren van afwijkingen valt in categorie 2: AI kan een groot deel van het rekenwerk en de signalering overnemen, maar de beoordeling van een afwijking en de opvolging blijven bij de controller of manager liggen. Dit is geen taak die volledig naar categorie 1 kantelt, en dat is precies wat deze pagina laat zien.
De onderliggende data — boekingen in het boekhoudsysteem, kostenplaatsen, begrotingsregels in de BI-tool — zijn doorgaans gestructureerd en herhalend. Dat verklaart een score van 4 op gestructureerdheid en 4 op volume. Een systeem kan iedere maand, week of dag automatisch de realisatie naast de begroting leggen, het verschil in euro's en procenten berekenen en dat afzetten tegen een vooraf ingestelde drempel. Bij honderden kostenplaatsen en duizenden boekingsregels is dit precies het type herhaalde, regelgebonden vergelijking waar AI sterk in is.
Een voorbeeld: een controller die maandelijks 40 kostenplaatsen doorloopt om te zien welke boven 10% van het budget uitkomen, kan dat proces laten automatiseren. Het systeem levert dan direct een lijst met afwijkingen, gesorteerd op omvang, in plaats van dat de controller elke regel handmatig narekent.
Oordeelsruimte scoort een 3, en dat is de as die deze taak uit categorie 1 houdt. Een afwijking signaleren is iets anders dan een afwijking beoordelen. Is een overschrijding van 15% op de kostenplaats 'marketing' een probleem, of is dat een vooruitgeschoven uitgave die volgende maand weer rechttrekt? Ligt het aan een eenmalige factuur, aan een seizoenspatroon, of aan een structurele kostenstijging? Dat vraagt kennis van de context van de organisatie, van lopende projecten en van de manier waarop de begroting is opgebouwd. AI kan de afwijking aanwijzen en desnoods een eerste duiding voorstellen op basis van historische patronen, maar het definitieve oordeel — is dit acceptabel, moet hier actie op komen — vraagt een mens die goedkeurt of afkeurt, met een reden erbij.
Daar komt bij dat foutkosten en compliance beide op 3 staan: niet verwaarloosbaar. Een gemiste afwijking kan leiden tot een verrassing bij de kwartaalrapportage of aan het einde van het jaar, en budgetrapportages spelen soms een rol in verantwoording richting directie, aandeelhouders of, bij subsidies en overheidsgeld, richting een externe partij. Dat rechtvaardigt een tussenstap van menselijke controle voordat een signaal als vastgesteld feit de organisatie in gaat.
Het realistische beeld vandaag: AI functioneert als een agent die continu de vergelijking maakt, drempels bewaakt en meldingen genereert zodra realisatie en begroting te veel uit elkaar lopen. De controller of manager beoordeelt vervolgens de gesignaleerde afwijkingen, keurt ze goed of af, en onderbouwt die beslissing. Dat scheelt vooral het handmatige vergelijkwerk — het doorspitten van rapportages, het handmatig berekenen van percentages, het bijhouden van een overzicht — en laat de inhoudelijke beoordeling waar die hoort.
Dit werkt alleen als twee randvoorwaarden zijn ingevuld: de financiële data moeten daadwerkelijk gekoppeld zijn, zodat het systeem actuele cijfers uit het boekhoudsysteem en de BI-tool kan raadpleegen in plaats van handmatig aangeleverde exports, en er moeten gedefinieerde afwijkingsdrempels liggen. Zonder een vastgestelde drempel — bijvoorbeeld 'meld alles boven 8% of boven 5.000 euro' — weet een systeem niet wanneer iets een signaal waard is en wanneer niet. Die keuze, hoe die drempel wordt vastgesteld en aangepast, is opnieuw mensenwerk.
De uitkomst hangt sterk af van hoe voorspelbaar de begroting van een organisatie is. Bij een organisatie met stabiele, terugkerende kostenposten — huur, salarissen, vaste contracten — is de afwijkingsdetectie eenvoudiger te automatiseren en verschuift de balans wat meer richting AI. Bij een organisatie met veel projectmatige uitgaven, seizoensinvloeden of onregelmatige grote posten vraagt de duiding van elke afwijking juist meer context en blijft het aandeel mensenwerk groter. Ook de mate van financiële volwassenheid speelt mee: hoe beter de begroting is opgebouwd met duidelijke categorieën en drempels, hoe meer AI kan overnemen. Dit verschil per organisatie is precies waarom hoe wij een taak beoordelen uitgaat van acht assen in plaats van één algemene uitspraak over 'budgetbewaking'.
Deze taak raakt zelden direct aan personeelsbeslissingen, maar mocht een organisatie signalen uit budgetbewaking gebruiken als onderbouwing voor een reorganisatie of ontslag, dan gelden daarvoor eigen wettelijke vereisten die los staan van deze taakbeoordeling.
Budgetbewaking staat zelden op zichzelf. Wie ook kijkt naar periodieke abonnementsfacturatie beheren of naar digitale facturen uitwisselen via e-facturatie, ziet een patroon: gestructureerde, hoogvolume deeltaken automatiseren relatief eenvoudig, terwijl beoordeling en uitzonderingen bij mensen blijven. Ook hier geldt: we drukken dit bewust niet uit in een percentage 'automatiseerbaar personeel', want waarom wij in uren rekenen en niet in mensen legt uit dat uren vrijgespeeld door een taak iets anders is dan functies die verdwijnen.
Wilt u weten hoeveel van de uren in uw eigen functieprofiel op dit moment door AI over te nemen zijn? De gratis quickscan van ftetoai bestaat uit twaalf vragen, vraagt geen account en geeft een indicatie van dat aandeel — met dien verstande dat, zoals wat een bandbreedte zegt en wat niet toelicht, dit een indicatie is en geen exacte uitkomst. De volledige werkscan, die dieper op individuele taken en processen ingaat, is nog in aanbouw; die kunnen we u vandaag nog niet aanbieden.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.