AI forecasting voor controllers: wat werkt en wat niet

AI forecasting is het voorspellen van financiele cijfers door een model dat op je eigen grootboekhistorie rekent: het herkent seizoenspatronen, betaalgedrag en kostenstructuren en stelt daarmee een omzet-, kosten- of cashflowregel voor. Het model levert een voorstel; de controller onderbouwt het, corrigeert het en neemt de forecast voor zijn rekening.

Dat onderscheid is het hele punt. Een forecast is geen statistische oefening maar een afspraak met de directie over wat er gaat gebeuren, en die afspraak moet je kunnen uitleggen. Een model dat niet weet dat de grootste klant in november heeft opgezegd, rekent die omzet vrolijk door. De winst zit dan ook niet in de drie regels waar je toch al over nadenkt, maar in de tweehonderd grootboekrekeningen waar je nooit aan toe komt.

Wat AI forecasting concreet doet, en wat niet

Onder de motorkap gaat het bijna altijd om tijdreeksvoorspelling: machine learning forecasting op maandreeksen per rekening, met een trend- en een seizoenscomponent. Drie dingen gaan daarmee sneller dan met een spreadsheet.

• Een basislijn per rekening. Een eerste schatting voor elke post met genoeg historie, in seconden in plaats van een middag.
• Patronen in betaalgedrag. Bij ai cash flow forecasting is dat de kern: het model leidt uit de debiteurenhistorie af wanneer een factuur feitelijk binnenkomt, en niet wanneer de betaaltermijn verloopt.
• Uitschieters aanwijzen. Rekeningen waar de realisatie structureel van het patroon afwijkt, zijn precies de regels die je prognose scheeftrekken.

Wat een model niet doet is causaliteit leggen. Het ziet dat de omzet daalt; het weet niet dat dat een verloren contract is en geen marktbeweging. Het voorspelt ook geen structuurbreuk: een overname, een prijsherziening of een nieuwe productlijn zit per definitie niet in de historie. Daar stopt AI forecasting en begint de rolling forecast van het team. Het verschil tussen plannen, budgetteren en forecasten blijft dus volledig overeind; alleen de eerste versie van de cijfers komt ergens anders vandaan.

Zo pak je AI forecasting aan

1. Breng je historie op orde. Reken op minimaal 24 maanden consistente grootboekdata, en bij een duidelijk seizoenspatroon liever 36. Een model op twaalf maanden produceert een rechte lijn met ruis.
2. Bepaal welke regels het model mag doen. Repeterende, volumegedreven posten: abonnementsomzet, huur, personeelslasten, energie, afschrijvingen. Projectomzet, incidentele posten en alles met een contractbesluit erachter houd je bij je.
3. Splits wat te grof is. Een rekening "overige bedrijfskosten" van een miljoen is onvoorspelbaar; vijf gesplitste rekeningen zijn dat niet. Het is dezelfde discipline die ook een managementrapportage leesbaar maakt.
4. Laat het model drivers voorstellen, geen bedragen. Vraag om de aanname achter de regel - declarabele uren maal uurtarief, aantal eenheden maal prijs, een index op de inkoopprijs - in plaats van om een eindbedrag. Een aanname kun je bespreken; een bedrag kun je alleen overnemen of weggooien. Wie een omzetprognose maken wil die de directie napluist, heeft die aannames nodig.
5. Zet de uitkomst in je planningsmodel, niet in een los bestand. In Smartbooks landen zulke aannames als metrics en formules in een planningscategorie - per jaar een budget en een forecast - waarna de cashflowprognose er via de indirecte methode uit rolt: je plant P&L en balans, en de kasstroom volgt uit de mutaties tussen de perioden.
6. Meet de fout. Zet per regel de forecast naast de realisatie en houd de afwijking bij. Zonder die terugkoppeling weet je na een half jaar nog steeds niet of het model beter is dan je eigen schatting.

Voorbeeld uit de praktijk

Via de MCP-koppeling van Smartbooks laat je een AI-assistent als Claude of ChatGPT op je eigen rapportagedata rekenen. MCP is daarbij niets anders dan een standaardstekker: je voegt Smartbooks toe als connector, logt in met je eigen account en de assistent ziet precies de bedrijven en rekeningen waarop jij rechten hebt. De koppeling leest alleen; hij boekt niets en verandert niets in je bronadministratie.

Een vraag die daar werkt: "Laat de omzet per maand zien over de afgelopen 24 maanden, bepaal het seizoenspatroon en geef voor elke maand van het komende kwartaal een bandbreedte." Je krijgt een reeks terug met een onder- en bovengrens en een toelichting op het patroon dat eronder zit. Dezelfde route werkt achteraf, met vragen als "verklaar de grootste afwijking in de bedrijfskosten van dit kwartaal". In Smartbooks zelf doet de AI Controller hetzelfde werk in de chat en bij de analyse van een rapport, inclusief de boekingen achter elk getal.

En dan de toets. Een forecast voor oktober, achteraf naast de realisatie gelegd:

Regel (oktober)	Forecast	Realisatie	Afwijking	Fout
Omzet	€ 1.240.000	€ 1.186.000	− € 54.000	4,6%
Inkoopwaarde	€ 620.000	€ 648.000	+ € 28.000	4,3%
Personeelslasten	€ 410.000	€ 402.000	− € 8.000	2,0%
Overige bedrijfskosten	€ 95.000	€ 121.000	+ € 26.000	21,5%

De gemiddelde absolute procentuele fout (MAPE) over deze vier regels is 8,1 procent. Drie regels blijven onder de 5 procent, de post overige bedrijfskosten zit op 21,5 procent en bederft het gemiddelde. Dat is geen reden om te stoppen, maar om die ene regel uit het model te halen en hem te splitsen. Het is hetzelfde werk als een afwijkingenanalyse, alleen met de forecast als norm in plaats van het budget.

Grenzen en risico's van AI forecasting

Vier grenzen zijn hard, en ze hebben alle vier met controleerbaarheid te maken.

• Datakwaliteit slaat door. Een herindeling van het grootboek, een gewijzigde kostenplaatsstructuur of een correctieboeking van vorig jaar maakt de reeks waarop het model rekent stilzwijgend onvergelijkbaar.
• Een model heeft geen twijfel. Het presenteert een fout bedrag met dezelfde kalmte als een goed bedrag. Vraag daarom altijd om een bandbreedte en om de reeks waarop de schatting rust, niet om een enkel getal.
• Audit trail. Een forecast die de directie vaststelt, moet herleidbaar zijn tot een aanname en een bron. "Het model zei het" is geen onderbouwing; een driver met een getal erachter wel.
• Privacy en plaatsing van je data. Grootboek-, debiteuren- en salarisdata zijn bedrijfsgevoelig. Werk met een koppeling die je eigen rechten respecteert en alleen leest, en upload geen exports naar een willekeurige chatomgeving.

Valkuilen

• Het model op de totaalregels laten rekenen in plaats van op de onderliggende posten. Hoe grover de regel, hoe nutteloos de voorspelling.
• De forecast van het model naast die van het team laten bestaan. Dan heb je twee waarheden en voert niemand een gesprek.
• De forecastfout nooit meten, waardoor het verhaal over AI forecasting na een jaar nog altijd een verwachting is in plaats van een resultaat.
• Een structuurbreuk er niet handmatig uit halen. Een overname, een prijsherziening of een afgestoten vestiging blijft in de historie zitten en rekent jaren door.
• Denken dat een liquiditeitsbegroting hetzelfde is als een omzetvoorspelling. De cashflowkant hangt aan betaalgedrag en werkkapitaal, niet aan de winst-en-verliesrekening.

Veelgestelde vragen

Wat is AI forecasting?

Het laten voorspellen van toekomstige financiele cijfers door een model dat patronen in je eigen historische data herkent: seizoen, trend, betaalgedrag en de samenhang tussen volume en kosten. De uitkomst is een voorstel met een bandbreedte, dat een controller onderbouwt voordat het een forecast wordt.

Hoe betrouwbaar is een prognose van een AI-model?

Dat verschilt sterk per regel. Op repeterende, volumegedreven posten is een gemiddelde absolute fout van 2 tot 5 procent per maand realistisch; op projectomzet en incidentele kosten loopt die fout snel boven de 20 procent. Meet het per regel en gebruik het model alleen daar waar het zichzelf bewijst.

Vervangt AI forecasting de controller?

Nee. Het model verschuift het werk: minder tijd in het vullen van cellen, meer tijd in het beoordelen van aannames en het uitleggen van afwijkingen. De forecast blijft een afspraak met de organisatie, en die kan een model niet maken.

Werkt dit ook voor een cashflowprognose?

Ja, en daar zit vaak de snelste winst. Een model dat uit de debiteurenhistorie leert wanneer facturen feitelijk worden betaald, is nauwkeuriger dan een planning op betaaltermijnen. Zie ook de 13-weken cashflowplanning als kader daarvoor.

Begin klein: kies vijf grootboekrekeningen met voldoende historie, laat een model er een basislijn voor zetten en vergelijk die na drie maanden met je eigen schatting. Hoe je dat in een planningsmodel vastlegt staat op de pagina over budgetteren en cashflowplanning; hoe je een AI-assistent veilig op je eigen cijfers aansluit op de pagina over AI-koppelingen. Wil je eerst het bredere beeld, lees dan het artikel over de AI controller.