Garbage in, garbage out: waarom AI in finance staat of valt met datakwaliteit
AI belooft veel in de financiële wereld. Stel een vraag over je cijfers of vraag om een analyse, en het antwoord rolt eruit zonder draaitabellen of wachten op de controller. Voor investeerders en management klinkt dat als de heilige graal: diepgaande analyses, op het moment dat je het nodig hebt. Maar er zit een adder onder het gras die nog te vaak onbesproken blijft. AI is namelijk maar zo goed als de data waarop het draait. Garbage in, garbage out.
Jan van Angelen, Director Business Insight by SINCERIUS
Door Jan van Angelen, Director Business Insight by SINCERIUS
De verleiding van het snelle antwoord
AI maakt het verleidelijk eenvoudig. Een CFO plakt een export in een chatbot, vraagt om een analyse of een dashboard, en krijgt binnen seconden een overtuigend ogend antwoord. En het blijft niet bij rapportages: je kunt je cijfers ook gewoon ondervragen. "Waar komt de margedaling dit kwartaal vandaan?" "Welke entiteit trekt het werkkapitaal omhoog?" Vragen die voorheen een analist een halve dag kostten, lijken nu een kwestie van knippen en plakken.
Daar zit precies de adder. Of je nu een dashboard laat bouwen of een vraag stelt, het antwoord is maar zo betrouwbaar als de data eronder. Een AI-antwoord komt vloeiend, stellig en compleet. Maar als de onderliggende cijfers niet volledig zijn, grootboekrekeningen inconsistent zijn gemapt, als entiteiten niet uniform zijn geconsolideerd of als normalisaties ontbreken, dan krijg je een vloeiend en stellig fout antwoord. De data die erin gaat is zelden zo schoon als de presentatie die eruit komt. En juist in de context van een transactie of de eerste honderd dagen na een deal, waarin op die cijfers wordt gestuurd, zijn de gevolgen groot.
Eerst het fundament, dan de intelligentie
Voordat AI waarde toevoegt, moet de data eronder kloppen. Dat betekent een uniform datamodel, consistente definities en een betrouwbare aansluiting met de bron. De aantrekkingskracht van AI mag niet leiden tot het overslaan van dat onzichtbare werk, hoe verleidelijk dat ook is.
Voor ons is dat geen theorie, maar de volgorde waarin we het Business Insight platform bouwen. Eerst het datamodel AI-ready maken, normalisaties structureren en grootboekrekeningen consistent en automatisch mappen. Pas als dat fundament staat, bouw je er met een gerust hart intelligentie bovenop. De jarenlange ervaring met due diligence heeft ons geleerd hoe financiële data écht in elkaar zit: waar de valkuilen zitten, welke normalisaties ertoe doen en hoe je cijfers van verschillende entiteiten vergelijkbaar maakt. Dat soort kennis laat zich niet achteraf op de data plakken; het bepaalt hoe je de data vanaf de bron opbouwt.
AI als versneller, niet als vervanger
AI vervangt de financial professional niet; het maakt hem sneller en scherper, mits de data op orde is. Denk aan AI die afwijkingen signaleert die een mens over het hoofd ziet, patronen herkent over een hele portfolio, of een rol speelt in de forecast door scenario's door te rekenen die anders blijven liggen. Stuk voor stuk versnellen ze het werk, maar het oordeel en de verantwoordelijkheid blijven bij de mens.
Voor private equity en de bedrijven waarin zij investeren betekent dit een belangrijke nuance in de hype. De vraag is niet "kunnen we AI inzetten op onze cijfers?" Het antwoord daarop is bijna altijd ja. De betere vraag is: "is onze data goed genoeg om de antwoorden te vertrouwen?"
Wie die vraag serieus neemt en eerst investeert in datakwaliteit, krijgt een instrument dat het verschil maakt. Wie die stap overslaat, krijgt overtuigende antwoorden op een wankel fundament.
En dan hebben we het nog niet eens gehad over de volgende vraag: zelfs met een schoon fundament kan AI inconsistente antwoorden geven of cijfers verzinnen die er niet zijn. Een betrouwbaar antwoord vraagt dus niet alleen om goede data, maar ook om intelligentie die binnen duidelijke kaders mag opereren. Maar dat is een onderwerp voor een volgend artikel. Voor nu geldt: garbage in, garbage out en omgekeerd, quality in, intelligence out.
