AI in de accountancy: wat het nu echt doet voor kantoren

Wat doet AI vandaag concreet in een accountantskantoor?

AI neemt vandaag vooral het herhalende werk in de pre-accounting over: documenten lezen, boekingen voorstellen, betalingen koppelen en ontbrekende informatie signaleren. Dat zijn taken met veel volume en veel historie, waarin patronen terugkomen: dezelfde leveranciers, dezelfde soorten kosten, dezelfde betalingen. Daar kan een model van leren en voorstellen doen die een medewerker anders handmatig zou maken.

Wat AI niet overneemt, is het professionele oordeel. Of een post als investering of als kosten hoort, of een vordering nog inbaar is, of welke fiscale keuze voor een klant het beste uitpakt, blijven beslissingen van de accountant. AI verschuift het werk dus van invoeren naar beoordelen, en geeft het team meer tijd voor controle en advies. Concreet zijn de toepassingen:

• Herkennen: leverancier, datum, factuurnummer, bedragen, regels en btw uitlezen, ook bij onbekende layouts.
• Coderen: grootboekrekening, btw-code en kostenplaats voorstellen op basis van historie.
• Matchen: banktransacties koppelen aan openstaande posten op bedrag, referentie, IBAN, relatie en datum.
• Uitvragen: ontbrekende bonnen of onbekende betalingen signaleren en een vraag aan de klant voorbereiden.
• Signaleren: dubbele facturen, afwijkende btw of ongebruikelijke bedragen markeren.

Hoe werken zekerheidsscores en boekingsvoorstellen?

Een zekerheidsscore geeft aan hoe zeker de AI is van een voorstel, en bepaalt samen met een drempel of een boeking automatisch wordt verwerkt of eerst door een mens wordt beoordeeld. Een factuur van een vaste leverancier die elke maand hetzelfde wordt geboekt, krijgt een hoge score. Een eerste factuur van een onbekende leverancier met gemengde regels krijgt een lagere score en komt bij een medewerker terecht.

Belangrijk is dat een score uitlegbaar is. Een goed boekingsvoorstel laat zien waarop het is gebaseerd: vergelijkbare eerdere boekingen, de btw-code, toegepaste regels of instructies. Zo kan een medewerker snel beoordelen of het voorstel klopt, en ziet het kantoor bij een fout waar die vandaan kwam. Correcties gaan terug in het systeem, zodat het volgende voorstel voor dezelfde situatie beter is. Een score zonder uitleg is daarentegen moeilijk te controleren, en dus moeilijk te vertrouwen.

Wat is agentic AI en wat kan een AI-agent zoals Atlas?

Agentic AI is AI die niet alleen voorstellen doet, maar zelfstandig taken afhandelt binnen kaders die een mens heeft ingesteld. Waar gewone automatisering stopt bij herkennen en voorstellen, gaat een agent door tot de taak is afgerond: een factuur boeken, een vraag uitzetten en het antwoord verwerken, of een betaling matchen en afletteren. Wat buiten de kaders valt of menselijk oordeel vraagt, legt de agent voor aan het team.

Atlas is de AI-agent van Autoboeker. Atlas beoordeelt en boekt facturen, zet vraagposten uit via het klantportaal en verwerkt het antwoord in de boeking, en matcht en lettert banktransacties af, binnen de zekerheidsdrempels en regels van het kantoor. Elke actie van Atlas staat in het auditlog, met de context en de regel waarop hij handelde, en het kantoor legt vast welke acties altijd een mens vereisen. Atlas is beschikbaar voor kantoren vanaf 25 FTE, als onderdeel van het plan Groot kantoor; beschikbaarheid per pakket is op aanvraag.

Waar houdt de mens de controle?

De mens houdt de controle op drie plekken: bij de drempel die bepaalt wat automatisch mag, bij goedkeuringsstappen vóór of na het boeken, en bij de auditlogs waarin elke actie herleidbaar is. Met een drempel per kantoor of per administratie kies je tussen alleen suggesties, slim bevestigen of volledig automatisch boeken. Je kunt ook vastleggen dat bepaalde bedragen, grootboekrekeningen of acties nooit automatisch mogen.

Goedkeuringsstappen zorgen dat een klant of een collega een document ziet voordat het geboekt wordt, of controleert nadat het geboekt is. Auditlogs leggen vast wie of wat een boeking heeft gemaakt, aangepast of goedgekeurd. Dat is niet alleen nodig voor de eigen kwaliteitscontrole, maar ook om bij vragen van een klant of accountant te kunnen laten zien hoe een cijfer tot stand kwam. De drie lagen van controle:

• Drempels: wat onder de zekerheidsdrempel valt, blijft een voorstel.
• Regels: leg vast welke bedragen, rekeningen of acties altijd een mens vereisen.
• Goedkeuring: autorisatie vóór of na het boeken, in een of meer stappen.
• Auditlogs: elke actie van mens en AI is herleidbaar.

Wat zijn de risico's van AI in de accountancy?

De belangrijkste risico's zijn fouten die onopgemerkt blijven, privacy en beslissingen die niet uit te leggen zijn. Een AI die een verkeerde btw-code met hoge zekerheid voorstelt, kan dezelfde fout vele keren herhalen als niemand meekijkt. Daarom begin je met een voorzichtige drempel, controleer je steekproefsgewijs ook automatisch geboekte posten, en kijk je regelmatig naar de correcties die het team doet.

Privacy speelt omdat facturen, bankgegevens en klantcorrespondentie persoonsgegevens bevatten. Onder de AVG heb je met elke leverancier die deze gegevens voor je verwerkt een verwerkersovereenkomst nodig, en wil je weten welke subverwerkers betrokken zijn en of data wordt gebruikt om AI-modellen te trainen. Bij Autoboeker wordt data niet gebruikt om publieke AI-modellen te trainen. Uitlegbaarheid is het derde risico: als niet te achterhalen is waarom een boeking zo is gedaan, kan het kantoor er ook niet voor instaan.

Hoe introduceer je AI stap voor stap op kantoor?

Je introduceert AI het best gefaseerd: begin met voorstellen die het team beoordeelt, verhoog de automatisering pas als de voorstellen aantoonbaar kloppen, en breid daarna uit naar andere processen. Kies voor de start een paar administraties met veel historie en vaste leveranciers, want daar zijn de voorstellen het snelst goed. Betrek het team vanaf het begin, zodat duidelijk is dat het werk verandert van invoeren naar controleren.

Leg werkafspraken vast die nu in hoofden zitten, als kantoorbrede regels of instructies, zodat de AI ze kan toepassen. Spreek af wie de correcties en uitzonderingen bekijkt, en meet wat er verandert: hoeveel boekingen automatisch gaan, hoeveel vraagposten openstaan en waar het team nog tijd aan kwijt is. Pas als dat beeld stabiel is, zet je de drempel per administratie hoger. Een stappenplan:

1. 1Kies twee tot vijf administraties met veel historie om mee te starten.
2. 2Laat de AI eerst alleen voorstellen doen en beoordeel ze allemaal.
3. 3Leg werkafspraken vast als kantoorbrede regels of instructies, en uitzonderingen per klant.
4. 4Ga naar slim bevestigen, zodat het team alleen afwijkingen beoordeelt.
5. 5Zet volledig automatisch boeken aan voor administraties waar de voorstellen stabiel kloppen.
6. 6Controleer steekproefsgewijs, volg de auditlogs en breid uit naar bankmatching en vraagposten.