Een onderzoek naar zakelijke spreadsheets wees uit dat 94% ten minste één kritieke fout bevat. Citigroup maakte ooit $900 miljoen over aan crediteuren vanwege een fout in een spreadsheet. De "London Whale"-transacties die JPMorgan $6 miljard kostten, waren deels het gevolg van een kopieer-en-plakfout in Excel. En in 2020 raakte de Engelse volksgezondheidsdienst het spoor bijster van 16.000 COVID-19-testresultaten omdat een spreadsheet stilletjes zijn rijlimiet bereikte.
Nu wordt elke van die foutgevoelige spreadsheets aan een AI-assistent gegeven met het verzoek om "dit even te analyseren." Dat is de ongemakkelijke ondertoon achter een bewering die dit jaar de ronde doet in financiële kringen: traditionele FP&A-software (financial planning and analysis), gebouwd voor mensen die door menu's klikken, is achterhaald. De provocatie kwam van Didi Gurfinkel, CEO van Datarails, het in Tel Aviv gevestigde FP&A-bedrijf dat naam maakte door "Excel-hel" voor financiële teams op te lossen. Zijn argument, kort samengevat: AI kan nu modellen bouwen, analyses uitvoeren en rapporten schrijven, sneller en beter dan een mens ooit zou kunnen — dus elke tool die beperkt wat de AI kan aanraken, loopt nu al achter.
Of u de framing van 'dood' nu gelooft of niet, de onderliggende verschuiving is de moeite waard om in de gaten te houden als u de boekhouding voert voor een kleine onderneming, een slank financieel team van een startup, of gewoon de cijfers van uw eigen bedrijf in een spreadsheet bijhoudt.
Wat Datarails daadwerkelijk aankondigde
Datarails — dat $175 miljoen aan durfkapitaal heeft opgehaald, waaronder een Series C-ronde van $70 miljoen begin 2026 — lanceerde een platform genaamd FinanceOS. Het is minder een op zichzelf staand product dan een verschuiving in positionering: in plaats van nóg een ommuurd dashboard te bouwen, wedt Datarails erop dat financiële teams de AI-tool blijven gebruiken die ze al prefereren (Claude, ChatGPT, Microsoft Copilot) en dat alleen de onderliggende data betrouwbaar hoeft te zijn.
FinanceOS maakt verbinding met honderden bronsystemen (boekhoudsoftware, ERP's, CRM's, salarisadministratie), verricht het onopvallende werk van consolidatie — eliminaties, valutaomrekening, het afstemmen van cijfers die uit drie verschillende systemen komen en niet helemaal overeenkomen — en ontsluit het resultaat naar AI-modellen via een beheerste, controleerbare laag op basis van de Model Context Protocol-standaard. Zodra een door AI gebouwd model bestaat, kan het worden vergrendeld zodat het consistent blijft, ook als de onderliggende data blijft verversen.
Gurfinkels scherpe opmerking over concurrenten was dat oudere aanbieders "er eigenlijk al niet meer zijn... ze hebben niet genoeg geld of energie om de technologie te herschrijven," terwijl nieuwere, AI-native rivalen zwaar investeerden in gepolijste interfaces maar te weinig in de onopvallende laag van dataconsolidatie — die volgens hem juist het duurzame concurrentievoordeel vormt. Datarails verschuift ook zijn prijsmodel van licenties per gebruiker naar prijzen op basis van gebruik, vanuit de gedachte dat het steeds vaker AI-agenten zullen zijn, niet mensen, die de software "gebruiken".
De AI-adoptieparadox in finance
Datarails is niet het enige bedrijf dat dit opmerkt. Brancheonderzoeken naar AI-gebruik in bedrijfsfinanciën laten steeds hetzelfde raadselachtige patroon zien: de adoptie stijgt, maar de gerapporteerde impact beweegt nauwelijks. Eén branchebenchmark uit 2025 wees uit dat het aandeel financiële teams dat actief AI gebruikt jaar op jaar met slechts één procentpunt steeg — van 58% naar 59% — terwijl 91% van de financiële teams aangaf dat de AI-tools die ze al hadden geadopteerd weinig impact hadden gehad op hun daadwerkelijke werk.
Dat is een vreemd resultaat voor een zo krachtige technologie. De gebruikelijke verklaring van CFO's en financiële leiders is niet dat de modellen slecht zijn — het is de data die erin wordt gestopt. Teams koppelen een oprecht capabele AI aan oprecht kapotte brondata en vragen zich vervolgens af waarom de output niet helpt.
Het echte probleem is geen gebrek aan AI — het is een gebrek aan beheerste data
Dit is het deel dat belangrijker is dan de productlancering van welke individuele leverancier dan ook: de adoptie van AI binnen financiële teams is gestegen, maar de impact van die AI heeft geen gelijke tred gehouden. Meerdere brancheonderzoeken uit 2026 wijzen op dezelfde kloof — teams zetten AI sneller aan dan ze er waarde uit halen, en de meest genoemde reden is datakwaliteit. Eén veelgeciteerd CFO-onderzoek uit 2026 wees uit dat 63% van de financiële leiders dacht volledig zicht te hebben op de eigen uitgavendata, terwijl in werkelijkheid slechts ongeveer 5% dat daadwerkelijk had.
Die kloof is het hele verhaal. Als uw boekhouding rommelig is, lost het aansluiten van een AI-tool die rommel niet op — het verwerkt de rommel alleen sneller en geeft u een zelfverzekerd klinkend antwoord dat op slechte input is gebaseerd. AI-modellen weten niet betrouwbaar wanneer ze het mis hebben. Ze citeren net zo makkelijk een belastingregel die twee jaar geleden is vervallen, of vatten een spreadsheettab samen die nooit is bijgewerkt, met precies dezelfde overtuigende toon als wanneer ze gelijk hebben.
Voor een kleine onderneming uit zich dit op alledaagse maar kostbare manieren:
- Een door AI gegenereerd kasstroomoverzicht dat stilletjes een bankrekening uitsluit waarvan niemand het iets heeft verteld.
- Een "schoon" onkostenoverzicht, opgebouwd uit een spreadsheet waarin 3–5% van de formulecellen stille fouten bevat — een percentage dat al twee decennia consistent terugkeert in onderzoek naar spreadsheetfouten en dat alleen maar toeneemt naarmate sheets groeien.
- Een zelfverzekerd antwoord over de marge dat in werkelijkheid het gemiddelde is van twee verschillende boekjaren, omdat een tab is gekopieerd in plaats van gekoppeld.
Niets hiervan is echt een AI-probleem. Het is een probleem van datagovernance dat AI zichtbaarder heeft gemaakt — want nu wordt de rommel samengevat in een alinea die u eerder op het eerste gezicht zult vertrouwen dan een ruwe, overduidelijk rommelige spreadsheet.
Wat "AI-klare" financiële data daadwerkelijk vereist
Of u ooit een product als FinanceOS gebruikt of niet, de onderliggende discipline die het verkoopt, is op zichzelf de moeite waard om over te nemen:
1. Eén bron van waarheid, geen map vol spreadsheets. Als "de echte cijfers" verspreid staan over vier werkmappen met verschillende laatst-gewijzigd-data, zal geen enkele AI die erbovenop wordt gelegd ze correct kunnen afstemmen — hij zal gewoon gokken welke actueel is.
2. Een audit trail voor elk cijfer. Wanneer een getal verandert, moet u kunnen beantwoorden waarom het veranderde en wie (of wat) het veranderde. Dit is precies waar spreadsheets het slechtst in zijn — een formule die met een hardgecodeerd getal wordt overschreven, laat geen spoor achter.
3. Vergrendelde, geversioneerde modellen. Een door AI gebouwde prognose is alleen nuttig als hij stabiel blijft terwijl u hem beoordeelt. Als de onderliggende data stilletjes blijft verschuiven onder het model, beoordeelt u een bewegend doel.
4. Governance vóór automatisering, niet erna. Het instinct is om AI vast te schroeven aan welk proces er al bestaat. De teams die daadwerkelijk waarde behalen, doen het omgekeerde: eerst het rekeningschema opschonen, de categorisering standaardiseren, en pas dán AI erop loslaten.
5. Rechten die niet steunen op "kom niet aan die tab." In een gedeelde spreadsheet betekent toegangsbeheer meestal een mondelinge afspraak om bepaalde cellen niet te bewerken. Dat is geen governance — het is een gewoonte die breekt zodra er iemand nieuw bij het team komt. Welk systeem uw cijfers ook bevat, het moet afdwingen wie wat mag veranderen, in plaats van er alleen op te hopen dat iedereen de regels onthoudt.
6. Een vastlegging die de tool overleeft, niet alleen de leverancier. FinanceOS is, zoals de meeste FP&A-platforms, een propriëtair systeem — nuttig, maar uw historische data leeft in het product van iemand anders. Het is de moeite waard om van elke tool die u adopteert te vragen: als u morgen zou vertrekken, kunt u dan een complete, leesbare financiële geschiedenis meenemen, of zou u jaren aan transacties handmatig opnieuw moeten invoeren?
Zou dit daadwerkelijk iets veranderen voor een bedrijf van vijf man?
Het is makkelijk om "FP&A-platform" te lezen en aan te nemen dat dit een verhaal voor grote ondernemingen is. In de praktijk is het faalpatroon bij elke omvang hetzelfde — het is alleen minder zichtbaar in een bedrijf van vijf man, omdat niemand behalve uzelf uw spreadsheet controleert.
Stel u een klein bureau voor dat de projectwinstgevendheid bijhoudt in een gedeelde spreadsheet: één tab per klant, uren die uit een tijdregistratietool worden getrokken, uitgaven die uit een kaartafschrift worden geplakt. Vraag een AI-assistent "welke klanten waren vorig kwartaal winstgevend?" en hij zal met plezier elke tab lezen en u een zelfverzekerde gerangschikte lijst geven. Wat hij u niet zal vertellen, is dat twee klanttabs een andere overheadformule gebruiken dan de rest (gekopieerd uit een ouder sjabloon), en dat de cijfers van één klant drie weken verouderd zijn omdat die tab niet is bijgewerkt na de laatste factuurronde. De AI heeft geen manier om dat te weten — hij ziet alleen getallen in cellen en rapporteert daarover.
De oplossing is niet per se het aanschaffen van FP&A-software voor grote ondernemingen. Het is ervoor zorgen dat er, voordat enige AI uw cijfers aanraakt, één plek is waar die cijfers leven, één consistent formaat dat ze volgen, en een vastlegging van wanneer elk cijfer voor het laatst is veranderd. Dat is een governanceprobleem, geen probleem van bedrijfsgrootte.
Het pleidooi voor plain-text, versiebeheerde boekhouding
Dit is precies de kloof die plain-text accounting is gebouwd om te dichten, lang voordat "AI-klare data" een modewoord werd. Een grootboek dat in een versiebeheerd plain-text-formaat wordt bijgehouden, heeft van nature de eigenschappen die financiële teams nu koortsachtig aan hun spreadsheets proberen vast te schroeven:
- Elke wijziging wordt bijgehouden. Git-geschiedenis is de audit trail — geen apart wijzigingslogboek om bij te houden, geen formule die stilletjes zonder spoor wordt overschreven.
- Eén canoniek bestand, geen map vol "final_v3"-werkmappen. Er is geen dubbelzinnigheid over welke versie actueel is.
- Gestructureerde, verwerkbare data. Omdat boekingen een consistent dubbel boekhoudformaat volgen in plaats van vrije spreadsheetcellen, werkt een AI-tool die het grootboek leest vanuit gestructureerde, controleerbare gegevens in plaats van te raden wat een samengevoegde cel betekent.
Als u een eigenaar van een kleine onderneming, freelancer of indie-ontwikkelaar bent die op dit moment de boekhouding in een spreadsheet bijhoudt en zich afvraagt of u die aan een AI-copiloot moet toevertrouwen, is de duurzamere oplossing meestal om eerst de onderliggende administratie zelf te repareren.
Houd uw boekhouding vanaf dag één AI-klaar
Welke financiële tooling de komende jaren ook wint, de winnaars zullen degenen zijn wiens onderliggende gegevens al betrouwbaar waren voordat een AI er ooit aan kwam. Beancount.io biedt plain-text accounting die transparant, versiebeheerd en gestructureerd is voor precies dit soort controle — geen black-box spreadsheets, geen mysterieuze formules, alleen controleerbare gegevens die elke tool (AI of mens) kan vertrouwen. Begin gratis en bouw uw boekhouding op een fundament dat klaar is voor wat er ook komt.