Op 3 juni 2026 lanceerde Ramp — dat na een Series F van $750 miljoen nu gewaardeerd wordt op $44 miljard — geen nieuwe kaart of betaalfunctie. Het lanceerde een besturingssysteem. Ramp Stack, door het bedrijf omschreven als een AI-native platform voor accountantskantoren, zet AI-agents in die kasstromen reconciliëren, vooruitbetaalde schema's beheren, journaalboekingen posten, fluxanalyses uitvoeren en de maandelijkse afsluiting begeleiden, alles met een audit trail. Het is Ramp's eerste product dat speciaal is gebouwd voor accountantspraktijken, en het is tot nu toe het duidelijkste signaal dat de maandafsluiting een agent-gestuurde workflow wordt.
Ramp is niet de enige die AI in de boekhouding brengt, maar de positionering is belangrijk: 92 van de top 100 accountantspraktijken hebben al klanten op Ramp, en het bedrijf werkt samen met meer dan 4.500 kantoren. Stack is de monetisering van die distributie — een AI-laag die de bestaande Ramp-data van het kantoor omzet in concept-werkpapieren die het kantoor kan beoordelen. Dit is wat Stack automatiseert, wat het niet doet, en hoe mkb-klanten een AI-ondersteunde afsluiting zouden moeten evalueren.
Wat Ramp Stack daadwerkelijk doet
Stack is geen chatbot die boekhoudvragen beantwoordt. Het is een set agents die de repetitieve, documentintensieve stappen van de afsluiting uitvoeren:
- Reconciliaties: bank- en creditcardreconciliaties, intercompany en balanspostreconciliaties, met ondersteunende schema's gekoppeld aan het grootboek
- Schema-updates: schema's voor vooruitbetaalde kosten, vaste activa en uitgestelde opbrengsten die worden doorgeschoven met de activiteiten van de huidige periode
- Journaalboekingen: terugkerende en herclassificatieboekingen die als concepten voor goedkeuring worden gepost, met bijgevoegde brondocumenten
- Fluxanalyse: variantieverklaringen die de huidige periode vergelijken met de voorgaande periode of begroting en de narrative voor managementbeoordeling opstellen
- Autonome afsluitworkflow: het sequencen van deze taken, het toewijzen van eigenaren en het volgen van de status om de boeken af te sluiten — in Ramp's woorden: 'van het afhandelen van de maandelijkse afsluiting tot het beheren van afsluittransacties en het posten van journaalboekingen'
Het bedrijf benadrukt twee ontwerpkeuzes die Stack onderscheiden van een generieke LLM-wrapper:
- Transparantie en auditbaarheid. Handelingen van agents worden gelogd met de brongegevens en de gebruikte logica, zodat een beoordelaar een journaalboeking kan terugvoeren naar de bankafschriftregel en de regel die deze genereerde. Dat is het verschil tussen een AI-notitie en een AI-werkpapier.
- Implementatie via Forward Deployed Engineers (FDE's). Ramp combineert het product met FDE's — ingenieurs die bij het kantoor worden ingebed om de rekeningenschema's, afsluitkalender en goedkeuringsbeleid van het kantoor te contextualiseren voordat de agents draaien. Het model is geïnspireerd op Palantir: AI plus high-touch-implementatie in plaats van self-serve-activering.
Een uitgebreid Visa-partnerschap stelt AI-agents ook in staat om bedrijfsbetalingen uit te voeren met realtime controles, waarmee de cirkel van afsluiting naar kasbeweging wordt gesloten — een herinnering dat het besturingssysteem niet alleen de afsluiting rapporteert, maar er ook op handelt.
Waarom accountantskantoren het bruggenhoofd zijn
Het kanaal van accountantspraktijken is de ideale ingang voor een AI-afsluitproduct, om drie redenen die niets te maken hebben met modelkwaliteit:
- Distributie. Kantoren aggregeren mkb-klanten die al Ramp gebruiken voor kaarten en betaalverwerking. Een agent die vanaf dag één de transacties, bonnen en goedkeuringen van de klant kan zien, beschikt over de context die generieke tools missen.
- Vertrouwen en aansprakelijkheid. Kantoren, niet softwareleveranciers, ondertekenen de samenstellings- of beoordelingsverklaring. Een kantoor dat het concept van een agent beoordeelt, profiteert van hefboomwerking; een bedrijf dat een agent direct laat posten, draagt het risico. Door aan het kantoor te verkopen, wordt een gediplomeerde professional per definitie in de beoordelingslus geplaatst.
- Personeelsdruk. De werving van kantoren is niet meegegroeid met de klantgroei. Een workflow die personeelsdruk detecteert en warme leads routeert — een van de GTM-use cases van Ramp Stack — is direct gericht op kantoren met capaciteitsbeperkingen die anders mkb-klanten zouden moeten afwijzen.
Die positionering verklaart ook het genoemde doel van de ophaalronde van $750 miljoen: het bouwen van Gen AI-infrastructuur, inclusief tokenuitgavenbeheer voor AI-kosten en realtime budgetbewaking over teams heen — precies de infrastructuur die Stack zelf verbruikt.
Wat nog steeds menselijke controle vereist
Stack automatiseert het concept, niet het oordeel. Dezelfde faalwijzen die AI-boekhouding in het algemeen plaagt, gelden ook voor een AI-afsluiting, maar met hogere inzet:
-
Het uitoefenen van professioneel oordeel bij schattingen en overlopende posten. Een agent kan een voorziening voor oninbare debiteuren, een garantievoorziening of een aanpassing voor opbrengstverantwoording voorstellen, maar kan de kwalitatieve factoren — een verslechterende betaalgeschiedenis van een klant, een trend van productdefecten — die de schatting bepalen, niet afwegen. Dat moet de beoordelaar doen.
-
Het evalueren van niet-standaardtransacties. Transacties tussen gelieerde partijen, onttrekkingen door eigenaren versus uitkeringen, en classificaties schuld versus eigen vermogen hangen af van documenten die de agent mogelijk niet heeft: oprichtingsakten, kredietovereenkomsten en notulen van de raad van bestuur. Een agent die een uitkering boekt als loon, creëert een loonheffingenprobleem dat geen enkele reconciliatie zal ontdekken.
-
Het handhaven van onafhankelijkheid en documentatie. Als het kantoor de boeken via dezelfde AI zowel voorbereidt als beoordeelt, vereisen onafhankelijkheidsoverwegingen voor attestklanten een zorgvuldige afbakening. Het werkpapier moet tonen wie wat heeft beoordeeld, wanneer en wat er is gewijzigd — een vereiste waaraan de audit trail van Stack is ontworpen te voldoen, maar alleen als het kantoor de beoordeling handhaaft.
De kantoren die het meeste profiteren, zijn diegenen die Stack behandelen als een eerstejaars assistent die snel concepten opstelt en grondige controle nodig heeft, niet als vervanging van die controle.
Wat mkb-klanten moeten vragen
Als uw accountantskantoor u vertelt dat ze nu op Stack draaien, stel dan drie vragen:
-
Wat heeft de agent opgesteld en wat heeft een persoon beoordeeld? Vraag of het afsluitpakket door agents opgestelde boekingen markeert tegenover door mensen beoordeelde boekingen, met de initialen en datum van de beoordelaar.
-
Waar komt de context van de agent vandaan? Een agent die alleen Ramp-data ziet, mist contante transacties, vermenging van privérekeningen en niet-Ramp-kaarten. Zorg ervoor dat de datafeed van het kantoor de volledige transactieset omvat, niet alleen de Ramp-subsets.
-
Hoe worden token- en AI-infrastructuurkosten doorberekend? Stack verbruikt AI-tokens die het kantoor betaalt en mogelijk doorberekent. Begrijp of de agents zijn opgenomen in de afsluiting tegen vaste prijs of als afzonderlijke technologiekosten worden gefactureerd, en hoe tokenuitgaven schalen met de complexiteit van de afsluiting.
Voor het zelfstandige bedrijf dat zijn eigen boeken bijhoudt, is Stack niet direct relevant — het wordt verkocht aan kantoren, niet aan eindgebruikers. Maar het onderliggende patroon — AI die reconciliaties en journaalboekingen opstelt met een transparant werkpapier — zal binnen enkele kwartalen ook directe mkb-producten bereiken. Dezelfde beoordelingsdiscipline zal van toepassing zijn.
Houd uw afsluiting mensgericht
Ramp Stack is een geloofwaardige stap naar een AI-ondersteunde afsluiting omdat het agents koppelt aan de twee dingen die generieke tools missen: de transactiecontext uit de bestaande Ramp-footprint van het kantoor en een menselijke beoordelingsworkflow die auditbaarheid behoudt. De waardering van $44 miljard en de FDE-zware uitrol weerspiegelen het vertrouwen dat kantoren, niet alleen bedrijven, voor die hefboomwerking zullen betalen.
Gebruik de hefboomwerking, maar houd de afsluiting mensgericht: laat agents de reconciliaties en schema's opstellen die de meeste uren kosten, en besteed de bespaarde tijd aan de oordelen die bepalen of de financiële gegevens daadwerkelijk kloppen.
Vereenvoudig uw financiële administratie
Of uw afsluiting nu wordt ondersteund door Ramp Stack of op een spreadsheet draait, de onderliggende behoefte is hetzelfde: elke reconciliatie, elke journaalboeking en elke fluxverklaring traceerbaar van brondocument naar grootboek. Beancount.io biedt plain-text, versiebeheerde boekhouding waarbij de afsluiting per constructie transparant is — zodat een AI-concept en een menselijke beoordeling elkaar ontmoeten op dezelfde auditabele registratie. Start gratis en houd uw maandelijkse afsluiting net zo rigoureus als uw AI snel is.