Tweeënzestig procent van professionals in financiële dienstverlening geeft toe dat een AI-gegenereerde fout al een klant heeft bereikt. Geen concept. Geen intern experiment. Een klant.
Dus kijk naar het prachtige drie-statenmodel dat je AI-assistent net in vier minuten voor je heeft gebouwd — het model met de nette maandelijkse kolommen, de zelfverzekerde omzetgroei, het DCF-tabblad waar je niet eens om vroeg — en stel jezelf de vraag die ertoe doet: zou je je financieringsronde verwedden op elk getal erin? Want op het moment dat je die spreadsheet aan een investeerder mailt of meeneemt naar een bankafspraak, doe je precies dat.
Het goede nieuws is dat AI echt dramatisch beter is geworden in financiële modellering. Februari 2026 markeerde wat het Financial Modeling Institute een stapverandering noemt: de eerste keer dat AI-tools echt sterke modellen konden bouwen op basis van een brede prompt in plaats van alleen maar sjablonen in te vullen. Het slechte nieuws is dat beter niet hetzelfde is als betrouwbaar. AI-modellen hallucineren nog steeds, hard-coden nog steeds getallen waar formules zouden moeten staan, en presenteren nog steeds foute antwoorden met volledig zelfvertrouwen. OpenAI zelf heeft erkend dat hallucinaties wiskundig onvermijdelijk zijn in grote taalmodellen — geen bug om te patchen, maar een eigenschap om te beheren.
Dit artikel geeft je een praktische controlechecklist, gebaseerd op richtlijnen van ICAEW (het Institute of Chartered Accountants in England en Wales) en het Financial Modeling Institute, om AI-fouten te vangen voordat iemand wiens geld je wilt ze ziet.
Waarom AI-modellen een nieuw soort scepsis vereisen
Door mensen gebouwde spreadsheets waren al onbetrouwbaar. Decennia aan onderzoek naar spreadsheetrisico's concludeerde beroemd dat de grote meerderheid van real-world spreadsheets fouten bevat — een veel geciteerde enquête zette het rond de 90% — met foutpercentages op celniveau van enkele procenten, zelfs in zorgvuldig gebouwde modellen. AI elimineert dat risico niet. Het verandert de vorm ervan.
De fouten van een menselijke modelbouwer clusteren vaak waar het werk het moeilijkst was: de meest complexe formule, de late-night copy-paste. AI-fouten zijn anders. Ze zijn gelijkmatig verdeeld, perfect opgemaakt, en geleverd zonder enige hint van onzekerheid. Een model dat zelfverzekerd een balans presenteert die eigenlijk niet klopt, of een schuldenschema met negatieve saldi in jaar drie, ziet er net zo gepolijst uit als een correct model. Er zitten geen koffievlekken op het werk van een AI om je te vertellen waar je moet kijken.
Daarom is de belangrijkste mentaliteitsverandering dit: behandel elk AI-gegenereerd model als een eerste concept dat gecontroleerd moet worden, niet als een afgewerkt product. Zoals Ian Schnoor van het Financial Modeling Institute het stelt: een model bouwen met AI is als zelf bouwen maar sneller — je stuurt, verfijnt en daagt uit wat het produceert. En dat werkt alleen als je al begrijpt hoe een goed model eruitziet. AI is een samenwerkingspartner, nooit een autoriteit.
De 7 Foutpatronen Die AI Steeds Weer Herhaalt
Na het beoordelen van AI-gegenereerde modellen komen dezelfde faalmodi steeds weer terug. Leer de patronen herkennen en je beoordeling wordt veel sneller.
1. Ontbrekende onderdelen
AI levert regelmatig een model dat er compleet uitziet maar kerndelen mist: geen voorpagina, geen samenvatting van outputs, geen speciale assumptiepagina, geen scenariomanager, of schema's die stubs zijn in plaats van werkende berekeningen. Soms slaat het ze over omdat je prompt er niet expliciet om vroeg; soms stopt het gewoon…
Voordat je een enkel getal controleert, controleer de inhoudsopgave. Een model zonder expliciete assumptiepagina is een model waarvan de assumpties begraven liggen in formules waar niemand ze kan controleren — en een investeerder die je assumpties niet kan vinden, zal aannemen dat je ze niet hebt.
2. Verborgen valkuilen: verborgen rijen, sheets en externe links
AI houdt ervan dingen te verbergen. Verborgen sheets, verborgen rijen, verborgen kolommen — vraag de AI direct of het er heeft toegevoegd, en verifieer daarna toch handmatig. Beoordelaars melden dat ze een AI vragen te bevestigen dat er geen externe bestandslinken zijn, te horen krijgen dat alles schoon is, en dan bij handmatige controle links naar andere bestanden vinden. De AI verontschuldigt zich er zelfs charmant voor dat het ze gemist heeft. Excuses repareren je model niet.
Externe links verdienen bijzondere aandacht. Een model dat stilletjes waarden uit een ander werkboek op iemands laptop haalt, breekt op het moment dat je het e-mailt — of erger, blijft verouderde gecachte waarden tonen die er live uitzien. Tenzij een externe link bewust is en gedocumenteerd, verwijder hem.
3. Dode getallen en driftende formules
De klassieke AI-verteller is het "dode getal": een hard-coded waarde binnenin een formule waar een celverwijzing zou moeten staan. De formule =B12*1,05 ziet eruit als groeilogica totdat je je realiseert dat het groeipercentage van 5% erin is gebakken en je assumptiecel elders ongebruikt staat. Verander de assumptie en er beweegt niets. Investeerders testen precies dit — ze buigen je drivers om te zien of het model reageert — en een model vol dode getallen slaagt de test onmiddellijk niet.
Het zusterprobleem is formule-drift: AI is berucht om stilletjes formules te veranderen terwijl het over maanden of jaren invult. Kolom F berekent omzet op de ene manier; kolom G berekent het iets anders. De oplossing is mechanisch maar niet onderhandelbaar: steekproefsgewijs formules controleren aan het begin, midden en einde van elke rij, en bevestigen dat ze consistent zijn over de hele prognosehorizon.
4. De balans die beleefd liegt
Dit is de fout die geloofwaardigheid het snelst doodt. AI zal soms een balans laten kloppen met een plug — een getal terugrekenen alleen om activa gelijk te laten zijn aan passiva plus eigen vermogen. De balans klopt. Het is ook fictie.
Gerelateerde balanszonden om op te jagen:
- Negatieve schuldsaldi, inclusief kortetermijnschuldlijnen die onder nul duiken wanneer het model ze gebruikt om toekomstige kasstromen te maskeren.
- Overmatige afschrijvingen, waar cumulatieve afschrijving de kostprijs van het actief overschrijdt omdat niemand de formule vertelde wanneer te stoppen.
- Belangrijke activa of passiva die negatief drijven zonder geldige economische reden.
Elk van deze is een controle van een minuut die je behoedt voor een zeer ongemakkelijke investeerdersvraag.
5. Natuurkundige schendingen
Een prognose is een verhaal over de echte wereld, en AI leeft niet in de echte wereld. Controleer dat capaciteitsbeperkingen en operationele limieten zijn weerspiegeld: omzet die impliceert dat er onbeperkt volume wordt geproduceerd, personeelsplannen zonder kantoor- of loonbelastinggevolgen, of groei die tien keer je huidige bedrijfsruimte vereist. Als je model zegt dat je de output kunt verdrievoudigen met dezelfde machines en dezelfde mensen, is het model fout, niet visionair.
6. Controles die niets controleren
Goede modellen bevatten interne foutcontroles — balans-afstemmingen, kasreconciliaties, circulariteitswachten. AI-gegenereerde modellen bevatten deze vaak ook, wat geweldig is, behalve dat ze vaak alleen werken voor de eerste prognoseperiode. Een controle die jaar één verifieert en stilletjes jaren twee tot vijf negeert, is erger dan geen controle, omdat het een geruststellend groen "OK" toont terwijl fouten zich buiten beeld opstapelen. Breid elke controle uit over de volledige horizon en breek bewust iets om te bevestigen dat de controle het vangt.
7. Zelfverzekerde onzin
Tot slot, het hallucinatieprobleem in zijn puurste vorm: het model stelt onjuiste informatie zelfverzekerd, oversimplificeert waar het niet zou moeten, bouwt broze formules die moeilijk te updaten zijn, of geeft je een ander antwoord wanneer je dezelfde vraag twee keer stelt. Dat laatste gedrag is eigenlijk een nuttig diagnose-instrument — vraag de AI hetzelfde nogmaals in enigszins andere woorden en vergelijk de outputs. Als de getallen bewegen, is ten minste één versie fout, en weet je nu welk gebied handmatige verificatie nodig heeft.
Jouw Pre-Investeerder Controlechecklist
Destilleer alles hierboven in één enkele pas die je uitvoert voordat het model je handen verlaat:
- Structuur eerst. Bevestig dat de voorpagina, samenvatting, assumpties, scenariomanager, en alle ondersteunende schema's bestaan en gevuld zijn.
- Maak alles onzichtbaar zichtbaar. Toon verborgen sheets, rijen en kolommen; beoordeel ze allemaal.
- Verwijder losse links. Zoek naar externe werkboekverwijzingen en verwijder alle die niet bewust zijn.
- Scheid inputs van outputs. Assumpties moeten in één duidelijk gemarkeerde plek leven, visueel onderscheiden (kleurcodering of opmaak) van berekende cellen.
- Jaag op dode getallen. Scan formules op hard-coded constanten die celverwijzingen zouden moeten zijn.
- Verifieer formuleconsistentie. Controleer dat de logica van elke rij identiek is over elke maand of jaar.
- Simplificeer monsterformules. Breek overmatig lange formules in kernstatements op in leesbare stappen.
- Test de balans. Bevestig dat deze eerlijk klopt zonder plug-getal.
- Auditeer schuld en afschrijving. Geen negatieve schuldsaldi, geen overmatig afgeschreven activa, geen onverklaarde negatieve posities.
- Realiteitscheck operaties. Capaciteit, personeelsbestand en faciliteiten moeten het omzetverhaal ondersteunen.
- Breid alle controles uit. Elke interne validatie moet over de volledige prognose lopen, en je moet testen dat elk daadwerkelijk afgaat.
- Stel opnieuw en vergelijk. Stel kernvragen aan de AI op een tweede manier en onderzoek elke discrepantie.
Voer deze lijst uit en je vangt de overgrote meerderheid van AI-fouten. Belangrijker nog, je gaat de vergadering in met een echt begrip van je eigen getallen — en zoals Schnoor opmerkt, uiteindelijk gaat een menselijke investeerder vragen stellen aan jou, niet aan je chatbot.
Promt de Volgende Keer Beter
Beoordeling is het vangnet; beter promten betekent dat je het minder nodig hebt. Een paar gewoonten die consistent sterkere AI-gebouwde modellen opleveren:
- Ken de ingrediënten voordat je promt. Als je niet kunt beschrijven wat een goed model bevat — assumpties, outputs, scenario's — kun je de AI niet sturen om er een te bouwen. Leer eerst de structuur.
- Stuur, delegeer niet. Werk iteratief: vertel het hoe het omzet moet bouwen, verwerp wat je niet leuk vindt, en wijzig in passen. "Kijk naar de historische data en bouw me een model" produceert een model; het produceert geen goed model.
- Eis auditerebaarheid. Vraag om een assumptiepagina, consistente opmaak, gedocumenteerde bronnen voor elke externe input, en controles op elk tabblad — in de prompt, niet als een achterafgedachte.
- Daag de output uit. Vraag waarom het een bepaalde methode koos, wat er fout zou kunnen zijn, en wat een sceptische beoordelaar zou aanvallen. Het antwoord van de AI op "wat is het zwakste aan dit model?" is vaak verrassend eerlijk.
Schone Boeken In, Geloofwaardige Modellen Uit
Hier is het deel dat niemand wil horen: zelfs een feilloze beoordeling kan een model niet redden dat is gebouwd op rommelige historische data. Wanneer je een AI drie jaar aan ongecategoriseerde transacties, vermengde persoonlijke uitgaven, en een omzetcijfer waar je maar half zeker van bent geeft, bouwt het je met plezier een nauwkeurige, gepolijste, prachtig opgemaakte projectie van vuilnis. Investeerders doorgronden ook de historische data — als je "werkelijke cijfers" niet matchen met je boeken, is de prognose dood bij aankomst.
Dat is het onglamoureuze fundament waar elke AI-modelleringsworkflow op rust: nauwkeurige, gecategoriseerde, reconciliabele boeken. Volg omzet per stroom, houd uitgaven netjes gescheiden, en reconcileer maandelijks zodat je historische data iets zijn dat je in een dataruimte zou verdedigen. Als je je getallen in een formaat wilt dat je kunt diffen, versiebeheren, en aan een AI geven zonder copy-paste roulette, geeft plain-text accounting je precies dat — en visualisatietools zoals Fava laten je trends sanity-checken voordat ze ooit een model bereiken.
Vereenvoudig Je Financieel Beheer
Voordat je AI je toekomst laat projecteren, zorg ervoor dat je heden nauwkeurig is vastgelegd — schone boeken zijn wat een AI-concept omzet in een model dat je kunt verdedigen. Beancount.io biedt plain-text accounting dat je volledige transparantie en controle over je financiële data geeft, met elke transactie onder versiebeheer en klaar voor analyse. Start gratis en bouw je volgende prognose op getallen die je echt vertrouwt.
