AI in accountantskantoren: van gegevensverwerking naar regie
Wat AI in het kantoor kan ondersteunen, waar het misgaat en wat menselijk oordeel blijft. Met de NBA/NOREA-leidraad, de AI Act en een implementatieplan in vier fasen.
Het korte antwoord
AI kan in een accountantskantoor het verwerkende en signalerende werk ondersteunen: documenten uitlezen, boekingen voorstellen, afwijkingen aanwijzen, dossiers vullen, concepten voor communicatie schrijven. Wat AI niet overneemt is het beoordelen, wegen en verantwoorden. Dat is geen vrijblijvende voorkeur. In juni 2026 brachten NBA Accounttech en NOREA gezamenlijk Leidraad 2: AI toegepast uit, het vervolg op Leidraad: AI in control. De kern daarvan is helder: AI mag voor NBA- en NOREA-leden nooit een black box zijn, en validatie en menselijk oordeel blijven de basis van publiek vertrouwen. AI is ook een van de NBA-ontwikkelthema's voor 2026 tot 2028.
Daarnaast is er wetgeving. De verplichting rond AI-geletterdheid geldt al sinds 2 februari 2025. Specifieke transparantieverplichtingen, bijvoorbeeld bij directe interactie met bepaalde AI-systemen of bij bepaalde AI-gegenereerde inhoud, gelden vanaf 2 augustus 2026. Voor hoog-risicosystemen geldt na de in 2026 aangepaste Europese planning een latere, gefaseerde invoering: voor toepassingen in bepaalde hoog-risicogebieden vanaf 2 december 2027 en voor AI die onderdeel is van gereguleerde producten vanaf 2 augustus 2028.
De praktische vraag voor een kantoor is dus niet of je AI gebruikt, maar hoe je het inricht zodat je elke uitkomst kunt uitleggen.
Vier soorten automatisering, vier soorten risico
Het woord AI dekt technieken die weinig met elkaar te maken hebben. Wie ze door elkaar haalt, beoordeelt het risico verkeerd.
Klassieke automatisering
Vaste regels die iemand heeft opgeschreven: deze leverancier op deze grootboekrekening, dit bedrag naar deze kostenplaats. Volledig voorspelbaar en uitlegbaar. Het risico zit in een verkeerd ingestelde regel die honderden identieke fouten produceert.
Machine learning
Het systeem leidt patronen af uit historische gegevens, bijvoorbeeld welke rekening past bij een leverancier of welke transactie afwijkt van het normale beeld. Bruikbaar en meetbaar, maar het leert ook fouten uit het verleden. Wat vorig jaar consequent verkeerd is geboekt, wordt een aanbeveling.
Generatieve AI
Taalmodellen die tekst produceren: een samenvatting, een concept-mail, een uitleg bij een post. Sterk in formuleren, zwak in feiten. Een taalmodel dat een bedrag of een wetsartikel noemt, kan dat verzinnen zonder enig signaal dat het onzeker is.
Autonome of agentic workflows
Een AI-component die zelf stappen kiest en uitvoert, bijvoorbeeld gegevens opzoeken, een boeking doen en een vraag aan de klant stellen. Het grootste risico, omdat een fout zich voortplant zonder tussenkomst. Dit is de categorie waar vooraf vastgelegde grenzen en achteraf controleerbare vastlegging het hardst nodig zijn.
| Soort | Uitlegbaarheid | Typisch gebruik | Belangrijkste risico |
|---|---|---|---|
| Klassieke regels | Volledig | Vaste boekingen, controles | Verkeerde regel op grote schaal |
| Machine learning | Gedeeltelijk, via kenmerken en historie | Voorstellen, afwijkingsdetectie | Fouten uit het verleden herhalen |
| Generatieve AI | Beperkt | Tekst, samenvatting, uitleg | Onjuiste feiten die overtuigend klinken |
| Autonome workflows | Alleen met expliciete vastlegging | Volledige verwerking van eenvoudige stromen | Voortplanting van fouten zonder tussenkomst |
Waar AI nu al helpt
Documentherkenning
Het uitlezen van facturen en bonnen is het meest volwassen toepassingsgebied: leverancier, datum, bedragen, btw per tarief, factuurnummer. Voor kantoren met veel inkoopstromen is dit de grootste directe tijdwinst. De aandachtspunten zijn concreet: btw-bedragen die niet optellen, meerdere tarieven op één bon, en documenten die eigenlijk geen factuur zijn. Zie Inkoopfacturen automatisch verwerken.
Boekingsvoorstellen
Op basis van historie en regels stelt de software een boeking voor. Bruikbaar wordt het pas als het voorstel toont waarop het is gebaseerd: welke eerdere boekingen, welke regel, welke mate van zekerheid. Een voorstel zonder onderbouwing kun je alleen aannemen of afwijzen, niet controleren.
Afwijkingen en fouten opsporen
Hier is AI sterker dan een steekproef: alle posten toetsen op afwijkende patronen in plaats van een selectie. Denk aan een bedrag dat niet past bij de leverancier, een dubbele betaling, een boeking in een gesloten periode, of een kostenpost die plotseling verdubbelt. De uitkomst is een signalering, geen conclusie.
Fiscale en salariscontroles
Aansluitcontroles zijn goed te automatiseren: btw-schuld tegenover aangiften, rubriek 3b tegenover de ICP-opgaaf, loonjournaalpost tegenover aangifte en betaling. De beoordeling van een verschil blijft mensenwerk, want de oorzaak bepaalt de route. Zie Btw-suppletie en Loonaangifte corrigeren.
Dossieropbouw
AI kan documenten classificeren, ontbrekende stukken signaleren en een dossier vullen volgens een vaste indeling. Dat scheelt zoekwerk. Wat het niet doet, is beoordelen of de onderbouwing voldoende is voor het oordeel dat je gaat geven.
Klantcommunicatie
Concepten voor vragenlijsten, herinneringen en toelichtingen zijn snel te maken. Twee regels: een concept gaat nooit ongelezen naar de klant, en gegevens van klanten horen niet in een dienst waar je niet weet wat er met de invoer gebeurt.
Rapportage en signalering
Cijfers samenvatten en afwijkingen benoemen werkt goed, mits de tekst alleen bedragen gebruikt die uit de administratie komen en niet door het model zelf zijn geformuleerd. Laat getallen uit de bron komen en de tekst eromheen ondersteunend zijn.
Wat er misgaat
Hallucinaties
Een generatief model dat een percentage, een bedrag of een wetsartikel noemt dat niet bestaat, is niet zeldzaam. Het gevaarlijke is de vorm: het antwoord klinkt professioneel. Voor fiscale en juridische claims betekent dit dat je altijd naar de bron gaat. Gebruik AI om te formuleren en te zoeken, niet om te onthouden.
Vertrouwelijkheid en persoonsgegevens
Een salarisadministratie bevat bijzondere en gevoelige gegevens. Voordat je een dienst gebruikt, moet je weten waar de gegevens worden verwerkt, of ze worden gebruikt voor training, hoe lang ze bewaard blijven en welke afspraken er contractueel liggen. Dit is een verwerkingsvraag met een eigen beoordeling, niet een vinkje in een instellingenmenu.
Schijnzekerheid
Het subtielste risico. Een systeem dat 95% van de facturen goed boekt, maakt medewerkers minder oplettend op de 5% die het niet goed doet. Daarom zijn steekproeven op automatisch verwerkte posten belangrijker geworden, niet minder belangrijk.
Fouten die zich vermenigvuldigen
Bij handmatig werk is een fout een incident. Bij geautomatiseerd werk is een fout een patroon. Daarom hoort bij elke geautomatiseerde stroom de vraag: als dit fout gaat, hoeveel posten raakt het, en hoe merken we het?
Wat de beroepsregels en de AI Act vragen
De gezamenlijke leidraad van NBA en NOREA legt de nadruk op reproduceerbaarheid, validatie en een ethisch kader, en op de eis dat AI geen black box is. Vertaald naar de praktijk van een kantoor betekent dat drie dingen: je kunt aangeven hoe een uitkomst tot stand kwam, je hebt getoetst of het systeem doet wat je denkt, en er is iemand die verantwoordelijk is voor het gebruik.
De AI-verordening voegt daar formele eisen aan toe. AI-geletterdheid geldt al sinds 2 februari 2025 en specifieke transparantieverplichtingen gaan op 2 augustus 2026 gelden. De regels voor hoog-risicosystemen volgen later en gefaseerd: vanaf 2 december 2027 voor toepassingen in bepaalde hoog-risicogebieden en vanaf 2 augustus 2028 voor AI die in gereguleerde producten is ingebouwd. Voor een kantoor zijn twee vragen relevant: welke rol heb je (gebruiker van een systeem of zelf aanbieder van een AI-toepassing), en gebruik je AI in een toepassing die als hoog risico kwalificeert, bijvoorbeeld bij beslissingen over mensen in een sollicitatie- of beoordelingsproces. Boekhoudkundige ondersteuning valt niet automatisch in de zwaarste categorie. Ook de transparantieverplichtingen gelden niet voor iedere toepassing op dezelfde manier; de exacte plichten hangen af van de rol, het systeem en het concrete gebruik.
Laat de precieze kwalificatie beoordelen door iemand die de verordening kent. Dit artikel geeft de richting, geen juridisch advies.
Uitlegbaarheid, audittrail en validatie
Uitlegbaarheid is geen technische eigenschap van een model, maar een eigenschap van je inrichting. Drie concrete eisen:
Elke uitkomst heeft een herkomst. Bij een boeking: welk document, welke regel of welk voorstel, wie beoordeelde. Zie Audittrail.
Elke regel en elk model heeft een versie met ingangsdatum. Zonder versie kun je een boeking uit maart niet verklaren met de instellingen van juli.
Validatie is periodiek en vastgelegd. Toets steekproefsgewijs of de automatische verwerking nog doet wat je verwacht, en leg de uitkomst vast, ook als er niets uit komt. Zonder vastlegging heb je geen bewijs dat je hebt gecontroleerd.
Governance: wie is waarvoor verantwoordelijk
Ook een klein kantoor heeft governance nodig, alleen in lichte vorm. Vier afspraken zijn genoeg om te beginnen:
- Eén verantwoordelijke voor het gebruik van AI in het kantoor, die weet welke toepassingen er zijn.
- Een lijst van toegestane toepassingen met per toepassing het doel, de gegevens die erin gaan en wie het mag gebruiken.
- Grenzen per toepassing: wat mag automatisch, wat vraagt beoordeling, wat is verboden.
- Een meldroute voor fouten, zodat een medewerker die een verkeerde uitkomst ziet, weet waar die terecht moet.
Belangrijk uitgangspunt: de verantwoordelijkheid verschuift niet naar de leverancier. Het kantoor blijft verantwoordelijk voor de uitkomst, ook als een systeem de handeling deed.
Wat mensenwerk blijft
| Werk dat AI kan ondersteunen | Werk dat bij de professional blijft |
|---|---|
| Documenten uitlezen en classificeren | Beoordelen of de onderbouwing voldoende is |
| Boekingen voorstellen | Beslissen bij twijfel en bij uitzonderingen |
| Afwijkingen aanwijzen | Vaststellen wat de oorzaak is en wat het betekent |
| Aansluitverschillen berekenen | Bepalen of een correctie nodig is en welke route geldt |
| Dossiers vullen en ontbrekende stukken melden | Het oordeel en de verantwoording daarvan |
| Concepten voor communicatie schrijven | Wat je een klant adviseert en hoe je dat brengt |
| Signaleren dat iets afwijkt van het patroon | Wegen van feiten en omstandigheden |
De rol van de accountant verschuift daarmee van verwerken naar beoordelen, adviseren, uitzonderingen behandelen en kwaliteit bewaken. Dat is geen kleinere rol, maar wel een andere: minder handelingen, meer verantwoordelijkheid per handeling.
Vaardigheden die belangrijker worden
- Kritisch lezen van uitkomsten. Weten hoe een voorstel tot stand komt en waar het typisch misgaat.
- Regels en grenzen kunnen ontwerpen. Bepalen wanneer automatisering moet stoppen, is vakinhoudelijk werk.
- Steekproeven opzetten. Gericht controleren waar het risico zit in plaats van willekeurig.
- Gegevens begrijpen. Wat betekent dit veld, waar komt het vandaan, wat gebeurt er als het ontbreekt.
- Uitleggen aan klanten. Wat is er geautomatiseerd, wat betekent dat voor hun verantwoordelijkheid.
- Vraagstellen aan systemen. Formuleren wat je wilt weten en toetsen of het antwoord klopt.
Implementatieplan in vier fasen
Fase 1: inventariseren en begrenzen (2 tot 4 weken)
Breng in kaart welke AI-functies er al in je pakketten zitten en wat medewerkers al gebruiken, ook informeel. Stel de lijst van toegestane toepassingen op, benoem een verantwoordelijke en spreek af welke gegevens niet in externe diensten mogen. Dit is de goedkoopste fase en levert meestal de eerste verrassingen op.
Fase 2: één stroom kiezen en meten (1 tot 2 maanden)
Kies één afgebakende stroom, bijvoorbeeld inkoopfacturen van een aantal administraties. Meet vooraf hoeveel tijd de verwerking kost en hoeveel correcties er na de maandafsluiting nodig zijn. Zet de automatisering aan met stoppunten, en meet dezelfde twee cijfers opnieuw. Zonder nulmeting is elke conclusie een gevoel.
Fase 3: controleren en verankeren (1 tot 2 maanden)
Richt de steekproef in op automatisch verwerkte posten, leg de uitkomsten vast en pas de regels aan op wat je vindt. Beschrijf het proces kort: wat gaat automatisch, wat gaat langs een mens, wie beslist bij twijfel. Neem de vastlegging op in het dossier zodat een review erop kan bouwen.
Fase 4: uitbreiden per stroom (doorlopend)
Breid uit naar een volgende stroom, met dezelfde aanpak: meten, begrenzen, controleren, vastleggen. Weersta de neiging om alles tegelijk aan te zetten; de kwaliteit van je stoppunten bepaalt of het werkt, en die leer je per stroom.
Hoe klein en middelgroot verantwoord kunnen beginnen
Drie adviezen die het verschil maken bij kantoren zonder eigen IT-afdeling:
Begin bij een stroom met veel volume en lage complexiteit. Bonnen en terugkerende inkoopfacturen leveren snel resultaat en zijn goed te controleren.
Gebruik functies binnen je bestaande pakket voordat je losse diensten toevoegt. Dan zit de vastlegging in dezelfde omgeving als de administratie, en dat scheelt een governancevraagstuk.
Laat de eerste maanden expliciet meer controleren dan nodig lijkt. De extra tijd in het begin verdient zich terug in vertrouwen bij medewerkers, en het levert de gegevens waarmee je grenzen kunt bijstellen.
Hoe de rol verschuift
Automatisering haalt de herhaling uit het werk en laat het moeilijkere deel over: uitzonderingen, oordelen, advies en het gesprek met de klant. Dat betekent ook dat de waarde van een kantoor minder in verwerkingscapaciteit zit en meer in het vermogen om te beoordelen en uit te leggen. Precies daarom zijn uitlegbaarheid en vastlegging niet de rem op automatisering, maar de voorwaarde ervoor.
Vervolgstap
Bekijk hoe Giroo AI-voorstellen onderbouwt, per boeking vastlegt waarop een voorstel is gebaseerd en de verwerking stopt zodra er twijfel is, en hoe Tax en Payroll daarbij dezelfde administratie en audittrail gebruiken.
Inhoudelijk gecontroleerd: juli 2026. De regelgeving rond AI is in ontwikkeling en de kwalificatie van een toepassing hangt af van het gebruik; raadpleeg de actuele leidraden van NBA en NOREA en laat de juridische beoordeling doen door een specialist.