%20(3).png)
De belangrijkste AI-vraag voor accountancykantoren gaat niet over AI
De belangrijkste AI-vraag in de accountancy gaat niet over de technologie zelf, maar over de data-fundering eronder.
Een cijfer op zichzelf zegt niets. Een brutomarge van 40% voelt gezond, tot blijkt dat de best presterende bedrijven in dezelfde vergelijkingsgroep 55% halen. Een omzetgroei van 3% klinkt prima, tot je ontdekt dat het topkwartiel van diezelfde groep met 12% groeit. Zonder context zijn je cijfers een schoolrapport zonder klasgemiddelde: je weet dat je een 7 hebt, maar niet of dat goed is of ondermaats. En hoe groter en representatiever die "klas", hoe betrouwbaarder dat klasgemiddelde.
Vraag een ervaren dossierbeheerder hoe een klant het doet ten opzichte van de sector, en het antwoord komt er meestal. Jaren ervaring, tientallen vergelijkbare dossiers, een goed geheugen: dat "fingerspitzengefühl" is reëel en waardevol. Maar het is ook oneerlijk verdeeld. Een junior die pas twee jaar meedraait heeft dat referentiekader nog niet, simpelweg omdat hij nog geen tijd had om het op te bouwen. Zonder harde cijfers valt hij dan al snel terug op onderbuikgevoel, niet omdat hij minder capabel is, maar omdat hem het vergelijkingsmateriaal ontbreekt. En zelfs de meest ervaren dossierbeheerder heeft maar zicht op zijn eigen klantenportefeuille, een paar tientallen dossiers in een sector, geen duizenden.
Dat is de omslag die ik bij accountants wil zien: van gokken naar weten. Niet door expertise te vervangen, maar door ze te voeden met harde data uit de hele community. Alleen zie je één klant. Samen zie je de markt. Een junior met toegang tot aiGust heeft vanaf dag één hetzelfde referentiekader als een senior partner met twintig jaar ervaring, en dat verandert niet alleen individuele adviesgesprekken, maar de manier waarop een heel kantoor advies kan laten groeien.
Toen we bij aiGust benchmarking gingen bouwen, stelden we onszelf één vraag: met wie vergelijk je een klant eigenlijk, en hoe groot moet die vergelijkingsgroep zijn om iets te betekenen? Vergelijk je een klant met de andere dossiers in je eigen kantoor, dan vergelijk je in het beste geval met een tiental, misschien enkele tientallen vergelijkbare bedrijven. Vergelijk je over kantoorgrenzen heen, dan put je uit een gedeelde datapool van meer dan 25.000 ondernemingen, en daaruit stellen we voor elk dossier automatisch de meest relevante peer group samen. Hoe groot die effectieve peer group is, hangt af van de sector: voor een brede sector kan dat oplopen tot honderden vergelijkbare bedrijven, voor een erg specifieke niche soms maar enkele tientallen. Ook dan blijft het uitgangspunt breder dan wat één kantoor alleen ooit zou kunnen samenstellen, en net dat schaalvoordeel is waar we op inzetten.
Het probleem is dat de kwaliteit van die context volledig afhangt van de grootte en breedte van de vergelijkingsgroep. Een kantoor met vijf bakkers als klant kan die vijf tegen elkaar afzetten, maar mist de vele andere bakkers die bij andere kantoren hun boekhouding laten voeren. Je vergelijkt dan in feite met je eigen beperkte steekproef, niet met een veel breder deel van de markt.
Daarom kozen wij voor een fundamenteel ander uitgangspunt: benchmarking op basis van een gedeelde, anonieme datapool van meer dan 25.000 ondernemingen, over kantoorgrenzen heen. Het principe is simpel en wederkerig: elk aangesloten kantoor "geeft" een beetje geanonimiseerde data, nooit herleidbaar tot een specifieke onderneming of tot het kantoor waar de boekhouding gevoerd wordt, en krijgt er sectorinzichten voor terug die met de klantenportefeuille van één kantoor nooit mogelijk zouden zijn. Je zal dus nooit de omzet van "firma X" kunnen opzoeken, maar je kan een klant wél tonen hoe die scoort tegenover een veel bredere, écht vergelijkbare groep bedrijven. Hoe groot die groep precies is, verschilt van sector tot sector, maar ze is zo goed als altijd breder dan de vijf toevallige sectorgenoten die toevallig bij hetzelfde kantoor klant zijn.
Een goede benchmark valt of staat met de kwaliteit van de vergelijkingsgroep. Vergelijk een start-up met een marktleider en je cijfers zeggen niets. Daarom stellen wij automatisch een relevante peer group samen op basis van het bedrijfsprofiel en de financiële kenmerken van het dossier, via een clusteringalgoritme dat sinds dit jaar live staat. De accountant hoeft dus niet zelf uren te spenderen aan het bijeenzoeken van vergelijkbare bedrijven, het platform doet dat, op basis van voldoende grote, anonieme groepen.
Hoe fijnmazig dat kan gaan, illustreert een voorbeeld uit onze eigen sectordata: binnen de brede categorie "medische specialisten" (NACE 86220) maken we via de RIZIV-koppeling het onderscheid tussen bijvoorbeeld anesthesisten, orthopedisten, cardiologen, gynaecologen of dermatologen. Een cardioloog vergelijken met een dermatoloog levert weinig bruikbaars op, want hun kostenstructuur en omzetmodel verschillen doorgaans fundamenteel:
Stop je deze twee profielen in dezelfde peer group, dan verdwijnen die verschillen in een gemiddelde dat voor geen van beide iets betekent. De meeste tools stoppen bij een sector- of NACE-code; wij gaan er waar relevant nog een laag dieper.
Er duiken vandaag veel AI-tools op die accountants beloven te helpen met slimmer advies. Maar een AI-agent die adviseert op basis van slecht gestandaardiseerde cijfers, geeft zelfverzekerd klinkende antwoorden die evengoed fout kunnen zijn. Het probleem zit dan niet bij de AI, maar bij de data eronder.
Elk kantoor, soms zelfs elke dossierbeheerder binnen hetzelfde kantoor, boekt anders. Restaurantkosten belanden op verschillende rekeningen, energie en water staan soms samen onder één post. Ook rekening plannen zelf lopen uiteen: hetzelfde type kost kan in het ene boekhoudpakket onder een ander rekeningnummer staan dan in het andere, en wanneer een dossier van boekhoudpakket wisselt, bijvoorbeeld van een on-premise pakket naar een cloudoplossing, migreert de historische rekeningstructuur zelden één-op-één mee. Vergelijk je dan zomaar rekeningnummer per rekeningnummer over dossiers of jaren heen, dan vergelijk je in werkelijkheid appels met peren.
Daarom bouwden we een eigen labelsysteem dat elke rekening herleidt naar een gestandaardiseerde, herkenbare categorie, ongeacht boekhoudpakket, rekening plan of individuele boeking gewoonte. Dat systeem is intussen uitgebreid van de resultatenrekening naar het volledige rekeningplan, inclusief de balansrekeningen. Het resultaat: je vergelijkt altijd op basis van wat een kost of opbrengst werkelijk ís, niet op basis van hoe die toevallig geboekt staat. Ik geloof dat die stap, data eerst standaardiseren, dan pas benchmarken en adviseren, het verschil maakt tussen een tool die je een goed gevoel geeft en een tool waarop je een adviesgesprek durft te bouwen.
Die granulariteit is meteen ook waar de diepte van onze benchmarking vandaan komt. De meeste benchmark tools blijven steken op het niveau van de rubrieken uit de jaarrekening: brede categorieën zoals "diensten en diverse goederen" of "personeelskosten". Wij gaan daaronder, tot op het niveau van de individuele rekeningen in het interne rekeningstelsel van de boekhouding zelf. Zo kan je een klant niet alleen tonen dat zijn "diensten en diverse goederen" hoger liggen dan de peer group, maar exact aanwijzen dat het aan de restaurantkosten ligt, terwijl de rest van diezelfde rubriek net in lijn ligt met de sector. Dat is het verschil tussen "hier zit ergens een probleem" en "hier zit het probleem precies".
Meer data delen betekent niet automatisch meer data tonen. Dossierbeheerders houden volledige controle over wat een klant via het klantenportaal te zien krijgt: per dossier bepaal je zelf tot op welk niveau je cijfers vrijgeeft en welke benchmarks zichtbaar zijn. De ene ondernemer is klaar voor volledige transparantie, de andere krijgt liever eerst het verhaal van zijn accountant voor hij de cijfers zelf ziet. Die keuze blijft bij het kantoor.
Neem een KMO in de kleinhandel die op het eerste gezicht een prima jaar draait: omzet +3%, brutomarge 40%, winst gemaakt. Zonder context een verhaal om tevreden mee te zijn. Met de aiGust-benchmark blijkt echter dat het top kwartiel van vergelijkbare ondernemingen in de peer group met 12% groeit, en dat de best presterende bedrijven in diezelfde groep een brutomarge van 55% halen. Ineens is "een goed jaar" een signaal dat er ruimte is, in inkoopprijzen, in pricing, in mix, die de ondernemer laat liggen.
Ga je dieper via de labels, tot op het niveau van de individuele rekeningen in de boekhouding, dan zie je vaak waar die marge exact weglekt: een personeelskostenratio die 4 procentpunt boven de mediaan van de peer group ligt, of niet zomaar een post "diensten en diverse goederen" die hoger uitvalt, maar specifiek de restaurantkosten die daarbinnen duidelijk boven de mediaan van vergelijkbare bedrijven liggen, terwijl de rest van die rubriek keurig rond de mediaan schommelt. Dat is het moment waarop cijfers veranderen van een terugblik in een agenda voor het volgende adviesgesprek.
Managementvennootschappen zijn een compleet andere diersoort dan een operationele KMO, en dat maakt benchmarking hier extra gevoelig. Een managementvennootschap heeft doorgaans geen personeel behalve de bedrijfsleider, draait vooral op managementvergoedingen, en de balans bevat vaak liquide middelen, beleggingen of vastgoed in plaats van voorraden en klantenvorderingen. Zet je zo'n vennootschap zomaar in dezelfde vergelijkingsgroep als een operationele onderneming uit dezelfde sector, dan krijg je ruis in plaats van inzicht: een personeelskostenratio van amper 5% zegt dan niets over efficiëntie, en een "lage" omzet zegt niets over de gezondheid van de vennootschap.
Daarom herkennen wij managementvennootschappen automatisch als een apart type binnen de bedrijfsindeling, los van de "gewone" operationele sectorindeling. Zo belandt een management-ven niet langer per ongeluk in dezelfde peer group als een productiebedrijf, maar wordt ze vergeleken met andere managementvennootschappen: hoe verhoudt de bezoldiging van de bedrijfsleider zich tot vergelijkbare structuren, hoe zit het met het rendement op de beleggingsportefeuille of het vastgoed, hoe verhouden de beheerskosten zich tot de omvang van het beheerd vermogen. Specifieke rapportering voor management vennootschappen staat op onze roadmap voor de komende maanden, net als sectorrapporten die dieper op deze en andere specifieke bedrijfstypes inzoomen: een segment waar generieke benchmarktools doorgaans geen raad mee weten, precies omdat het "gewone" sectormodel er niet op past.
Vandaag toont aiGust waar een dossier staat ten opzichte van zijn peers. De volgende stap, de "blind spot analyse", gepland voor de komende maanden, draait dat om: in plaats van dat de accountant zelf op zoek moet naar afwijkingen, signaleert aiGust proactief waar een dossier structureel afwijkt van vergelijkbare ondernemingen, ook wanneer niemand daar expliciet naar gevraagd heeft.
Want de blinde vlek van een ondernemer is precies waar de accountant het verschil maakt. Een klant ziet zijn eigen resultatenrekening, zijn eigen groei, zijn eigen marge, en niets anders. Hij heeft geen idee of zijn personeelskost hoog is voor de sector, of zijn brutomarge structureel achterblijft op zijn directe concurrenten, of zijn groeitempo eigenlijk matig is voor wie er middenin zit. Dat perspectief kan alleen van buitenaf komen. Tim is duidelijk:
"Een ondernemer ziet maar één bedrijf: het zijne. Hij kan onmogelijk weten wat hij niet ziet. Dat is precies waar de accountant het verschil maakt, en waar wij met de blind spot analyse naartoe willen: niet wachten tot een klant met een vraag komt, maar hem tonen wat hij zelf nooit had kunnen zien."
Dit is geen theorie. Yannick Vanvoorden, relatiebeheerder bij BDO Cynex, verwoordde het onlangs zo:
"Benchmarking in aiGust plaatst elke klant moeiteloos in perspectief. Net dát is het inzicht dat gesprekken verandert."
Dat is precies waarom we dit bouwen: niet om een extra rapport toe te voegen, maar om het gesprek tussen accountant en ondernemer te veranderen.
Voor het kantoor betekent dit dat advies schaalbaar wordt. Een peer group samenstellen, labels consistent houden, sectordata verzamelen op een schaal die groter is dan je eigen portefeuille: dat is precies het werk dat geen enkel kantoor alleen efficiënt kan doen, maar dat een gedeelde, anonieme datapool van duizenden dossiers wél mogelijk maakt. De junior krijgt hetzelfde referentiekader als de senior partner. Het gesprek met de klant verschuift van "hier zijn uw cijfers" naar "hier is wat uw cijfers betekenen, en hier is wat u eraan kan doen".
Voor de ondernemer betekent het vooral één ding: cijfers die niet langer een foto zijn, maar een kompas. Dat hoeft niet te wachten tot het boekjaar is afgesloten: zodra de boekhouding is weggewerkt, benchmark je de actuele, tussentijdse cijfers, in de loop van het jaar, niet pas achteraf op basis van de jaarrekening. Een brutomarge van 40% blijft een getal, tot een accountant hem toont dat vergelijkbare bedrijven 55% halen, en samen met hem uitzoekt waarom, nu er nog tijd is om bij te sturen. Dat is het verschil tussen boekhouding en advies, tussen vergelijken binnen je eigen klantenkring en vergelijken op de schaal van een gedeelde, sectorbrede dataset. En dat verschil is precies waar wij bij aiGust op inzetten.
Schrijf je nu in op onze nieuwsbrief!
Vond je dit artikel interessant? Kijk dan zeker even naar onze andere artikels
%20(2).png)
.png)