ai voor finance ontleed: is prompt engineering gewoon heldere communicatie?

• als je heldere instructies kunt geven aan een junior financial, kun je ook effectief prompten.

• jouw ervaring met het schrijven van standaardprocedures (sop's) maakt je een natuurtalent in het structureren van AI-inputs.

• vage verzoeken leiden tot generieke antwoorden, terwijl scherpe financiële kaders leiden tot resultaten die klaar zijn voor een audit.

• gebruik de rol, taak en beperking om de betrouwbaarheid van AI-outputs direct te verhogen.

• het beheersen van deze vaardigheid versterkt jouw bestaande expertise in excel en erp-systemen in plaats van deze te vervangen.

Als je ooit een standaardprocedure (sop) hebt opgesteld, een complexe variantie-analyse hebt beoordeeld of een junior analist in je team hebt opgeleid, bezit je al de benodigde basisvaardigheden. Je hoeft geen programmeertalen zoals Python te beheersen om de waarde van generatieve AI te ontsluiten. In plaats daarvan pas je dezelfde strikte logica toe die je dagelijks gebruikt tijdens de maandafsluiting of het opstellen van de jaarrekening. Dit artikel laat zien hoe je de kloof overbrugt en AI transformeert in een efficiënte assistent die jouw workflow aanvult.

Er bestaat een misverstand binnen Nederlandse directiekamers, namelijk dat effectief gebruik van AI een diepe technische achtergrond vereist. Dit is niet het geval. Tools zoals ChatGPT of Copilot spreken geen code, ze spreken taal. Ze interpreteren die taal met logica en context. Een large language model (LLM) is probabilistisch: het voorspelt op basis van waarschijnlijkheid. Juist omdat generatieve AI niet letterlijk naar woorden kijkt, kan het verbanden leggen en complexe teksten begrijpen. De controller kan met analytische precisie de juiste kaders scheppen waarbinnen de AI moet werken.

In de Nederlandse financiële sector, waar precisie en in-control verklaringen essentieel zijn, is deze letterlijke interpretatie juist een voordeel. Finance professionals zijn al getraind om als ingenieurs te denken. Je werkt in een wereld van debet en credit waar alles in balans moet zijn. Je hanteert de normen van de Raad voor de Jaarverslaggeving (RJ) waarbij definities exact zijn. Je bouwt complexe modellen waarbij één verkeerde verwijzing de hele dataset kan compromitteren. Deze eigenschappen (logica, specificiteit en procesgerichtheid) zijn precies de vereisten voor hoogwaardige prompt engineering.

Denk aan de structuur van een procedure voor een bankreconciliatie. Je zou een collega nooit simpelweg de opdracht geven om "de bank te controleren." In plaats daarvan bied je een gestructureerde reeks handelingen: "download het afschrift van ABN AMRO, match de transacties met het grootboek voor de huidige periode en markeer alle verschillen boven een specifieke drempelwaarde."

Die procedure is in de kern een perfecte prompt. Je voert het intellectuele werk al uit, je hoeft die logica alleen maar te richten op een nieuwe digitale interface. We zien momenteel een verschuiving waarbij AI verandert van een mysterieuze technologie naar een alledaags instrument, vergelijkbaar met hoe excel ooit het fysieke kasboek verving.

Het vermogen om met AI te communiceren wordt een cruciale professionele vaardigheid. Dit komt niet doordat de vaardigheid zelf zo moeilijk is, maar omdat weinig professionals beseffen dat ze de basis al leggen met hun dagelijkse werkzaamheden. Waar softwarecode een nieuwe syntaxis vereist, vraagt het schrijven van prompts enkel om het toepassen van jouw bestaande procesmatige denken op een chatinterface. Door AI te benaderen als een logische machine, combineer je jouw vakkennis met de snelheid van automatisering.

Bij financiële modellering geldt dat als de invoer gebrekkig is, de prognose waardeloos wordt. Dezelfde gouden regel is van toepassing op AI. Dit principe is de belangrijkste reden waarom sommige teams in het begin weinig waarde zien in hun experimenten met AI.

Vage prompts leiden tot onbetrouwbare output. Als je een AI vraagt om "deze gegevens te analyseren," creëer je een situatie waarin fouten snel worden gemaakt. De AI weet niet of je een cfo bent die zoekt naar strategische risico's of een auditor die kijkt naar naleving van de AVG. Zonder sturing zal het model een generieke samenvatting geven die professionele diepgang mist.

Om dit op te lossen, kun je het beste een "junior analist" als mentaal model gebruiken. Behandel de AI als een intelligente maar onervaren stagiair. Je zou een stagiair nooit een ruwe dataset geven zonder uit te leggen wat de data vertegenwoordigen, naar welke afwijkingen je precies zoekt en hoe het eindresultaat moet worden gepresenteerd.

Om dit praktisch te maken, gebruiken we een kader dat specifiek is ontworpen voor finance professionals: de context-sandwich. Dit zorgt ervoor dat jouw instructies altijd volledig zijn.

1. de rol (de bovenste laag): vertel de AI precies wie hij is. Bijvoorbeeld: "acteer als een senior fp&a manager voor een groot nederlands logistiek bedrijf."
2. de taak (de vulling): geef de specifieke instructie. Bijvoorbeeld: "beoordeel deze variantie-toelichtingen en identificeer de belangrijkste oorzaken van de budgetoverschrijdingen."
3. de beperking (de onderste laag): bepaal de kaders en het formaat. Bijvoorbeeld: "zorg dat de samenvatting geschikt is voor een bestuursverslag, gebruik nederlandse RJ -terminologie en presenteer de output als een beknopte tabel."

Dit kader dwingt de AI om een professionele toon aan te nemen. Als je de context niet specificeert, kan de AI terminologie gebruiken die niet aansluit bij de lokale standaarden. Beperkingen verminderen bovendien het risico op "hallucinaties," waarbij de AI gegevens verzint, doordat je het zoekgebied afkadert.

Je kunt deze technieken direct integreren in je dagelijkse routine door bestaande procedures te koppelen aan prompts. Voor reconciliaties kun je een prompt gebruiken om posten in twee lijsten te identificeren die niet overeenkomen op basis van factuurnummers. Voor het detecteren van afwijkingen kun je de AI de opdracht geven om als interne auditor te fungeren en dubbele betalingen of transacties op nederlandse feestdagen te signaleren.

Onderzoek wijst uit dat generatieve AI een aanzienlijk deel van de zakelijke activiteiten kan automatiseren. Voor finance zit de directe winst in de tijd die je bespaart bij de eerste opzet van een document of analyse. Als AI binnen enkele seconden een nauwkeurigheid van tachtig procent kan bereiken, blijft jouw expertise gereserveerd voor de laatste twintig procent van hoogwaardige validatie en strategische interpretatie.

De professionals die de komende jaren succesvol zullen zijn, focussen zich niet alleen op handmatige berekeningen. Succes hoort bij degenen die AI kunnen regisseren om deze taken met precisie uit te voeren. Prompt engineering vervangt jouw kennis van de RJ of jouw oordeel over voorzieningen niet, het versnelt enkel de onderliggende processen.

Stel je een workflow voor waarbij AI uitschieters in een grootboek signaleert en jij de uiteindelijke validatie doet. De menselijke professional blijft "in de loop" om de nauwkeurigheid te verifiëren, terwijl het handmatige zware werk verdwijnt. Dit is de kern van een moderne carrière in de financiële wereld.

Prompt engineering is geen technische barrière maar een communicatieve vaardigheid die je waarschijnlijk al bezit. Het is gestructureerd denken toegepast op een nieuw medium. Door context en helderheid te bieden, ontsluit je het potentieel van AI zonder een regel code te schrijven.

Klaar om je carrière verder te brengen in dit veranderende landschap? Behandel AI als een nieuw teamlid: geef een uitgebreide instructie, beoordeel de output kritisch en verfijn je instructies gaandeweg.