AI kan je bedrijfscijfers nu uitleggen. Dit bepaalt of het antwoord klopt

De vraag die je nooit stelt omdat het antwoord te veel werk is

"Waarom liep de omzet vorige maand terug?"

Je weet ongeveer waar je moet kijken. Boekhouding, CRM, misschien de webshop. Je weet ook dat je er een halve middag aan kwijt bent, dat de export nooit netjes aansluit en dat je halverwege al iets anders moet doen. Dus stel je de vraag niet, of je beantwoordt hem op gevoel.

Sinds 10 september is daar iets veranderd. OpenAI zette een Data agent aan in ChatGPT Work: geen chatbot die over je cijfers praat, maar een agent die zelf in de bronnen duikt, uitzoekt wat er veranderde en er een dashboard van maakt dat je kunt delen. Niet "geef me het omzetcijfer", maar "waarom is dit gedaald en wat zit eronder".

Wat er precies is aangekondigd

De Data agent is een plugin die je in ChatGPT Work aanzet en aan goedgekeurde bronnen koppelt. Hij praat met datawarehouses als BigQuery, Snowflake, Databricks, Redshift, MongoDB en ClickHouse, en hij kan losse bestanden en documenten uit Google Drive en SharePoint in een analyse meenemen. Aan de andere kant kan hij dashboards bouwen en bedienen in Power BI, Tableau, Sigma, Omni, Oracle BI en ThoughtSpot.

Twee dingen vallen op. Ten eerste stuurt hij een onderzoek, geen enkele vraag: je zegt wat je wilt weten, hij kiest de bronnen, en je stuurt in hetzelfde gesprek bij. Ten tweede blijven bestaande rechten gewoon gelden. Een beheerder bepaalt welke bronnen open staan en voor wie, en de rechten die je al had ingesteld op tabel, rij en kolom blijven overeind. Iemand die de salarisregels niet mag zien, ziet ze ook niet via de agent.

Waarom dit voor een MKB-bedrijf anders uitpakt

Kijk je naar dat rijtje databronnen, dan denk je waarschijnlijk: dat is niet mijn wereld. Klopt. Snowflake en Databricks staan niet bij de gemiddelde Nederlandse installateur, accountant of webshop van twaalf man.

Maar de bronnen zijn het punt niet. Het punt is de richting. Wat vandaag als enterprise-product wordt aangekondigd, staat over een half jaar in de tools die je al gebruikt, en een deel ervan kun je nu al: een AI-assistent die via een koppeling in je boekhoudpakket kijkt en je vragen erover beantwoordt is geen toekomstmuziek, dat werkt vandaag met Moneybird en vergelijkbare Nederlandse pakketten. En een export uit je pakket naar een spreadsheet die je aan een AI voert, is ronduit laagdrempelig.

De vraag is dus niet of je dit kunt. De vraag is waarom het antwoord dan zo vaak niet klopt.

Het echte struikelblok: "omzet" betekent in drie systemen drie dingen

Hier gaat het mis, en zelden aan de kant van de AI.

In je boekhouding is omzet waarschijnlijk exclusief btw, geboekt op factuurdatum. In je webshop is het inclusief btw, geboekt op besteldatum, inclusief de bestellingen die later zijn geannuleerd. In je offertesysteem is het de waarde van wat je hebt gewonnen, ergens een maand eerder. Drie cijfers, drie definities, allemaal "omzet".

Vraag je een AI waarom de omzet daalde, dan krijg je een keurig onderbouwd antwoord over een cijfer dat niemand in je bedrijf zo bedoelde. Dat is erger dan geen antwoord, want het klinkt goed. Dezelfde ruis zit in klantnamen die in twee systemen anders gespeld staan, in producten die vorig jaar hernoemd zijn, en in die ene medewerker die annuleringen met de hand wegboekt.

Een AI-analyse is geen vervanging van afspraken over je cijfers. Het is een vergrootglas erop.

Vier dingen die je op orde brengt voordat je het vraagt

1. Kies per begrip één bron die leidend is. Omzet komt uit de boekhouding, klantaantallen uit het CRM, voorraad uit het pakket waar je daadwerkelijk op stuurt. Niet omdat de andere fout zijn, maar omdat je anders elke maand opnieuw discussieert.
2. Schrijf de definitie één keer op. Twee regels per begrip is genoeg: "omzet = gefactureerd exclusief btw, op factuurdatum, creditnota's eraf". Die zinnen geef je straks letterlijk aan je AI mee, en ze schelen je meer dan welke tool ook.
3. Bepaal wie wat mag zien. Dat de Data agent bestaande rechten respecteert is fijn, maar dan moeten die rechten er wel zijn. Als iedereen bij alles kan in je boekhouding, verandert een AI-koppeling dat probleem van sluimerend in acuut.
4. Ruim de namen op die je het vaakst gebruikt. Eén klant, één schrijfwijze. Dat is saai werk, maar het is precies het werk dat bepaalt of een analyse klopt.

Hoe je het deze week klein test

Je hoeft hier geen project van te maken. Pak één vraag die je echt bezighoudt en waarvan je het antwoord al half weet. Juist dat laatste: je wilt kunnen controleren of de uitkomst klopt.

Exporteer de gegevens die erbij horen uit één systeem, geef ze aan een AI-assistent en zet je definitie erboven. Bijvoorbeeld: "Hieronder staat onze facturatie van de afgelopen twaalf maanden. Omzet is gefactureerd exclusief btw op factuurdatum, creditnota's eraf. Laat zien hoe de omzet per maand liep en noem de drie klanten met de grootste daling ten opzichte van vorig jaar."

Klopt het antwoord met wat je zelf dacht? Dan heb je een werkwijze te pakken en kun je hem uitbreiden naar een echte koppeling, bijvoorbeeld via een automatiseringsplatform als n8n dat de export elke maand zelf klaarzet. Klopt het niet? Dan heb je iets waardevollers gevonden dan een grafiek, namelijk de plek waar je administratie rammelt.

Wil je eerst rustig lezen hoe dat vragen-aan-je-data in de praktijk werkt, dan staat dat uitgebreider in ons stuk over je data gewoon een vraag stellen.

Wat het oplevert, en waar je begint

Het winstpunt is niet dat je sneller een rapport hebt. Het is dat de drempel om iets te vrágen wegvalt.

Op dit moment kost elke vraag over je cijfers zoveel moeite dat je er hooguit een paar per maand stelt, meestal als er al iets mis is. Als een vraag nog dertig seconden kost, ga je doorvragen. Waarom liep die klant terug, gebeurde dat ook bij vergelijkbare klanten, en zit er een patroon in het moment waarop het begon. Dat is de manier waarop je normaal over je bedrijf nadenkt, alleen kon je er tot nu toe geen cijfers bij halen zonder er een middag in te steken.

Daar zit ook meteen de grens. Een AI die je data leest, ziet wat er is vastgelegd. Waarom een klant vertrok, staat zelden in een tabel. Reken op betere vragen, niet op kant-en-klare conclusies.

Als je één ding uit deze aankondiging meeneemt, laat het dan dit zijn: de techniek om je cijfers in gewone taal te bevragen is er nu echt, en hij wordt de komende maanden alleen maar makkelijker bereikbaar. De voorsprong zit dus niet in wie het eerst de tool aanzet. Die zit in wie zijn definities, bronnen en rechten op orde heeft op het moment dat hij hem aanzet.

Dat is werk van een paar uur, geen maanden. En het is werk dat je sowieso wilt doen, want elke keer dat twee mensen in je bedrijf een ander omzetcijfer noemen, betaal je er nu al voor.

Benieuwd welke cijfers in jouw bedrijf uit elkaar lopen en wat er nodig is om ze bevraagbaar te maken? We kijken het graag samen met je door.