De toekomst van auditing ligt minder in spectaculaire technologie dan in het verstandig gebruiken van tools die we al hebben, meent Pieter de Kok.

Discussie Column Vandaag

We hebben geen AI-driven audit tools nodig

Wie het debat over technologie in de accountancy een beetje volgt, krijgt al snel de indruk dat de audit op het punt staat een radicale technologische sprong te maken. Overal verschijnen verhalen over AI-driven audit tools. Ik krijg er een beetje jeuk van. Zelflerende algoritmen die afwijkingen detecteren. Systemen die volledige populaties analyseren. Slimme modellen die risico's herkennen nog voordat een auditor ze ziet. De belofte is steeds dezelfde: audits worden sneller, goedkoper en beter. Minder mensen, meer technologie.

Het klinkt indrukwekkend. Maar als je even door de marketing heen kijkt, blijft er een vrij eenvoudige vraag over: "Waar hebben we die AI-gedreven audittools eigenlijk voor nodig?" Vrijwel alles waarover vandaag wordt gedroomd onder de noemer AI-auditing kunnen we namelijk al jaren uitvoeren met goede data-analyse. Niet met sciencefiction, maar met technieken die auditors en data-analisten al lang kennen. Is dit aan de AI-believers voorbij gegaan?

Omspannende verbandscontroles over volledige datasets. Analyse van complete transactiestromen. Continue monitoring van significante processen. Statistische technieken om afwijkende patronen te herkennen. En ja, soms ook machine learning om grote hoeveelheden data te structureren. Dat bestaat allemaal al. Al redelijk lang. Daar hebben we geen zelflerende AI-systemen voor nodig.

Moderne data-analyse is vaak gewoon ouderwetse data-analyse

In het technologiedebat lijkt het soms alsof data-gedreven auditing pas begint zodra er 'AI' op staat. Dat is historisch gezien simpelweg onjuist. Auditors gebruiken al jaren technieken die vandaag ineens onder de AI-paraplu worden geplaatst. Denk aan populatie-analyses, rule-based controles, statistische modellen en patroonherkenning in grote datasets. Dat soort analyses vormden al lang de basis van moderne controleaanpakken.

Wat er in de praktijk vooral is veranderd is niet de methode, maar de schaal. Onze laptops zijn sneller geworden. Dataplatforms zijn krachtiger geworden. En datasets zijn groter geworden. Maar de kern van de analyse is vaak nog steeds dezelfde. Of, iets scherper geformuleerd: moderne data-analyse is vaak gewoon ouderwetse data-analyse met meer rekenkracht.

Dat is overigens helemaal geen probleem. Integendeel. Het is precies wat auditing nodig heeft: betere analysemogelijkheden, grotere datasets en meer consistentie in controles. Maar laten we niet doen alsof er ineens een volledig nieuw vakgebied is ontstaan.

Een audit is geen rocket science

In discussies over AI wordt auditing soms neergezet als een extreem complex probleem dat alleen door intelligente systemen kan worden opgelost. Alsof de auditpraktijk wacht op een technologische doorbraak die het vak eindelijk begrijpelijk maakt.

Dat is een overschatting van technologie en tegelijk een onderschatting van het vak en onze HI. Een jaarrekeningcontrole is namelijk geen rocket science. Het is gestructureerd vakwerk. Een auditor probeert te begrijpen hoe een organisatie werkt, welke processen bepalend zijn voor de cijfers en waar de belangrijkste risico’s zitten. Vervolgens worden transactiestromen geanalyseerd, verbanden gelegd tussen cijfers en activiteiten en wordt beoordeeld of de jaarrekening een getrouw beeld geeft.

Daarbij helpen data-analyses enorm. Ze maken het mogelijk om volledige populaties te analyseren in plaats van steekproeven. Ze helpen om patronen zichtbaar te maken die anders verborgen blijven. En ze maken het werk vaak efficiënter. Maar uiteindelijk draait auditing niet om technologie. Het draait om context, interpretatie en professioneel oordeel. En dat zijn precies de elementen die zich moeilijk laten automatiseren.

Hoe een auditdag er werkelijk uitziet

Wie een willekeurige dag meeloopt met een auditteam, ziet een werkelijkheid die weinig lijkt op de AI-visies die soms worden geschetst. Auditors zitten niet de hele dag prompts te schrijven voor slimme systemen. Ze zijn vooral bezig met mensen, processen en vraagstukken die context vereisen.

Een gemiddelde auditdag bestaat uit gesprekken met cliënten over transacties en processen. Teams die intern discussiëren over de interpretatie van cijfers. Auditdossiers die tegen het licht worden gehouden. Concept-accountantsverslagen die worden besproken. Notities die worden geschreven voor banken of financiële commissies.

Er wordt gebeld. Er wordt uitgelegd. Soms via Teams, soms gewoon bij de klant aan tafel. Dat is het echte werk van auditing. Oordeelsvorming. Ervaring. Context. Verantwoordelijkheid. En opvallend genoeg speelt technologie in zo'n dag vaak een bescheiden rol.

Er zijn dagen waarop de inzet van generatieve AI dan wel AI-powered analytics exact nul is. Geen prompts, geen slimme tekstgeneratoren, geen AI-assistenten. En toch wordt er gewoon gecontroleerd.

GenAI is iets anders

Dat betekent natuurlijk niet dat technologie geen rol speelt in auditing. Integendeel. Nieuwe tools kunnen zeker nuttig zijn. Generatieve AI kan bijvoorbeeld helpen bij het samenvatten van documenten, het structureren van rapportages of het voorbereiden van analyses. Dat soort toepassingen kan het werk van auditors soms efficiënter maken.

Maar het is belangrijk om te begrijpen wat generatieve AI wél en niet doet. GenAI ondersteunt vooral tekstwerk. Het helpt bij formuleren, structureren en documenteren. Dat kan waardevol zijn, maar het verandert de kern van het auditproces niet. Het vormt geen oordeel over risico's. Het beoordeelt geen transacties. En het neemt geen verantwoordelijkheid voor een controleverklaring. Het blijft ondersteuning.

De mythe van AI-driven auditing

De grootste misvatting in het huidige debat zit misschien wel in het idee dat auditing binnenkort AI-driven zal worden. Dat systemen zelfstandig risico's detecteren, controles uitvoeren en grote delen van het auditproces overnemen. Oordeelsvorming door AI.

Die visie klinkt futuristisch, maar in de praktijk is ze moeilijk vol te houden. Auditing draait namelijk niet alleen om het herkennen van patronen in data. Het draait om het begrijpen van organisaties, het plaatsen van cijfers in context en het stellen van kritische vragen.

Een model kan misschien signaleren dat een patroon afwijkt. Maar het begrijpt niet waarom dat gebeurt. En precies dat 'waarom' is waar auditing begint. Daarvoor heb je mensen nodig die organisaties begrijpen, processen kunnen doorgronden en het professionele scepticisme hebben om verder te kijken dan de cijfers alleen.

Misschien moeten we stoppen met overdrijven

De auditsector heeft geen gebrek aan technologie. Integendeel, de mogelijkheden voor data-analyse zijn vandaag groter dan ooit. Wat soms ontbreekt, is een beetje nuchterheid in het debat.

Veel van de toepassingen die vandaag als AI-auditing worden gepresenteerd, zijn in werkelijkheid gewoon goede data-analyses. Ze helpen auditors om beter naar data te kijken, grotere datasets te analyseren en afwijkingen sneller te signaleren. Dat is waardevol. Maar het is geen revolutie.

Misschien is het daarom tijd om het verhaal iets eenvoudiger te maken. We hoeven niet te wachten op magische AI-systemen die de audit transformeren. De instrumenten die we nodig hebben, bestaan al lang. Goede data-analyse, statistische technieken en auditors die begrijpen wat ze zien.

De toekomst van auditing ligt waarschijnlijk minder in spectaculaire technologie dan in het verstandig gebruiken van tools die we al hebben. Of nog eenvoudiger gezegd: we hebben geen AI-driven audit tools nodig. We hebben auditors nodig die hun vak verstaan. Succes iedereen nog de komende maanden, geniet ervan!