Finance-AI-tools falen in productie niet omdat de onderliggende modellen slecht zijn, maar door de manier waarop ze zijn gearchitecteerd. Echte financiële data heeft een hoog volume, zit vol uitzonderingen en verdraagt geen probabilistische uitkomsten. Die eigenschappen leggen de grenzen van single-prompt-aanpakken snel bloot.
De kloof tussen demo en productie in finance-AI
Een tool die er in een sandbox strak uitziet, valt op een echt grootboek om voorspelbare redenen uit elkaar. Transactievolumes nemen enorm toe. Categorisatieregels botsen met elkaar. Dochterondernemingen gebruiken verschillende grootboekstructuren. Uitzonderingen worden eerder de norm dan de uitzondering.
Systemen die in een gecontroleerde omgeving correct presteerden, beginnen onnauwkeurige resultaten te genereren, referenties te verzinnen of helemaal vast te lopen. De foutmodus is niet spectaculair. Hij is geleidelijk en lastig te herkennen.
Waarom echte financiële data generieke large language models breekt
Drie eigenschappen veroorzaken het probleem.
- Volume op transactieniveau. Lean organisaties verwerken duizenden maandelijkse transacties uit meerdere bronnen. Dat in een context window proppen is onpraktisch en levert slechte resultaten op.
- Uitzonderingsdichtheid. Financiële processen draaien om edge cases: terugboekingen, deelbetalingen, intercompany-transacties, valutacorrecties. Systemen die geoptimaliseerd zijn voor typische scenario's falen precies daar waar de echte waarde zit.
- Deterministische verwachtingen. Financiële rapportages kunnen geen benaderende antwoorden verdragen. Finance-professionals hebben reproduceerbare, controleerbare processen nodig, geen interpretatieve uitkomsten.
Wat agent-based reasoning oplost
Agent-based reasoning vervangt één allesomvattende prompt door een set verbonden, gespecialiseerde agents die elk een smalle functie afhandelen. Eén agent haalt transacties op en normaliseert ze. Een andere past boekhoudregels toe. Een andere valideert de bankafstemming. Weer een andere vat de bevindingen samen.
Deze architectuur levert drie concrete voordelen op.
- Scheiding van verantwoordelijkheden. Smalle taken met beperkte input houden fouten binnen de perken en maken ze traceerbaar in plaats van ondoorzichtig.
- Determinisme waar dat nodig is. Boekhoudkundige handelingen draaien als stabiele regels, niet als probabilistische reacties. Het model levert redenering; de logica blijft consistent.
- Controleerbaarheid. Elke handeling genereert traceerbare documentatie. Teams beoordelen specifieke agentbeslissingen in plaats van black-box-uitkomsten te interpreteren.
"Finance vergeeft geen fouten."
Waarom Cortena dit op de harde manier heeft geleerd
In augustus 2025 draaiden we een beta met vijf early adopters die live Xero-data koppelden. De integratie werkte. De interfaces hielden stand. Maar de AI-engine verslechterde onder echte datavolumes op manieren die we in tests niet zagen. In plaats van het oppervlak te repareren, hebben we de basis opnieuw opgebouwd rond agent-based reasoning. We lanceerden in september 2025 opnieuw met een smallere initiële scope, cashflowanalyse en een veel stabielere architectuur.
Wat dit betekent voor finance-teams die AI-tools evalueren
Drie vragen halen de ruis eruit als je finance-AI beoordeelt.
- Werkt het op jouw echte data? Vraag om een test op je daadwerkelijke transactievolume, niet op een vereenvoudigd voorbeeld.
- Wat gebeurt er als het fout zit? Een tool die stilletjes faalt is erger dan een tool die uitzonderingen duidelijk markeert.
- Is het één model of meerdere agents? De architectuur is belangrijker dan de modelnaam op de verpakking.
Each agent: narrow inputs · stable rules · traceable output