Regels halen saldi en openstaande facturen op, AI schat wanneer klanten echt betalen en een mens bepaalt de aannames en de acties.
7 stappenTypische mix: Eerst automatiserenIllustratieve analyseBijgewerkt
Gedeeltelijk. Gewone automatisering kan het grootste deel van een liquiditeitsprognose opbouwen, AI helpt bij het lastigste onderdeel, namelijk voorspellen wanneer klanten echt betalen, en een mens bepaalt de aannames en beslist wat er met de uitkomst gebeurt. Een liquiditeitsprognose is vooral gegevens verzamelen met een paar oordeelsmomenten, dus de goede verdeling is regels voor de bedragen, AI voor het tijdstip van betalingen en een financieel verantwoordelijke voor de keuzes die geld laten bewegen.
Het proces: elke week of maand wordt berekend hoeveel geld er de komende weken of maanden binnenkomt en uitgaat, vergeleken met het banksaldo en de minimale buffer die het bedrijf wil aanhouden, zodat tekorten op tijd zichtbaar zijn. Dat klinkt eenvoudig, maar het kost tijd omdat de invoer verspreid staat over het bankportaal, het boekhoudpakket, het salarissysteem en een paar spreadsheets, en omdat de lastigste invoer, zoals wanneer een klant betaalt of of een order doorgaat, een schatting is. Een liquiditeitsprognose automatiseren gaat dus minder over het vervangen van de financieel manager en meer over het wegnemen van het knip- en plakwerk, zodat de tijd naar de aannames gaat die ertoe doen.
Wat elke stap nodig heeft
01● Standaardautomatisering
Banksaldi en boekhoudgegevens ophalen
Beginsaldi van elke rekening, plus openstaande debiteuren en crediteuren, komen via een bankkoppeling en het boekhoudpakket binnen met een geplande export of koppeling. Dit is dataverkeer in vaste formaten, dus regels doen het sneller en betrouwbaarder dan een model, en een afwijkend getal mag nooit een verrassing zijn. Leg vast wanneer de gegevens zijn opgehaald, zodat iedereen weet op welke dag de prognose is gebaseerd.
⛨Werkt als elke rekening een bankkoppeling of gestructureerd afschriftbestand heeft. Rekeningen met alleen pdf-afschriften controleer je met de hand tot je een betere export hebt.
02● Standaardautomatisering
Verwachte ontvangsten uit openstaande facturen plaatsen
Elke openstaande factuur komt op de vervaldatum te staan, aangevuld met terugkerende facturatie en getekende contracten op hun eigen schema. Eenvoudige regels doen dit goed, want vervaldatum en bedrag zijn feiten in het systeem. Houd de eerste versie simpel: vervaldatum plus de gebruikelijke betalingstermijn van de klant, en niets slims totdat je ziet hoe ver die ernaast zit.
⛨Geldt als facturen op tijd worden verstuurd en vervaldata zijn vastgelegd. Loopt de facturatie weken achter, los dat dan eerst op, want de prognose erft die vertraging.
03● Geschikt voor AI
Inschatten wanneer klanten echt betalen
Facturen worden zelden op de vervaldatum betaald. Een model kijkt naar het betaalgedrag per klant, het factuurbedrag en het seizoen en stelt een realistische betaaldatum voor met een zekerheidsniveau. Het stelt alleen datums voor: de prognose toont ze naast de versie met vervaldatums, zodat je het verschil ziet. Dit is de ene stap waar AI duidelijk beter is dan een vaste regel.
⛨Nuttig met minstens een jaar betaalhistorie en enkele tientallen actieve klanten. Bij een handvol grote klanten weet iemand die ze kent het beter dan een model.
04● Standaardautomatisering
Bekende uitgaven opnemen: salaris, btw en huur
Salarisruns, btw-aangifte en betaling, loonheffing, huur, aflossingen, abonnementen en leveranciersfacturen op hun vervaldatum zijn allemaal bekend. Geplande regels halen ze op uit het salarissysteem, de belastingkalender en de lijst met openstaande crediteuren. Voeg een regel toe voor de dag waarop het geld echt vertrekt, want die ligt vaak eerder dan de datum op het document.
⛨Geldt voor verplichtingen die al bestaan. Geplande uitgaven die nog niet zijn goedgekeurd horen in de scenariostap en niet hier.
05● Bij mensen houden
Scenario's opstellen en geplande veranderingen markeren
Een model kan een basis-, een voorzichtig en een optimistisch scenario opstellen uit de cijfers en kort beschrijven wat de verschillen veroorzaakt. Een mens levert de aannames die niet in de data te zien zijn: een nieuwe medewerker volgende maand, een grote order die kan opschuiven, een leverancier die vooruitbetaling vraagt. De financieel verantwoordelijke beoordeelt het concept en past aan wat niet klopt met wat hij of zij weet.
⛨Elke cyclus nodig. Hoe onzekerder het bedrijf, hoe zwaarder de aannames wegen, dus leg ze op papier vast en zet er een datum bij.
06● Bij mensen houden
Prognose vergelijken met de werkelijkheid en afwijkingen verklaren
Na elke periode berekenen regels het verschil tussen prognose en realisatie per regel. AI schrijft daarna een uitleg in gewone taal over de grootste afwijkingen, zoals twee late betalers of een uitgestelde belastingbetaling, en een mens controleert die tegen wat er echt is gebeurd. Zo zie je na verloop van tijd welke invoer je kunt vertrouwen en welke je moet bijstellen.
⛨Werkt als je elke versie van de prognose bewaart. Zonder bewaarde versies weet je niet of het model of de aanname fout zat.
07● Menselijke controle
Beslissen wat te doen bij tekorten en overschotten
Een late betaler aanmanen, een aankoop uitstellen, rood staan of een kredietfaciliteit gebruiken, een overschot op een spaarrekening zetten of met de bank praten zijn keuzes met gevolgen voor relaties en risico. AI kan opties uitwerken en laten zien wat ze met het saldo doen, maar een financieel manager of directeur kiest en draagt de verantwoordelijkheid. Dit blijft werk voor mensen.
⛨Aan de orde als de prognose onder de minimale buffer komt of ruim boven wat het bedrijf nodig heeft.
Een verstandige eerste proef
Kies één bedrijfsonderdeel en één horizon, bijvoorbeeld de komende dertien weken, en laat de geautomatiseerde prognose een hele maand naast je huidige spreadsheet meelopen. Meet drie dingen: het gemiddelde verschil tussen prognose en werkelijk eindsaldo per week, het aandeel door AI voorgestelde betaaldatums dat binnen een week van de werkelijkheid lag tegenover gewone vervaldatums, en het aantal uren dat de wekelijkse update kost ten opzichte van daarvoor. Houd de spreadsheet tijdens de pilot als officiële prognose en vergelijk beide aan het eind. Stap pas over als de geautomatiseerde versie minstens zo nauwkeurig is en de eigenaar elke aanname erin kan uitleggen.
De valkuil die je wilt vermijden
De meest gemaakte fout is vertrouwen op een mooie prognose die op verouderde of onvolledige gegevens is gebouwd. Ontbreekt één bankrekening of worden facturen te laat geboekt, dan ziet het model er zeker uit en klopt het niet, en niemand merkt het tot er te weinig geld is. Toon bij elke versie de datum van de gegevens en de rekeningen die zijn meegenomen, en laat AI datums voorstellen in plaats van vervaldatums stilletjes te overschrijven. Een tweede fout is de aannames in het hulpmiddel verstoppen. Houd de belangrijkste, zoals groei, personeelsuitbreiding en betaalvertraging, in een korte lijst die de eigenaar bijhoudt, zodat iedereen die de prognose leest weet waarvan ze uitgaat. Begin met één horizon en één bedrijfsonderdeel, laat het een kwartaal bewijzen en breid dan pas uit.
Vragen die teams stellen
Is AI beter dan een spreadsheet voor een liquiditeitsprognose?
Voor het verzamelen van gegevens wel, want een geplande koppeling is sneller en minder foutgevoelig dan handmatig overtypen. Voor het tijdstip van betalingen kan een model een simpele vervaldatum verslaan als je genoeg betaalhistorie hebt. Voor aannames en beslissingen doet geen van beide het denkwerk, dus veel bedrijven houden een spreadsheet of dashboard als voorkant en automatiseren wat daarin stroomt.
Hoe nauwkeurig is een AI-liquiditeitsprognose?
Dat hangt af van je gegevens en je klanten, en geen eerlijke leverancier kan vooraf een percentage beloven. De nauwkeurigheid is het hoogst voor de komende weken, waar het meeste geld al vastligt in afspraken, en neemt verder vooruit af. Meet het zelf: vergelijk elke bewaarde prognose met het werkelijke eindsaldo en volg het verschil een paar maanden.
Welke gegevens heb ik nodig om te beginnen?
Banksaldi en transacties, openstaande facturen en rekeningen met vervaldatums, salaris- en belastingdata en terugkerende contracten. Betaalhistorie per klant helpt voor de AI-stap. Zijn de gegevens onvolledig, los dat dan eerst op, want automatisering herhaalt de gaten alleen sneller.
Wie moet eigenaar zijn van de liquiditeitsprognose?
Een vaste persoon in de financiële afdeling, vaak de financieel manager of controller. Die bepaalt de aannames, beoordeelt de door AI opgestelde toelichting en beslist wat er gebeurt als het geld krap wordt. Het hulpmiddel bereidt de cijfers voor, de eigenaar is er verantwoordelijk voor.
Workflowadvies van Arcgent ter illustratie. Elk bedrijf heeft een eigen beoordeling nodig. Claims over integraties of besparingen zijn niet voor jouw systemen geverifieerd.