Hoe gebruik je AI bij het interpreteren van cijfers?

Een grondig begrip van technologie en de organisatiedoelstellingen, samenwerken met financiële experts en datawetenschappers en oog hebben voor de potentiële gevaren van AI: met die randvoorwaarden kan kunstmatige intelligentie het toezicht helpen optimaliseren, stelt Bram Gubbels, managing partner van communicatieadviesbureau X-Ingredient en aankomend commissaris.  

Kunstmatige intelligentie of artificial intelligence (AI) is een van de meest actuele toezichtthema’s. De concepten en ideeën die aan het vakgebied ten grondslag liggen, gaan echter al terug tot de oudheid. Eerst dus maar een beknopte geschiedenis van AI:

1. Oudheid: De wortels van AI kunnen worden teruggevoerd tot de oudheid, waar filosofen en denkers zich bezighielden met het idee van geanimeerde objecten en kunstmatige wezens. Bijvoorbeeld, de Griekse filosoof Aristoteles schreef al over zelfbewegende wagens.

2. 20e eeuw, jaren 40-50: Het moderne tijdperk van AI begon in de jaren veertig en vijftig van de twintigste eeuw. In deze periode werden de eerste computers ontwikkeld en ontstond het idee om machines te bouwen die in staat waren tot intelligent gedrag. Alan Turing speelde een belangrijke rol in de ontwikkeling van computationele theorieën over intelligentie.

3. Jaren 50-60: De term kunstmatige intelligentie werd gemunt in 1956, toen de Dartmouth Conference werd gehouden. Gedurende deze tijd werden er verschillende AI-programma's ontwikkeld, waaronder de Logic Theorist en het eerste schaakprogramma, ‘IBM 701’.

4. Jaren 70-80: In deze periode maakten AI-onderzoekers gebruik van symbolische verwerking en expertsystemen om problemen op te lossen. Expertsystemen waren populair in toepassingsgebieden zoals geneeskunde en bedrijfskunde.

5. Jaren 90-2000: AI-onderzoek ging door met het ontwikkelen van algoritmen voor machine learning en neurale netwerken. Er werden belangrijke doorbraken gerealiseerd in gebieden zoals computer vision, natuurlijke taalverwerking en reinforcement learning.

6. 21e eeuw: De afgelopen twee decennia hebben we gezien hoe AI steeds prominenter is geworden in ons dagelijks leven. Dit is mede te danken aan de groeiende rekenkracht van computers en de beschikbaarheid van grote hoeveelheden gegevens. AI wordt nu gebruikt in allerlei toepassingen,  variërend van spraakherkenning tot zelfrijdende auto's en gezondheidszorg.

Steeds meer impact op toezicht

Hoewel de ideeën en concepten achter AI dus al eeuwenoud zijn, is kunstmatige intelligentie als modern vakgebied pas ontstaan in de twintigste eeuw en heeft het sindsdien een gestage opmars laten zien. AI blijft zich razendsnel ontwikkelen en heeft een steeds grotere impact op diverse aspecten van ons leven. Zo ook op de rol van de commissaris.

Welke cijfermatige kansen kan AI commissarissen bieden? En hoe kan/mag een commissaris AI gebruiken bij het interpreteren van cijfers? De inzichten hieronder zijn gebaseerd op uitgebreid literatuuronderzoek, input via en van verschillende AI-systemen en in totaal vier interviews: met twee experts op het gebied van AI en met twee commissarissen.

Grondig begrip technologie nodig

Het effectieve gebruik van AI bij het interpreteren van cijfers vereist een grondig begrip van zowel de technologie als de specifieke behoeften en doelstellingen van de organisatie. Daarom is het van groot belang dat commissarissen samenwerken met financiële experts en datawetenschappers om de juiste AI-oplossingen te implementeren en ervoor te zorgen dat de resultaten nauwkeurig en betrouwbaar zijn. Daarnaast moet zorgvuldig worden overwogen welke informatie je aan een AI-model verstrekt. Het is essentieel om te begrijpen welk type AI wordt gebruikt, welke organisatie erachter staat en wat het beleid van die organisatie is voor dergelijke toepassingen.

15 manieren om AI toe te passen als rvc

Commissarissen kunnen AI op verschillende manieren gebruiken bij het interpreteren van cijfers en financiële gegevens. Het gebruik van AI in financiële analyse en interpretatie is zeer divers en kan worden aangepast aan de specifieke behoeften van de organisatie en de industrie.

Vijftien voorbeelden hiervan:

1. voorspellende analyses: AI kan helpen bij het voorspellen van financiële trends en toekomstige prestaties op basis van historische gegevens. Dit stelt commissarissen in staat om proactieve beslissingen te nemen en mogelijke risico's te identificeren;
2. geautomatiseerde rapportage: AI kan worden ingezet om automatisch financiële rapporten en dashboards te genereren. Dit bespaart tijd en zorgt voor nauwkeurige en up-to-date informatie die commissarissen kunnen gebruiken om besluitvorming te toetsen en genomen beslissingen te onderbouwen;
3. fraudedetectie: AI-algoritmen kunnen abnormale patronen in financiële gegevens identificeren, wat kan helpen bij het opsporen van mogelijke fraude of onregelmatigheden in de boekhouding;
4. risicobeheer: AI kan helpen bij het identificeren en beoordelen van financiële risico's, waardoor commissarissen beter geïnformeerde beslissingen kunnen nemen over investeringen, strategische planning en compliance;
5. datavisualisatie: AI kan gegevens omzetten in visueel aantrekkelijke en begrijpelijke grafieken en diagrammen. Dit maakt het voor commissarissen gemakkelijker om complexe financiële informatie te begrijpen en te communiceren;
6. inzet van Natural Language Processing (NLP): met behulp van NLP-technologie kunnen commissarissen grote hoeveelheden tekstuele financiële informatie analyseren, zoals jaarverslagen, nieuwsartikelen en analistenrapporten, om trends en belangrijke inzichten te ontdekken.
7. portefeuillebeheer: voor commissarissen die betrokken zijn bij beleggingsbeslissingen, kan AI helpen bij het optimaliseren van investeringsportefeuilles, door rekening te houden met diverse financiële factoren en risico's.
8. compliance en regelgeving: AI kan commissarissen ondersteunen bij het naleven van wet- en  regelgeving en compliance-vereisten door geautomatiseerde controles en monitoring van financiële gegevens uit te voeren;
9. klantgedragsanalyse: AI kan helpen bij het analyseren van klantgegevens, zoals aankoopgeschiedenis en demografische informatie, om inzicht te krijgen in klantvoorkeuren en trends. Dit kan commissarissen helpen bij het nemen van beslissingen over marketingstrategieën en productontwikkeling;
10. kredietrisicobeoordeling: voor commissarissen die betrokken zijn bij financiële instellingen, kan AI worden gebruikt voor het beoordelen van kredietrisico's van klanten en leningen. AI-modellen kunnen helpen bij het voorspellen van de waarschijnlijkheid van wanbetaling en het bepalen van geschikte kredietlimieten;
11. voorraadbeheer: in bedrijven met uitgebreide voorraadactiviteiten kan AI worden ingezet voor het optimaliseren van voorraadniveaus, het voorspellen van vraagfluctuaties en het verminderen van overschotten of tekorten;
12. kostenanalyse: AI kan helpen bij het analyseren van kostenstructuren en het identificeren van mogelijkheden voor kostenbesparingen. Dit is vooral waardevol voor commissarissen die toezicht houden op kostenbeheer en financiële efficiency;
13. valutahandel en financiële marktvoorspellingen: voor commissarissen die betrokken zijn bij internationale bedrijven of financiële instellingen, kan AI worden gebruikt om valutamarkten te analyseren en financiële marktvoorspellingen te doen;
14. klantenservice-analyse: AI kan helpen bij het analyseren van klantenservicegegevens, zoals klantinteractie en klachten, om trends en patronen te identificeren die wijzen op mogelijke operationele problemen of kansen voor verbetering;
15. ethische en compliance-beoordeling: AI kan worden ingezet om financiële gegevens en transacties te scannen op mogelijke ethische of compliance-schendingen, wat van cruciaal belang is voor commissarissen die zitting hebben in de auditcommissie en vanuit die rol toezicht houden op de integriteit van financiële rapportage.

Gevaren AI erkennen

Het gebruik van AI in financiële analyse en interpretatie biedt vele voordelen, maar er zijn ook enkele potentiële gevaren en uitdagingen waarmee organisaties en commissarissen rekening moeten houden. Deze omvatten bias in data en modellen, privacy-kwesties, onnauwkeurige voorspellingen, beveiligingsrisico's, menselijke verantwoordelijkheid, regelgevingskwesties, kosten en complexiteit, en ethiek en transparantie. Het is essentieel voor commissarissen en organisaties om de potentiële gevaren van AI te erkennen en maatregelen te nemen om de risico’s te beheersen en te minimaliseren.

Definieer behoeften duidelijk

Kortom, het gebruik van AI biedt voldoende mogelijkheden voor commissarissen bij het interpreteren van cijfers. Deze mogelijkheden zijn echter afhankelijk van de specifieke behoeften en van de organisatie en de branche. Het is van cruciaal belang dat deze behoeften duidelijk worden gedefinieerd, omdat AI niet effectief kan functioneren zonder relevante input.

Werk samen met financiële experts en datawetenschappers

Bovendien hebben AI-systemen momenteel beperkte mogelijkheden om zichzelf te controleren. Daarom is samenwerking met financiële experts en datawetenschappers van groot belang om de juiste AI-oplossingen te implementeren en te waarborgen dat de resultaten nauwkeurig en betrouwbaar zijn. Daarnaast is het van essentieel belang om uiterst zorgvuldig om te gaan met de informatie die aan AI wordt verstrekt. Het is van belang dat organisaties en hun commissarissen zich bewust zijn van de potentiële gevaren en uitdagingen.

Leren door te doen

Er zijn tal van mogelijkheden voor commissarissen met betrekking tot AI, zolang ze zich als toezichthouders maar bewust zijn van de potentiële risico’s. Daarvoor is het cruciaal om diepgaand begrip te verwerven van hoe AI werkt en vooral veel praktische ervaring op te doen. Alleen het zelf werken met AI leidt tot volledige bewustwording van zowel de mogelijkheden als de beperkingen ervan. Als commissarissen daadwerkelijk met AI aan de slag gaan, ervaren ze in de praktijk hoe ze naar de verschillende vormen van input, vraagstukken en output kunnen kijken en leren door te doen. Een groot deel van het werken met AI draait om voortdurende optimalisatie en dat kan óók belangrijk bijdragen aan het optimaliseren van het toezicht.

Bram Gubbels schreef dit artikel als eindopdracht voor de Leergang Board Potentials van NR Governance.

Klik hier voor contact met Bram Gubbels.