Forecast maken met AI: hoe Claude en ChatGPT je model bouwen en doorrekenen — en welke aannames mensenwerk blijven (2026)

Forecast maken met AI: hoe Claude en ChatGPT je model bouwen en doorrekenen — en welke aannames mensenwerk blijven

Van avonden formules onderhouden naar een model dat de AI bouwt en de datalaag gevuld houdt — met de drivers waar finance zelf aan draait.

Kan AI een forecast maken?

Niet in de zin die de vraag meestal bedoelt — en dat is goed nieuws. Een forecast is geen voorspelling die ergens uit een model valt, maar een set expliciete aannames die consequent is doorgerekend: zoveel omzetgroei, zoveel hires vanaf die maand, dat contract dat per kwartaal indexeert. Een AI die zonder die aannames “de omzet voorspelt”, extrapoleert een reeks en verpakt dat in zelfverzekerde taal. Voor een trendlijn volstaat dat; voor een forecast waar een bank, investeerder of managementteam op stuurt niet.

‍

Wat AI wél kan, is precies het deel van het forecastwerk dat de meeste tijd kost. Het model bouwen en onderhouden: de structuur, de formules, de koppeling tussen omzet, kosten, personeel en kasstroom. Het model vullen: actuals ophalen, reeksen bijwerken, de aansluiting met de rapportage bewaken. En het model bevragen: doorrekenen wat een aanname doet, afwijkingen signaleren, de gevoeligheid van het resultaat voor elke driver laten zien. In dat werk is een taalmodel niet net zo goed als een mens — het is er sneller en consequenter in.

‍

De rolverdeling is daarmee dezelfde als in management rapportage maken met AI: de AI bouwt, rekent en signaleert; finance kiest de aannames en draagt het verhaal. Het conceptuele fundament — wat een goede forecast überhaupt is, van rolling forecast tot latest estimate — staat in het hoofdartikel over forecasting voor de MKB-CFO; dit artikel gaat over de AI-inrichting daarbovenop.

‍

En net als bij de rapportage geldt: het resultaat is zo goed als de data eronder. Daarover eerst.

Welke data heeft een AI-forecast nodig?

Drie lagen — en ze moeten alle drie kloppen voordat het model iets waard is.

‍

De actuals als fundament. Elke forecast begint waar de realisatie eindigt: de meest recente maanden bepalen het vertrekpunt van elke reeks. Die actuals moeten geconsolideerd zijn — geschoond van intercompany-stromen, over alle entiteiten — en in de eigen reporting structure staan, zodat de forecastregels één-op-één aansluiten op het maandrapport. Een forecast in een andere indeling dan de rapportage is een garantie voor aansluitverschillen — en bij een groep hoort daar ook het groepsbeeld bij, niet alleen de optelling per entiteit.

‍

De historie als context. Aannames toets je aan reeksen: seizoenspatronen, de werkelijke groeivoet van de afgelopen jaren, hoe kosten meebewogen met omzet en personeelsbestand. Omdat de datalaag de volledige historie bevat — niet alleen het lopende boekjaar — kan de AI elke aanname direct naast het meerjarige verloop leggen: “je rekent met 4 procent kostenstijging; de afgelopen drie jaar was het gemiddeld 6, en vorig jaar 7”.

‍

De bestaande forecast als referentie. Via de Finstack-MCP is naast de actuals ook de vastgelegde forecast beschikbaar — inclusief het budget, dat in Finstack een vastgelegde vorm van forecast is. Ook de forecast komt dus rechtstreeks uit Finstack — dezelfde bron als de actuals, geen apart aangeleverd bestand — en daarmee werkt de vergelijking vandaag al. Daarmee kan de AI het verschil bewaken tussen wat verwacht werd en wat er gebeurt — de maandelijkse loop uit de sectie over forecast versus actuals verderop. Hoe belangrijk die laag is, blijkt als hij ontbreekt: in de eerste praktijk zagen we een assistent een kas-runway berekenen en er zelf bij melden dat het een indicatie was, geen prognose — omdat er geen forecast in de bron stond om tegen af te zetten. Precies goed geredeneerd, en precies waarom de forecast erbij hoort.

‍

Alle drie de lagen vraagt de assistent zelf op via de MCP-koppeling: alleen-lezen, op aggregaat-niveau, actueel op het moment van vragen. Geen exports, geen kopieën van het model die uit de pas gaan lopen. Hoe die koppeling werkt, staat in AI koppelen aan je boekhoudpakket.

Hoe bouw je een forecastmodel met AI?

Niet vanaf nul — vanaf het model dat er al is. Vrijwel elk finance team heeft een Excel-forecastmodel waarin jaren aan denkwerk zit: de opbouw van omzet naar kasstroom, de kostenregels, de logica per post. Dat model is de beste blauwdruk die de AI kan krijgen: laat hem de structuur nabouwen, en het resultaat is een doorrekenbaar model dat het team al begrijpt.

‍

Hoe dat er in de praktijk uitziet, zagen we bij een gebruiker die zijn bestaande Excel-model door Claude liet nabouwen tot een eigen forecast-applicatie. De opbouw laat zien wat een volwassen model nodig heeft: tabbladen voor P&L, balans, kasstroom en omzet, een personeelsplanning en een kostenoverzicht per leverancier, en een apart tabblad met aannames. En per kostenregel een expliciete driver: vast met een inflatie-opslag, meegroeiend met het aantal FTE, meegroeiend met de omzet, of handmatige invoer voor posten die zich niet laten vangen. Personeelskosten rekenen door vanuit de planning — een nieuwe hire in maand drie betekent automatisch salaris en werkgeverslasten vanaf maand drie.

‍

Die driver-structuur is de kern van een onderhoudbaar model: elke regel heeft één expliciete logica, en wie het ergens mee oneens is, weet precies aan welke knop hij moet draaien. De AI bewaakt bovendien de consistentie — een omzetaanname werkt automatisch door in de meegroeiende kostenregels en de kasstroom, zonder dat iemand formules doortrekt.

‍

Belangrijk om zuiver te houden: dit model leeft bij de gebruiker, in zijn AI-omgeving of spreadsheet — het is géén Finstack-functionaliteit. De datalaag levert wat het model gevuld en eerlijk houdt: de actuals, de historie en de vastgelegde forecast, altijd actueel via de koppeling. Precies de taakverdeling die werkt: het denkwerk in het model van finance, de data uit één bron.

Hoe werk je met scenario’s en aannames?

De grootste winst van een AI-gebouwd model zit niet in het basisscenario, maar in wat er daarna mogelijk wordt: varianten doorrekenen zonder het model te breken. In een klassiek Excel-model is een scenario een kopie van het bestand — met alle versie-ellende die daarbij hoort. In een model met expliciete drivers is een scenario een andere set aannames op dezelfde structuur: een basisversie die vastligt, en alternatieven die je ernaast bewaart en vergelijkt.

‍

De werkwijze die zich in de praktijk aftekent: houd één base-scenario als ijkpunt — de forecast waar het managementteam op stuurt — en laat de AI daarnaast varianten doorrekenen op verzoek. Wat doet een half jaar vertraging in de hires met de kaspositie? Wat als de omzetgroei niet 15 maar 8 procent is? Het antwoord is er in seconden, inclusief de doorwerking naar kosten en kasstroom, en het base-scenario blijft onaangetast staan.

‍

De discipline zit in de aannames zelf. Leg ze vast op één plek — het aannames-tabblad uit het voorbeeld hierboven is geen detail maar een ontwerpprincipe — en geef elke aanname een eigenaar en een datum. Laat de AI bij elke doorrekening benoemen wélke aannames het resultaat het hardst sturen: die gevoeligheidsanalyse is voor de bespreking waardevoller dan het puntgetal van de uitkomst.

‍

En laat de AI aannames chállengen, niet verzinnen. “Toets deze groeivoet aan de historie” is een uitstekende opdracht; “wat wordt de omzet volgend jaar” is dat niet. Het verschil lijkt subtiel, maar het is precies het verschil tussen een forecast met een verhaal en een extrapolatie met een strik erom.

Hoe verklaar je forecast versus actuals met AI?

Dit is de maandelijkse hartslag van het forecastproces — en de plek waar de AI het meest oplevert. Elke maand, zodra de administraties gesloten zijn, staat de vraag klaar: waar wijkt de realisatie af van wat we verwachtten, en wat betekent dat voor de rest van het jaar?

‍

Omdat de MCP zowel de actuals als de vastgelegde forecast levert, kan de assistent die vraag direct beantwoorden op elk niveau dat de rapportage kent: per entiteit, per kostenplaats, per regel van de reporting structure. De werkende aanpak is dezelfde als bij de variantie-analyse: laat de AI de afwijkingen rangschikken — grootste eerst, met bedrag, percentage en het verloop van de reeks — en laat hem markeren wat incidenteel oogt en wat structureel. De vraag die finance teams hierbij letterlijk stellen: “we hadden dertig mensen gepland en er werken er vijfentwintig — laat zien waar dat verschil in de kosten zit.” Voor een assistent met de juiste data is dat een vraag van seconden.

‍

De verklaring blijft ook hier mensenwerk — waarom de hires later kwamen of een leverancier eerder factureerde, weet de organisatie, niet de dataset. Maar het verschil met vroeger is groot: de analyse begint niet meer met een middag aansluiten, maar met een gerangschikte lijst waarin de aandacht al gestuurd is.

‍

De uitkomst van die maandelijkse loop is de bijgestelde verwachting: structurele afwijkingen werken door in de aannames, en de forecast schuift op naar een nieuwe latest estimate. Zo blijft het model een levend stuurinstrument in plaats van een jaarlijks ritueel.

Hoe past de AI-forecast in het maandritme?

Als vaste stap ná de rapportage-conceptronde. Het ritme dat werkt: de administraties sluiten in het boekhoudpakket, de datalaag synchroniseert, de rapportage-analyse draait — en direct daarna de forecast-loop: actuals tegen forecast, afwijkingen rangschikken, aannames bijstellen waar nodig, en de doorgerekende latest estimate klaarzetten voor de bespreking. Eén geheel met het ritme uit management rapportage automatiseren, geen apart proces ernaast.

‍

Voor wie het model in Excel of Google Sheets houdt, bestaat dezelfde loop via de andere route uit het Integrator pack: de 2-wegs sync zet de actuals automatisch naast de forecastkolommen in het eigen model, en de AI-assistent in de spreadsheet analyseert ze daar. Beide routes werken op dezelfde databasis — welke past, is een kwestie van waar het team het liefst werkt, niet van functionaliteit.

‍

Het delen verloopt zoals bij alle stuurinformatie: de forecast die ertoe doet, staat naast de actuals in de rapportage-omgeving, waar het management en investeerders meekijken met rechten per gebruiker. De AI-omgeving is de werkplaats; de rapportage is de etalage. Wie beide gescheiden houdt, voorkomt dat een half doorgerekend scenario per ongeluk de bespreking haalt.

‍

En het ritme versterkt zichzelf: elke maand dezelfde loop, elke maand een scherpere aansluiting tussen aannames en werkelijkheid — en een forecast die het vertrouwen verdient dat er besluiten op rusten. Plan de loop wel op een vast moment, direct na de afsluitdag: een forecast die pas halverwege de maand bijgewerkt wordt, stuurt op een beeld dat alweer verouderd is — en juist het wegvallen van het verzamelwerk maakt dat vaste moment nu haalbaar.

Wat heb je nodig om te starten — en wat kost het?

Dezelfde drie bouwstenen als bij de rapportage-toepassing. De datalaag: een Finstack-omgeving met gekoppelde administraties en ingerichte reporting structure — eerste koppeling in zo’n 5 minuten, volledige inrichting doorgaans binnen een dag, vanaf EUR 39 per maand zonder implementatiekosten, met 14 dagen gratis proberen. De AI-toegang: het Integrator pack, met MCP-rechten voor wie de volledige geconsolideerde cijfers mag zien. En een zakelijke licentie van Claude, ChatGPT of een andere MCP-ondersteunende assistent, met training op bedrijfsdata uit.

‍

Start met het bestaande Excel-model als blauwdruk — niet met een leeg canvas. Laat de AI de structuur en de drivers nabouwen, leg de aannames vast op één tabblad, en draai de eerste maand parallel: het AI-model naast het vertrouwde model, dezelfde actuals, dezelfde aannames. Waar de uitkomsten verschillen, zit óf een fout óf een verborgen aanname die nooit is opgeschreven — beide wil je vinden vóórdat je overstapt, en die tweede categorie blijkt in de praktijk de waardevolste vondst.

‍

Reken voor de businesscase niet met bespaarde uren alleen. De echte winst zit in wat er nu niet gebeurt omdat het te veel werk is: scenario’s die niet doorgerekend worden, aannames die niet getoetst worden aan de historie, een latest estimate die maar twee keer per jaar bijgewerkt wordt. Met het model in de AI-werkplaats en de data uit één bron wordt dat allemaal maandwerk in plaats van projectwerk.

‍

Welke tools dit landschap verder biedt — en waarom het forecastmodel bij finance zelf hoort te leven — staat in het overzicht van de beste rapportagesoftware voor het MKB.

De 3 meest gemaakte fouten bij forecasten met AI

Drie patronen die we steeds opnieuw zien bij teams die AI in het forecastproces inzetten. Elk kost betrouwbaarheid; elk is te voorkomen met de juiste inrichting.

Bronnen en herkomst

• Finstack — Spreadsheet sync & Integrator pack: finstack.io/solutions/spreadsheet-sync
• Finstack — Rapportages & inzichten (reporting structures, forecast naast actuals): finstack.io/solutions/reporting-insights
• Finstack — Pricing (vanaf EUR 39/maand): finstack.io/pricing
• Model Context Protocol — open standaard voor AI-datakoppelingen: modelcontextprotocol.io
• Gebruikerspraktijk Finstack — AI-gebouwde forecastmodellen (geanonimiseerd)

Laatst beoordeeld: 1 september 2026 · Volgende beoordeling: december 2026