In een modern vliegtuig vliegt de automatische piloot het grootste deel van de route. En toch zou geen enkele luchtvaartmaatschappij haar piloten ooit passagiers noemen. De bemanning werkt in twee duidelijk gedefinieerde rollen: de ene piloot vliegt, de andere monitort. Monitoren is niet de mindere taak. Het wordt getraind, gecontroleerd en net zo serieus genomen, omdat de luchtvaart al lang geleden heeft geleerd dat automatisering risico's niet wegneemt. Het verplaatst ze.
Belasting gaat eigenlijk ook precies deze richting op. En ik denk dat ons vak er beter op voorbereid is dan de reputatie ervan doet vermoeden.
Belasting is altijd al een kwestie van restrisico's geweest
De fiscale sector heeft de reputatie voorzichtig te zijn met nieuwe technologie. Die reputatie wordt steeds moeilijker te verdedigen. In het hele vakgebied ontwikkelt AI zich sneller dan velen van ons hadden verwacht – van iets waarmee af en toe wordt geëxperimenteerd tot een hulpmiddel dat dagelijks wordt gebruikt. En afgelopen voorjaar vertelde de CFO van Anthropic in een podcast dat de grootste interne gebruiker van Claude de Head of Tax van het bedrijf is. Geen engineer, geen onderzoeker. Bij een van 's werelds meest toonaangevende AI-bedrijven zit de grootste gebruiker op de fiscale afdeling.
Dat wijst erop dat mensen die dagelijks met restrisico's te maken hebben, snel zien waar deze tools van pas kunnen komen. En eigenlijk zou dat ons niet moeten verbazen. Kijk maar eens naar de fundamenten van ons vakgebied: documentatieverplichtingen, het vierogenprincipe, fiscale compliancemanagementsystemen, materialiteitsbeoordelingen en fiscale standpunten die jaren later bij een controle nog steeds stand moeten houden. Fiscalisten hebben nooit gezegd dat er geen fouten worden gemaakt, maar wat ze wel doen, is restrisico's systematisch beheren en uitleggen hoe ze dat doen. Dat is precies wat workflowagents nodig hebben.
Dus ik denk niet dat de fiscalisten moeten afwachten hoe AI-agents elders in de financiële sector presteren. Ze zouden zelf moeten bepalen hoe AI-agents worden aangestuurd.
Voor CFO's is dit belangrijker dan alleen belastingen. Het beheersen van restrisico's, het waarborgen van de traceerbaarheid en het richten van controles op de grootste risico's: dat vormt een blauwdruk voor de aansturing van AI-agents bij de financiële afsluiting, rapportage en planning. In de fiscale praktijk wordt alleen al veel langer op deze manier gewerkt.
Waarom verwachten we perfectie van AI-agents?
Laat ik duidelijk zijn: het vierogenprincipe werkt. Het is een van de redenen waarom fiscale afdelingen zulke goede kwaliteit leveren. Maar fouten uitsluiten kan niet en niemand verwacht dat ook. Tijdsdruk, grote hoeveelheden werk en complexe situaties: iedere ervaren fiscalist weet waar de grenzen van menselijk handelen liggen. We houden rekening met de restrisico's en accepteren die, omdat we begrijpen wat ze inhouden.
Nu AI-agents worden gebruikt, verwachten velen van ons iets anders: geen fouten. Ik denk dat de reden hiervoor controle is. We hebben er simpelweg meer vertrouwen in als we de redenering van een collega volgen dan die van een AI-agent, althans voorlopig. Als iemand een fout maakt, kunnen we meestal achterhalen hoe diegene tot een bepaalde conclusie is gekomen en daarover in gesprek gaan. Bij een AI-agent hebben we nog niet hetzelfde vertrouwen dat we kunnen begrijpen hoe en waar het mis kan gaan. Daarom proberen we dat gebrek aan vertrouwen te compenseren door perfectie te eisen.
Dat is begrijpelijk, maar het klopt niet. Het antwoord op een gebrek aan intuïtie is geen onmogelijke norm – het is traceerbaarheid. Vertrouwen in professioneel werk is nooit ontstaan doordat iemand je vertelde dat het allemaal klopt. Het is ontstaan, doordat je het zelf kunt controleren. Zo beoordelen we ook het werk van een collega, en dat is precies wat we van een AI-agent moeten verlangen: inzicht in welke gegevens zijn gebruikt, welke regel is toegepast en hoe zeker de AI-agent was van zijn conclusie. Zolang we niet goed kunnen inschatten hoe een AI-agent redeneert, moeten we die redenering kunnen volgen.
Dan kan de juiste vraag worden beantwoord. Niet of de AI-agent perfect is, maar of de combinatie van AI-agent en beoordelaar het restrisico beter beheerst dan de huidige opzet. Dat zal vaak het geval zijn, zelfs bij stappen die volledig op regels zijn gebaseerd. Een deterministische stap kan net zo goed door een AI-agent worden voorbereid en door een persoon worden bevestigd als andersom.
Hetzelfde doel, betere zichtbaarheid
In de fiscaliteit is en blijft volledige juistheid het doel. De aansprakelijkheid is reëel en niemand ondertekent een belastingaangifte in de veronderstelling dat die waarschijnlijk wel klopt. Wat volgens mij gaat veranderen, is niet het doel, maar de manier waarop we dat bereiken.
Op dit moment bereiken we dat doel grotendeels dankzij impliciete waarborgen: zorgvuldigheid, ervaring en grondige controles. Die werken goed, maar maken nauwelijks zichtbaar waar de restrisico's precies liggen. Ik denk dat we in de fiscaliteit in de toekomst veel explicieter met die risico's zullen omgaan: door te weten waar onzekerheden ontstaan, deze inzichtelijk te maken en de bijbehorende risico's bewust te beheersen.
Dit is waar AI daadwerkelijk kan bijdragen aan het doel van volledige juistheid. Een eenvoudig voorbeeld is het koppelen van posten uit de winst-en-verliesrekening en de balans aan de juiste rubrieken in de belastingaangifte. Dit proces is gebaseerd op vaste regels, omvat grote hoeveelheden gegevens en is gevoelig voor kleine fouten die gemakkelijk over het hoofd worden gezien. Bij Lucanet ontwikkelen we momenteel een AI-agent die deze koppelingen maakt. Elk voorstel wordt voorzien van een onderbouwing en een betrouwbaarheidsniveau. Dat geeft de controleur iets wat een definitief cijfer nooit kan bieden: inzicht in waar het systeem zeker van was, waar onzekerheid bestond en waarom. Bovendien brengen afwijkingen vaak aan het licht dat de onderliggende gegevens of onze eigen definities minder nauwkeurig zijn dan we dachten.
Die transparantie is geen reden om minder kritisch te controleren. Een betrouwbaarheidsscore is een inschatting die, net als elke andere, kritisch moet worden getoetst. Maar hierdoor draait een controle niet langer alleen om het controleren van een resultaat, maar ook om begrijpen hoe dat resultaat tot stand is gekomen. Voor mij is dat de norm waaraan elke AI-agent in de fiscaliteit moet voldoen: berekeningen op basis van deterministische logica, waarbij elke stap controleerbaar is. Dat is ook de gedachte achter de Intelligence Core, de architectuur waarop alle AI-agents van Lucanet zijn gestoeld. Een AI-agent die alleen een antwoord geeft, kun je niet controleren. Je kunt het antwoord alleen geloven. En geloof is geen controle.
Je kunt werk delegeren, maar verantwoording niet
Voor leidinggevenden in de fiscaliteit verandert dit de manier waarop ze hun afdeling moeten inrichten. Fiscale afdelingen zijn van oudsher georganiseerd rond de werkzaamheden: wie bereidt wat voor, wie controleert wat en wie ondertekent? Bij hybride teams moet de verantwoordelijkheidsverdeling juist centraal staan. Wie is verantwoordelijk voor de inhoudelijke beoordeling? Wie bepaalt aan welke normen een AI-agent moet voldoen? Wie merkt het op als de prestaties van een AI-agent achteruitgaan of als een wijziging in de regelgeving ervoor zorgt dat een antwoord dat gisteren nog juist was, vandaag niet meer klopt?
Dit zijn geen IT-vraagstukken, maar leiderschapsvraagstukken. Alleen de fiscale afdeling kan ze beantwoorden, omdat alleen daar de expertise aanwezig is om te beoordelen welke standpunten inhoudelijk onderbouwd en verdedigbaar zijn.
Leren controleren nu de voorbereidende werkzaamheden veranderen
In de luchtvaart noemen ze dit automation complacency: hoe betrouwbaarder het systeem, hoe moeilijker het wordt om alert te blijven. Daarom vliegen piloten nog steeds zelf.
In de fiscaliteit staan we voor een vergelijkbare uitdaging. Ons beoordelingsvermogen hebben we altijd ontwikkeld door zelf het voorbereidende werk te doen: je leert herkennen wanneer een getal niet klopt door zelf voldoende berekeningen te maken. Naarmate AI-agents steeds meer van dat voorbereidende werk overnemen, zal ook de manier waarop we dit inzicht ontwikkelen veranderen. En controleren wordt er niet eenvoudiger op. Om een getal te kunnen beoordelen dat je niet zelf hebt berekend, moet je elke stap begrijpen die tot dat getal heeft geleid.
Ik denk dat dit ingrijpender zal veranderen hoe fiscalisten hun vak leren, zowel tijdens hun studie als in de praktijk. Leren zal niet langer alleen voorafgaand aan of naast het gebruik van technologie plaatsvinden, maar ook door ermee te werken. De redenering van een AI-agent stap voor stap volgen, afwijkingen kritisch onderzoeken en begrijpen waarom de AI-agent een fout heeft gemaakt, wordt onderdeel van de manier waarop we ons beoordelingsvermogen ontwikkelen. Controleren zal als een vak op zich moeten worden aangeleerd, in plaats van ervan uit te gaan dat je die vaardigheid vanzelf ontwikkelt naarmate je carrière vordert. Voor fiscalisten die aan het begin van hun loopbaan staan, verdwijnt het werk dus niet. Het wordt veeleisender en interessanter.
Drie aandachtspunten voor elke leidinggevende in de fiscaliteit
- Hanteer voor AI-agents dezelfde standaarden als voor je team: streef naar perfectie, toets op basis van de werkelijkheid en ken je eigen uitgangssituatie voordat je vergelijkt.
- Beheer restrisico's expliciet, in plaats van impliciet: zorg dat je weet waar onzekerheden ontstaan en verlang van AI-agents dat ze inzicht geven in hun redenering en de mate van zekerheid over hun conclusies.
- Bedenk hoe de volgende generatie fiscalisten hun beoordelingsvermogen kan ontwikkelen, nu de werkzaamheden waarmee ze dat van oudsher leerden, veranderen.
AI-agents die processen uitvoeren, zullen de fiscalist niet uit de cockpit verdringen. Ze zullen wel veranderen wie er aan het stuur zit, wie toezicht houdt en wat ervoor nodig is om beide taken goed uit te voeren. Juist de fiscale afdeling weet als geen ander hoe je met dit soort risico's omgaat. Het is tijd om daarin het voortouw te nemen.
