Elk jaar, precies op het moment dat je rapportagekalender het meest veeleisend is, belandt XBRL-tagging op het bureau van iemand die er niet voor heeft gekozen om XBRL-specialist te worden.
Het jaarverslag is klaar. De cijfers zijn gecontroleerd, kritisch beoordeeld en goedgekeurd. De auditors hebben hun zegje gedaan. En voordat het kan worden ingediend, moet het worden getagd. Elk numeriek feit moet aan een taxonomieconcept worden gekoppeld. Elke verhalende toelichting gemarkeerd en gekoppeld. Elke configuratiewaarde moet correct worden ingesteld, anders faalt het geheel bij de validering op manieren die zonder specialistische kennis echt moeilijk te interpreteren zijn.
Voor de meeste financiële teams is dit het moment waarop het vertrouwen weglekt uit een proces dat verder onder controle was.
Het hoeft niet zo te werken. En met de Lucanet Tagger Agent hoeft dat ook niet.
De werkelijke kosten van handmatige tagging
De meest voor de hand liggende kostenpost van handmatige XBRL-tagging is tijd. Het handmatig taggen van een standaard jaarlijks ESEF-rapport duurt doorgaans twee tot drie dagen voor narratieve onderdelen en een halve dag tot een dag voor numerieke feiten. Aan het einde van het jaar, wanneer je team al overbelast is, vormt dat een aanzienlijk tijdsblok dat moet worden vrijgemaakt voor een taak die buiten de kerncompetentie van de meeste financiële professionals valt.
Maar de tijdsinvestering is eigenlijk een kleiner probleem.
De grotere kostenpost is het tekort aan expertise, en wat er gebeurt als dat op het slechtst mogelijke moment aan het licht komt.
XBRL-tagging vereist bekendheid met taxonomiestructuren waarmee de meeste financiële teams slechts een of twee keer per jaar te maken krijgen. Alleen al de IFRS-taxonomie bevat duizenden concepten. De juiste kiezen voor elke post vereist inzicht in zowel de logica van de taxonomie als de nuances van je eigen toelichtingen. Doe je het goed, dan merkt niemand het. Doe je het verkeerd, dan krijg je een valideringsfout of, erger nog, een indiening die de technische validering doorstaat maar door je auditor of toezichthouder wordt gemarkeerd omdat de tag de onderliggende toelichting niet nauwkeurig weergeeft.
Het resultaat is dat veel financiële teams uiteindelijk afhankelijk worden van externe consultants, interne XBRL-specialisten of ondersteuningsgesprekken om elk indieningsseizoen door te komen. Die afhankelijkheid brengt extra kosten en tijd met zich mee, en voegt een proceslaag toe die niet nodig zou moeten zijn voor een taak die in de kern draait om het nauwkeurig weergeven van financiële informatie die je al beter begrijpt dan wie dan ook.
Waar indieningsfouten daadwerkelijk vandaan komen
De meeste fouten bij XBRL-deponeringen ontstaan helemaal niet tijdens de taggingstap. Ze ontstaan bij het instellen van het project.
Wanneer je een XBRL-project maakt, moet je een reeks technische waarden configureren – bijv. taxonomieversie, periodecontext, entiteitsidentificatoren, decimale schaal – voordat je ook maar één item tagt. Als je een van deze verkeerd instelt, komt de fout niet onmiddellijk aan het licht. In plaats daarvan verspreidt deze zich ongemerkt naar elke tag die daarna wordt geplaatst. Tegen de tijd dat de fout wordt ontdekt, heb je mogelijk dagen besteed aan het ongedaan maken en opnieuw toepassen van tags.
De traditionele reactie op dit probleem was documentatie - richtlijnen, checklist-pdf's, trainingssessies. De aanpak van Lucanet is om het probleem volledig weg te nemen. Wanneer je een nieuw project aanmaakt met de Lucanet Tagger Agent, selecteer je je mandaat en indieningsjaar. Het platform past automatisch alle vereiste technische configuratiewaarden toe, op basis van wat de relevante toezichthouder vereist voor dat specifieke indieningsjaar. Je bevestigt de gegevens van je entiteit en de periode. Het project is klaar.
Een andere bron van fouten is feedback over de validering. Als je ooit een validatiefoutmelding van een desktop-XBRL-tagger hebt gezien, herken je deze ervaring. De melding bestaat uit een technische code en een reeks XML die nauwkeurig beschrijft wat er op machineniveau mis is en je op menselijk niveau bijna niets nuttigs vertelt. Welk element wordt beïnvloed? Wat betekent het in gewone mensentaal? Wat moet ik eigenlijk doen om dit op te lossen?
De Tagger Agent neemt de omslachtige taak van handmatige tagging over, zodat je je kunt richten op beoordelen in plaats van taggen. Dit is een bewuste keuze om de mens bij het proces betrokken te houden: de agent tagt, de beoordelaar verifieert. Daardoor zijn er minder opmerkingen van de redacteuren.
Met Lucanet's Tagger Agent wordt elke validatiefout geclassificeerd als blokkerend (de indiening zal mislukken en dit moet worden opgelost) of adviserend (de indiening zal slagen, maar een accountant kan een vraag stellen). Waar mogelijk linkt elke fout rechtstreeks naar het betreffende element en bevat een voorgestelde oplossing wanneer de oplossing een duidelijk patroon volgt.
Het doel is dat een financiële professional zonder XBRL-achtergrond een valideringsfout kan lezen, begrijpt wat die betekent en deze kan oplossen – zonder een supportticket aan te maken.
Wat AI-ondersteunde tagging eigenlijk betekent
Wanneer mensen voor het eerst horen over "AI-ondersteunde tagging", volgen er meestal snel twee vragen. De eerste is: hoe werkt het eigenlijk? De tweede, meestal wat voorzichtiger gesteld, is: wat gebeurt er als het iets verkeerd doet?
Beide zijn terechte vragen. Hier zijn directe antwoorden.
Hoe het werkt
Wanneer je je document – Word of PDF – uploadt naar de Tagger Agent van Lucanet, analyseert deze de inhoud en stelt deze voor elk numeriek feit en elk verhalend tekstblok toewijzingen aan taxonomieconcepten voor. Deze werkt op basis van de eigen structuur en definities van de taxonomie en redeneert welk concept het beste bij elk item past op basis van wat het concept beoogt weer te geven.
Voorstellen worden ingedeeld in drie niveaus op basis van het vertrouwen van de Tagger Agent in elke suggestie:
- Voorstellen met hoge mate van zekerheid: doorgaans worden goed gestructureerde numerieke feiten met duidelijke labels in een overzicht weergegeven voor snelle beoordeling. Je kunt deze in bulk scannen en accepteren.
- Voorstellen met een gemiddeld mate van zekerheid: worden afzonderlijk gepresenteerd, één beslissing tegelijk.
- Items met lage mate van zekerheid: alles wat de Tagger Agent niet kon verwerken, wordt duidelijk gemarkeerd voor handmatige tagging.
Dit betekent dat je beoordelingstijd gericht is op de plekken waar de onzekerheid niet gelijkmatig verdeeld is over honderden items, waarvan de meeste eenvoudig zijn.
De impact: dit vermindert de benodigde inspanning met maximaal 95%, zonder implementatieproject en zonder betrokkenheid van IT. Wat vroeger een terugkerende kostenpost voor specialisten was, wordt een taak die je eigen team uitvoert
Deze verandering in de workflow is fundamenteel: in plaats van dagenlang handmatig tags vanaf nul te creëren, investeer je je tijd in het beoordelen en verfijnen van AI-suggesties, zodat je je expertise kunt richten op wat het belangrijkst is.
Tot slot is de Tagger Agent, net als alle workflowagents van Lucanet, toegankelijk via Lucanet Lume, de conversationele laag die je met één vraag met de juiste agent verbindt. En dit alles is gebouwd op de Intelligence Core van Lucanet, de vertrouwensarchitectuur achter het CFO Solution Platform. Dat betekent dat je gegevens in de door jou gekozen regio blijven, elke actie wordt geregistreerd en je team elke uitvoer beoordeelt en goedkeurt voordat deze definitief wordt gemaakt.
Wat gebeurt er als het iets verkeerd doet
Lucanet Tagger Agent zit er soms naast. Dit is geen kanttekening die in de kleine lettertjes is begraven – het is een uitgangspunt van het ontwerp.
De beoordelingsinterface bestaat juist omdat voorstellen menselijk oordeel nodig hebben. Elk voorstel, ook die in de bulkacceptatieweergave met hoge mate van zekerheid, kan worden aangepast, afgewezen of overschreven voordat je je indieningspakket exporteert. Een concepttoewijzing wijzigen, de grens van een verhalend tekstblok aanpassen, een blok opsplitsen in twee afzonderlijke tags; al deze acties zijn beschikbaar in de beoordelingsinterface.
Er wordt niets toegepast op je indiening zonder jouw bevestiging. Je automatiseert de indiening niet. Je versnelt de controle.
De verantwoordelijkheid voor de nauwkeurigheid van je indiening blijft bij jou, zoals het hoort. De Tagger Agent is een startpunt, geen eindgoedkeuring. Het verschil is dat het startpunt nu een gestructureerde reeks voorstellen is, geordend op mate van zekerheid, in plaats van een lege taxonomie en een document dat je vanaf nul tagt.
Ontwikkeld volgens Europese rapportagestandaarden
Lucanets Tagger Agent ondersteunt alle IFRS-gebaseerde rapportagevereisten, inclusief ESEF (European Single Electronic Format), UKSEF en IFRS-gebaseerde NL GAAP-indieningen. Daarnaast ondersteunt het PDF- en Word-gebaseerde rapporten. Tot slot is de Tagger Agent XBRL Certified™ en voldoet deze aan de wereldwijde standaard voor het creëren en valideren van digitale XBRL-rapporten.
Klaar voor het rapportageseizoen?
Of je nu je eerste XBRL-rapport opstelt of je honderdste, met de Tagger Agent kun je sneller, nauwkeuriger en tegen een fractie van de traditionele kosten compliance bereiken.
Doe mee aan ons webinar om de Tagger Agent in actie te zien en te leren hoe je de mogelijkheden ervan kunt maximaliseren voor je rapportageworkflow.
