Een CFO van een Brusselse groothandel vertelde me dat zijn AI-systeem elke maand een cashflowprognose genereerde. Pas na zeven maanden ontdekte hij dat het systeem seizoenspatronen uit de pre-coronajaren meewoog en daardoor structureel te optimistisch was.
Wat mist u in uw controleproces?
1. Definitie van het trainingsvenster — Welke jaren gebruikt het model als basis? Periodes met uitzonderlijke omstandigheden moeten expliciet worden gemarkeerd of uitgesloten.
2. Afwijkingsdrempel instellen — Bepaal wanneer het systeem een menselijke beoordeling triggert. Een afwijking van meer dan 12% ten opzichte van de vorige prognose verdient een handmatige check.
3. Regelmatige hercalibratie — AI-modellen verouderen. Plan elk kwartaal een hercalibratiesessie waarbij nieuwe bedrijfsdata wordt ingevoerd.
4. Scenario-analyse aanwezig — Kan het systeem meerdere scenario's doorrekenen? Een enkel basisscenario is onvoldoende voor strategische beslissingen.
5. Verantwoordelijkheidslijn vastleggen — Wie is eindverantwoordelijk als een AI-prognose leidt tot een verkeerde investeringsbeslissing? Leg dit contractueel vast met de softwareleverancier.
Elk van deze punten klinkt als vanzelfsprekend tot het fout gaat. De meeste bedrijven ontdekken de lacunes pas tijdens een audit of na een kostbare misrekening.