Artificial Intelligence in Accounting: A Systematic Literature Review

In de wereld van de moderne financiën hebben cijfers altijd een verhaal verteld, maar de manier waarop die verhalen worden gelezen, verandert. Decennialang hebben accountants en auditors vertrouwd op menselijk oordeel om grootboeken te controleren, fouten op te sporen en ervoor te zorgen dat financiële rapportages eerlijk zijn. Vandaag de dag komt er een nieuw soort instrument de kantoorruimte binnen: kunstmatige intelligentie. Dit is niet één enkele machine, maar een verzameling slimme computerprogramma's die in staat zijn om te leren van data. Deze hulpmiddelen kunnen in enkele seconden duizenden documenten scannen, op zoek naar patronen die het menselijk oog misschien zou missen. Ze worden gebruikt om routinematige taken te automatiseren, financiële risico's te voorspellen en fraude op te sporen. Toch blijft, naarmate deze tools gebruikelijker worden, een vraag bestaan: hoeveel begrijpen we werkelijk van hun impact op het beroep? Vervangen ze menselijke besluitvormers, of fungeren ze simpelweg als krachtige assistenten? De antwoorden liggen verspreid over honderden nieuwe studies, wat een landschap creëert dat rijk is aan informatie maar moeilijk te navigeren is.

Om helderheid te brengen in dit groeiende veld, heeft een onderzoeker genaamd Jinwoo Chae van GlobalNxt University geprobeerd de huidige staat van de kennis in kaart te brengen. Het doel was niet om een specifieke software te testen of een nieuw experiment uit te voeren, maar om de bestaande onderzoeken die gepubliceerd zijn tussen 2023 en 2026 te verzamelen en te organiseren. De onderzoeker begon met een lijst van 49 records, die bestonden uit artikelen in wetenschappelijke tijdschriften, boekhoofstukken en datarapporten. Na het zorgvuldig verwijderen van duplicaten en studies die niet binnen de reikwijdte van de accountancy pasten, bleven er 47 publicaties over om te onderzoeken. Het proces hield in dat de titels en typen van deze werken werden gelezen om ze te categoriseren naar jaar, onderwerp en methode. Het was een systematische inspanning om te zien waar het onderzoek naartoe ging, welke vragen er werden gesteld en waar de hiaten in de kennis nog lagen.

Het eerste wat de review onthulde, was de enorme snelheid van de groei in dit veld. Het aantal gepubliceerde studies is in slechts enkele jaren geëxplodeerd. In 2023 waren er slechts vier studies op de lijst. In 2024 was dat aantal meer dan verdubbeld. Het momentum zette door in 2025 en 2026, met respectievelijk 16 en 18 studies. In totaal werden 34 van de 47 studies, wat ongeveer 72 procent is, in de afgelopen twee jaar alleen al gepubliceerd. Deze snelle toename suggereert dat de discussie rond kunstmatige intelligentie in de accountancy verschuift van een niche-interesse naar een centraal onderwerp van gesprek. De review merkte echter ook op dat deze lijst een specifieke momentopname is van de beschikbare literatuur en niet moet worden beschouwd als een volledige telling van elke studie die ooit over het onderwerp is geschreven.

Wanneer men kijkt naar waar deze studies daadwerkelijk over gingen, kwam er een duidelijk patroon naar voren. Het onderzoek is sterk gericht op twee hoofdgebieden: algemene overzichten van hoe kunstmatige intelligentie in de accountancy en auditing past, en de specifieke toepassing van deze tools voor het detecteren van fraude. Bijna twee derde van de studies valt onder deze categorieën. Fraudedetectie is in het bijzonder een geconcentreerd interessegebied, omdat computers uitzonderlijk goed zijn in het doorzoeken van enorme hoeveelheden data om ongebruikelijke patronen te vinden die kunnen wijzen op onregelmatigheden of fouten. Auditing, wat het controleren van de nauwkeurigheid van financiële gegevens inhoudt, is de tweede meest voorkomende functie die wordt bestudeerd. In contrast hiermee lijken andere belangrijke delen van de accountancywereld, zoals de management accounting — die bedrijven helpt bij het plannen en beheersen van hun activiteiten — bijna volledig afwezig te zijn in het huidige onderzoek, met slechts één studie die zich er toe heeft gewijd. Ook belastingen zijn zelden het hoofdonderwerp; ze verschijnen meestal alleen als een klein onderdeel van bredere titels.

De methoden die in deze studies worden gebruikt, vertellen een ander deel van het verhaal. Een groot deel van het werk bestaat uit reviews, waarbij onderzoekers samenvatten wat anderen al hebben gevonden. Ongeveer 1 ही3 procent van de studies zijn systematische literatuurstudies en een ander 15 procent zijn narratieve of conceptuele reviews. Slechts een zeer klein aantal van de studies, slechts één die duidelijk uit de titel kon worden afgeleid, presenteerde nieuw veldmateriaal of data verzameld uit echte experimenten. Dit betekent dat de huidige kennisbasis meer gebouwd is op het samenvatten van ideeën en het bespreken van mogelijkheden dan op het testen ervan met harde data uit echte accountantskantoren. Hoewel deze reviews nuttig zijn om een breed beeld te krijgen van een snel bewegend veld, suggereert de onderzoeker dat het te zwaar leunen op deze reviews het vermogen beperkt om stevige, op bewijs gebaseerde conclusies te trekken.

De review benadrukte ook een behoefte aan meer precisie in de beschrijving van deze technologieën. Sommige studies behandelen alle vormen van kunstmatige intelligentie als één, uniform hulpmiddel. De onderzoeker stelt echter dat dit misleidend is. Er zijn belangrijke verschillen tussen eenvoudige regelgebaseerde automatisering, die strikte instructies volgt, en geavanceerde machine learning, die kan leren en zich kan aanpassen. Er is ook een onderscheid tussen deze en generatieve modellen die nieuwe inhoud kunnen creëren. Het behandelen van hen allemaal als dezelfde "kunstmatige intelligentie" kan belangrijke verschillen verbergen in wat ze kunnen doen, welke data ze nodig hebben en welke risico's ze vormen. Toekomstig onderzoek moet specifieker zijn over welke technologie wordt gebruikt en hoeveel menselijk toezicht erbij betrokken is.

Met het oog op de toekomst stelt de onderzoeker een nieuwe richting voor het veld voor. De volgende fase van onderzoek moet verder gaan dan algemene discussies en conceptuele argumenten en bewegen naar meer rigoureuze, praktijkgerichte tests. Dit betekent het gebruik van gevestigde theorieën om te verklaren waarom accountants deze tools adopteren en hoe ze het professionele oordeel veranderen. Het betekent ook het verbreden van de reikwijdte van het onderzoek om verschillende landen, kleinere bedrijven en minder onderzochte gebieden zoals duurzaamheidsrapportage en belastingcompliance te omvatten. Cruciaal is dat de onderzoeker pleit voor meer studies die het beheer van deze systemen onderzoeken: wie is verantwoordelijk wanneer een computer een fout maakt, en hoe kunnen we ervoor zorgen dat de beslissingen die door deze tools worden genomen betrouwbaar en eerlijk zijn?

De review concludeert dat hoewel het veld snel groeit, het zich nog in een vroege fase bevindt. De huidige literatuur wordt gedomineerd door brede discussies en reviews, met een tekort aan diepgaand, empirisch bewijs uit echte accountantsomgevingen. De concentratie van onderzoek op fraudedetectie en auditing suggereert dat de beroepsgroep van nature naar gebieden is gegroeid waar de voordelen van automatisering het meest evident zijn. Om de toekomst van de accountancy werkelijk te begrijpen, moeten onderzoekers nu hun lens verbreden. Ze moeten onderzoeken hoe deze tools het dagelijkelijke werk van accountants in diverse settings beïnvloeden, hoe ze de manier waarop professionals denken veranderen, en welke regels nodig zijn om het systeem eerlijk te houden. De weg vooruit vereist een verschuiving van vragen wat kunstmatige intelligentie zou kunnen doen, naar het meten van wat het precies doet, en hoe het het beroep van binnenuit vormgeeft.