Let op: dit artikel verscheen oorspronkelijk op de website van de ICAEW. U kunt het originele artikel bekijken hier.
Houd er rekening mee dat de AI-agent die in dit artikel is ontwikkeld, is gemaakt om een praktische toepassing te demonstreren en te onderzoeken hoe AI kan worden gebruikt door accountants en auditors. Het is een zeer eenvoudig proof-of-concept dat onnauwkeurige antwoorden kan produceren en de tool mag niet worden gebruikt voor cliëntwerk of ter vervanging van professionele expertise. Voor meer informatie over de risico's en beperkingen van AI, zie de ICAEW-richtlijnen over de risico's en beperkingen van generatieve AI.
AI staat nog in de kinderschoenen, maar het ontwikkelt zich razendsnel. Zelfs de terminologie kan verwarrend zijn. ‘AI-agenten’, ‘agentische systemen’, ‘co-pilots’, ‘assistenten’, ‘digitale arbeid’ – de sector wemelt van de termen voor wat vaak neerkomt op hetzelfde kernidee: software die AI gebruikt om beslissingen te nemen en deze uit te voeren.
In mijn rol bij Circit spreek ik honderden accountantskantoren, en bijna iedereen die ik ontmoet, heeft het gevoel achter te lopen op het gebied van AI. Technologiebedrijven worstelen zelf met wat AI betekent voor de toekomst; niemand heeft echt alle antwoorden. De beste manier om te leren is door erin te duiken en het uit te proberen. Dat is wat ik besloot te doen tijdens Kerstmis, door mijn eerste zeer eenvoudige AI-agent te bouwen.
Technologische uitdagingen
Ik volgde mijn opleiding bij Moore Kingston Smith en sloot me in mijn tweede jaar aan bij hun nieuw gevormde data-analyseteam. Dit betekende minder audits en meer Python-tutorials. In een team van drie voelde ik me vaak niet op mijn plek – er is een verbijsterende hoeveelheid syntaxis te leren, plus eindeloze gevechten met de terminal om je ontwikkelomgeving überhaupt aan de praat te krijgen. Ik besteedde veel meer tijd aan het doorzoeken van Stack Overflow dan aan daadwerkelijk coderen.
Met de komst van AI-gestuurde codeerassistenten zoals GitHub Co-pilot is het spel volledig veranderd. Die kleine syntactische nuances zijn geen onoverkomelijke hindernissen meer. Je kunt je nu richten op het ‘wat’ en het ‘waarom’ van het project, in plaats van te worstelen met het ‘hoe’. Het ontsluit een productiviteitsniveau dat voorheen moeilijk voor te stellen was.
Wat zijn AI-agenten?
Eenvoudig gezegd is een AI-agent software die een AI-model gebruikt om te redeneren en vervolgens te handelen. Daar komt de term ‘ReAct-agent’ vandaan – redeneren en handelen.
Het is belangrijk op te merken dat er een spectrum aan agenten is:
- Gestructureerde ‘workflow’-agenten hebben een meer vooraf gedefinieerd pad, waarbij grote taalmodellen (LLM's) worden gekoppeld aan specifieke tools of stappen, zodat de AI enkele richtlijnen heeft om te volgen.
- Volledig autonome agenten beslissen dynamisch wat ze vervolgens moeten doen, waarbij ze ter plekke de juiste tools of processen kiezen zonder veel menselijke tussenkomst.
De verschuiving van SaaS naar agenten
Om te begrijpen hoe dit verschilt van een traditioneel Software as a Service (SaaS)-model, stel je voor dat een manager een SaaS-tool overhandigt aan een junior medewerker. De junior logt in, navigeert door de software, doet het werk en rapporteert de resultaten aan de manager. Het is nog steeds vrij handmatig, zelfs als de onderliggende software krachtig is.
Een AI-agent neemt daarentegen een groot deel van de rol van een junior over. In plaats van dat een gebruiker elke stap moet doorlopen, gebruikt de agent zijn eigen kennis om automatisch gegevens op te halen, te analyseren en bevindingen te presenteren voor definitieve goedkeuring. Dit is wat Microsoft CEO Satya Nadella bedoelt als hij zegt: "AI-agents zullen SaaS transformeren zoals wij het kennen."
Uiteindelijk draait alles om de gebruikerservaring. Door het routinewerk achter de schermen af te handelen, beginnen AI-agents meer aan te voelen als teamleden dan als zomaar een stukje software.
De AI-agent voor grootboektransformatie
Als junior auditor besteedde ik uren aan het mappen van klantgegevens, of het nu een rekeningschema of kolomkoppen waren, voordat ik de gegevens uploadde naar een tool. Dat is dan ook waar ik me op richtte voor mijn eerste AI-agentproject: grootboekdatatransformatie. [SEG 7] Het gebruik van AI voor datamapping, in plaats van te vertrouwen op hardgecodeerde regels, biedt verschillende praktische voordelen, waaronder aanpassing aan veranderende invoer, minder onderhoud, schaalbaarheid en, het allerbelangrijkste, een betere gebruikerservaring. [SEG 8] De AI geeft suggesties, waardoor de gebruiker de mapping kan bevestigen of corrigeren – iets wat bekend staat als ‘human in the loop’. Deze interactieve workflow maakt de gebruikerservaring natuurlijker en kan het model helpen om na verloop van tijd te verbeteren: [SEG 9] CSV/Excel uploaden [SEG 10] De gebruiker selecteert een bestand met ruwe grootboekgegevens. [SEG 11] AI-verwerking [SEG 12] De AI-agent analyseert hoe elke kolom overeenkomt met het doelschema. [SEG 13] Gebruikersfeedback [SEG 14] De gebruiker keurt deze suggesties goed of past ze aan. [SEG 15] Transformatie [SEG 16] : De tool past dataconversies toe en genereert een gebruiksklaar bestand. [SEG 17] Hoe ik mijn AI-agent heb gemaakt [SEG 18] LangChain kiezen als het kernframework [SEG 19] Er zijn te veel tools en frameworks om op te noemen, maar ik besloot om [SEG 20] LangChain
. Het staat bekend om het snel helpen bouwen van AI-agents door ontwikkelaars, en het heeft een robuust ecosysteem van integraties, tutorials en demo's die het beginnen veel eenvoudiger maken.
- Brainstormen met ChatGPT
Voordat ik code schreef, heb ik een paar sessies gebrainstormd met ChatGPT. Ik vroeg om instructies over hoe ik een willekeurig grootboek kon omzetten naar een gestandaardiseerd formaat. Het verdeelde het proces in beheersbare stappen – data-invoer, schemamapping, data-opschoning, veldtransformatie, validatie, enzovoort.
3. Technische instructies verzamelen
Toen ik eenmaal de grote lijnen had, vroeg ik ChatGPT om meer gedetailleerde technische begeleiding: hoe ik mijn ontwikkelomgeving moest instellen, welke afhankelijkheden ik moest installeren en hoe ik mijn project moest structureren. Dit werkte als een gepersonaliseerde tutorial, veel interactiever dan een standaard blogpost of video.
- De tech-stack en UI selecteren
Ik wilde iets snel en eenvoudig om mijn resultaten weer te geven. ChatGPT stelde Streamlit voor – een populair hulpmiddel voor het bouwen van eenvoudige, interactieve gebruikersinterfaces (UI's) in Python. ChatGPT beschreef precies hoe ik Streamlit kon integreren met mijn back-end AI-logica, van het installeren van het pakket tot het maken van een basiswidget voor het uploaden van bestanden, zodat gebruikers hun grootboek-CSV konden slepen.
- Overstappen op VS Code en GitHub Copilot
Toen de basis van het project eenmaal stond, stapte ik over van het kopiëren en plakken van ChatGPT-fragmenten naar direct coderen in VS Code met GitHub Copilot. Dit was een gamechanger.
Ik hoefde geen enkele regel code te schrijven, of zelfs maar te kopiëren en plakken. Wanneer ik een update nodig had, zoals het wijzigen van de manier waarop decimale velden werden geparst, voegde ik gewoon een opmerking toe en Copilot stelde de oplossing voor. Het helpt echter wel om inzicht te hebben in de code die je gebruikt, of om de code te laten controleren door iemand die dat wel heeft, om er zeker van te zijn dat deze werkt zoals bedoeld.
Het resultaat
Je kunt de app hier proberen. Gebruik alsjeblieft geen echte klantgegevens bij het uitproberen – je kunt ChatGPT vragen om een demodataset te maken.
Gebruikers kunnen hun ruwe grootboekbestand uploaden, AI-voorgestelde mappings bekijken, deze aanpassen via dropdownmenu's en vervolgens op 'Transformeren' klikken. Direct krijgen ze een preview van de uiteindelijke gegevens en kunnen ze een CSV downloaden.
Omarm de leercurve
AI-tools worden steeds eenvoudiger te bouwen. De echte uitdaging is weten wat je moet creëren. Dit is jouw moment om te schitteren door je boekhoudkundige expertise in te zetten.
LLM's zijn ongelooflijk slim en worden alleen maar beter. Maar ze hebben toegang tot gegevens nodig om mee te werken. Het verbinden van systemen en toegang krijgen tot de juiste gegevens blijft een grote uitdaging.
Omarm de leercurve, het is leuk. Experimenteren met AI stelt je in staat creatief te zijn en je boekhoudkundige kennis te combineren met opkomende technologie op een manier die fris en lonend aanvoelt.
• Voor meer informatie over de eerste stappen, bekijk de bronnen van ICAEW over generatieve AI en prompt engineering, en aarzel niet om contact met mij op te nemen (dudley@circit.io) als u vragen heeft over dit project of toegang wilt tot de GitHub repo.
