Werken met AI als Manager Digital Finance bij Forvis Mazars

Wie ben je en wat doe je bij Forvis Mazars? 

Mijn naam is Mayank Raj en ik ben Manager Digital Finance binnen het team Digital Transformation & IT Consulting bij Forvis Mazars. Ik werk op het snijvlak van finance, risk, data en technologie. In de praktijk help ik teams processen te verbeteren, governance te versterken en complexe input te vertalen naar beslissingen waar mensen echt mee verder kunnen.

Een groot deel van mijn rol draait om structuur en communicatie. Niet alleen schrijven, maar ook denken ordenen, een storyline laten landen bij stakeholders en zorgen dat de aanpak verdedigbaar is. Juist daar is AI voor mij in het dagelijks werk waardevol geworden.

Kun je een concreet werkproces beschrijven waar je AI voor inzet? 

Een concreet proces is: van versnipperde input naar een klantklare verhaallijn, met ondersteunende analyse als dat nodig is.

Dat begint vaak in een herkenbare situatie: meeting notes van meerdere mensen, een paar slides die nog niet logisch op elkaar aansluiten, feedback van een partner, en soms een spreadsheet export die snel bruikbaar gemaakt moet worden. Er is meestal tijdsdruk, en dan wil je voorkomen dat het of te generiek wordt, of dat je te lang blijft schaven.

In dat proces gebruik ik AI op een praktische manier:

• Structuur en concepten: een eerste outline of storyline voorstellen, of een eerste versie van slide-tekst of mails maken waar ik daarna op doorbouw.
• Debugging en stress-testen: de logica challengen, gaten vinden en stakeholdervragen voorspellen voordat ik in review ga.
• Analyst en notebook-achtige ondersteuning: nadenken over het consolideren van files, kolommen standaardiseren, metadata extraheren en validatie checks opzetten zodat data sneller bruikbaar wordt.

Belangrijk is: AI helpt mij sneller van ruwe input naar een bruikbare eerste versie, maar ik bepaal altijd wat blijft, wat weg moet, en wat “fit for purpose” is.

Hoe ging dit proces voor AI? 

Voor AI was dit proces handmatiger en meer gefragmenteerd. Ik begon vaker vanaf een leeg document of een oude template, en het kostte meer tijd om tot een eerste structuur te komen. Als feedback binnenkwam, betekende dat soms delen opnieuw opbouwen in plaats van gericht verfijnen.

Aan de datakant betekende het veel repetitieve stappen: exports combineren, kolommen gelijk trekken, context toevoegen en daarna extra controle om zeker te weten dat totalen kloppen. Niet ingewikkeld, maar wel tijdrovend, en het haalt focus weg van interpretatie en judgement.

Wat doet AI nu anders of slimmer? 

Het grootste verschil is dat AI de “tussenstap” verkort tussen rommelige input en een gestructureerde eerste opzet.

Voor mij zit de slimme waarde vooral hierin:

• Sneller starten: bij versnipperde input helpt AI met een eerste structuur zodat ik niet bij nul begin.
• Sneller alternatieven vergelijken: ik kan varianten laten maken, bijvoorbeeld bondiger, meer executive, meer toelichtend, of beter passend bij een slide.
• Eerder stress-testen: ik gebruik het om ontbrekende aannames, onduidelijke redeneringen, inconsistent taalgebruik en verwachte vragen sneller zichtbaar te maken.
• Herhaalbaarheid: bij data-prep helpt het om een herhaalbare aanpak met checks te formuleren in plaats van losse handmatige edits.

Tegelijk blijf ik scherp: AI beslist niet wat klopt of wat passend is. Ik valideer, ik voeg context toe en ik maak de eindkeuzes.

Waar gebruik je AI precies voor in dit proces? 

Ik pak AI er vooral bij op terugkerende momenten, zeker als input rommelig is of tijd schaars.

• Aan het begin, om orde te scheppen
  Ruwe notities en gemixte feedback omzetten naar een outline, storyline of structuur voor slides of een voorstel.
• Tijdens het uitwerken, om sneller vooruit te komen
  Eerste concepten voor slide-tekst, mails, methode-omschrijvingen of workshop scripts die ik daarna stevig bijwerk zodat het past bij doelgroep en toon.
• Als iets “off” voelt, om te debuggen
  De flow en logica stress-testen: wat mist er, waar is het inconsistent, waar gaat een stakeholder op prikken?
• Als ik een researcher blik nodig heb
  Checklists opbouwen: waar moeten we naar kijken, wie moeten we spreken, welke evidence maakt het verdedigbaar? Handig voor workshops en interviews.
• Als data snel bruikbaar moet worden
  Notebook-achtige ondersteuning voor file consolidatie, datasets vormen, kolommen standaardiseren, metadata uit headers halen en validatie checks bouwen (bijvoorbeeld totalen voor en na).
• Aan het eind, voor helderheid en toon
  Tekst aanscherpen, bondiger maken, of vertalen tussen Engels en Nederlands. Ik doe altijd de laatste slag, omdat het als mij moet klinken.

Wat doe jij zelf en wat doet AI? 

Ik behandel AI als een snelle junior collega. Het kan voorstellen doen en challengen, maar ik blijf eigenaar van inhoud en beslissing.

Wat ik zelf doe:

• Doel, scope en doelgroep bepalen
• Context en beperkingen toevoegen
• Bepalen wat gevoelig is en wat niet in output hoort
• Afwegingen maken en judgement toepassen
• Valideren: inhoud, cijfers, aannames en logica
• Eindredactie en stakeholder positioning

Wat AI ondersteunt:

• Structuurvoorstellen en outlines
• Snelle conceptteksten en varianten
• Signaleren van hiaten of inconsistenties
• Suggesties voor checks in data-prep
• Voorbereiden op vragen en bezwaren

Mijn vuistregel: AI mag meedenken en challengen. Ik beslis en ik keur goed.

Wat levert het op? 

Het levert vooral op:

• Tijdwinst: sneller naar een eerste versie en sneller itereren op feedback
• Kwaliteit: consistentere structuur en duidelijkere taal door vroege stress-tests
• Betere inzet van expertise: minder tijd aan repetitie, meer aan interpretatie en judgement
• Rust en focus: minder “blank page” frictie en meer ruimte voor stakeholdermanagement

Wat vond je spannend toen je hiermee begon? 

In het begin was het zoeken hoeveel context nodig is. Als input vaag is, wordt output ook vaag. Ik leerde daarom heel specifiek te zijn over doel, doelgroep, constraints en toon.

Daarnaast: controle en vertrouwelijkheid. In consulting is niet alles geschikt om zomaar te delen. Ik ben daar gedisciplineerd in en ik valideer output altijd. Zo blijft AI ondersteuning, en geen autoriteit.

Wat blijft volgens jou echt mensenwerk in jouw vak? 

Voor mij zit het echte mensenwerk in oordeel, vertrouwen en verantwoordelijkheid.

AI kan mij helpen met structuur, formuleringen en het challengen van logica, maar AI kan niet “de echte vraag” achter de vraag aanvoelen, geen relatie opbouwen met stakeholders, en geen verantwoordelijkheid dragen voor een advies. In mijn werk is het verschil tussen een nette deliverable en een aanpak die echt werkt meestal geen kwestie van taal, maar van context.

Wat volgens mij echt mensenwerk blijft:

• De vraag achter de vraag begrijpen
  Stakeholders formuleren vaak een wens of symptoom. Het mensenwerk is luisteren, signalen oppikken en het probleem scherp krijgen tot iets dat oplosbaar en relevant is.
• Stakeholderdynamiek en vertrouwen opbouwen
  Verandering gaat vaak pas werken als er vertrouwen is. AI kan geen vertrouwen opbouwen met een CFO of proceseigenaar, en AI voelt niet de timing, twijfel of politiek in een gesprek.
• Judgement en trade-offs maken
  In transformatie is er bijna nooit één perfecte route. Iemand moet afwegen tussen risico, kosten, haalbaarheid en impact op de organisatie. Die afweging ligt bij mij en het team, niet bij AI.
• Accountability en ethiek
  Je moet kunnen uitleggen waarom je iets adviseert, welke aannames je doet, welke risico’s je accepteert en wat je doet als nieuwe informatie het beeld verandert. AI kan suggesties doen, maar AI kan niet verantwoordelijk zijn.
• Verandering ontwerpen die past bij de organisatie
  Wat op papier klopt, werkt niet altijd in de praktijk. Adoptie, cultuur, vaardigheden en operating model realiteit zijn menselijk en contextafhankelijk.
• Weten wat je niet moet doen, en wat je niet moet zeggen
  Zeker in klantwerk is sensitiviteit belangrijk. Wat je weglaat, hoe je iets formuleert, of wanneer je iets juist nog niet benoemt, vraagt menselijk oordeel.

Kort gezegd: AI versnelt structureren en kwaliteitschecks, maar het “waarom”, “wat is echt belangrijk” en het eindadvies blijven mensenwerk. Ik neem de beslissing, ik maak het verhaal, en ik draag de verantwoordelijkheid.

Wat is jouw allergrootste AI tip? 

Mijn grootste AI-tip is: gebruik AI als tweede slag, niet als auteur. Ik zet altijd eerst zelf de richting neer: welke beslissing willen we mogelijk maken, wie is de doelgroep, en wat is de ene boodschap die echt moet landen. Pas als dat fundament staat, gebruik ik AI om de structuur scherper te maken en mijn redenering te challengen. Zo win ik snelheid, zonder ownership te verliezen.

Wat voor mij heel goed werkt, is een korte “red-team” check vlak voordat ik iets verstuur of een review in ga. Ik laat AI naar mijn concept kijken alsof het een kritische stakeholder is en vraag drie dingen: wat is onduidelijk, wat ontbreekt er, en waar gaat iemand op prikken? Ik neem die output niet klakkeloos over. Ik gebruik het als stress-test, herschrijf het daarna in mijn eigen woorden, en maak zelf de eindkeuze.

In de praktijk komt het hierop neer:

• Ik bepaal het verhaal en de grenzen (doel, doelgroep, wat moet blijven, wat is gevoelig)
• AI helpt mij stress-testen (gaten, zwakke logica, inconsistent taalgebruik, verwachte vragen)
• Ik valideer en beslis (zeker bij feiten en cijfers, en wat “fit for purpose” is)

Het is simpel, maar effectief. Zo wordt AI een kwaliteitsfilter en sparringpartner, terwijl judgement en verantwoordelijkheid duidelijk mensenwerk blijven, en bij mij liggen.