AI-enabled tax transformation

Ondanks de hype blijven veel belastingafdelingen terughoudend in het omarmen van AI. Zij balanceren tussen enthousiasme over technologische innovatie en weerstand tegen verandering. Tax leiders wegen, begrijpelijkerwijs, de risico’s zorgvuldig af tegen de belofte van AI-gedreven efficiëntie, waarbij onnauwkeurigheid en databeveiliging tot de belangrijkste zorgen behoren. Veel organisaties zijn begonnen met het opdoen van basiservaring met AI-tools: van het inzetten van generatieve AI om de productiviteit te verhogen tot het automatiseren van data-intensieve taken. Volgens Deloitte’s onderzoek Tax Transformation Trends test 21% van de tax leiders momenteel de mogelijkheden door prioriteit te geven aan de automatisering van routinematige datataken met behulp van AI (figuur 2). Daarnaast is een deel al begonnen met het experimenteren met meer strategische toepassingen van AI, zoals het verbeteren van fiscale planning (10%) en het identificeren van fiscale risico’s en kansen (8%).

Met het grote aanbod aan AI-tools op de markt, en het feit dat er dagelijks nieuwe bijkomen, is het belangrijk om de basisprincipes niet uit het oog te verliezen en helder te hebben wat de doelstellingen van de organisatie of de belastingafdeling zijn. Succesfactoren kunnen onder meer zijn: gestroomlijnde compliance, betere inzichten, lagere kosten of een hogere nauwkeurigheid. Duidelijk geformuleerde doelstellingen maken het eenvoudiger om de functionaliteit van AI-tools te beoordelen aan de hand van relevante criteria. In de praktijk is het belangrijk om AI-tools te integreren in de processen en omgevingen waar mensen hun tijd besteden. Overweeg ook het integreren van datastromen uit Systems of Record/Enterprise Resource Planning (ERP)-systemen en boundary systems. Zo heeft 46% van de respondenten aan het onderzoek hun ERP-systemen al verrijkt met AI-gedreven fiscale analysetools, terwijl nog eens 44% dit van plan is (Fig. 3).

Door aantoonbare bedrijfsresultaten centraal te stellen, kunnen belastingafdelingen AI effectief inzetten om strategische doelstellingen te realiseren.

Met data van de juiste kwaliteit kan AI informatie veel sneller verwerken dan wanneer zij met gebrekkige data werkt. Dit leidt tot snellere inzichten en maakt tijdigere zakelijke besluitvorming mogelijk. Dit vraagt om een duidelijk gedefinieerde datastrategie en -aanpak. Die is essentieel om te bepalen welke data gebruikt kan en moet worden om AI-gedreven bedrijfsresultaten te realiseren. Deze strategie moet ook rekening houden met dataprivacy en vertrouwelijkheid. Daarbij wordt helder vastgelegd welke data cruciaal is voor fiscale processtromen en in welke systemen deze data is ondergebracht. Door fiscale data zorgvuldig voor te bereiden en op te schonen, kan een tax leader betrouwbare inzichten ontsluiten, de efficiëntie verhogen en risico’s verkleinen.

Door fiscale data zorgvuldig voor te bereiden en op te schonen, kan een tax leader betrouwbare inzichten ontsluiten, de efficiëntie verhogen en risico’s verkleinen.

De grootste belemmering voor de adoptie van AI binnen belastingafdelingen is vertrouwen. Zo vereist 77% van de tax leiders een nauwkeurigheid van 90% of hoger voordat zij AI toevertrouwen aan hun fiscale processen. Dit onderstreept het sterk gereguleerde en veeleisende karakter van tax, de impact ervan op de organisatie en de behoefte aan meer transparantie en vertrouwen in de capaciteiten van AI.

Naast vertrouwen spelen ook andere factoren een rol die tax leaders ervan weerhouden om AI grootschalig in te zetten (Fig. 4). Daaronder vallen budgetbeperkingen (genoemd door 45% van de respondenten in Deloitte’s onderzoek), beperkte AI-expertise binnen teams (36%) en het ontbreken van een duidelijke AI-strategie (33%). Daarnaast vormen zorgen over databeveiliging en privacy (30%) en onvoldoende steun vanuit het bedrijfsmanagement (28%) belangrijke obstakels.

Hoewel er geen snelle oplossingen zijn, zijn deze uitdagingen wel degelijk oplosbaar. Een voorzichtige aanpak is om klein te beginnen, snel te leren en gaandeweg vertrouwen op te bouwen. Cruciaal is dat een programmatische en doordachte implementatiestrategie, gericht op het oplossen van kernproblemen in de business, leidt tot meer betrokkenheid en een hogere ROI dan het simpelweg introduceren van tools zonder duidelijke richting.

Voor de meeste organisaties buiten de AI-sector zelf is AI onbekend terrein. Een belangrijke implementatiebelemmering (figuur 5) is het gebrek aan AI-expertise binnen het team. Zo gaf 45% van de respondenten aan het onderzoek Tax Transformation Trends 2025 aan dat AI-gerelateerde vaardigheden hun grootste behoefte vormen in de komende één tot twee jaar. Daarnaast is 94% van de respondenten van mening dat AI-vaardigheden binnen vier tot vijf jaar essentieel zullen zijn (Fig. 5). Om de technologische expertise binnen hun belastingteams te versterken, geeft 53% van de respondenten aan actief digitaal vaardig talent te werven met kennis van technologie en AI. Om deze uitdagingen aan te pakken, moeten de eerste basisstappen bestaan uit het definiëren van de resultaten die u met AI wilt bereiken en het plannen van de instroom van nieuwe vaardigheden in het team.

Gezien de brede spreiding van fiscale werkzaamheden en het grote aantal stakeholders met een ondernemingsbrede blik op specialistische en ondersteunende functies, talentstrategie en vaardigheden, is nauwe samenwerking met Finance en IT essentieel voor een effectievere inzet van AI binnen de hele organisatie.

Voor een kritische evaluatie van bestaande fiscale processen kunnen tax leaders verschillende keuzes maken. Zij kunnen bestaande processen automatiseren, zich richten op specifieke knelpunten zoals foutgevoelige stappen, of processen volledig opnieuw ontwerpen vanuit het gewenste eindresultaat.

Data is de brandstof voor AI. Respondenten van Deloitte's Tax Transformation Trends 2025-onderzoek noemden het integreren van fiscale data binnen de organisatie (30%) als een van de drie belangrijkste uitdagingen, naast beperkte technologische en data-managementexpertise (28%). Voor organisaties met beperkte capaciteit kan het starten met een pilot rond AI-gedreven datamanagement een praktische eerste stap zijn.

Wanneer processen in kaart zijn gebracht en de datagrondslag op orde is, kunnen tax leaders hun opties voor een AI-roadmap evalueren. Dit kan bijvoorbeeld door bestaande AI-tools binnen Finance te benutten, te kiezen voor het ontwikkelen of inkopen van specifieke oplossingen, pilots te starten met externe partijen, of bepaalde activiteiten uit te besteden.