De laatste tijd zie ik steeds vaker berichten over mensen die “AI underwriting tools” aanbieden. Gebouwd met Claude Code, wat Python in de backend, een AI-gegenereerde frontend en voor €20 per maand. Het idee is simpel: sleep een underwriting-PDF van een broker in de tool, laat AI de data extraheren en structureren, bouw een discounted cashflow, voeg aannames toe en bepaal een aankoopprijs op basis van Loan-To-Value en een vereiste IRR.
Wat analisten vroeger dagen kostte, duurt nu minuten.
Op het eerste gezicht voelt dit als een logische volgende stap. Geen afhankelijkheid van software, geen wachttijd, gewoon prompten en gaan. Natuurlijk besloot ik het zelf te proberen.
Ik opende ChatGPT, vond online een underwriting-bestand en gaf een vrij open prompt:
“Ik wil dat je dit object underwrite. Wees gedetailleerd en geef me de aankoopprijs op basis van een passende IRR voor het risico. De IRR moet afhangen van het risico, dus bepaal dat zelf. Financier tegen een vaste rente van 5% met 50% LTV. Exit na 10 jaar. Bepaal zelf een geschikte cap rate. Maak je eigen marktaannames waar nodig en licht die duidelijk toe.”
Daarna ging ik koffie halen. Ongeveer 3,5 minuut later kwam het terug met een waardering van €10,9 miljoen bij een levered IRR van 12%, inclusief een eenvoudige scenarioanalyse. Moeilijk om daar niet van onder de indruk te zijn.
Maar ik wilde begrijpen wat er onder de motorkap gebeurde, dus vroeg ik om het Excel-model. Ongeveer 14 minuten later had ik het. Inputs, een 10-jaars cashflow, KPI’s, alles wat je verwacht. Logischerwijs ging ik op zoek naar de fout. Het is te mooi om waar te zijn. Dus, was er een fout?
Ja. Die was er. De exitwaarde werd dubbel meegeteld in de IRR-berekening. Een vrij basale fout, maar ook een herinnering dat het herkennen ervan nog steeds ervaring vereist. Er is een natuurlijke neiging om de output te controleren. Niet omdat AI slecht is, maar omdat je weet hoe makkelijk kleine fouten erin kunnen sluipen.
Als softwareleverancier spreek ik met potentiële klanten over het vervangen van Excel door een softwareoplossing. Een typische investeerder met 50 assets werkt al met 50 Excel-bestanden. Elk object heeft zijn eigen model. Als je een aanname wilt aanpassen of de modelleerlogica wilt wijzigen, moet je dat 50 keer doen. Nu komt AI erbij en genereert een Excel per asset. Als er iets verandert, vraag je AI om alle 50 bestanden opnieuw te genereren of pas je ze handmatig aan. Hoe dan ook, je eindigt met een groeiende stapel Excel-bestanden zonder echt overzicht.
Elk model staat op zichzelf. Als je iets in één model corrigeert, is er geen garantie dat het volgende model niet een ander probleem heeft. Dus controleer je ze. Eén voor één. Op dat moment is het de moeite waard om te vragen wat daadwerkelijk tijd bespaart: alles genereren met AI, of werken vanuit een consistent model dat je vertrouwt en over alle assets toepast.
AI verandert de markt duidelijk. Dat staat buiten kijf. Maar ik denk niet dat de toekomst ligt in losse tools die op aanvraag modellen genereren zonder structuur eromheen.
Wat logischer is, is een combinatie.
Laat AI de repetitieve taken doen, zoals het extraheren en structureren van data of het opstellen van een eerste versie van het model. Laat dat vervolgens door een omgeving gaan waarin definities vastliggen en berekeningen consistent zijn. Iets waarin je kunt zien wat er veranderd is en kunt beoordelen of dat logisch is voordat je verdergaat.
Dat is ook hoe wij het benaderen met Planon Real Estate Assets. We bouwen een MCP-server die AI direct laat interacteren met de database. Een gebruiker kan gestructureerde of ongestructureerde data uploaden, waarna AI deze extraheert en transformeert op basis van vooraf gedefinieerde datadefinities. De data wordt vervolgens gevalideerd binnen Assets, en AI verwerkt eventuele validatiefouten. De gebruiker kan de data beoordelen, zien wat er is veranderd en de impact begrijpen voordat deze wordt goedgekeurd. Na goedkeuring wordt de data geïmporteerd in een gevalideerd financieel model, waar deze verder kan worden geanalyseerd en aangepast, via aangepaste interfaces die geoptimaliseerd zijn voor de taak, of door met AI te werken via natuurlijke taal.
Je werkt nog steeds sneller, maar behoudt het overzicht. Uiteindelijk is snelheid belangrijk, maar alleen als je de output vertrouwt. En dat is eigenlijk niet veranderd. Wat wel is veranderd, is de manier waarop we daar komen. Deze hybride manier van werken combineert het beste van beide werelden samen zonder dat je hoeft te kiezen.