​“AI kan bedrijfswaardering eerlijker en transparanter maken”

Ontdek hoe AI de wereld van bedrijfswaarderingen transformeert. Paul Geertsema legt uit hoe machine learning zorgt voor meer consistentie en objectiviteit, terwijl het de subjectiviteit van traditionele methodes vermindert.

Traditionele methodes om bedrijven te waarderen worden al lange tijd bekritiseerd vanwege hun subjectiviteit. Paul Geertsema, Associate Professor Accounting en AI, laat zien hoe AI-gedreven benaderingen meer consistentie, transparantie en objectiviteit brengen.

Traditionele versus AI-gedreven waardering

In de financiële wereld worden bedrijven doorgaans gewaardeerd met een discounted cashflow-analyse (DCF) of via relatieve waardering. Beide methodes zijn ingeburgerd, maar gevoelig voor bias. Bij DCF-analyses schatten analisten toekomstige kasstromen en rekenen die terug naar hun contante waarde. Bij relatieve waardering wordt de koers-winstverhouding van een onderneming met sectorgenoten vergeleken. Beide methodes laten ruimte voor subjectieve inschattingen. Analisten kunnen groeiverwachtingen te optimistisch inschatten, een gunstige rentevoet kiezen of vergelijkbare bedrijven aandragen.

AI pakt het anders aan. In plaats van te vertrouwen op een handvol gekozen referenties, worden machine-learning modellen getraind op datasets van duizenden bedrijven die al decennialang meegaan. Door historische patronen tussen boekhoudkundige data en marktwaarderingen te herkennen, voorspellen AI-modellen waarderingsmultiples zonder menselijke tussenkomst. “Het is een geautomatiseerd proces. Er is geen ruimte voor een analist om te zeggen: ik vind dat het wat hoger of lager moet. In die zin is het vrij van menselijke bias”, geeft Paul aan.

Minder bias

AI is geen wondermiddel. Wanneer markten zelf bevooroordeeld zijn, reproduceert AI die vertekeningen. Daarnaast nemen de modellen de subjectiviteit van de analist weg, maar kunnen ze menselijk oordeel niet volledig vervangen. Toch ziet Paul een belangrijke innovatie: “AI kan rechtstreeks de meest vergelijkbare bedrijven identificeren, in plaats van te vertrouwen op de subjectieve peer selectie. Dat verkleint de verleiding om selectief hoog gewaardeerde sectorgenoten te kiezen.”

Consistentie, transparantie en verklaarbaarheid

Een getraind model kan op uiteenlopende ondernemingen toegepast worden. Dat verkleint de variatie die ontstaat wanneer verschillende analisten verschillende bedrijven beoordelen. Toch blijft transparantie een uitdaging. Mensen worden bevraagd over hun aannames, terwijl algoritmes vaak op een black box lijken. AI kan dat deels doorbreken door te laten zien welke factoren het zwaarst wegen. “Het is niet hetzelfde als een analist ondervragen, maar het biedt wel inzicht in het beslissingsproces”, zegt Paul.

Generatieve AI

Hoewel Pauls onderzoek ‘Relative Valuation with Machine Learning’ voorafging aan de doorbraak van generatieve AI, ziet hij veel kansen. Waar traditionele modellen beperkt zijn tot cijfers, kunnen grote taalmodellen ook teksten, beelden, audio en video analyseren. “Voor investeerders betekent dit dat zij transcripts van CFO-calls, consumentenreviews of zelfs visuele data op grote schaal kunnen verwerken. Taken die analisten vroeger uren kostten, kunnen nu gelijktijdig bij honderden bedrijven geautomatiseerd worden”, vertelt Paul.

Balans tussen technologie en oordeel

AI vervangt de menselijke expertise niet, maar vult die aan. Het biedt objectiviteit, schaalbaarheid en snelheid, maar vraagt menselijke controle om ethisch verantwoord en contextueel juist te blijven. “Bij een bedrijfswaardering kun je niet simpelweg zeggen: ‘de machine zegt het dat het zo moet’. AI biedt een krachtig ijkpunt, maar gezond menselijk oordeel blijft onmisbaar”, besluit Paul.