Een DCF-model opzetten als een Wall Street-analist… in 10 minuten?

In het kort:

• AI versnelt modelleren, maar vervangt geen analyse: Het kan snel een DCF of drie-statenmodel opzetten, maar de echte waarde zit in het kritisch formuleren en testen van aannames.

• ‘Goldman quality’ is vaak marketing: Een model kan er professioneel uitzien, terwijl WACC, groei of terminal value te generiek en onvoldoende sectorspecifiek zijn onderbouwd.

• Waarderen draait om realistische forecasts: Zonder diep begrip van het businessmodel en actieve toetsing van bull- en bear-scenario’s blijft AI-output een startpunt, geen investeringskompas.

Op sociale media duikt regelmatig de claim op dat AI nu financiële modellen kan bouwen zoals analisten bij Goldman Sachs. Daarbij hoort vaak een lijst met zogenoemde kant en klare Claude prompts die werk zouden vervangen dat normaal gesproken tonnen per jaar kost. Het idee is verleidelijk. Je kopieert een prompt, vult een bedrijfsnaam in en tien minuten later heb je een DCF, een drie statenmodel of een LBO alsof het uit een pitchbook komt.

In de praktijk ligt het genuanceerder. AI kan zeker helpen en in sommige stappen zelfs opvallend veel tijd besparen. Tegelijkertijd wordt de moeilijkste en waardevolste fase van analyse vaak juist overslagen. Het resultaat oogt professioneel, maar kan inhoudelijk wankel zijn als niemand de aannames kritisch toetst.

Claude in Excel kan in 10 minuten een volledig DCF-model opzetten door slechts vier vragen te beantwoorden.

Wat AI vandaag al goed kan

Wie ooit een model vanaf een leeg Excel bestand heeft moeten opzetten, weet hoeveel tijd er gaat zitten in structuur, koppelingen en controles. Juist daar is AI sterk. Het kan snel een logisch raamwerk neerzetten waarin de resultatenrekening, balans en kasstroom met elkaar verbonden zijn. Het kan standaardmechanieken opnemen zoals werkkapitaal, capex, afschrijvingen en een schuldenschema, en het kan sensitiviteiten toevoegen die laten zien hoe een waardering reageert op veranderingen in groei of disconteringsvoet.

Daarmee is AI vooral een versneller. Het helpt je om sneller van niets naar een eerste versie te komen. Voor beleggers en ondernemers is dat nuttig, omdat je sneller een overzicht hebt van welke knoppen er in een businessmodel zitten en waar de grootste gevoeligheden liggen.

Waarom ‘Goldman quality’ meestal marketing is

De stap van een mooi model naar een bruikbaar model is groter dan veel van die virale threads suggereren. De technische kant is slechts een deel van het werk. De echte waarde van een topanalist zit in het vermogen om aannames te formuleren die passen bij het businessmodel en om die aannames vervolgens aan te vallen totdat alleen het meest realistische scenario overeind blijft.

Dat is ook de reden waarom de belofte dat je met één prompt dagen aan analistenwerk vervangt niet klopt. AI kan een eerste concept opleveren, maar het kan niet vanzelf weten welke aannames niet mogen kloppen en welke variabelen in deze specifieke sector allesbepalend zijn. Zonder die kennis kan een model er indrukwekkend uitzien, terwijl het toch vooral een nette verpakking is.

De kern van waarderen is niet modelleren maar voorspellen

Een financieel model wordt pas waardevol wanneer de prognoses realistisch zijn. Daar zit vaak het meeste werk en daar ontstaat ook de meeste discussie. Forecasting vraagt begrip van hoe een bedrijf geld verdient, hoe prijzen tot stand komen, hoe vraag en aanbod bewegen en welke beperkingen er bestaan in capaciteit, kostenstructuur en investeringen. In sommige sectoren veranderen die inzichten snel, omdat nieuwe informatie de aannames vrijwel dagelijks kan verschuiven.

Wanneer de forecast niet klopt, heeft het model geen beslissingswaarde. Dan rekent het model wel netjes door, maar rekent het vooral netjes een verkeerd verhaal door. Dat maakt AI output soms extra verraderlijk. Het ziet er verzorgd uit en klinkt plausibel, terwijl de onderliggende aannames te generiek of te optimistisch zijn.

Waarom one shot modellen misleidend kunnen zijn

Veel AI gegenereerde modellen vallen op dezelfde punten door de mand. De disconteringsvoet of WACC wordt regelmatig ingevuld met een standaardrecept dat weinig zegt over het specifieke risicoprofiel van het bedrijf. Terminal growth en exit multiples worden gekozen op basis van wat gebruikelijk klinkt, niet op basis van wat verdedigbaar is. Werkkapitaal en capex worden vaak mechanisch gemodelleerd, terwijl de werkelijkheid juist pieken, dalen en constraints kent die je in de cijfers terug moet zien.

Het probleem is zelden dat AI niet kan rekenen. Het probleem is dat het op overtuigende toon aannames kan presenteren die net genoeg kloppen om geloofwaardig te lijken. Een model kan dan aanvoelen als een conclusie, terwijl het in feite een beginpunt is dat nog getoetst moet worden.

Voorbeeld prompt.

Wat AI wél doet met goede analisten

De meest bruikbare manier om naar deze ontwikkeling te kijken is dat AI het saaie en tijdrovende deel sneller maakt. Het modelraamwerk, de eerste koppelingen en een basisset gevoeligheidsanalyses kosten minder tijd. Daardoor kan er meer aandacht naar de onderdelen die werkelijk waarde toevoegen, namelijk het begrijpen van het bedrijf, het challengen van aannames en het vertalen van nieuwe informatie naar aangepaste scenario’s.

In die zin vervangt AI geen analisten, maar versterkt het analisten die weten waar ze op moeten letten. Het versnelt de cyclus van hypothese, berekening, kritiek en herziening. Precies die cyclus is in de praktijk waar een waardering beter wordt.

Hoe je deze prompts verstandig gebruikt als belegger

Wie de virale prompts als startpunt gebruikt, doet er goed aan om daarna meteen te schakelen naar toetsing en tegenspraak. Het helpt om AI niet alleen een model te laten bouwen, maar ook te laten uitleggen welke aannames het meest kwetsbaar zijn en welke feiten of indicatoren die aannames kunnen ondermijnen. Even belangrijk is het om een bear case te laten formuleren die net zo serieus wordt uitgewerkt als de bull case, zodat het model niet onbewust in één richting wordt geduwd.

Een bruikbaar model ontstaat bijna altijd in meerdere rondes. De eerste versie is een schets. Daarna volgen correcties op drivers, constraints, marges, investeringen en timing. Pas wanneer die onderdelen goed zijn ingevuld, wordt de uitkomst relevant voor een beleggingsbeslissing.

Lees meer: Dit AI-bedrijf liet softwareaandelen hard dalen: is Anthropic echt zo’n grote bedreiging?

AI kan vandaag al in korte tijd een financieel model opzetten dat eruitziet alsof het uit een professionele omgeving komt. Dat is een echte vooruitgang, omdat het de instapdrempel verlaagt en veel repetitief werk wegneemt. Tegelijkertijd blijft de kern van analyse hetzelfde. De waarde zit in het begrijpen van het businessmodel en het bouwen van realistische prognoses die meegroeien met nieuwe informatie. Zonder die expertise is een model vooral een mooi rekenblad, maar geen betrouwbaar kompas voor beslissingen.

Advertorial

Wie zijn rendement wil optimaliseren, doet er daarom goed aan niet alleen naar modellen en aannames te kijken, maar ook naar de kostenstructuur van zijn broker. Zeker bij internationale beleggingen kunnen valutakosten en transactietarieven het verschil maken tussen een theoretisch aantrekkelijk rendement en het uiteindelijke nettoresultaat.

MEXEM werd door Brokerskiezen.nl uitgeroepen tot beste allround broker van 2025. Beleggers handelen er tegen 0,005% valutakosten, waar dat bij DEGIRO en SAXO Bank rond 0,25% ligt, een verschil dat voor de gemiddelde belegger kan oplopen tot honderden tot duizenden euro’s per jaar. Daarmee geldt MEXEM voor veel beleggers als de meest complete keuze voor wie lage kosten en internationale spreiding belangrijk vindt.