Delvist. Bogføring og matchning af en indgående faktura med bestilling og modtagelsesbon kan i høj grad automatiseres, men ikke fuldstændigt og ikke uden menneskeligt tilsyn. Opgaven består af en genkendelig, gentagelig del, som AI allerede kan klare i dag, og en mindre del, hvor en kontrol af et menneske stadig er nødvendig. Den sidste del er ikke uforpligtende: det handler om penge, der forlader kassen, og om regler, som en bogføring skal opfylde.
En indkøbsfaktura er i de fleste virksomheder et struktureret dokument: et fast mønster af leverandør, fakturanummer, beløb, moms og linjer, der stemmer overens med en bestilling. Denne struktur, kombineret med et højt volumen, gør netop dette til den type opgave, hvor AI har bevist sit værd. Ved hundreder eller tusinder af fakturaer om måneden er besparelsen pr. faktura lille, men den samlede sum i frigjorte timer betydelig. Der er heller ikke behov for kundekontakt eller fysisk handling: det er tekstbehandling i et erp-miljø eller fakturascanningssystem, og det er præcis den type arbejde, AI er god til i dag.
Et eksempel: en faktura fra en fast leverandør på hundrede stykker af artikel X, med et beløb, der stemmer overens med bestillingen, og en modtagelsesbon, der bekræfter leveringen. Systemet genkender leverandør og artikelkoder, matcher de tre dokumenter og sætter fakturaen klar til betaling. Intet menneske har behøvet at se på dette, før betalingen bliver forelagt til godkendelse.
Tre akser holder dette ved "delvist": compliance, fejlomkostninger og vurderingsrum. En faktura, der ikke matcher — et afvigende beløb, en manglende modtagelsesbon, en ny leverandør uden fastlagte aftaler — kræver en vurdering, der går videre end mønstergenkendelse. Hvorfor er beløbet anderledes? Er det en fejl, en prisændring, der ikke er gennemført, eller et berettiget tillæg? Det er et spørgsmål med en grund bag, og den grund skal en person kunne godkende eller afvise.
Hertil kommer compliance-siden: en bogføring skal stemme, også være kontrollerbar bagudrettet, og en fejl i kreditoradministrationen kan koste mere end tiden det tager at rette den. Ved afvigelser er fejlomkostningsaksen derfor ikke lav nok til at overlade risikoen til et system alene. Det er også grunden til, at dette forholder sig anderledes end for eksempel registrering af en modtagelsesbon i systemet, hvor færre finansielle konsekvenser er direkte knyttet til handlingen.
Den teknologi, der gør dette muligt, er tekstgenkendelse: OCR, der indlæser en faktura og udtrækker data, koblet til et matchningssystem, der lægger bestilling, modtagelsesbon og faktura side om side. Kvaliteten af denne genkendelse afgør, hvor stor en del der kan behandles automatisk. Ved et rent datasæt — faste leverandører, digitale fakturaer, konsistente ordrenumre — ligger den automatisk behandlede del højt. Ved mange løse leverandører, papirfakturaer eller afvigende formater ligger det betydeligt lavere, og arbejdet skifter fra "AI gør det" til "AI udfører forarbejdet, et menneske vurderer undtagelsen".
Resultatet afhænger i høj grad af, hvor standardiseret indkøbet er. En virksomhed med et lille antal faste leverandører og streng PO-disciplin — hver bestilling registreret på forhånd — kan lade en stor del af fakturaerne matche automatisk. En virksomhed med mange enkeltstående indkøb, mundtlige aftaler eller leverandører, der leverer fakturaer på forskellige måder, sidder med langt flere undtagelser, som et menneske skal se på. Også indretningen af tilstødende processer spiller en rolle: hvis bestillinger placeret hos leverandører allerede står struktureret i systemet, er matchningen ved fakturaens indgang enklere, end hvis den information mangler eller er ufuldstændig.
Dette er ikke personalerådgivning og ikke belæg for en beslutning om en funktion eller medarbejder. Spørgsmålet her er, hvilken del af arbejdet, indholdsmæssigt, er egnet til automatisering, ikke hvad en organisation gør med den udkomst i personalepolitikken. For beslutninger, der berører ansættelsesforholdet, gælder egne lovmæssige krav; mere om, hvordan brug af AI og medarbejderbeskyttelse hænger sammen, findes på siden om AI-forordningen og dine medarbejdere. Den, der bredere vil vide, hvordan denne forskydning viser sig i kontorarbejde, finder det i overblikket over hvad AI kan overtage i erhvervsservice.
For at se, hvordan dette udspiller sig for Deres eget kreditorproces, er det nødvendigt at se på andelen af standardiserede fakturaer, kvaliteten af PO-koblingen og den fejlhåndtering, der allerede findes i dag. FTE TO AI's gratis quickscan giver en første retning på dette: tolv spørgsmål, uden konto, med en indikation af, hvilken del af timerne i en profil som denne i dag kan overtages af AI. Den fulde arbejdsscan, som beregner dette på opgaveniveau for en hel virksomhed, er stadig under udvikling.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.