Betalinger, der kommer ind via online betalingsudbydere (tænk på Mollie, Stripe, Adyen), skal afstemmes med salgsfakturaer og med de bankbevægelser, hvor pengene i sidste ende dukker op. Dette er en matchopgave: beløb, referencer og datoer sammenholdes for at fastslå hvilken faktura hører til hvilken betaling, og hvilken betaling hører til hvilken bankbevægelse. Typisk arbejde for bogholdere og administrative medarbejdere, med en betalingsudbyder-integration og bogholdersystemet som redskab.
Tre akser er her afgørende: struktureringsgrad, volumen og fejlkostpris.
Opgaven er ganske struktureret (4 af 5). En betaling har et beløb, en dato, en reference eller et transaktions-ID. En faktura har den samme type kendetegn. Matching er i sin kerne en aritmetisk og logisk sammenligning, ikke en opgave, der kræver tolkning af en situation. Volumen er højt (5 af 5): hos en webshop eller tjenesteudbyder med mange små transaktioner løber dette hurtigt op i hundreder eller tusinder af linjer om måneden, og det er præcis den type gentagelse, hvor automatiseret matching viser sin værdi.
Fejlkostprisen ligger dog i den lave ende (2 af 5): et forkert match betyder en faktura, der uretmæssigt bogføres som betalt, eller en bankbevægelse, der tilskrives den forkerte kunde. Den type fejl bliver bemærket, men ofte først ved den næste afslutning eller ved en klage fra en kunde, der får en påmindelse for en faktura, der allerede er betalt. Derfor er fuld automatisering uden kontrol ikke en god idé, selv om opgaven i sig selv er let at strukturere.
Skønsrum (2) er begrænset, men ikke nul: langt størstedelen af matchene er utvetydige, en lille del kræver en beslutning (delvis betaling, valutaforskel, dobbelt transaktion). Compliance (3) spiller ind, fordi afstemning er en del af en pålidelig finansiel administration, med krav til kontrollerbarhed, der ikke følger af en integration i sig selv, men af den måde en virksomhed skal kunne stå til ansvar for sit bogholderi. Kundekontakt (5), fysisk arbejde (5) og kreativitet (5) er ikke relevante her; denne opgave udspiller sig helt i systemer, ikke ved en skranke eller i en samtale.
Et eksempel: en webshop modtager via en betalingsudbyder hundreder af betalinger om ugen, hver med en transaktionsreference, der kan findes i bogholdersystemet. Med en aktiv integration og klare matchingregler (beløb plus reference, eller beløb plus dato plus kundenavn, hvis referencen mangler) kan en RPA-proces selvstændigt afslutte størstedelen af disse matches. Hvad der er tilbage, er en liste med undtagelser: afvigende beløb, manglende referencer, dobbelte bogføringer. Den liste lægger en medarbejder ved siden af de oprindelige dokumenter og vurderer med en godkendelse eller afvisning, med begrundelse. Det er den form, der passer her: AI udfører matchingen, et menneske fører tilsyn med det, der ikke stemmer af sig selv.
Hos en anden virksomhed forholder det sig anderledes. Uden en aktiv integration med betalingsudbyderen, eller med betalinger, der kommer ind via løse spreadsheets, mangler den struktur, matchingen bygger på, og arbejdet skubbes tilbage til manuel udredning. Hos en virksomhed med mange delbetalinger, rabatter og kreditnotaer stiger skønsrummet, og andelen, der kan klares uden tilsyn, falder. Rammebetingelserne er derfor ikke dekorative: uden integration og uden klare matchingregler er dette en opgave, der i vid udstrækning forbliver menneskeligt arbejde, med eller uden ambition om at automatisere.
Afstemning står ikke alene. Den, der allerede i vid udstrækning har automatiseret oprettelse og afsendelse af salgsfakturaer, ser ofte, at matchingen på den anden side automatisk bliver enklere, fordi referencer er mere konsistente. Det samme gælder på indkøbssiden: bogføring af indkøbsfakturaer i bogholdersystemet og overvågning af forfaldsdatoer for indkøbsfakturaer med henblik på rettidig betaling er sammenlignelige matchopgaver med sammenlignelige for- og modakser. Virksomheder, der ser disse opgaver i sammenhæng, ser ofte et konsistent billede: struktureret og højvolumen arbejde flytter over til systemer med tilsyn på undtagelser, mens arbejde med meget skønsrum eller kundekontakt, som det ses i hvad AI kan tage over i restaurationsbranchen eller ved telefonbesvarelse og viderestilling, bevæger sig langsommere med. Også opstilling af en liste over åbne poster for debitorer og kreditorer læner sig op ad den samme matchlogik og den samme afhængighed af rene integrationer.
Dette er ikke personalerådgivning og ikke anledning til at revidere funktioner. Om og hvordan en organisation omfordeler de frigjorte timer, er et valg, arbejdsgiveren selv træffer; for beslutninger, der berører personale, gælder egne lovkrav, uafhængigt af hvad der her fastslås om opgaven. Hvad der står her, er en vurdering af arbejdet, ikke af de mennesker, der udfører det i dag.
Om afstemning i Deres egen virksomhed for en stor del eller kun en lille del kan forløbe automatisk, afhænger af den integration, De har med Deres betalingsudbyder, og af hvor utvetydige Deres matchingregler er. Den gratis quickscan, tolv spørgsmål, uden konto, giver en indikation af, hvilken del af timerne i denne profil AI kan tage over i dag. Den fulde arbejdsscan, som gennemgår Deres virksomheds arbejde ned til de enkelte opgaver, er stadig under udarbejdelse.
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.