Deels. Het inboeken en matchen van een binnenkomende factuur met bestelling en ontvangstbon is voor een groot deel te automatiseren, maar niet volledig en niet zonder menselijk toezicht. De taak bestaat uit een herkenbaar, herhaalbaar deel dat AI vandaag al aankan, en een kleiner deel waar een controle door een mens nodig blijft. Dat laatste deel is niet vrijblijvend: het gaat over geld dat de deur uitgaat en over regels waaraan een boekhouding moet voldoen.
Een inkoopfactuur is in de meeste bedrijven een gestructureerd document: een vast patroon van leverancier, factuurnummer, bedrag, btw en regels die overeenkomen met een bestelling. Die gestructureerdheid, gecombineerd met een hoog volume, maakt dit precies het type taak waar AI zich op heeft bewezen. Bij honderden of duizenden facturen per maand is de winst per factuur klein, maar de optelsom in vrijgespeelde uren aanzienlijk. Er is ook geen klantcontact en geen fysieke handeling nodig: het is tekstverwerking in een erp-omgeving of factuurscansysteem, en dat is exact het type werk waar AI vandaag goed in is.
Een voorbeeld: een factuur van een vaste leverancier voor honderd stuks van artikel X, met een bedrag dat overeenkomt met de bestelling en een ontvangstbon die de levering bevestigt. Systeem herkent leverancier en artikelcodes, matcht de drie documenten, en zet de factuur klaar voor betaling. Geen mens heeft dit hoeven bekijken totdat de betaling ter goedkeuring wordt voorgelegd.
Drie assen houden dit bij "deels": compliance, foutkosten en oordeelsruimte. Een factuur die niet matcht — een afwijkend bedrag, een ontbrekende ontvangstbon, een nieuwe leverancier zonder vastgelegde afspraken — vraagt een beoordeling die verder gaat dan patroonherkenning. Waarom is het bedrag anders? Is dat een fout, een prijswijziging die niet is doorgevoerd, of een terechte meerprijs? Dat is een vraag met een reden erachter, en die reden moet iemand kunnen goedkeuren of afkeuren.
Daar komt de compliance-kant bij: een boekhouding moet kloppen, ook achteraf controleerbaar zijn, en een fout in de crediteurenadministratie kost meer dan de tijd om hem te herstellen. Bij afwijkingen is de foutkostenas dus niet laag genoeg om het risico aan een systeem alleen over te laten. Dat is ook de reden waarom dit anders ligt dan bijvoorbeeld het registreren van een ontvangstbon in het systeem, waar minder financiële consequenties direct aan de handeling vastzitten.
De technologie die dit mogelijk maakt is tekstherkenning: OCR die een factuur inleest en gegevens extraheert, gekoppeld aan een matching-systeem dat bestelling, ontvangstbon en factuur naast elkaar legt. De kwaliteit van die herkenning bepaalt hoeveel er automatisch doorloopt. Bij een schone dataset — vaste leveranciers, digitale facturen, consistente ordernummers — ligt het automatisch verwerkte deel hoog. Bij veel losse leveranciers, papieren facturen of afwijkende formats ligt dat aanzienlijk lager, en verschuift het werk van "AI doet het" naar "AI doet het voorwerk, een mens beoordeelt de uitzondering".
De uitkomst hangt sterk af van hoe gestandaardiseerd de inkoop is. Een bedrijf met een klein aantal vaste leveranciers en strikte PO-discipline — elke bestelling vooraf vastgelegd — kan een groot deel van de facturen automatisch laten matchen. Een bedrijf met veel eenmalige inkopen, mondelinge afspraken of leveranciers die facturen op wisselende manieren aanleveren, houdt veel meer uitzonderingen over die een mens moet bekijken. Ook de inrichting van aangrenzende processen speelt mee: als bestellingen bij leveranciers geplaatst al gestructureerd in het systeem staan, is de matching bij binnenkomst van de factuur eenvoudiger dan wanneer die informatie ontbreekt of onvolledig is.
Dit is geen personeelsadvies en geen onderbouwing voor een besluit over een functie of medewerker. De vraag hier is welk deel van het werk qua taakinhoud voor automatisering in aanmerking komt, niet wat een organisatie met die uitkomst doet in het personeelsbeleid. Voor besluiten die de arbeidsrelatie raken, gelden eigen wettelijke vereisten; meer over hoe AI-inzet en werknemersbescherming samenkomen staat op de pagina over de AI-verordening en uw werknemers. Wie breder wil weten hoe deze verschuiving zich voordoet in kantoorwerk, vindt dat terug in het overzicht van wat AI kan overnemen in de zakelijke dienstverlening.
Om te zien hoe dit voor uw eigen crediteurenproces uitpakt, is het nodig te kijken naar het aandeel gestandaardiseerde facturen, de kwaliteit van de PO-koppeling en de foutafhandeling die vandaag al bestaat. De gratis quickscan van FTE TO AI geeft daar een eerste richting in: twaalf vragen, zonder account, met een indicatie welk deel van de uren in een profiel als dit vandaag door AI is over te nemen. De volledige werkscan, die dit tot op taakniveau uitrekent voor een heel bedrijf, is nog in aanbouw.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.