Betalingen die binnenkomen via online betaalproviders (denk aan Mollie, Stripe, Adyen) moeten worden afgestemd met verkoopfacturen en met de bankmutaties waarop het geld uiteindelijk verschijnt. Dit is een matchklus: bedragen, referenties en data leggen naast elkaar om vast te stellen welke factuur bij welke betaling hoort en welke betaling bij welke bankmutatie. Typisch werk van boekhouders en administratief medewerkers, met een betaalprovider-koppeling en het boekhoudsysteem als gereedschap.
Drie assen geven hier de doorslag: gestructureerdheid, volume en foutkosten.
De taak is behoorlijk gestructureerd (4 van 5). Een betaling heeft een bedrag, een datum, een referentie of transactie-ID. Een factuur heeft dezelfde soort kenmerken. Matchen is in de kern een rekenkundige en logische vergelijking, geen taak die interpretatie van een situatie vereist. Het volume is hoog (5 van 5): bij een webshop of dienstverlener met veel kleine transacties loopt dit al snel op tot honderden of duizenden regels per maand, en dat is precies het soort herhaling waar geautomatiseerde matching zijn waarde toont.
De foutkosten liggen echter aan de lage kant (2 van 5): een verkeerde match betekent een factuur die ten onrechte als betaald wordt afgeboekt, of een bankmutatie die aan de verkeerde klant wordt toegeschreven. Dat soort fouten valt op, maar vaak pas bij de volgende afsluiting of bij een klacht van een klant die een herinnering krijgt voor een factuur die al betaald is. Daarom is volledige automatisering zonder controle geen goed idee, ook al is de taak zelf goed te structureren.
Oordeelsruimte (2) is beperkt maar niet nul: het overgrote deel van de matches is eenduidig, een klein deel vraagt een beslissing (gedeeltelijke betaling, valutaverschil, dubbele transactie). Compliance (3) speelt mee omdat reconciliatie onderdeel is van een betrouwbare financiële administratie, met eisen aan controleerbaarheid die niet uit een koppeling zelf voortvloeien maar uit de manier waarop een bedrijf zijn boekhouding moet kunnen verantwoorden. Klantcontact (5), fysiek werk (5) en creativiteit (5) zijn hier niet aan de orde; deze taak speelt zich volledig af in systemen, niet aan een balie of in een gesprek.
Een voorbeeld: een webshop ontvangt via een betaalprovider honderden betalingen per week, elk met een transactiereferentie die terug te vinden is in het boekhoudsysteem. Met een actieve koppeling en heldere matchingregels (bedrag plus referentie, of bedrag plus datum plus klantnaam als de referentie ontbreekt) kan een RPA-proces het grootste deel van deze matches zelfstandig afronden. Wat overblijft, is een lijst uitzonderingen: afwijkende bedragen, ontbrekende referenties, dubbele boekingen. Die lijst legt een medewerker langs de oorspronkelijke stukken en beoordeelt met een goedkeuring of afkeuring, met reden. Dat is de vorm die hier past: AI voert de matching uit, een mens houdt toezicht op wat niet vanzelf klopt.
Bij een ander bedrijf ligt dit anders. Zonder actieve koppeling met de betaalprovider, of met betalingen die via losse spreadsheets binnenkomen, ontbreekt de structuur waarop matching draait en verschuift het werk terug naar handmatig uitzoeken. Bij een bedrijf met veel deelbetalingen, kortingen en creditnota's neemt de oordeelsruimte toe en daalt het aandeel dat zonder toezicht kan. De randvoorwaarden zijn dus niet decoratief: zonder koppeling en zonder duidelijke matchingregels is dit een taak die grotendeels mensenwerk blijft, met of zonder ambitie om te automatiseren.
Reconciliatie staat niet op zichzelf. Wie verkoopfacturen opstellen en versturen al grotendeels geautomatiseerd heeft, ziet vaak dat de matching aan de andere kant vanzelf eenvoudiger wordt, omdat referenties consistenter zijn. Hetzelfde geldt aan de inkoopzijde: inkoopfacturen inboeken in het boekhoudsysteem en vervaldatums van inkoopfacturen bewaken voor tijdige betaling zijn vergelijkbare matchtaken met vergelijkbare voor- en tegenassen. Bedrijven die deze taken naast elkaar bekijken, zien vaak een consistent beeld: gestructureerd en hoogvolume werk verschuift naar systemen met toezicht op uitzonderingen, terwijl werk met veel oordeelsruimte of klantcontact, zoals te zien is in wat AI kan overnemen in de horeca of bij telefoon beantwoorden en doorverbinden, langzamer meebeweegt. Ook een openstaande postenlijst voor debiteuren en crediteuren opstellen leunt op dezelfde matchlogica en dezelfde afhankelijkheid van schone koppelingen.
Dit is geen personeelsadvies en geen aanleiding om functies te herzien. Of en hoe een organisatie de vrijgespeelde uren herverdeelt, is een keuze van de werkgever zelf; voor besluiten die personeel raken gelden eigen wettelijke vereisten, los van wat hier over de taak wordt vastgesteld. Wat hier staat, is een inschatting van het werk, niet van de mensen die het nu doen.
Of reconciliatie bij uw eigen bedrijf voor een groot deel of maar een klein deel automatisch kan verlopen, hangt af van de koppeling die u heeft met uw betaalprovider en van hoe eenduidig uw matchingregels zijn. De gratis quickscan, twaalf vragen, zonder account, geeft een indicatie welk deel van de uren in dit profiel vandaag door AI over te nemen is. De volledige werkscan, die het werk van uw bedrijf tot in de taken uiteenlegt, 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.