Delvis. Att bokföra och matcha en inkommande faktura mot order och mottagningsbevis går till stor del att automatisera, men inte helt och inte utan mänsklig kontroll. Uppgiften består av en igenkännbar, repeterbar del som AI redan klarar idag, och en mindre del där en kontroll av en människa fortfarande behövs. Den sistnämnda delen är inte valfri: det handlar om pengar som lämnar företaget och om regler som en bokföring måste följa.
En leverantörsfaktura är i de flesta företag ett strukturerat dokument: ett fast mönster av leverantör, fakturanummer, belopp, moms och rader som stämmer överens med en order. Denna struktur, i kombination med en hög volym, gör detta till precis den typ av uppgift som AI har visat sig klara av. Vid hundratals eller tusentals fakturor per månad är vinsten per faktura liten, men summan i frigjorda timmar betydande. Det krävs heller ingen kundkontakt och ingen fysisk handling: det är textbehandling i en affärssystemmiljö eller ett fakturaskanningssystem, och det är exakt den typ av arbete som AI idag är bra på.
Ett exempel: en faktura från en fast leverantör för hundra styck av artikel X, med ett belopp som stämmer med ordern och ett mottagningsbevis som bekräftar leveransen. Systemet känner igen leverantör och artikelkoder, matchar de tre dokumenten och gör fakturan klar för betalning. Ingen människa har behövt titta på detta förrän betalningen läggs fram för godkännande.
Tre axlar håller detta vid "delvis": compliance, felkostnader och bedömningsutrymme. En faktura som inte matchar — ett avvikande belopp, ett saknat mottagningsbevis, en ny leverantör utan fastställda avtal — kräver en bedömning som går längre än mönsterigenkänning. Varför skiljer sig beloppet? Är det ett fel, en prisändring som inte har genomförts, eller ett berättigat pristillägg? Det är en fråga med en anledning bakom, och den anledningen måste någon kunna godkänna eller avslå.
Därtill kommer compliance-sidan: en bokföring måste stämma, även vara kontrollerbar i efterhand, och ett fel i leverantörsreskontran kostar mer än tiden det tar att rätta till det. Vid avvikelser är felkostnadsaxeln alltså inte låg nog för att risken ska kunna lämnas åt ett system enbart. Det är också anledningen till att detta skiljer sig från exempelvis att registrera ett mottagningsbevis i systemet, där mindre finansiella konsekvenser är direkt kopplade till handlingen.
Tekniken som gör detta möjligt är textigenkänning: OCR som läser in en faktura och extraherar data, kopplad till ett matchningssystem som lägger order, mottagningsbevis och faktura sida vid sida. Kvaliteten på den igenkänningen avgör hur mycket som går igenom automatiskt. Med en ren dataset — fasta leverantörer, digitala fakturor, konsekventa ordernummer — ligger den automatiskt bearbetade delen högt. Med många enskilda leverantörer, pappersfakturor eller avvikande format ligger den betydligt lägre, och arbetet förskjuts från "AI gör det" till "AI gör förarbetet, en människa bedömer undantaget".
Utfallet beror i hög grad på hur standardiserad inköpsprocessen är. Ett företag med ett litet antal fasta leverantörer och strikt PO-disciplin — varje order registrerad i förväg — kan låta en stor del av fakturorna matchas automatiskt. Ett företag med många engångsinköp, muntliga avtal eller leverantörer som levererar fakturor på varierande sätt, får kvar betydligt fler undantag som en människa måste granska. Även utformningen av angränsande processer spelar in: om beställningar hos leverantörer redan är strukturerat registrerade i systemet, blir matchningen vid fakturans ankomst enklare än om den informationen saknas eller är ofullständig.
Detta är inget personalråd och ingen grund för ett beslut om en befattning eller medarbetare. Frågan här är vilken del av arbetet som till sitt innehåll lämpar sig för automatisering, inte vad en organisation gör med den slutsatsen i sin personalpolitik. För beslut som rör anställningsförhållandet gäller egna lagkrav; mer om hur AI-användning och arbetstagarskydd samspelar finns på sidan om AI-förordningen och era medarbetare. Den som vill veta mer i stort om hur denna förskjutning sker inom kontorsarbete hittar det i översikten över vad AI kan ta över inom företagstjänster.
För att se hur detta slår ut för er egen leverantörsreskontraprocess behöver man titta på andelen standardiserade fakturor, kvaliteten på PO-kopplingen och den felhantering som redan finns idag. Den kostnadsfria snabbskanningen från FTE TO AI ger en första riktning i detta: tolv frågor, utan konto, med en indikation på vilken andel av timmarna i en profil som denna som idag går att ta över med AI. Den fullständiga arbetsskanningen, som räknar ut detta på uppgiftsnivå för ett helt företag, är fortfarande under uppbyggnad.
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.