Betalningar som kommer in via online betalningsleverantörer (tänk på Mollie, Stripe, Adyen) måste stämmas av mot försäljningsfakturor och mot de bankmutationer där pengarna slutligen dyker upp. Detta är ett matchningsjobb: belopp, referenser och datum läggs bredvid varandra för att fastställa vilken faktura som hör till vilken betalning och vilken betalning som hör till vilken bankmutation. Typiskt arbete för bokhållare och administrativa medarbetare, med en betalningsleverantör-koppling och bokföringssystemet som verktyg.
Tre axlar är här avgörande: strukturerbarhet, volym och felkostnader.
Uppgiften är ganska strukturerad (4 av 5). En betalning har ett belopp, ett datum, en referens eller transaktions-ID. En faktura har samma sorts kännetecken. Matchning är i grunden en aritmetisk och logisk jämförelse, ingen uppgift som kräver tolkning av en situation. Volymen är hög (5 av 5): hos en webbshop eller tjänsteleverantör med många små transaktioner uppgår detta snabbt till hundratals eller tusentals rader per månad, och det är precis den sortens upprepning där automatiserad matchning visar sitt värde.
Felkostnaderna ligger dock på den låga sidan (2 av 5): en felaktig matchning betyder en faktura som felaktigt avskrivs som betald, eller en bankmutation som tillskrivs fel kund. Den sortens fel märks, men ofta först vid nästa avslutning eller vid ett klagomål från en kund som får en påminnelse för en faktura som redan är betald. Därför är fullständig automatisering utan kontroll inte en bra idé, även om uppgiften i sig går bra att strukturera.
Bedömningsutrymme (2) är begränsat men inte noll: den överväldigande majoriteten av matchningarna är entydiga, en liten del kräver ett beslut (delbetalning, valutaskillnad, dubbel transaktion). Regelefterlevnad (3) spelar in eftersom avstämning är en del av en tillförlitlig ekonomiadministration, med krav på kontrollerbarhet som inte följer av kopplingen i sig utan av det sätt på vilket ett företag måste kunna redovisa sin bokföring. Kundkontakt (5), fysiskt arbete (5) och kreativitet (5) är inte aktuella här; denna uppgift utspelar sig helt i system, inte vid en disk eller i ett samtal.
Ett exempel: en webbshop tar emot hundratals betalningar per vecka via en betalningsleverantör, var och en med en transaktionsreferens som går att återfinna i bokföringssystemet. Med en aktiv koppling och tydliga matchningsregler (belopp plus referens, eller belopp plus datum plus kundnamn om referensen saknas) kan en RPA-process avsluta större delen av dessa matchningar självständigt. Det som återstår är en lista med undantag: avvikande belopp, saknade referenser, dubbla bokningar. Den listan lägger en medarbetare bredvid de ursprungliga underlagen och bedömer med ett godkännande eller avslag, med motivering. Det är den form som passar här: AI utför matchningen, en människa håller tillsyn över det som inte stämmer av sig självt.
Hos ett annat företag ser det annorlunda ut. Utan en aktiv koppling till betalningsleverantören, eller med betalningar som kommer in via lösa kalkylblad, saknas den struktur som matchning bygger på, och arbetet flyttar tillbaka till manuell utredning. Hos ett företag med många delbetalningar, rabatter och kreditnotor ökar bedömningsutrymmet och minskar den andel som kan skötas utan tillsyn. Ramvillkoren är alltså inte dekorativa: utan koppling och utan tydliga matchningsregler är detta en uppgift som till stor del förblir mänskligt arbete, med eller utan ambition att automatisera.
Avstämning står inte för sig själv. Den som redan till stor del har automatiserat upprättande och utskick av försäljningsfakturor ser ofta att matchningen på andra sidan blir enklare av sig själv, eftersom referenserna blir mer konsekventa. Detsamma gäller på inköpssidan: bokföring av inköpsfakturor i bokföringssystemet och bevakning av förfallodatum för inköpsfakturor för punktlig betalning är liknande matchningsuppgifter med jämförbara för- och motaxlar. Företag som betraktar dessa uppgifter tillsammans ser ofta en konsekvent bild: strukturerat och högvolymsarbete flyttar till system med tillsyn över undantag, medan arbete med mycket bedömningsutrymme eller kundkontakt, som synligt i vad AI kan överta inom restaurangbranschen eller vid telefonsvar och vidarekoppling, rör sig långsammare. Även upprättande av en öppen postlista för kundfordringar och leverantörsskulder bygger på samma matchningslogik och samma beroende av rena kopplingar.
Detta är inte personalrådgivning och ingen anledning att revidera tjänster. Om och hur en organisation omfördelar de frigjorda timmarna är ett val som arbetsgivaren själv gör; för beslut som påverkar personal gäller egna lagstadgade krav, oberoende av vad som här fastställs om uppgiften. Det som står här är en bedömning av arbetet, inte av de människor som utför det idag.
Om avstämning hos ert eget företag till stor del eller bara till en liten del kan ske automatiskt, beror på den koppling ni har med er betalningsleverantör och på hur entydiga era matchningsregler är. Den kostnadsfria snabbanalysen, tolv frågor, utan konto, ger en indikation på vilken andel av timmarna i denna profil som idag kan övertas av AI. Den fullständiga arbetsanalysen, som bryter ner ert företags arbete ända ner till uppgiftsnivå, 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.