%20(23).webp)
Nå vurderer flere i bilbransjen AI i fakturahåndteringen – men hva bør du se etter?
Etter år med digitalisering og regelbaserte systemer opplever mange økonomiavdelinger i bilbransjen at forbedringene stopper opp, og ser nå til AI som neste steg. I et marked der nesten alle leverandører hevder å tilby en AI-løsning, er det viktig å vite hva man faktisk bør se etter for å skille løsningene fra hverandre.
Mange selskaper har kommet langt med digitalisering. De har ERP, e-faktura og forhåndsdefinerte flyter. Likevel er fakturahåndteringen fortsatt ressurskrevende. Det skyldes ikke nødvendigvis at løsningene er dårlige, men at kompleksiteten i fakturainnholdet overstiger det regelbasert logikk alene kan håndtere. Når fakturaene inneholder mange linjer, spesialkontering eller fordeling på flere biler og prosjekter, må økonomiteamet stadig inn og korrigerer.
Det er her flere nå vurderer AI som et alternativ, ikke for å gjøre mer av det samme, men for å løse det som hittil har vært vanskelig å automatisere.
Hva bør du se etter i en AI-løsning?
Mange selskaper har allerede automatisert det som lar seg løse med forhåndsdefinerte regler. Men når fakturaene inneholder variable elementer som verkstedsbeskrivelser, leasingpakker eller forsikringsdetaljer, kommer slike systemer ofte til kort. For å kompensere, legges det noen ganger til et AI-lag på toppen, men dette bygger som regel bare flere regler, som må vedlikeholdes og tilpasses manuelt.
I rapporten, What an AI-powered finance function of the future looks like, peker McKinsey på at slike hybride løsninger ikke lærer over tid, og dermed ikke løser det grunnleggende problemet. Her skiller løsninger som er bygget med AI fra bunnen av, såkalte AI-native løsninger, seg ut. Slike løsninger er utviklet for kontinuerlig læring og forbedring basert på faktiske data. Når innholdet i fakturaene endrer seg, lærer systemet og tilpasser seg automatisk. Det betyr færre manuelle inngrep, ingen nye regler å vedlikeholde, og økt automatisering over tid.
Når detaljer gir bedre kontroll
I bilbransjen handler fakturahåndtering ofte om mer enn å betale regningen. Det handler om å vite hva man betaler for, hvor og hvorfor. Derfor er evnen til å koble fakturadata til riktige kjøretøy, avdelinger og tjenester avgjørende.
AI-løsninger som jobber på linjenivå muliggjør presis fordeling og åpner for analyser som tidligere har krevd manuelle uttrekk og etterarbeid. Samtidig legger de grunnlaget for en vesentlig høyere automasjonsgrad, også der fakturainnholdet er komplekst eller avviker fra tidligere mønstre. Det gir innsikt i kostnadsutvikling og mulighet til å identifisere avvik, forbedre budsjetter og ta bedre beslutninger.
For selskaper med flere juridiske enheter gir det også stor gevinst å kunne jobbe på tvers av klienter i ett og samme grensesnitt. Det gir bedre oversikt, reduserer behovet for manuell navigering mellom systemer, og bidrar til mer effektiv behandling av inngående fakturaer på tvers av enheter.
Hva bør du vurdere i en løsning?
Når du vurderer AI for fakturahåndtering, er det viktig å gå bak begreper og se etter hva løsningen faktisk leverer. Noen sentrale spørsmål kan være:
- Kan løsningen tolke og kontere fakturaer på linjenivå?
- Identifiserer løsningen avvik i fakturadata?
- Må økonomiavdelingen fortsatt justere regler eller rydde i unntak?
- Gir løsningen innsikt i kostnader per bil, prosjekt eller leverandør?
Flere av disse vurderingspunktene, som linjenivåkontering, håndtering av ustrukturert fakturadata og kostnadsinnsikt, samsvarer med det Capgemini trekker frem som nøkkelkriterier for høy automasjonsgrad. I deres rapport beskrives økt effektivitet, bedre datagrunnlag og redusert feilmargin som typiske utfall når slike løsninger tas i bruk (Digital Procurement Research 2020-2021).
AI har blitt et buzzord i økonomifunksjonen – men ikke alle «AI-løsninger» er det de utgir seg for å være. I dette 45-minutters webinaret, lærer du hvordan du skiller hype fra reell verdi, hvilke fallgruver du bør unngå, og hvordan selvlærende AI kan gi økt innsikt og høyere automatiseringsgrad.
%20(2).webp)