AI i fakturahantering: Vad bilbranschen behöver veta för att välja rätt

Efter år av digitalisering och regelbaserade system upplever många ekonomiavdelningar inom bilbranschen att förbättringarna har stannat av, och de ser nu AI som nästa steg. I en marknad där nästan alla leverantörer hävdar att de erbjuder en AI-lösning är det viktigt att veta vad man faktiskt bör titta efter för att kunna särskilja lösningarna från varandra.

Många företag har kommit långt med digitalisering. De har ERP-system, e-fakturor och fördefinierade arbetsflöden. Trots detta är fakturahanteringen fortfarande resurskrävande. Detta beror inte nödvändigtvis på att lösningarna är dåliga, utan på att fakturainnehållets komplexitet överstiger vad regelbaserad logik ensam kan hantera. När fakturorna innehåller många rader, specialkonteringar eller fördelningar över flera fordon och projekt måste ekonomiavdelningen ofta ingripa och korrigera.

Det är här som många nu överväger AI som ett alternativ. Inte för att göra mer av samma, utan för att lösa det som hittills har varit svårt att automatisera.

Vad bör du titta efter i en AI-lösning?

Många företag har redan automatiserat det som går att lösa med fördefinierade regler. Men när fakturorna innehåller variabla element som verkstadsbeskrivningar, leasingpaket eller försäkringsdetaljer räcker dessa system ofta inte till. För att kompensera lägger man ibland till ett AI-lager ovanpå, men det bygger vanligtvis bara fler regler som måste underhållas och justeras manuellt.

McKinsey påpekar i sin rapport, What an AI-powered finance function of the future looks like, att sådana hybrida lösningar inte lär sig över tid och därför inte löser det grundläggande problemet. Här utmärker sig lösningar som är byggda med AI från grunden, så kallade AI-native-lösningar. Dessa är utvecklade för kontinuerligt lärande och förbättring baserat på verklig data. När innehållet i fakturorna förändras, lär sig systemet och anpassar sig automatiskt. Det innebär färre manuella ingrepp, inga nya regler att underhålla och ökad automatiseringsgrad över tid.

När detaljer ger bättre kontroll

Inom bilbranschen handlar fakturahantering ofta om mer än att betala räkningen. Det handlar om att veta vad man betalar för, var och varför. Därför är förmågan att koppla fakturadata till rätt fordon, avdelningar och tjänster avgörande.

AI-lösningar som arbetar på radnivå möjliggör exakt fördelning och öppnar för analyser som tidigare har krävt manuella utdrag och efterarbete. Samtidigt lägger de grunden för en väsentligt högre automatiseringsgrad, även där fakturainnehållet är komplext eller avviker från tidigare mönster. Det ger insikt i kostnadsutveckling och möjlighet att identifiera avvikelser, förbättra budgetar och fatta bättre beslut.

För företag med flera juridiska enheter ger det också stora fördelar att kunna arbeta över klienter i ett och samma gränssnitt. Det ger bättre översikt, minskar behovet av manuell navigering mellan system och bidrar till mer effektiv hantering av inkommande fakturor över enheter.

Vad bör du utvärdera i en lösning?

När du överväger AI för fakturahantering är det viktigt att gå bortom begrepp och se efter vad lösningen faktiskt levererar. Några centrala frågor kan vara:

• Kan lösningen tolka och kontera fakturor på radnivå?
• Identifierar lösningen avvikelser i fakturadata?
• Måste ekonomiavdelningen fortfarande justera regler eller hantera undantag?
• Ger lösningen insikt i kostnader per fordon, projekt eller leverantör?

Flera av dessa utvärderingspunkter, såsom radnivåkontering, hantering av ostrukturerad fakturadata och kostnadsinsikt, överensstämmer med det Capgemini lyfter fram som nyckelkriterier för hög automatiseringsgrad. I deras rapport beskrivs ökad effektivitet, bättre datagrund och minskad felmarginal som typiska resultat när sådana lösningar används (Digital Procurement Research 2020-2021).