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.
Många företag har redan automatiserat det som går med regler. Men när fakturorna innehåller variabla element som verkstadsbeskrivningar, leasingpaket eller försäkringsdetaljer räcker sådana system sällan till. För att kompensera läggs det ofta till AI-lager som hanterar avvikelser, men som i praktiken bara genererar fler regler.
McKinsey påpekar i sin rapport "What an AI-powered finance function of the future looks like" att hybrida modeller inte lär sig eller förbättras över tid och därmed inte löser kärnan i problemet. AI-native-lösningar är byggda för att förstå variation och lära sig kontinuerligt. De anpassar sig när fakturainnehållet förändras och gör systemet smartare över tid, utan att ekonomiavdelningen behöver ingripa.
AI-native-lösningar är alltså byggda för att lära av variation, inte kringgå den. Istället för att kräva nya regler identifierar lösningarna mönster i data och anpassar sig när fakturainnehållet förändras. Det gör att systemet blir bättre över tid, samtidigt som ekonomiavdelningen slipper lägga tid på manuella justeringar och regelunderhåll.
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.
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:
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).