Fakturabehandling med AI: hvad I bør automatisere først, og hvad der skal forblive manuelt

Kreditorbogholderiet er ofte det første sted, økonomiteams kigger hen, når de overvejer AI. Arbejdet gentager sig hver uge, input er dokumenter, og fejl koster nok til, at nogen altid opdager dem. Det gør fakturaer til en god kandidat, men kun hvis det er klart, hvilke trin en model skal tage sig af, og hvilke der bliver hos et menneske.

Denne artikel gennemgår fakturaprocessen trin for trin, viser hvor AI gør en forskel, og opregner de kontroller, vi bygger rundt om den i vores projekter.

Start med det format, jeres fakturaer kommer i

Ikke alle fakturaer kræver AI. Efter EU's regler er en elektronisk faktura en faktura, der udstedes, sendes og modtages i et struktureret dataformat, som gør automatisk behandling mulig, baseret på den europæiske standard EN 16931. En pdf vedhæftet en e-mail opfylder ikke den definition. Når en faktura kommer som strukturerede data, for eksempel via Peppol-netværket, er felterne der allerede, og en regelbaseret import er billigere og mere pålidelig end nogen model.

Andelen af strukturerede fakturaer vokser. I Tyskland har alle indenlandske virksomheder siden 1. januar 2025 skullet kunne modtage e-fakturaer, og de må kun sende andre formater indtil udgangen af 2026, eller udgangen af 2027 hvis omsætningen året før var €800.000 eller mindre. På EU-niveau indfører pakken VAT in the Digital Age, vedtaget i marts 2025, digital indberetning af grænseoverskridende B2B-transaktioner fra 1. juli 2030 og giver medlemslandene mulighed for at indføre obligatorisk national e-fakturering. AI er mest nyttig til resten: pdf'er, scanninger, fotos af kvitteringer og den lange hale af leverandører, der endnu ikke er gået over.

Fakturaprocessen trin for trin

Hvad I bør automatisere først

De bedste første trin har stor volumen og kræver lidt skøn. I vores projekter betyder det som regel tre ting.

• Modtagelse og klassificering. En fælles kreditorindbakke samler fakturaer, betalingspåmindelser, kontoudtog og spørgsmål fra leverandører. En model kan sortere dem og sende hver enkelt til den rette kø, hvilket fjerner overraskende mange manuelle klik.
• Udtræk af felter fra ustrukturerede fakturaer. Sprogmodeller, der kan læse billeder, kan håndtere layouts, de aldrig har set før, hvilket ældre skabelonbaseret OCR ikke kunne. Resultatet skal altid være den samme strukturerede post, som jeres økonomisystem forventer, så en scannet faktura og en Peppol-faktura ser ens ud resten af vejen.
• Forslag til kontering. De fleste virksomheder bogfører den samme leverandør på den samme konto og det samme omkostningssted måned efter måned. En model, der foreslår konteringen ud fra tidligere posteringer og viser hvorfor, sparer tid og holder beslutningen synlig.

Hvad der skal forblive manuelt

Nogle trin bliver hos mennesker. Ikke fordi AI ikke kan give et svar, men fordi et forkert svar koster for meget, eller fordi ansvaret skal ligge hos en navngiven person.

• Ændringer af leverandørers bankoplysninger. En anmodning om at ændre et kontonummer er en klassisk vej til fakturasvindel. Bekræft den hos en kendt kontaktperson via en anden kanal, aldrig ved at svare på den besked, der bad om ændringen.
• Frigivelse af betalinger. AI kan forberede betalingskørslen. En person med bemyndigelse til at bruge pengene godkender den.
• Nye leverandører og usædvanlige momstilfælde. En første faktura fra en ny leverandør, eller en grænseoverskridende transaktion eller en med omvendt betalingspligt, bør gennemgås af et menneske, indtil I har belæg for, at systemet håndterer den korrekt.
• Tvister og større afvigelser. Afvigelser, der kræver en samtale med leverandøren, er relationsarbejde, ikke dataarbejde.

De kontroller, der gør det pålideligt

Et fakturasystem er kun så godt som kontrollerne omkring det. Disse bygger vi ind fra starten.

1. Sikkerhedstærskler pr. felt. Værdier, modellen er usikker på, går til en kø til gennemgang i stedet for at blive bogført i stilhed.
2. Regne- og fuldstændighedskontrol. Fakturalinjerne skal summe op til totalerne. EU's momsdirektiv opregner de oplysninger, en faktura skal indeholde, for eksempel leverandørens momsnummer, et fortløbende nummer og den anvendte momssats, så manglende oplysninger markeres før bogføring.
3. Registrering af dubletter. Sammenlign leverandør, fakturanummer, beløb og dato. Den samme faktura kommer ofte to gange: én gang på e-mail og én gang via en portal eller med posten.
4. Matchningstolerancer fastsat af økonomi. Den accepterede afvigelse i pris eller mængde er en forretningsregel. Skriv den ned og håndhæv den i koden i stedet for at overlade den til modellen.
5. Et revisionsspor. Momsdirektivet kræver, at fakturaens ægte oprindelse, indholdets integritet og læsbarheden sikres, for eksempel gennem forretningskontroller, der skaber et pålideligt revisionsspor mellem faktura og levering. Gem det originale dokument, de udtrukne data, hver ændring og hvem der godkendte den.
6. En ugentlig stikprøve. Gennemgå en tilfældig stikprøve af automatisk behandlede fakturaer, ikke kun de markerede. Det er den eneste måde at finde fejl, som systemet var sikker på.

Sådan kommer I i gang

Mål først den nuværende proces i et par uger: hvor mange fakturaer der kommer ind, via hvilke kanaler, hvor lang tid hver enkelt tager, og hvor de går i stå. Vælg derefter det trin i tabellen, der matcher jeres største flaskehals. For de fleste teams er det modtagelse og udtræk, hvor et menneske gennemgår hver foreslået postering den første måned. Udvid kun automatiseringen, hvor gennemgangen viser, at fejlraten er lav nok til at stole på.

Vil I vurdere, hvad det kan spare jeres team, så beskriv processen i ROI-beregneren. Hvis I stadig overvejer, hvor I skal starte, så læs fem spørgsmål, der vælger den rigtige første automatisering, eller se typiske workflows fordelt på forretningsområder.