Faktura-matching

Sådan ser en fredag ud i bogholderiet

Bogholderen får en stak fakturaer ind. Nogle kommer som PDF i mailen. Nogle uploades via leverandørportal. Nogle er scannet ind via en god gammel multifunktionsprinter.

For hver faktura skal hun:

1. Læse leverandørnavn, fakturanummer, beløb og momsbeløb.
2. Slå op i regnskabssystemet og finde den tilhørende ordre eller indkøbsrekvisition.
3. Tjekke om beløb, antal og varelinjer stemmer.
4. Markere afvigelser og enten godkende eller sende tilbage til indkøb.

I et firma med 15 ansatte er det måske 60 til 100 fakturaer om ugen. Det tager en halv arbejdsdag. Når der er fejl (forkert pris, manglende ordre, doubleret faktura), kan det blive til en hel.

Det er den slags arbejde der ikke er svært. Det er bare gentaget. Og det er præcis hvor agenter er bedre end mennesker.

Hvad en agent ville gøre i stedet

Agenten kører automatisk når en faktura lander (mail, Drive, eller direkte fra leverandørportalen):

1. Læser fakturaen som tekst, ikke som billede. Trækker leverandørnavn, fakturanummer, ordrereference, beløb, momsbeløb og linjeposter ud.
2. Slår op i regnskabssystemet (e-conomic, Dinero, Visma Business, hvad I nu kører) og finder den tilhørende ordre.
3. Sammenligner linje for linje. Hvis alt stemmer, lægges fakturaen klar til godkendelse.
4. Hvis noget afviger, skriver agenten en kort note (“beløb er 142 kr højere end ordrebeløb på linje 3”) og lægger fakturaen i en separat indbakke til menneskelig vurdering.

Bogholderen åbner kun indbakken med afvigelser. Resten er godkendt og bogført inden hun har hentet kaffe.

Sådan ville jeg bygge den

Ikke fra bunden. Nøgleelementerne:

OCR og dataudtræk. Her er der et reelt valg. En generel model som Claude eller GPT klarer langt de fleste danske fakturaer med en faktura-prompt og er nemmest at komme i gang med. Mistral OCR er bygget specifikt til dokumenter, billigere ved volumen, og kører i EU. For et dansk firma med fast fakturaflow er Mistral OCR sandsynligvis det rigtige valg på sigt. Resten (håndskrevet, dårlige scans, eksotiske formater) skal mennesket alligevel se på. Det er ikke en fejl, det er en arbejdsdeling.

Regnskabssystemets API. De fleste danske regnskabssystemer har et åbent API. e-conomic og Dinero er nemme at integrere mod. Visma kræver lidt mere arbejde. Det her er det punkt hvor man enten er glad eller frustreret over sit nuværende valg af system.

Matching-logik. Ikke AI her, bare almindelig kode. Sammenlign fakturalinjer mod ordrelinjer. Marker afvigelser til mennesket.

Indbakke til afvigelser. Et ganske simpelt dashboard, eller bare en mappestruktur i Drive. Behøver ikke at være fancy. Behøver bare at være hvor bogholderen ved hun skal kigge.

Godkendelsesflow. Bogholderen ser kun afvigelserne. Resten godkendes automatisk, eller automatisk efter et antal dage uden indvending. Det er en politik-beslutning, ikke en teknisk.

Hvad agenten ikke kan

Den kan ikke vurdere om en faktura egentlig burde være kommet. Hvis I får en faktura fra en leverandør I aldrig har bestilt fra, skal bogholderen stadig se på den. Det er det rigtige svar, ikke en svaghed.

Den kan heller ikke håndtere kreditnotaer godt uden ekstra logik. Når der kommer en kreditnota, skal den kobles på den oprindelige faktura. Det er muligt, men det er en separat arbejdsgang at bygge.

Og den kan ikke bogføre noget der ikke er klart. Hvis konteringen kræver vurdering (er det drift eller anlæg?), så er det stadig bogholderens beslutning.

Hvad det koster at sætte op

Ærlig vurdering:

• 2 til 4 dage med en udvikler der kender jeres regnskabssystem.
• Et par hundrede kroner om måneden i API- og modelomkostninger ved 60 til 100 fakturaer om ugen. Mindre hvis I vælger en lille model, mere hvis I vælger en stor.
• En ugentlig tjek hvor bogholderen ser om noget gik galt. Det falder når tilliden vokser.

Hvis bogholderen sparer 4 timer om ugen, er det 16 timer om måneden. Til en intern timepris omkring 350 kroner svarer det til knap 5.600 kroner sparet hver måned. Opsætningen tjener sig typisk hjem inden for det første halve år, og driften koster derefter et par hundrede kroner om måneden.

Flere opgaver fra hverdagen

Se de andre forslag i AI i praksis.