Hvorfor fakturaautomatisering fortsatt ikke strekker til – og hvordan selvlærende AI endrer spillereglene for IFS-kunder

De fleste organisasjoner har investert betydelig i å øke dekningen av innkjøpsordrer (PO), fordi PO-matching er den mest etablerte veien til automatisering i IFS, og for fakturaer knyttet til innkjøpsordre fungerer dette godt. OCR er på plass, godkjenningsflyter er konfigurert, og konteringsregler er finjustert flere ganger. På papiret ser prosessen automatisert ut.

I praksis opplever likevel mange økonomiteam at de fortsatt må kontere en betydelig andel fakturaer manuelt, særlig fakturaer uten innkjøpsordre (non-PO). Dette er fortsatt en av de mest krevende utfordringene innen leverandørreskontro. Hvis dette høres kjent ut, er du ikke alene – og det skyldes ikke manglende innsats eller investeringer. Det er en begrensning i selve tilnærmingen.

I dette innlegget deler vi hva vi ser på tvers av IFS-økosystemet, hvorfor den tradisjonelle automatiseringsmodellen i det stille har nådd et platå, og hva som skjer når selvlærende AI integreres direkte i fakturaflyten i IFS.

En stor takk til teamet i Addovation for invitasjonen til å dele vårt perspektiv med deres community.

Automatiseringsgapet i IFS Finance

De fleste IFS-kunder har allerede tatt viktige steg for å digitalisere økonomiprosessene sine. Likevel ser vi nesten alltid det samme gapet: mellom en skannet faktura og et ferdig kontert og korrekt routet dokument klart for godkjenning.

Fakturaer med innkjøpsordre er relativt enkle å håndtere, fordi ordren gir systemet nok struktur til å validere, matche og rute automatisk. Fakturaer uten innkjøpsordre er en helt annen utfordring. Det finnes ingen PO å matche mot, konteringen avhenger av kontekst i organisasjonen, og riktig godkjenner bestemmes ofte av typen kostnad – ikke av faste regler. Det er her økonomiteam fortsatt bruker mange timer hver uke.

Hvor tradisjonell automatisering bryter sammen

Dagens fakturaautomatisering bygger i stor grad på tre komponenter:

• OCR for datafangst
• Regelbasert logikk for kontering
• Arbeidsflytverktøy for routing og godkjenning

Alle spiller en viktig rolle, men er avhengige av forhåndsdefinert struktur. OCR kan hente ut data fra en faktura, men kan ikke avgjøre hvordan den skal konteres.

Regler kan brukes, men kun for scenarier man har forutsett og konfigurert. Og økonomifunksjonen er, som alle som har jobbet i den vet, sjelden statisk:

• Nye leverandører kommer kontinuerlig
• Fakturadata er ofte ufullstendig eller inkonsekvent
• Kostnadsstrukturer og kontoplaner utvikler seg
• Leverandørbaserte konteringsmaler, som er svært vanlige i IFS, fungerer dårlig når samme leverandør sender fakturaer som må konteres ulikt
• Fakturaer med mange linjer eller flere enheter passer ikke i faste maler

Resultatet er at bare en del av fakturaene håndteres automatisk. Resten går tilbake til manuell behandling – gjennomgang, korrigering og routing – og hver nye regel som lages for å fange et spesialtilfelle, blir enda en regel som må vedlikeholdes.

Vi har sett nærmere på dette i en tidligere artikkel om hvorfor de fleste IFS-team fortsatt konterer fakturaer manuelt, dersom du ønsker å gå dypere inn i mekanikken bak.

Den skjulte kostnaden ved delvis automatisering

Dette skaper en mindre synlig, men betydelig operasjonell belastning. I IFS ligger rundt 90 % av non-PO-fakturaer utenfor regler og maler, noe som betyr at majoriteten håndteres fullt manuelt, mens kun et mindre sett av gjentakende fakturaer fanges opp av regler. Team bruker tiden på å vedlikeholde disse reglene, håndtere avvik, rette opp inkonsistent kontering og lære opp nye kolleger i en stadig voksende liste av spesialtilfeller. Automatisering finnes – men den skalerer ikke. Etter hvert som volumene øker, øker også den manuelle belastningen.

Et skifte i tilnærming: fra regler til læring

Selvlærende AI endrer utgangspunktet. I stedet for å bli fortalt hvordan en faktura skal konteres gjennom regler og maler, lærer modellen fra organisasjonens historiske fakturadata – hvordan fakturaer faktisk har blitt kontert, hvordan godkjenninger faktisk har flytt, og hvor avvik faktisk oppstår.

Basert på dette kan den forutsi, faktura for faktura:

• Riktig hovedbokskonto, kostnadssted og andre dimensjoner som prosjekt eller forretningsenhet
• MVA-behandling
• Riktig godkjenner og godkjenningsflyt
• Verdier i fritekstfelt basert på deres mønstre

Og fordi modellen kontinuerlig lærer av hver korrigering og hver nye faktura, blir den mer presis over tid – i stedet for mindre presis når virksomheten endrer seg. Det finnes ingen maler å bygge og ingen regler å vedlikeholde. Modellen tilpasser seg automatisk etter hvert som konteringsmønstre og godkjenningspolicyer utvikler seg.

Hva dette betyr i IFS

For IFS-kunder er det praktiske spørsmålet hvordan dette passer inn i en løsning man allerede har investert i. Det korte svaret: det ligger inni den, ikke ved siden av.

Snowfox er utviklet for å fungere innenfor den eksisterende fakturaflyten i IFS, ikke for å erstatte den. IFS forblir systemet dere styrer etter. Godkjenningshierarkier, kontoplan og styringsmodell forblir uendret. Forskjellen er at fakturaene kommer til godkjenning ferdig kontert og routet – basert på historiske data – med en presisjon som forbedres for hver transaksjon.

I praksis betyr dette gjerne:

• En betydelig høyere andel fakturaer håndtert uten manuell kontering
• Færre berøringspunkter per faktura og raskere gjennomløpstid
• Mer konsistent kontering på tvers av enheter og nye ansatte
• Økt kapasitet i økonomifunksjonen til analyse og kontroll fremfor registrering

Det er også verdt å merke seg at denne tilnærmingen støtter virksomheter i ulike faser av sin IFS-reise, inkludert de som er på vei over til IFS Cloud.

Automatiseringskapasitet trenger ikke bygges på nytt hver gang plattformen utvikler seg.

For en nærmere gjennomgang av hvordan dette fungerer i praksis i IFS, inkludert en live demonstrasjon, har vi nylig holdt et webinar sammen med IFS om automatisering av leverandørfakturakontering med selvlærende AI, som er tilgjengelig on-demand.

Hvorfor partneren er avgjørende

Å innføre AI i en aktiv økonomiprosess handler like mye om implementering som om teknologi. Arbeidsflyter må forstås riktig før de kan automatiseres godt. Ansvarsfordelingen mellom økonomi og IT må være tydelig. Og integrasjonen med IFS må gjøres av noen som virkelig kjenner systemet.

Her spiller erfarne IFS-partnere, som Addovation, en sentral rolle. Kombinasjonen av dyp IFS-kompetanse og spesialisert AI er det som gjør en lovende løsning til reell operasjonell forbedring – en som fungerer i praksis, tåler revisjon og fortsetter å bli bedre etter implementering.

Fra inkrementelle gevinster til skalerbar effekt

Når automatisering går fra regler til læring, endres også effekten. Det er ikke lenger en fast prosent forbedring på et fast sett av fakturaer. Det blir en kapasitet som skalerer – en som blir bedre jo mer den brukes, håndterer nye leverandører uten ny konfigurasjon, og reduserer vedlikeholdsbehovet i stedet for å øke det.

For IFS-kunder er spørsmålet ikke lenger om fakturaautomatisering er mulig. Det handler om hvordan man går fra delvis automatisering, med regler og unntak, til noe mer skalerbart, mer presist og mer bærekraftig.

Dette skiftet er allerede godt i gang i IFS-økosystemet. Hvis dere vurderer dette, er Addovation et naturlig sted å starte dialogen, og dere kan lese mer om hvordan Snowfox fungerer i IFS på vår partnerside.