Hvorfor fakturaautomatisering fremdeles strekker til kort, og hvordan selvlærende KI endrer bildet for IFS-kunder
Hvis du bruker IFS, er sjansen stor for at fakturaautomatisering har stått på planen din i årvis.
Skrevet av Emma Blackmore, markedsføringssjef hos Snowfox
Et gjesteinnlegg fra Snowfox , skrevet for Addovation-fellesskapet.
De fleste organisasjoner har investert betydelig i å øke andelen innkjøpsordrematching, ettersom dette er den mest etablerte veien til automatisering i IFS, og for fakturaer knyttet til innkjøpsordrer fungerer dette godt. OCR er på plass, godkjenningsflyter er konfigurert, og konteringsregler er finpusset om igjen og om igjen. På papiret ser prosessen automatisert ut.
I praksis opplever mange økonomiavdelinger at de fremdeles må kontere en vesentligandel av fakturaene manuelt. Dette gjelder særlig fakturaer uten innkjøpsordre, som fortsatt er en av de vanskeligste utfordringene innen reskontro. Hvis dette høres kjent ut, er du ikke alene, og det skyldes ikke manglende innsats eller investeringer. Det er en begrensning i den underliggende tilnærmingen.
I dette innlegget ønsker vi å dele det vi ser på tvers av IFS-økosystemet, hvorfor den tradisjonelle automatiseringsmodellen i det stille har flatet ut, og hva som endrer seg når selvlærende KI integreres direkte i IFS-fakturaprosessen.
En stor takk til teamet i Addovation for invitasjonen til å dele vårt perspektiv med deres fellesskap.
Automatiseringsgapet i IFS Finans
De fleste IFS-kunder har allerede tatt viktige skritt for å digitalisere sin økonomiprosess. Gapet vi ser, befinner seg nesten alltid på samme sted: steget mellom en skannet faktura og et ferdig kontert, korrekt videresendt dokument som er klart for godkjenning.
Fakturaer knyttet til innkjøpsordrer er relativt enkle, fordi innkjøpsordren gir systemet nok struktur til å validere, matche og rute automatisk. Fakturaer uten innkjøpsordre er derimot en annen utfordring. Det finnes ingen innkjøpsordre å matche mot, konteringen avhenger av organisatorisk kontekst, og riktig godkjenner avhenger ofte av hva utgiften gjelder, fremfor en fast regel. Det er her økonomiavdelingene fremdeles bruker timer hver eneste uke.
Hvor den tradisjonelle automatiseringen svikter
Mesteparten av dagens fakturaautomatisering er bygget på tre komponenter:
- OCR for datauttrekking
- Regelbasert logikk for kontering
- Arbeidsflytverktøy for ruting og godkjenninger
Hver for seg spiller de en viktig rolle. Men alle tre er avhengige av en forhåndsdefinert struktur. OCR kan hente ut dataene fra en faktura, men kan ikke avgjøre hvordan fakturaen skal konteres.
Regler kan bruke logikk, men bare i scenarioer du har forutsett og konfigurert. Og økonomiavdelingen står sjelden stille, slik alle som har jobbet der vet:
- Nye leverandører dukker opp hele tiden
- Fakturadata er ufullstendige eller inkonsistente
- Kostnadsstrukturer og hovedbokshierarkier endrer seg
- Leverandørbaserte konteringsmaler, som er svært vanlige i IFS, sliter når den samme leverandøren sender fakturaer som må konteres ulikt
- Flerlinjers fakturaer og fakturaer på tvers av enheter passer ikke inn i enkle maler
Resultatet er at bare en brøkdel av fakturaene kan håndteres automatisk. Resten havner hos en ansatt for gjennomgang, korrigering og ruting, og hver nye regel som skrives for å fange opp spesialtilfeller, blir en ny regel som må vedlikeholdes.
Vi så nærmere på dette i en nylig artikkel om hvorfor de fleste IFS-team fortsatt konterer fakturaer manuelt, hvis du vil grave dypere i de underliggende mekanismene.
Den skjulte kostnaden ved delvis automatisering
Dette skaper en mindre synlig, men betydelig operasjonell belastning. Spesielt i IFS ligger rundt 90 % av fakturaer uten bestillingsreferanse (non-PO) vanligvis utenfor enhver automatiseringsregel eller mal, noe som betyr at de fleste konteres helt manuelt, og bare et lite utvalg gjenbrukende fakturaer plukkes opp av regler. Teamene bruker tiden sin på å vedlikeholde disse reglene, gjennomgå avvik, rette opp i inkonsistent kontering og lære opp nyere kolleger i en stadig lengre liste med spesialtilfeller. Automatisering finnes, men den skalerer ikke. Etter hvert som transaksjonsvolumet vokser, øker også den manuelle tidsbruken som kommer på toppen.
Et skifte i tilnærming: fra regler til læring
Selvlærende KI endrer utgangspunktet. I stedet for å bli fortalt hvordan en faktura skal konteres gjennom regler og maler, lærer modellen av organisasjonens historiske fakturadata, hvordan teamet faktisk har konterte fakturaer tidligere, hvordan godkjenninger faktisk har flytt, og hvor avvik faktisk har oppstått.
Basert på dette kan den forutsi, faktura for faktura:
- Riktig hovedbokskonto, kostnadssted og andre konteringsdimensjoner som prosjekt eller forretningsenhet
- Mva-behandling
- Riktig godkjenner og godkjenningsflyt
- Fritekstfeltverdier som er spesifikke for dine konteringsmønstre
Og fordi den fortsetter å lære av hver eneste korrigering og hver nye faktura, forbedres nøyaktigheten over tid i stedet for å svekkes når virksomheten endrer seg. Det er ingen maler som må bygges, og ingen regler som må vedlikeholdes. Modellen tilpasser seg automatisk etter hvert som konteringsmønstrene og godkjenningsrutinene dine utvikler seg.
Hva dette betyr i IFS
For IFS-kunder er det praktiske spørsmålet hvordan dette passer inn i et miljø du allerede har investert i. Det korte svaret er: Det sitter inni det, ikke ved siden av.
Snowfox er utviklet for å fungere innenfor den eksisterende IFS-fakturaarbeidsflyten i stedet for å erstatte noen del av den. IFS forblir ditt system for registrering. Godkjenningshierarkiet ditt, kontoplanen din, styringsmodellen din – alt forblir på plass. Det som endres er at fakturaer ankommer godkjenningsfasen allerede kodet og rutet, lært fra dine egne historiske data, med en nøyaktighet som forbedrer transaksjon for transaksjon.
Operasjonelt betyr det typisk:
- En merkbart større andel fakturaer som håndteres uten manuell kontering
- Færre berøringspunkter per faktura og raskere syklustider
- Mer konsistent kontering på tvers av enheter og nyankomne medarbeidere
- Økonomikapasitet frigjort fra dataregistrering til analyse og kontroll
Det er også verdt å merke seg at denne tilnærmingen støtter organisasjoner på ulike stadier av sin IFS-reise, inkludert de som oppgraderer fra eldre versjoner til IFS Cloud.
Automatiseringsevnen må ikke gjenoppbygges hver gang underliggende plattform utvikler seg.
For en nærmere titt på hvordan dette fungerer i IFS, inkludert en live gjennomgang, holdt vi nylig et webinar med IFS om automatisering av leverandørfakturahenting ved hjelp av selvlærende KI, som nå er tilgjengelig som opptak.
Bli med på Addovations kommende webinar med Snowfox !
13. mai klokken 08:30 CEST arrangerer vi et webinar sammen med Snowfox , hvor vi skal utforske flere av utfordringene som er fremhevet i dette blogginnlegget mer grundig.
Sikre deg en plass i dag – ikke gå glipp av dette!
Hvorfor partneren betyr noe
Å introdusere KI i en løpende økonomiprosess handler like mye om god implementeringsforståelse som om selve teknologien. Arbeidsflyter må forstås ordentlig før de kan automatiseres på en god måte. Ansvarsfordelingen mellom økonomi og IT må være klar. Og integrasjonen mot IFS må utføres av personer som kjenner systemet grundig.
Det er her erfarne IFS-partnere som Addovation spiller en sentral rolle. Kombinasjonen av dyp
Gjesteblogger
Om forfatteren
Emma Blackmore er markedsføringssjef for Snowfox , hvor hun leder markedsføring og partnerhistoriefortelling på tvers av Snowfox økosystem. Med bakgrunn fra B2B SaaS og partnerdrevet vekst, fokuserer Emma på hvordan spesialiserte teknologier som Snowfox lande i den virkelige verden, gjennom partnerne som implementerer dem og finansteamene som jobber med dem hver dag. Hun tror sterkt på at den beste markedsføringen på dette området starter med en genuin forståelse av arbeidet, og hun bringer det perspektivet inn i alt. Snowfox legger ut.
