Varför fakturaautomatiseringen fortfarande haltar – och hur självlärande AI förändrar spelplanen för IFS-kunder
Om du kör IFS är chansen stor att fakturaautomatisering har stått på din agenda i flera år.
Författat av Emma Blackmore, marknadschef på Snowfox
Ett gästinlägg från Snowfox, skrivet för Addovation-gemenskapen.
De flesta organisationer har satsat stora resurser på att öka inköpsorder-täckningen, eftersom matchning mot inköpsorder är den mest etablerade vägen till automation i IFS, och för fakturor kopplade till inköpsorder fungerar det väl. OCR finns på plats, attesteringsflöden är konfigurerade och konteringsregler har finjusterats upprepade gånger. På pappret ser processen automatiserad ut.
I praktiken lägger många ekonomiavdelningar fortfarande tid på att manuellt kontera en betydande del av sina fakturor, i synnerhet fakturor som saknar inköpsorder – vilket är en av de svåraste utmaningarna inom leverantörsreskontra. Om det låter bekant är du inte ensam, och det beror inte på bristande engagemang eller investeringar. Det är en begränsning i det underliggande arbetssättet.
I det här inlägget vill vi dela med oss av vad vi ser i IFS-ekosystemet, varför den traditionella automationsmodellen i det tysta har stannat av, och vad som förändras när självlärande AI integreras direkt i IFS fakturaflöde.
Ett stort tack till teamet på Addovation för inbjudan att dela vårt perspektiv med deras community.
Automationsluckan inom IFS Ekonomi
De flesta IFS-kunder har redan tagit viktiga steg för att digitalisera sina ekonomiprocesser. Glappet vi ser ligger nästan alltid på samma ställe: steget mellan en skannad faktura och ett färdigkonterat, korrekt vidarebefordrat dokument som är klart för att attesteras.
Fakturor med kopplade inköpsorder är relativt okomplicerade eftersom inköpsordern ger systemet tillräckligt med struktur för att validera, matcha och dirigera automatiskt. Fakturor som saknar inköpsorder är däremot en annan utmaning. Det finns ingen inköpsorder att matcha mot, konteringen beror på verksamhetens kontext och rätt attestant styrs ofta av inköpets karaktär snarare än en fast regel. Det är här ekonomiteamen fortfarande lägger många timmar varje vecka.
Där traditionell automatisering kommer till korta
Det Mesta av dagens fakturaautomatisering bygger på tre komponenter:
- OCR för dataextrahering
- Regelbaserad logik för kontering
- Flödesverktyg för att skicka vidare och attestera
Var och en fyller en viktig funktion. Men alla tre är beroende av fördefinierade strukturer. OCR kan extrahera uppgifterna på en faktura, men kan inte avgöra hur fakturan ska konteras.
Regler kan tillämpa logik, men bara i scenarier som du har förutsett och konfigurerat. Och ekonomiarbetet står sällan stilla, vilket alla som har arbetat med det vet:
- Nya leverantörer tillkommer ständigt
- Fakturadata är ofullständig eller inkonsekvent
- Kostnadsstrukturer och kontoplaner utvecklas
- Leverantörsspecifika konteringsmallar, vilket är mycket vanligt i IFS, har svårt att hantera när samma leverantör skickar fakturor som behöver konteras olika
- Fakturor med flera rader eller bolag passar inte i fasta mallar
Resultatet blir att endast en del av fakturorna kan hanteras automatiskt. Resten landar hos en person för granskning, korrigering och vidarebefordran, och varje ny regel som skapas för att fånga upp specialfall blir bara en till regel att underhålla.
Vi har tittat närmare på detta i en tidigare artikel om varför de flesta IFS-team fortfarande konterar fakturor manuellt, om du vill fördjupa dig i mekaniken bakom.
Det dolda priset för partiell automatisering
Detta skapar en mindre synlig men betydande operativ bromskloss. Specifikt i IFS ligger vanligtvis runt 90 procent av alla fakturor utan inköpsorder utanför alla automatiseringsregler eller mallar, vilket innebär att majoriteten konteras helt manuellt, och endast ett fåtal återkommande fakturor fångas upp av regler. Teamen ägnar tid åt att underhålla dessa regler, granska avvikelser, korrigera inkonsekvent kontering och utbilda nyanställda på en ständigt växande lista med specialfall. Automatisering finns, men den skalar inte. När transaktionsvolymerna växer ökar också det manuella merarbetet som ligger som ett skikt ovanpå.
Ett skifte i arbetssätt: från regler till maskininlärning
Självläpande AI förändrar utgångspunkten. Istället för att få instruktioner om hur en faktura ska konteras via regler och mallar lär sig modellen av er organisations historiska fakturadata, hur teamet faktiskt har konterat fakturor tidigare, hur attesteringen har flödat och var avvikelser faktiskt har uppstått.
Utifrån det kan den förutsäga, faktura för faktura:
- Rätt konto, kostnadsställe och andra konteringsdimensioner som projekt eller affärsområde
- Moms- och skattehantering
- Rätt attestant och attestflöde
- Fritextfältsvärden som är specifika för era konteringsmönster
Och eftersom den fortsätter att lära sig av varje korrigering och varje ny faktura förbättras träffsäkerheten över tid istället för att försämras när verksamheten förändras. Det finns inga mallar att bygga och inga regler att underhålla. Modellen anpassar sig automatiskt i takt med att era konteringsmönster och attestregler utvecklas.
Vad detta innebär i praktiken i IFS
För IFS-kunder är den praktiska frågan hur detta passar in i en miljö som ni redan har investerat i. Det korta svaret: det integreras i den, inte bredvid den.
Snowfox är utformat för att fungera inom det befintliga fakturaflödet i IFS, snarare än att ersätta någon del av det. IFS förblir ert huvudsystem. Er godkännandestruktur, er kontoplan och er styrningsmodell – allt detta förblir oförändrat. Det som förändras är att fakturorna når godkännandesteget redan kodade och vidarebefordrade, baserat på era egna historiska data, med en noggrannhet som förbättras för varje transaktion.
Operativt innebär det vanligtvis:
- En väsentligt större andel fakturor som hanteras utan manuell kontering
- Färre kontaktpunkter per faktura och kortare ledtider
- Mer konsekvent kontering över olika enheter och för nyanställda
- Ekonomiresurser som omfördelas från datainmatning till analys och kontroll
Det är också värt att nämna att detta arbetssätt stöttar organisationer i olika skeden av deras IFS-resa, inklusive de som uppgraderar från tidigare versioner till IFS Cloud.
Automationskaptern behöver inte byggas om varje gång den underliggande plattformen utvecklas.
För en närmare titt på hur detta fungerar i IFS, inklusive en live-genomgång, anordnade vi nyligen ett webbinarium med IFS om att automatisera leverantörsfakturakontering med självlärande AI, vilket finns tillgängligt för on-demand-visning.
Delta i Addovations kommande webbinarium med Snowfox!
Den 13 maj kl. 08:30 CEST anordnar vi ett webbinarium tillsammans med Snowfox, där vi kommer att fördjupa oss i flera av de utmaningar som lyfts fram i det här blogginlägget.
Säkra din plats i dag – missa inte detta!
Varför partnern spelar roll
Att introducera AI i en levande ekonomiprocess handlar lika mycket om implementeringsbedömning som om teknik. Arbetsflöden måste förstås ordentligt innan de kan automatiseras på ett bra sätt. Ansvarsfördelningen mellan ekonomi och IT måste vara tydlig. Och integrationen i IFS måste utföras av personer som verkligen kan systemet.
Det är här erfarna IFS-partner som Addovation spelar en central roll. Kombinationen av gedigen
Gästbloggare
Om författaren
Emma Blackmore är marknadschef (CMO) på Snowfox, där hon leder marknadsföringen och berättandet kring samarbetspartnerna inom hela Snowfox -ekosystemet. Med en bakgrund inom B2B-SaaS och partnerdriven tillväxt fokuserar Emma på hur specialiserade tekniker som Snowfox tillämpas i verkligheten, genom de partner som implementerar dem och de ekonomiteam som arbetar med dem dagligen. Hon är fast övertygad om att den bästa marknadsföringen inom detta område börjar med en genuin förståelse för arbetet, och hon införlivar det perspektivet i allt som Snowfox publicerar.
