Wat doet AI precies bij factuurverwerking?
AI herkent gegevens en hun betekenis, zoals leverancier, documentnummer, vervaldatum, valuta en tabelregels. Vervolgsoftware controleert of de waarden samen kloppen en het document bij de verwachte workflow hoort.
Dat onderscheid is belangrijk: een herkend bedrag is niet automatisch het juiste bedrag om te boeken. Een document kan een voorschot, korting, meerdere valuta's of een bedrag uit een eerdere periode bevatten. Het model moet ook het type waarde en de plek in de bron leveren. De boekhouder kan dan één concrete afwijking bekijken in plaats van de hele bijlage opnieuw te lezen.
Begin met het uitvoerformaat. Bepaal verplichte velden, gegevenstypen en de betekenis van een lege waarde. Nul, ontbrekend en onleesbaar zijn drie verschillende situaties. Als de import ze niet onderscheidt, verhuizen fouten naar de boekhouding, waar ze lastiger te vinden zijn.
Wat is het verschil tussen OCR, AI en gewone regels?
OCR leest tekens, AI helpt de betekenis te herkennen en regels voeren exacte controles uit. Ze vullen elkaar aan. Een taalmodel hoeft niet elk totaal uit te rekenen en standaarddocumentherkenning hoeft niet opnieuw te worden uitgevonden.
| Onderdeel | Geschikte taak | Typisch probleem |
|---|---|---|
| OCR | Een scan omzetten in tekst en posities | Een onleesbaar of afgesneden cijfer |
| Documentmodel | Kopgegevens, factuurregels en bedragen vinden | Een afwijkende tabel of meerdere documenten in één pdf |
| Taalmodel | Ongewone beschrijvingen en context interpreteren | Een overtuigend ingevuld maar gegokt veld |
| Validatieregels | Totalen narekenen en inkooporder vergelijken | Een verkeerd ingestelde tolerantie |
| Boekhoudsysteem | Een goedgekeurde boeking opslaan | Onbevestigde import of dubbele boeking |
De actuele documentatie van Azure Document Intelligence beschrijft een vooraf gebouwd factuurmodel met factuurregels en een betrouwbaarheidsscore voor het uitlezen. Die score is echter geen boekhoudcontrole. Een correct gelezen waarde kan zakelijk nog steeds onjuist zijn.
Wat laten praktijkresultaten zien?
Voor automatiseringsleverancier Ellby meldt AWS een stijging van de factuurautomatisering van minder dan 60% naar meer dan 94%, een besparing van meer dan 300 uur handmatig onderhoud per maand en een verkorting van de onboarding met meer dan 55%. Dit is een leverancierscase. Bespaarde onderhoudstijd is niet hetzelfde als boekhouderstijd per factuur, en het automatiseringspercentage is geen verklaard nauwkeurigheidspercentage voor elk veld. Case van AWS en Ellby.
“We hebben onze automatisering slimmer en makkelijker schaalbaar gemaakt.” — Steven Chenery, CEO van Ellby, verkorte vertaling van een citaat uit de case.
Opvallend is dat de case gedetailleerd uitlezen van factuurregels als toekomstige ontwikkeling noemt. Vraag precies waarop een percentage betrekking heeft. Een factuur waarvan nummer en totaal zijn uitgelezen kan nog veel werk aan afzonderlijke regels vragen.
Wat vinden mensen in de praktijk het lastigst?
Variatie in documenten en uitzonderingen. De auteur van een horecaproject op Reddit bespreekt uiteenlopende pdf's en creditnota's. Het bericht zoekt een samenwerkingspartner, het test geen tool onafhankelijk. Het illustreert wel het verschil tussen een nette demofactuur en een echte inbox.
In de n8n-community in april 2026 bespreekt een maker van financiële workflows duplicaten, valuta's en onzekere gegevens. Onze praktische conclusie: de testset moet meer bevatten dan de voorbereide demodocumenten van de leverancier.
Neem een telefoonfoto, een document met meerdere pagina's, een gecorrigeerde factuur, een creditnota, twee bijlagen met hetzelfde nummer en een factuur met gewijzigde bankgegevens op. Leg vooraf het gewenste resultaat per geval vast. Dat levert een nuttigere vergelijking op dan de bewering dat een model “boekhouding begrijpt”.
Hoe voorkomen we duplicaten en onjuiste imports?
Registreer elke ontvangst als gebeurtenis en herken documenten met een combinatie van velden. Alleen een bestandsnaam is onbetrouwbaar. Dezelfde factuur kan in twee bestanden aankomen, terwijl verschillende bedrijven hetzelfde factuurnummer kunnen gebruiken.
Bewaar het originele document, de digitale vingerafdruk, uitgelezen gegevens, correcties en de identificatie in het boekhoudsysteem. Als de importverbinding uitvalt, controleer dan vóór een nieuwe poging of de registratie al bestaat. Blind herhalen kan een duplicaat maken terwijl de gebruiker alleen een foutmelding ziet.
Een gewijzigd bankrekeningnummer van een leverancier is geen gewone tekstupdate. Controleer dit apart via het bestaande bedrijfsproces. Bijlagen mogen ook geen agentrechten wijzigen: een zin in een pdf is geen instructie van de systeembeheerder.
Hoe zien we of de automatisering rendabel is?
Meet afgeronde documenten die correct door de boekhouding zijn geaccepteerd, niet alleen gelezen bestanden. Volg controletijd, teruggestuurde documenten, correcties na import en gebruikskosten inclusief ondersteuning.
Voorbeeldberekening: 800 facturen per maand met vier minuten overtypwerk per stuk kosten ongeveer 53 uur. Eén minuut resterende controle per document kost circa 13 uur. Tel uitzonderingen en beheer erbij op. Het verschil verlaagt niet automatisch de personeelskosten; het kan ruimte vrijmaken voor afsluiting of snellere verwerking.
Beoordeel nauwkeurigheid per veld en gevolg. Een verkeerde vervaldatum heeft andere gevolgen dan een kleine typefout in een regelomschrijving. Eén gemiddelde score verbergt die verschillen.
Hoe beginnen we zonder het boekhoudsysteem te verbouwen?
Kies één ontvangende mailbox en één documentverzameling. Laat de verwerking eerst naast de huidige workflow draaien en vergelijk de resultaten. Schakel daarna gecontroleerde import voor eenduidige gevallen in. Onduidelijke documenten hebben een aparte wachtrij en verantwoordelijke nodig.
Vraag vóór ingebruikname om correcties, herhaalde ontvangst, mislukte imports en het terugvinden van het origineel te laten zien. Een werkende pilot omvat ook die situaties. Zodra het uitlezen bewezen is, kunt u uitbreiden met AI voor de boekhouding: afletteren, afsluitdocumenten en het verklaren van verschillen.
Veelgestelde vragen
Is een pdf naar een gewone chat sturen voldoende?
Dat kan helpen bij eenmalig overnemen. Voor structureel gebruik zijn documentregistratie, duplicaatcontrole, gecontroleerde totalen en importbevestiging nodig. Zonder die stappen weet u niet betrouwbaar wat het boekhoudsysteem heeft geaccepteerd.
Kan het systeem scans en foto's verwerken?
OCR kan onderdeel zijn van de oplossing, maar de kwaliteit hangt af van leesbaarheid en opmaak. Een afgesneden bedrag of onleesbaar rekeningnummer moet leiden tot een verzoek om een betere bron, niet tot een gegokte waarde.
Kan AI de factuur ook betalen?
Technisch is dat een aparte betaalkoppeling. We raden af de eerste uitleespilot te combineren met onbeperkte betalingen. Betalingen vereisen eigen regels, rechten en onafhankelijke controle van rekeningwijzigingen.
Onderzoek en oplossingsontwerp: Tanduva met AI-ondersteuning. Externe cases zijn aangeduid; illustratieve voorbeelden zijn geen gemeten resultaten van onze klanten. Redactionele werkwijze en correcties.