De risico’s en kansen van AI bij crediteurenadministratie: wat is er vandaag de dag mogelijk?
25 februari 2026Crediteurenadministratie is een toepassingsgebied binnen de financiële sector waar AI een hoog rendement oplevert, maar ook een van de gebieden waar je het gemakkelijkst de plank mis slaat. De meeste financiële teams beginnen niet helemaal vanaf nul: dankzij Peppol-e-facturering en OCR zijn papier en handmatige gegevensinvoer al uit het proces verdwenen. Dus als een CFO vraagt: „Waar helpt AI ons eigenlijk bij de crediteurenadministratie?”, is het eerlijke antwoord niet „snellere factuurverwerking” – dat deel is grotendeels al opgelost. Het zijn juist alle zaken rondom de factuur die nog steeds uren in beslag nemen: de mailbox, de deadlines, de formaten waar geen enkel sjabloon ooit op was voorbereid, en de leveranciers die moeten worden achtervolgd voor de juiste gegevens voordat een factuur überhaupt in het proces kan worden opgenomen.
Dit artikel brengt in kaart wat AI daadwerkelijk toevoegt als traditionele automatisering van de crediteurenadministratie al is geïmplementeerd, waar de echte kansen liggen en, net zo belangrijk, waar een mens nog steeds betrokken moet blijven.
Waarom “we hebben de crediteurenadministratie al geautomatiseerd” een verkeerde uitgangspunt is
Jarenlang betekende automatisering van de crediteurenadministratie maar één ding: vastleggen, extraheren, doorsturen, goedkeuren. Vroeger richtten crediteurenadministratieteams zich op het ontvangen van facturen en het invoeren van gegevens, drievoudige afstemming, goedkeuringsroutes, het uitvoeren van betalingen en het bijhouden van de administratie – processen die grotendeels handmatig verliepen, waarbij medewerkers vaak bijna een derde van hun tijd alleen al aan het invoeren van gegevens besteedden. Peppol en OCR hebben een groot deel van die kloof gedicht: gestructureerde, gestandaardiseerde factuurgegevens komen nu binnen zonder dat iemand ze opnieuw hoeft in te voeren, en de echte verschuiving die door voorschriften zoals Peppol mogelijk is gemaakt, is dat gedetailleerde gegevens rechtstreeks door de leverancier in een gestructureerd formaat worden verzonden in plaats van als een visueel bestand, waarna facturen automatisch worden gekoppeld aan inkooporders en doorgestuurd voor goedkeuring.
Maar uit benchmarks binnen de sector blijkt dat de meeste organisaties nog maar gedeeltelijk zover zijn. Een groot deel van de AP-teams bevindt zich nog in een fase van ‘gedeeltelijke automatisering’: ze gebruiken OCR voor het vastleggen van facturen, terwijl goedkeuringen nog steeds via e-mail verlopen of betalingen nog steeds handmatig in een bankportaal moeten worden ingevoerd. Volgens een schatting voeren sommige AP-teams factuurgegevens zelfs nog steeds handmatig in ERP-systemen in. Die kloof is precies waar klanten ons vertellen dat de echte bottleneck zit: niet in het lezen van de factuur, maar in het beheer van alles wat eromheen speelt.
Dit is het eerlijke uitgangspunt voor elk gesprek over procesautomatisering met AI op het gebied van AP: vraag niet „moeten we AI toepassen op het vastleggen van facturen?”, maar vraag „wat gebeurt er nog handmatig als het vastleggen eenmaal is opgelost?”, aldus Jacinthe Dewaele, Senior Finance Consultant bij TriFinance.
Voor de meeste financiële teams komt het tegenwoordig neer op het doorzoeken van de mailbox, het bijhouden van deadlines, het afhandelen van uitzonderingen bij afwijkende formaten en de communicatie met leveranciers, niet op de factuurregels zelf.
Waar AI daadwerkelijk een meerwaarde biedt zodra OCR en Peppol zijn geïmplementeerd
1. De inbox beheren, niet alleen de facturen
Zelfs bij gestructureerde e-facturering komt een groot deel van de correspondentie met betrekking tot crediteuren nog steeds binnen via e-mail: vragen, geschillen, herinneringen, creditnota’s, ontbrekende documenten. Dit is ongestructureerd werk met een hoog volume en een lage toegevoegde waarde, precies het soort taken waarvoor AI voor crediteurenbeheer uitstekend geschikt is, zonder dat de financiële kernlogica hoeft te worden aangepast. AI kan een gedeelde mailbox doorzoeken, inkomende berichten classificeren op type en urgentie, ze koppelen aan de juiste factuur of leveranciersgegevens, en een antwoord opstellen (niet verzenden) ter controle. Dit is minder ‘automatisering van de factuurverwerking’ en meer ‘mailboxintelligentie’, maar het is vaak de grootste dagelijkse tijdverslinder die AP-teams noemen.
2. Naleving van deadlines en cashflow-discipline
Bij honderden leveranciers is het gemakkelijk om het overzicht te verliezen over betalingsvoorwaarden, kortingen bij vroegtijdige betaling en wettelijke termijnen. Toonaangevende AP-teams bereikten in 2025 een ‘touchless’-verwerkingspercentage van 52,8%, een stijging ten opzichte van 47,2% het jaar ervoor, terwijl teams die nog steeds vertrouwden op statische, op regels gebaseerde afstemming geen verbetering ten opzichte van het voorgaande jaar lieten zien. Het verschil zit niet in de extractiefase, maar in een systeem dat betalingspatronen leert herkennen en proactief aangeeft welke betalingen binnenkort vervallen, welke in aanmerking komen voor korting en welke het risico lopen achterstallig te raken, in plaats van te wachten tot iemand dit opmerkt.
3. Lezen wat OCR en sjablonen niet aankunnen
Dit is waar klanten momenteel de grootste kloof zien. Zelfs goede OCR- en regelsystemen zijn afhankelijk van sjablonen: OCR is ontworpen om tekst te lezen, niet om deze te begrijpen, en werkt het beste wanneer facturen consistent en voorspelbaar zijn – wat in de praktijk bij crediteurenadministratie zelden het geval is. Daardoor moeten teams gegevens handmatig corrigeren, waardoor de inefficiënties die automatisering juist had moeten wegnemen, weer terugkeren. AI-gebaseerde documentverwerking gedraagt zich anders: het verwerkt facturen met ongebruikelijke lay-outs, handgeschreven notities of slechte skankwaliteit veel beter dan op regels gebaseerde OCR, en wanneer een nieuwe leverancier een formaat stuurt dat het systeem nog nooit heeft gezien, doet het een zo goed mogelijke inschatting, markeert het velden met een lage betrouwbaarheid voor controle en verbetert het met elke correctie.
Dit is concreet van belang voor een van de lastigste terugkerende problemen in AP: posten die op elkaar lijken, maar dat niet zijn. Een post op basis van uren en een post op basis van dagen op twee facturen uit dezelfde leverancierscategorie kunnen hetzelfde eenheidsprijsformaat hebben, maar iets heel anders betekenen; een regelsysteem dat voor het ene sjabloon is geconfigureerd, zal het andere ongemerkt verkeerd interpreteren. AI-documentverwerking die rekening houdt met de context in plaats van een vaste lay-out te matchen, is veel beter in staat om dat soort discrepanties op te sporen voordat ze uitmonden in een codeerfout of een te hoge betaling. Dat gezegd hebbende, is dit precies het soort beoordelingsvraagstuk dat moet worden gemarkeerd voor menselijke bevestiging, en niet stilzwijgend moet worden opgelost.
4. Rechtstreekse samenwerking met leveranciers om gegevens bij de bron te corrigeren
In plaats van dat een AP-medewerker een leverancier via e-mail achterna moet zitten voor een ontbrekend inkoopordernummer of gecorrigeerde bankgegevens, kan een AI-agent die eerste contacten op een gecontroleerde en veilige manier afhandelen: vaststellen wat er ontbreekt, om de specifieke correctie vragen en het dossier bijwerken zodra de informatie binnenkomt, waarbij alles wat met betalingsgegevens te maken heeft verplicht door een medewerker moet worden gevalideerd.
Deze interacties blijven streng gereguleerd, omdat relaties met leveranciers uiterst gevoelig liggen: de agent betrekt leveranciers nooit bij herhaalde verzoeken, stuurt nooit buitensporig veel follow-ups en onderneemt nooit acties die frustratie zouden kunnen veroorzaken of het merk zouden kunnen schaden.
In tegenstelling tot traditionele automatisering, die alleen vooraf gedefinieerde regels volgt, kunnen AI-agenten documenten interpreteren, de context begrijpen, afwijkingen detecteren en acties in verschillende systemen in gang zetten. Maar ze doen dit binnen een gecontroleerd kader, waarin communicatielimieten zijn vastgelegd, interacties worden gemonitord en contactmomenten met leveranciers zo zijn ontworpen dat ze zeldzaam, doelgericht en niet-opdringerig zijn.
Hierin schuilt de echte innovatie: eerdere automatisering kon een probleem met de gegevenskwaliteit alleen signaleren, waarna een mens het moest oplossen; nu kan het helpen het op te lossen, zonder de relatie met de leverancier in gevaar te brengen.
5. Naleving door leveranciers als continu toezicht, geen jaarlijkse haastklus
Bedrijven dragen in toenemende mate de documentatielast van hun leveranciers, zoals verzekeringscertificaten, belastingformulieren, ISO- of sectorspecifieke certificeringen en duurzaamheidsverklaringen, die elk hun eigen vervaldatum en verlengingscyclus hebben. Traditioneel leveranciersbeheer is reactief: problemen komen pas aan het licht tijdens audits of bij contractverlengingen. AI daarentegen houdt continu de signalen van leveranciers in de gaten en signaleert maanden van tevoren financiële instabiliteit, aflopende certificeringen en tekortkomingen op het gebied van compliance. Een AI-agent voor compliancebewaking kan kennis van leveranciersstamgegevens combineren met documentbeheer in een gedeelde map, waardoor automatisch herinneringsmeldingen worden geactiveerd voor zowel de interne verantwoordelijke als de leverancier 90, 60 en 30 dagen voordat een certificaat verloopt, met het verzoek om een bijgewerkt document. Voor financiële teams die al overbelast zijn met hun kernwerkzaamheden op het gebied van crediteurenadministratie, is dit soort documentopvolging een logische aanvullende mogelijkheid: het biedt bescherming tegen operationele en regelgevingsrisico’s zonder extra personeel in te zetten, en het sluit direct aan bij de bredere praktijk van leveranciersrisicobeheer.
6. Inzicht in uitgaven, afwijkende uitgaven en signalen van fraude
Zodra AP-gegevens schoon en gestructureerd zijn, worden ze een bron van inzichten in plaats van louter een verwerkingswachtrij. AI-gestuurde documentverwerking kan een extractienauwkeurigheid van meer dan 98% bereiken, vergeleken met aanzienlijk lagere percentages bij sjabloonafhankelijke OCR. De hoeveelheid handmatige controle die hierdoor overbodig wordt, komt neer op een besparing van teamuren per week. Die schonere gegevens vormen de basis voor uitgavenanalyses: het identificeren van afwijkende uitgaven (aankopen buiten goedgekeurde leveranciers of contracten om), het signaleren van trends op categorieniveau en het aan het licht brengen van afwijkingen die bij een handmatige controle waarschijnlijk over het hoofd zouden worden gezien.
Het ondersteunt ook fraudedetectie: AI kan ongebruikelijke patronen opsporen, zoals een wijziging in de bankrekening van een leverancier kort voor een betaling, een factuur die buiten het normale ritme binnenkomt, of bedragen per post die niet passen bij de geschiedenis van een leverancier, en risicoscores genereren die AP-teams kunnen beoordelen. Dit is inmiddels geen optie meer, maar een dringende noodzaak: pogingen tot fraude die specifiek gericht zijn op workflows voor het wijzigen van bankrekeningen zijn in 2026 sterk toegenomen. Eén platform meldde een stijging van 300% in het aantal potentiële klanten dat om dergelijke controles vroeg, nu fraude zich verplaatst van valse facturen naar het halverwege het proces kapen van de betalingsgegevens van legitieme leveranciers.
Waar de echte risico’s liggen
Geen van bovenstaande punten is een reden om AI zonder toezicht te laten werken. Elk van de hierboven genoemde geloofwaardige toepassingen wordt door praktijkmensen omschreven als ‘ondersteunde autonomie’, niet als vervanging, en de risico’s doen zich juist voor wanneer teams dat onderscheid uit het oog verliezen.
Het menselijk oordeel wordt te vroeg geautomatiseerd. Complexe facturen met meerdere entiteiten, toewijzingen over afdelingen, projecten of juridische entiteiten heen, vereisen nog steeds vaak menselijk oordeel, en er moet nog steeds iemand zijn die gemarkeerde posten controleert, fouten corrigeert en nieuwe leveranciers in het systeem opneemt; het doel is niet om menselijke betrokkenheid te elimineren, maar om het team vrij te maken voor uitzonderingen, leveranciersrelaties en analyse. Een discrepantie tussen uren en dagen is een goed voorbeeld: AI kan dit markeren, maar het bevestigen welke waarde correct is ten opzichte van het contract of de inkooporder is nog steeds een menselijke beslissing.
"Wijzigingen in betalingsgegevens vormen het meest kwetsbare punt. Elk AI-systeem dat de mogelijkheid heeft om de bankgegevens van een leverancier bij te werken – zelfs indirect via een chatgesprek met een leverancier – moet verplicht worden onderworpen aan een menselijke goedkeuringsstap en een scheiding van taken. Dit is het enige punt waarop snelheid nooit voorrang mag krijgen boven verificatie”, aldus Hedwig Hulpiau, Senior Projectmanager bij TriFinance.
Compliance is een wettelijke verplichting, niet alleen een operationele aangelegenheid. In verschillende rechtsgebieden is het monitoren van risico’s van derden inmiddels een wettelijke vereiste, en niet langer slechts een best practice. Financiële instellingen in de EU zijn sinds januari 2025 verplicht om precontractuele due diligence-verslagen over ICT-leveranciers op te stellen, documentatie bij te houden over de voortdurende monitoring van kritieke leveranciers en bewijsdossiers beschikbaar te stellen voor inspectie door toezichthouders, waarbij toezichthouders niet alleen vragen of er een beoordeling heeft plaatsgevonden, maar ook hoe de bevindingen zijn gewogen en wie de risicobeoordeling heeft uitgevoerd. Een door AI gegenereerde compliance-waarschuwing biedt nuttige context; op zichzelf is het geen audittrail van een gedocumenteerde beslissing.
De verplichting tot elektronische facturering breidt zich steeds verder uit, terwijl de formaten steeds meer uiteenlopen. België is op 1 januari 2026 begonnen met verplichte B2B-e-facturering, gevolgd door het Poolse KSeF in februari en april, en de gefaseerde invoering in Frankrijk die in september 2026 van start gaat. Elke AI-laag die bovenop AP draait, moet zo worden gebouwd dat deze nieuwe gestructureerde formaten kan verwerken zodra ze beschikbaar komen, en niet alleen de huidige Peppol-standaard, anders verdwijnt het voordeel van ‘elk formaat lezen’ stilletjes.
De mate waarin leveranciers meewerken en de kwaliteit van de gegevens bepalen de bovengrens. De diversiteit aan documenten, onduidelijke validatieregels en de weerstand van leveranciers tegen digitale indiening zijn de terugkerende praktische hindernissen die bepalen hoe ver automatisering kan gaan, ongeacht hoe krachtig de onderliggende AI ook is. Een AI-in-AP-project dat is gebaseerd op rommelige leveranciersstamgegevens of inconsistente interne processen zal ondermaats presteren, hoe goed het model ook is; dit is in de eerste plaats een probleem van proces- en gegevensbeheer en pas in de tweede plaats een technologisch probleem.
Een pragmatisch uitgangspunt
Voor een financeteam dat al gebruikmaakt van Peppol en OCR, is de volgende stap met de grootste impact meestal niet ‘meer automatisering van de factuurverwerking’, maar het kiezen van een van de hierboven genoemde aanverwante knelpunten (beheer van mailboxen, correctie van leveranciersgegevens of opvolging van nalevingsdocumenten) en het uitvoeren van een proefproject hiermee, met duidelijke controlepunten door mensen. Dit weerspiegelt de bredere verschuiving die zich voordoet binnen de automatisering van financiële processen: AI evolueert van een ‘capture-laag’ die aan P2P-automatisering is gekoppeld naar een assistent die coördinatie- en beslissingsondersteunende taken rondom de transactie afhandelt, terwijl mensen het laatste woord behouden over alles wat te maken heeft met geldstromen, betalingsgegevens van leveranciers of goedkeuring door toezichthouders.
Op deze manier is AI in AP geen vervanging voor de controles die financiële teams in de loop van jaren hebben opgebouwd. Het is een manier om eindelijk de kloof te dichten tussen het hebben van automatisering en het gebruik ervan: het lezen van wat OCR niet kan, het opsporen van wat mensen niet zouden moeten hoeven doen, en het markeren van wat alleen een mens zou moeten beslissen.