P2P use case: hoe automatische factuurverwerking vertragingen in straight-through processing binnen 6 maanden elimineert

Dit artikel maakt deel uit van onze serie AI use cases in finance, waar we inzoomen op toepassingen met hoge impact doorheen verschillende finance processen.  

Als het gaat om automatische factuurverwerking, heeft standaard, template-gebaseerde OCR (Optical Character Recognition) niet gefaald. Integendeel: het is een succes, en net daardoor heeft het een nieuwe bottleneck blootgelegd.

OCR is een volwassen technologie, gebouwd voor het lezen van stabiele, voorspelbare lay-outs, maar daar stopt de capaciteit dan ook. In de praktijk komen facturen echter binnen als e-invoices, pdf's, scans en e-mailteksten, en OCR leest deze zeer wisselvallig. Na de extractie wordt het nog complexer:

• Mismatches bij 3-way matching: Prijs- en kwantiteitstoleranties die te strak staan afgesteld, verkeerd gelezen of foute PO-referenties, deelleveringen, of meerdere facturen die op één PO worden geboekt.
• Non-PO facturen: Deze vereisen menselijk inzicht om op de juiste grootboekrekening (GL) en kostenplaats te landen. Dit is oordeelkundig werk dat traditionele OCR nooit kon bieden.
• Goedkeuringsflows: Als de interpretatie fout is, is de routering fout, en moet de factuur manueel worden omgeleid.

Het resultaat is een wachtrij van uitzonderingen. In deze reststroom concentreren zich de kosten, vertragingen en frustraties van leveranciers, en het is precies hier dat regelgebaseerde automatisering vastloopt.

Effectieve automatische factuurverwerking bouwt op een strikte architectuur: deterministische code stuurt het proces, en AI wordt uitsluitend ingezet voor interpretatie. De AI stelt voor; de mens beslist.

Deze logica herhaalt zich over vier stappen: 

1. Extractie: Facturen komen via diverse kanalen binnen en passeren eerst langs OCR of IDP (Intelligent Document Processing). Dit is snel en goedkoop (geen AI-kost per factuur). Pas wanneer de betrouwbaarheid van de extractie laag is of velden inconsistent blijken, wordt de factuur doorgestuurd naar een multimodaal LLM dat context kan lezen die OCR niet vat, zoals de tekst in een e-mail of een ongebruikelijke lay-out. Beide routes leveren gestructureerde data op (JSON), zodat de rest van het proces met één zuiver en uniform object werkt.
2. Matching: Het systeem probeert eerst een deterministische match te maken op basis van leverancier, PO, bedrag en datum. Als er een foutloze match binnen de tolerantiegrenzen is, vloeit de factuur automatisch door het systeem zonder tussenkomst van AI.
3. AI-ondersteunde oplossing: Wanneer een factuur niet automatisch matcht, analyseren slimme zoektools historische financiële data om de juiste connectie te vinden. Het systeem vindt ofwel direct een match, of presenteert een geprioriteerde shortlist van opties (zoals openstaande PO-lijnen, goederenontvangsten of contracten) voor menselijke controle. Voor facturen zonder PO evalueert de AI historische boekingspatronen om te checken of er eigenlijk wel een PO vereist was. Indien bevestigd als een geldige non-PO factuur, stelt het systeem de juiste grootboekrekening (GL) en kostenplaats voor, gebaseerd op hoe gelijkaardige transacties in het verleden werden verwerkt.
4. Routering: Goedkeuringsworkflows draaien op vooraf gedefinieerde, deterministische regels. Wanneer ambiguïteit om een AI-suggestie vraagt, valideert een mens deze beslissing. Dit wordt als een gestructureerd precedent opgeslagen voor de rule engine. Het systeem leert zo uw routeringsgewoonten kennen zonder het compliance-risico dat gepaard gaat met het hertrainen van een AI-model op privédata, waardoor het proces 100% auditeerbaar blijft.

De volledige architectuur wordt beveiligd door de gate die beslist of een factuur het geautomatiseerde happy path volgt of AI-interventie nodig heeft. Deze doorlaatpoort werkt strikt op harde deterministische checks (zoals PO- en bedragmatches), en nóóit op een ondoorzichtige "confidence score" van een AI-model. De business rules sturen de workflow; AI herleidt enkel complexe uitzonderingen tot heldere voorstellen. Uiteindelijk wordt er niets geboekt of aan een leverancier betaald zonder verifieerbare menselijke goedkeuring.

Bij de evaluatie van hun P2P-processen twijfelen finance leaders vaak of ze moeten vertrouwen op traditionele AP-automatisering of op AI-gedreven oplossingen. Het eerlijke antwoord is dat je niet hoeft te kiezen; je combineert ze in de juiste volgorde.

Voor organisaties met een klein, stabiel leveranciersbestand en uniforme factuurlay-outs blijven traditionele tools of native ERP 3-way matching de goedkoopste en snelste keuze.

Regelgebaseerde systemen schieten echter tekort zodra ze te maken krijgen met niet-gecodeerde lay-outs of ongestructureerde context. AI-native platformen bewijzen hun waarde uitsluitend bij de uitzonderingen door de contextuele redenering te bieden die regels niet kunnen leveren.

Onze adviesaanpak richt zich op het samenbrengen van deze technologieën in een kostenefficiënte architectuur:

• OCR draagt het happy path: Grote volumes voorspelbare facturen lopen via standaard-OCR tegen een marginale kost van nagenoeg nul.
• AI wordt ingezet voor uitzonderingen: Omdat LLM-tokens duur zijn, worden generatieve modellen enkel aangeroepen wanneer traditionele extractie of matching faalt.
• Semantische zoekopdrachten verwerken onduidelijke logica: Vector search lost complexe mismatches op aan de hand van gedefinieerde taxonomieën.

Het na elkaar schakelen van deze tools binnen een contract-first, beheerde architectuur houdt zowel de tokenfactuur als de foutenmarge onder controle. Dat is het verschil tussen een indrukwekkende demo en een systeem dat in realiteit ook werkt.

• Capaciteit vrijmaken en talent behouden: Automatisering bevrijdt finance professionals van het repetitieve najagen van uitzonderingen, waardoor ze kunnen optreden als strategische partners in spend analytics, uitzonderingsbeheer en commerciële beslissingsondersteuning. In een krappe arbeidsmarkt is dit een krachtige hefboom voor retentie en precies waar AI readiness in finance écht om draait.
• Werkkapitaal optimaliseren: Het wegwerken van de achterstand aan uitzonderingen biedt realtime inzicht in de werkelijke schulden, waardoor treasury de liquiditeit nauwkeurig kan beheren en systematisch kortingen voor contante betaling kan benutten.
• Compliance verzekeren en risco's beperken: Het vervangen van manuele ingrepen door auditeerbare, deterministische controles vermindert de blootstelling aan dubbele betalingen en fraude, en versterkt het algemene leveranciersrisicobeheer aanzienlijk. In plaats van een belemmerende barrière, wordt governance zo de structurele basis die automatisering veilig en schaalbaar maakt.
• Schaalbare operationele capaciteit: Naarmate de bedrijfs- en factuurvolumes toenemen, schaalt de financiële verwerkingscapaciteit mee zonder een lineaire stijging van het aantal FTE's.

Deze pragmatische verschuiving zorgt ervoor dat dit AP-initiatief blijvende organisatorische capaciteit opbouwt. Het legt een stevige fundering voor bredere finance process automation en demonstreert de echte waarde van AI in finance. 

De succesvolle lancering van automatische factuurverwerking vereist de juiste operationele fundamenten. Echte data readiness voor AI vereist geen feilloos historisch ERP of een jarenlang data-cleanup project; het bouwt eerder op de pragmatische bruikbaarheid van data, inzetbare master data en basis procesdiscipline. 
 

Belangrijkste voorwaarden voor implementatie

• Een gedigitaliseerde factuurstroom: Facturen moeten elektronisch binnenkomen. Hoewel verplichte B2B e-invoicing (zoals Peppol) problemen met extractie bij ontvangst elimineert, blijft AI essentieel om data te extraheren uit resterende digitale formaten én om te assisteren bij complexe matching verder in het proces, zelfs voor Peppol-facturen.
• Bruikbare leveranciersmasterdata: Deze data moet goed genoeg zijn om tegen te matchen, niet perfect. Gegevens worden genormaliseerd bij ontvangst, dus een jarenlang data cleaning-programma hoeft niet.
• Gedefinieerde PO-discipline: Een PO-proces moet binnen de hele organisatie actief worden gehandhaafd. Een consistent gebruik van PO’s vormt de basis voor automatische matching, ondersteund door door duidelijk eigenaarschap over wie ze aanmaakt.
• Eigenaarschap over de exception queue: Het eigenaarschap van de uitzonderingswachtrij moet duidelijk zijn en ondersteund worden door een duidelijk proces en regels voor het afhandelen van uitzonderingen wanneer die zich voordoen. 

Hoe de modeltraining écht werkt

Er is geen fase waarin je het model "twee jaar aan facturen moet voeden om het te trainen". Wie dat beweert, verkoopt je een dataproject. De architectuur leunt op een heldere driestappenlogica: 

• Extractie is pre-trained: De extractie-engine wordt pre-trained door de leverancier geleverd; dit betekent dat je geen historisch datacorpus hoeft aan te leveren. Hoewel het zich via routinematige menselijke correcties licht aanpast aan je specifieke lay-outs, is dit een kleine productfeature, geen project op zich.
• Bedrijfseigen waarde wordt opgebouwd als gestructureerde data: De kennis die écht aan je organisatie toebehoort (matching heuristiek, financiële taxonomieën en routeringsprecedenten) wordt als gestructureerde data geconfigureerd en opgebouwd op basis van de dagelijks gevalideerde menselijke beslissingen, niet door een AI-model opnieuw te trainen.
• Het proces blijft auditeerbaar: Het gescheiden houden van de regellogica en de beslissingshistoriek enerzijds, en de gewichten van het AI-model anderzijds, is precies wat volledige auditability garandeert.

Wanneer je NIET moet starten

Start geen P2P-automatiseringsproject als de masterdata van leveranciers compleet onbruikbaar is en er geen bereidheid is om dit op te lossen, als er geen echte PO-discipline heerst in het bedrijf, of als de organisatie midden in een grote ERP-transformatie zit. 

 

Valkuilen bij implementatie om te vermijden

• Implementatie behandelen als een losstaande IT-oplossing: Software kan gebrekkig bedrijfsgedrag niet repareren. Als je een geavanceerde matching-engine implementeert, maar de rest van de organisatie de PO-creatie discipline blijft negeren, zal de AI je probleem niet oplossen.
• Het happy path over-engineeren: Grijpen naar dure Large Language Models (LLM's) om sterk gestandaardiseerde facturen te verwerken, laat je ROI als sneeuw voor de zon verdwijnen. Laat traditionele OCR het voorspelbare volume afhandelen tegen een lagere kost en reserveer AI strikt voor de ongestructureerde reststroom.
• Een 'big bang' roll-out proberen: Tegelijkertijd uitrollen over alle legacy ERP-instances en complexe indirecte uitgavencategorieën vraagt om chaos. Bewijs de beheerde architectuur eerst op een enkele entiteit of een specifiek leverancierssegment met een hoog volume, zodat je de routerings- en uitzonderingsregels veilig kunt kalibreren.
• De vertrouwensbarrière onderschatten (shadow checking): Als AP-professionals de nieuwe architectuur niet vertrouwen, zullen ze elke automatische match manueel dubbelchecken, wat de beoogde capaciteitscreatie volledig teniet doet. Dit overwinnen vereist de systematische opbouw van AI maturity doorheen de finance functie. Dit is een continue vaardigheid die veel verder gaat dan standaard gebruikerstraining.

Het inzetten van AI in accounts payable is in eerste instantie een kwestie van organisatorische capaciteit, geen pure software-implementatie. Terwijl technologieleveranciers zich focussen op de verkoop van tools, slaat TriFinance als adviespartner de brug tussen technische logica, financiële controle en menselijke workflows.

Wij helpen je bij het ontwerpen van een gecontroleerde, hybride architectuur. We zetten deterministische code voorop en beperken het gebruik van AI tot uitzonderingsgevallen. Door je IT-, Risk- en Finance-teams op één lijn te brengen, zorgen we ervoor dat de overgang van manuele matching naar uitzonderingsbeheer zich direct vertaalt in strategische capaciteitscreatie voor jouw team.

Wil je AI toepassen binnen andere financiële processen? Verken onze volledige collectie AI use cases in finance, met daarin oplossingen voor Purchase-to-Pay (P2P), Order-to-Cash (O2C), Record-to-Report (R2R), FP&A, Cash Flow en Risk & Compliance.