De risico’s en kansen van AI in Accounts Payable

Jarenlang betekende AP-automatisering maar één ding: captatie, extractie, routing en goedkeuring. Historisch gezien focusten AP-teams zich op factuurontvangst, data-invoer, 3-way matching, goedkeuringsflows, betalingsuitvoering en archivering. Allemaal sterk manuele processen waarbij medewerkers vaak bijna een derde van hun tijd kwijt waren aan louter data-invoer.

Peppol en OCR hebben die kloof grotendeels gedicht: gestructureerde, gestandaardiseerde factuurdata komt nu binnen zonder dat iemand die opnieuw moet overtypen. De échte shift die Peppol mogelijk maakt, is dat gedetailleerde data rechtstreeks van de leverancier in een gestructureerd formaat wordt verzonden in plaats van als een visueel bestand. Facturen worden vervolgens automatisch gematcht met bestelbonnen en doorgestuurd voor goedkeuring.

Toch tonen marktbenchmarks aan dat de meeste organisaties nog maar halfweg zijn. Een groot deel van de AP-teams bevindt zich nog in een fase van 'gedeeltelijke automatisering': ze gebruiken OCR voor de captatie, terwijl goedkeuringen nog via e-mail lopen of betalingen nog steeds handmatig in een bankportaal moeten worden ingevoerd. Volgens sommige schattingen voeren bepaalde AP-teams factuurgegevens zelfs nog handmatig in hun ERP-systeem in. Die kloof is precies waar volgens onze klanten de echte bottleneck zit: niet in het lezen van de factuur, maar in het beheren van alles eromheen.
 

"Wanneer het gaat om procesautomatisering met AI in Accounts Payable moet de vraag niet zijn 'moeten we AI toepassen op het capteren van facturen?', maar wel 'wat gebeurt er nog handmatig in de fase erna'", aldus Jacinthe Dewaele, Senior Finance Consultant bij TriFinance.

Voor de meeste finance 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.

1. De inbox beheren, niet enkel de factuur

Zelfs met gestructureerde e-invoicing komt een groot deel van de AP-correspondentie nog steeds binnen via e-mail: vragen, geschillen, herinneringen, creditnota's en ontbrekende documenten. Dit is ongestructureerd werk met een hoog volume maar lage toegevoegde waarde, met andere woorden precies het soort taak waar AI voor Accounts Payable rendeert zonder dat het aan je financiële kernlogica hoeft te raken.

AI kan een gedeelde mailbox triëren, inkomende berichten categoriseren op type en urgentie, ze koppelen aan het juiste factuur- of leveranciersdossier en een antwoord opstellen ter controle (maar het nog niet verzenden) . Dit is minder 'factuurverwerkingsautomatisering' en meer 'mailbox-intelligentie', maar het is vaak waar AP-teams dagelijks het meeste tijd aan verliezen.

2. Discipline in deadlines en cashflow

Betalingstermijnen, kortingen voor snelle betaling en statutaire deadlines verlies je snel uit het oog wanneer je met honderden leveranciers werkt. De best presterende AP-teams behaalden in 2025 een touchless processing-percentage van 52,8% (tegenover 47,2% het jaar ervoor), terwijl teams die vertrouwden op statische, op regels gebaseerde matching jaar-op-jaar geen enkele vooruitgang meer lieten zien.

Het verschil zit niet in de extractiestap, maar in een systeem dat betalingspatronen leert en proactief signaleert wat er aankomt, wat in aanmerking komt voor korting en wat dreigt te vervallen, in plaats van te wachten tot iemand het opmerkt.

3. Lezen wat OCR en templates niet kunnen

Hier zien klanten vandaag de dag de duidelijkste kloof. Zelfs goede OCR- en regelsystemen zijn afhankelijk van templates: OCR is ontworpen om tekst uit te lezen, niet om die te begrijpen. Het werkt het best wanneer facturen consistent en voorspelbaar zijn, wat de echte AP-praktijk zelden is. Het gevolg? Teams moeten gegevens alsnog handmatig corrigeren, waardoor de efficiëntie die automatisering juist moest brengen, weer verdwijnt.

Documentverwerking op basis van AI werkt anders: het verwerkt facturen met afwijkende lay-outs, handgeschreven notities of slechte scankwaliteit veel beter dan regelgebaseerde OCR. Wanneer een nieuwe leverancier een formaat stuurt dat het systeem nog nooit heeft gezien, doet het een beredeneerde gok, vlagt het velden met een lage betrouwbaarheid ter controle en verbetert het zichzelf bij elke correctie.

Dit heeft concrete impact op een van de meest hardnekkige problemen in AP: factuurlijnen die op elkaar lijken, maar dat niet zijn. Een regel op basis van uren en een regel op basis van dagen op twee facturen van dezelfde leverancierscategorie kunnen hetzelfde eenheidsprijsformaat hebben, maar iets totaal anders betekenen. Een regelmotor die op één template is ingesteld, zal die foutief interpreteren zonder dat iemand het merkt. AI-documentverwerking die redeneert op basis van context in plaats van een vaste lay-out, is veel beter geplaatst om dit soort afwijkingen op te sporen voordat het een coderingsfout of een overbetaling wordt. Dat gezegd hebbende: dit is precies het soort beoordeling dat door een mens moet worden bevestigd, niet ongemerkt opgelost.
 

4. Directe interactie met leveranciers om data aan de bron te corrigeren

In plaats van een AP-medewerker per e-mail achter een leverancier aan te laten gaan voor een ontbrekend PO-nummer of een gecorrigeerd bankrekeningnummer, kan een AI-agent die eerstelijnsinteractie op een gecontroleerde en veilige manier afhandelen: identificeren wat er ontbreekt, de specifieke correctie opvragen en het dossier bijwerken zodra de data binnen is. Uiteraard met verplichte menselijke validatie voor alles wat betalingsgegevens betreft.

Deze interacties blijven strikt beheerd, want leveranciersrelaties zijn bijzonder gevoelig: de agent valt leveranciers niet lastig met herhaalde verzoeken, stuurt nooit een overdaad aan follow-ups en onderneemt geen acties die frustratie kunnen veroorzaken of je merk kunnen beschadigen.

In tegenstelling tot traditionele procesautomatisering, die alleen vooraf gedefinieerde regels volgt, kunnen AI-agenten documenten interpreteren, context begrijpen, anomalieën detecteren en acties in meerdere systemen triggeren. Maar ze doen dit binnen een begeleid kader met vastgelegde communicatielimieten, gemonitorde interacties en leverancierscontacten die zeldzaam, doelgericht en niet-intrusief zijn.

Hier zit de échte innovatie: waar eerdere automatisering een datakwaliteitsprobleem alleen kon vlaggen voor een mens om op te lossen, helpt AI nu om het daadwerkelijk op te lossen, zonder de leveranciersrelatie in gevaar te brengen.

5. Leverancierscompliance als continue monitoring, niet als een jaarlijkse stormloop

Bedrijven dragen een steeds grotere documentatielast over hun leveranciers: verzekeringsattesten, fiscale documenten, ISO- of sectorspecifieke certificaten en duurzaamheidsverklaringen, elk met hun eigen vervaldatum en vernieuwingscyclus. Traditioneel leveranciersbeheer is reatief: problemen komen pas boven water tijdens audits of contracthernieuwingen. AI daarentegen monitort continu leverancierssignalen en vlagt financiële instabiliteit, vervallende certificaten en compliance issues maanden op voorhand.

Een AI-agent voor compliancemonitoring kan de master data van leveranciers combineren met documentbeheer op een gedeelde map, en zo automatisch 90, 60 en 30 dagen voor het vervallen van een certificaat herinneringen sturen naar zowel de interne eigenaar als de leverancier met het verzoek om een bijgewerkt document. Voor finance teams die al onder hoge druk staan met hun kernactiviteiten in AP, is deze vorm van documentopvolging een logische en directe opportuniteit. Het illustreert perfect hoe AI in finance beschermt tegen operationele en regelgevende risico's zonder extra personeel aan te nemen, én het sluit naadloos aan bij een breder vendor risk management.

6. Zichtbaarheid op uitgaven, maverick spend en fraudesignalen

Zodra AP-data zuiver en gestructureerd is, wordt het een bron van inzicht in plaats van louter een verwerkingswachtrij. AI-gestuurde documentverwerking kan een extractienauwkeurigheid van meer dan 98% behalen (vergeleken met aanzienlijk lagere percentages bij template-afhankelijke OCR). De winst in handmatige controle die hierdoor wegvalt, meet je rechtstreeks in teamuren per week.

Die zuiverdere data vormt de basis voor spend analytics: het identificeren van maverick spend (aankopen buiten goedgekeurde leveranciers of contracten om), het spotten van trends op categorieniveau en het bovendrijven van anomalieën die bij een handmatige controle onopgemerkt zouden blijven.

Het ondersteunt ook fraudedetectie: AI kan ongebruikelijke patronen herkennen (zoals een bankrekening van een leverancier die vlak voor een betaling verandert, een factuur die buiten het normale patroon binnenkomt, of factuurlijnbedragen die niet passen bij de historiek van de leverancier) en risicoscores genereren die AP-teams kunnen controleren. Dit is van groot belang geworden: fraudepogingen gericht op werkstromen rond bankrekeningwijzigingen zijn in 2026 scherp gestegen. Eén platform meldde zelfs een stijging van 300% in het aantal aanvragen voor dit soort controles, doordat fraude verschuift van valse facturen naar het onderscheppen van betalingsgegevens van legitieme leveranciers.

Geen van bovenstaande punten is een reden om AI zonder toezicht te laten werken. Elke geloofwaardige toepassing van factuurverwerking met AI 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 vaak 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 een punt waarop snelheid nooit voorrang mag krijgen boven verificatie”, aldus Hedwig Hulpiau, Senior Project Manager 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.

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 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 finance 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 flaggen van wat alleen een mens zou moeten beslissen.