Uitgewerkt voorbeeld. Dit is een illustratief uitgewerkt voorbeeld, geen klantresultaat. Het dienstverlenend bedrijf en elk cijfer erin zijn aannames. Het laat ai-declaratiecontrole zien: software die elke ingediende declaratie leest tegen je geschreven reis- en onkostenbeleid en de declaraties markeert die het schenden voordat een goedkeurder tekent. Een mens keurt nog steeds elke betaling goed.
Stel je een professioneel dienstverlenend bedrijf voor dat één vraag stelt: hoeveel van wat we elke maand vergoeden, schendt ons eigen beleid? Het ontwerp laat ai-declaratiecontrole los op elke ingediende declaratie, zodat uitgaven buiten het beleid worden gevangen vóór goedkeuring en niet na betaling worden teruggevorderd. Het aandeel dat het beleid schendt is het getal om te meten, en dit artikel claimt er geen.
#Waarom uitgaven die het beleid overtreden vóór goedkeuring betrappen in plaats van erna?
Terugvordering is de dure manier om beleid te handhaven. Zodra een vergoeding is uitbetaald, betekent het terugkrijgen ervan een ongemakkelijk gesprek met een collega, een handmatige correctie in het grootboek, en een aantekening bij de afsluiting van de volgende maand. Diezelfde uitgave vóór goedkeuring betrappen kost één klik. De goedkeurder ziet de markering, de reden en precies de beleidsregel die werd overtreden, en beslist dan.
Vervangt AI voor declaratiecontrole de goedkeurder?
Nee. De AI leest elke onkostendeclaratie tegen je reis- en onkostenbeleid en markeert de declaraties die het schenden. Een goedkeurder bekijkt en tekent nog steeds elke markering, en elke beslissing komt in een auditlog. De AI doet de eerste lezing; een mens neemt het besluit.
#Waaruit bestaat het ontwerp, en waarop bouwt het voort?
Er wordt niets vervangen. Neem aan dat het bedrijf al Expensify gebruikt om in te dienen en NetSuite voor het grootboek. Het ontwerp voegt een controlestap toe tussen beide. Elke declaratie wordt gelezen tegen het geschreven beleid, de declaraties die het schenden krijgen een markering met reden, en een wachtrij voor menselijke goedkeuring houdt elke markering vast tot iemand tekent. Niets wordt automatisch goedgekeurd. Dit is het soort interne stap dat ons team voor ai-consultancy afbakent, en de controletool zelf is het soort ding dat ons werk voor ai-implementatie oplevert.
We are
Stennir bouwt AI die uitgaven die het beleid overtreden markeert zodat een mens ze goedkeurt, bovenop de Expensify en NetSuite die je al gebruikt.
We aren't
Het is geen auto-goedkeuringsbot die vergoedingen uitbetaalt zonder dat een persoon eerst de markering leest.
#Wat overtreedt het beleid het vaakst?
- Maaltijden geboekt boven het dagvergoedingsplafond
- Ontbrekende bonnetjes boven de bonnetjesdrempel
- Persoonlijke items vermengd in een hotelfactuur
- Reizen geboekt buiten het goedgekeurde tijdsvenster
- Dezelfde uitgave twee keer ingediend via twee declaraties
Niets hiervan is fraude. Het meeste zijn eerlijke fouten. Het punt van ai-declaratiecontrole is ze rustig te vangen, bij indiening, voordat ze een terugvordering of een auditbevinding worden.
#Wat zou het financeteam meten?
Neem aan dat twee goedkeurders vandaag elke regel van elke declaratie met de hand lezen. De AI doet de eerste lezing, dus zij bekijken alleen de gemarkeerde declaraties van dichtbij. Te meten zijn de maandelijkse uren van goedkeurders, het aandeel gemarkeerde declaraties, het aandeel terechte markeringen en de tijd tussen indiening en ondertekening, elk tegen een nulmeting van vóór de lancering. Hier wordt geen resultaat geclaimd.
Er staat hier geen klantcitaat, omdat er geen klant is. Het doel in één regel: een beleidsschending ontdekken bij indiening in plaats van bij de afsluiting.
Een melding. Dit is een illustratief uitgewerkt voorbeeld. Er zit geen klant, geen opdracht en geen gemeten resultaat achter, en niets erin is afgerond uit echte data. We laten je liever een duidelijk gelabelde aanname zien dan een verzonnen exact getal.
Als terugbetalingslekken en trage controle door goedkeurders je financeteam stilletjes belasten, is dat een use case die we ontwerpen. We bakenen het af op de stack die je al draait, houden een mens op elke goedkeuring en leveren je het auditlog. Meer uitgewerkte voorbeelden als dit staan in het journal. Als je zover bent, vertel ons wat je bouwt.
