AI voor verwerking van inkooporders. Een illustratief uitgewerkt voorbeeld, geen klantresultaat: de groothandel en zijn cijfers zijn aannames. AI voor inkooporderverwerking is software die een per e-mail of PDF binnengekomen inkooporder leest, orderregels, aantallen en prijzen eruit haalt, ze toetst aan je catalogus en de schone order in je ERP boekt. Een mens keurt de randgevallen nog steeds goed.
Stel je een middelgrote groothandel voor met de bottleneck die de meeste groothandels delen. Neem aan dat ongeveer 1.000 inkooporders per maand binnenkomen als e-mailbijlagen en PDF's, en dat twee mensen elk met de hand opnieuw intikken in het ERP. De verkoop is rond, maar de verzending wacht op data-invoer. Deze cijfers zijn aannames voor het voorbeeld, geen metingen van een klant.
#Wat vertraagt het invoeren van inkooporders eigenlijk?
Wat doet AI voor verwerking van inkooporders eigenlijk?
Het trage deel is niet het typen, maar het lezen. Elke leverancier maakt een inkooporder anders op, dus iemand moet de orderregels vinden, elke regel aan de catalogus koppelen en prijsfouten opsporen voordat er wordt geboekt. AI leest al die formaten tegelijk en stuurt alleen de uitzonderingen ter goedkeuring naar een mens.
Het ontwerp heeft dus de vorm die we gebruiken voor documentverwerking in operations: ai-extractie, validatie op regels en een menselijke goedkeuringswachtrij. Claude van Anthropic leest de order. De regels toetsen elke regel. Wat schoon is, wordt in het ERP geboekt. Wat vreemd is, wacht op een mens. De goedkeuringswachtrij zelf is een kleine interne app, het soort ding dat onder ai-implementatie wordt gebouwd.
#Zou de achterstand verdwijnen, of alleen verschuiven?
Dat is het doel, en een team zou het controleren door doorlooptijd van orderinvoer en wachtrijgrootte vooraf en achteraf te meten. De mensen die orders intikten, beoordelen nu de wachtrij, zodat hetzelfde volume zonder extra aanname doorstroomt. De validatiestap vangt ook verkeerd geprijsde en dubbele orderregels op die een vermoeid mens niet betrouwbaar tegen een prijslijst kan controleren. Dit voorbeeld claimt geen resultaatcijfers.
Illustratief scenario: de orderinvoerwachtrij is niet langer iets wat de operationsmanager elke ochtend met tegenzin controleert, maar een korte lijst uitzonderingen om goed te keuren.
#Hoe rol je dit uit zonder dat het team het vertrouwen verliest?
Laat de AI eerst parallel aan het oude proces draaien. Elke order gaat langs beide paden, en het team vergelijkt de extractie van de AI met de met de hand ingetikte versie voordat er iets wordt geboekt. Op het moment van overstappen heeft het overeenkomende resultaten gezien op de eigen orders. Vertrouwen wordt verdiend, niet aangenomen.
- Leest inkooporders uit e-mail en PDF, in het formaat van elke leverancier
- Haalt orderregels, aantallen en eenheidsprijzen naar gestructureerde velden
- Controleert elke regel tegen de catalogus en markeert verkeerd geprijsde of dubbele rijen
- Boekt schone orders rechtstreeks in het ERP
- Stuurt alleen de uitzonderingen ter goedkeuring naar een persoon
We are
Stennir bouwt een stille pijplijn die je documenten leest en schone data boekt in de systemen die je al gebruikt.
We aren't
Het is geen chatbot die op je ERP is vastgeklikt en die je team één order tegelijk moet aansturen.
Dit is hetzelfde operationspatroon als in onze andere uitgewerkte voorbeelden: claimverwerking waarbij een mens elke claim goedkeurt, voorbereiding van voorafgaande toestemming met menselijke afronding en een kyc-achterstand wegwerken. Het document lezen, de data valideren, een mens op de uitzonderingen houden. Hoe we dat werk afbakenen zie je bij ai-advies, en het lopende logboek in het journal.
Als je orderinvoerwachtrij het ding is tussen een gesloten verkoop en een verzending, is dat een oplosbare bottleneck. Deze pagina is een illustratief voorbeeld zonder klantcijfers; de manier om de jouwe te vinden is meten. vertel ons wat je bouwt.
