Facturen automatiseren met AI: een agent voor je inkoopfacturen, van inbox naar goedkeuring

Typ je elke week dezelfde velden van een inkoopfactuur over in je boekhoudpakket? Leverancier, bedrag, btw, vervaldatum. Facturen automatiseren met AI neemt dat over: een agent leest de factuur en zet de gegevens klaar voor verwerking. Het echte risico zit niet waar je het verwacht. Volgens documentfraude-specialist Klippa wijzigen fraudeurs het liefst één klein detail op een anders identieke factuur. Meestal is dat het rekeningnummer. Precies het detail dat iemand onder tijdsdruk overslaat. Een AI-agent slaat het niet over, als je hem dat vooraf opdraagt. Hoe je dat inricht, en waar het juist door de automatisering zelf kan misgaan, lees je hieronder.

Wat is facturen automatiseren met AI, en wat doet de agent precies?

Een agent is software die zelf stappen zet in jouw werk. Geen antwoord typen, maar het werk zelf doen. Bij facturen automatiseren met AI krijgt die agent een vaste reeks stappen. Hij leest een binnenkomende factuur, uit de mail of een upload. Hij haalt de velden eruit: leverancier, factuurnummer, bedrag, btw, vervaldatum, rekeningnummer. Hij vergelijkt die gegevens met wat je al weet over die leverancier. Daarna zet hij het resultaat klaar: automatisch doorzetten, of naar een mens voor controle.

Dat "lezen" gebeurt met OCR: optical character recognition, tekstherkenning in een gescand document. Daarbovenop zit een taalmodel dat begrijpt welk getal bij welk veld hoort, ook als de lay-out per leverancier verschilt. Dat werkt goed bij een factuur die lijkt op honderden eerdere facturen van dezelfde leverancier. Het model herkent dan het patroon. Het werkt niet bij een handgeschreven factuur, een slecht gescand document, of een factuur in een ongebruikelijke taal of valuta. Controleer die herkenning dan altijd zelf, voor je hem vertrouwt.

Zet daarom vooraf een tolerantieniveau: een klein verschil tussen het factuurtotaal en de som van de regels, ontstaan door afronding, mag de agent zelf door laten gaan. Een praktische vuistregel: tot €2 of 1% van het factuurbedrag (het hoogste van de twee) laat je agent zelf door naar boeking. Daarboven gaat de factuur altijd naar een mens. Zonder die grens meldt de agent bij elke afronding een "fout". Na een paar dagen negeer je dan alle meldingen, ook de meldingen die er echt toe doen.

Welk niveau: een prompt, een workflow of een volledige agent?

Op onze eigen schaal (een slimme prompt, een workflow, een volledige agent) hoort facturen automatiseren met AI bij de workflow. Een vaste reeks van lezen, vergelijken en routeren. Met vaste regels voor wanneer iets automatisch doorgaat. Dat is zwaarder dan een losse prompt waarin je één factuur plakt en om een samenvatting vraagt. Het is lichter dan een volledige agent die zelf besluit wát hij moet doen.

Waarom geen volledige agent? Omdat er geld op het spel staat. Een factuur die ten onrechte wordt betaald, is geld dat weg is. Een workflow met vaste regels geeft je precies de controle die je daarbij nodig hebt. De agent vergelijkt en meldt. Hij beslist niet zelf wat hij met een afwijking doet. Zie je na een paar weken dat één type afwijking altijd op dezelfde manier wordt afgehandeld? Dan geef je de agent pas de ruimte om die ene, specifieke beslissing ook zelf te nemen.

In de crediteurenadministratie heet deze keuze "matching": hoeveel documenten vergelijk je voordat je betaalt. The CFO Club onderscheidt matching in twee richtingen (alleen factuur tegen inkooporder), drie richtingen (factuur, inkooporder en ontvangstbewijs) en vier richtingen (daar komt ook een inspectiebon bij). Drie richtingen is het sterkst tegen fraude. Een factuur moet dan niet alleen op prijs kloppen, maar ook op een geleverde hoeveelheid die een ander team al heeft bevestigd. Dat kost ook meer tijd. Daarom adviseert The CFO Club een minimumbedrag te bepalen waaronder je het niet toepast. Een controle op een factuur van enkele tientjes kost meer dan ze oplevert. Vertaal die twee inzichten naar je eigen workflow, met bijvoorbeeld €250 als startpunt voor dat minimumbedrag: onder die grens volstaat een vergelijking met alleen de laatst betaalde factuur, erboven vergelijk je ook met de inkooporder. Pas dat bedrag na een paar weken aan op je eigen ervaring.

Factuurfraude bij automatische factuurverwerking: het rekeningnummer dat niemand checkt

Dit is de grootste valkuil, en hij is niet verzonnen. Een medewerker bij Honda richtte in de Verenigde Staten jarenlang zelf meerdere valse inkooporders in en liet die goedkeuren als waren ze echt, meldt The CFO Club. De schade liep op tot $750.000 voordat het werd ontdekt. Dat is geen uitzondering met een slimme buitenstaander. Het is een eigen medewerker die precies wist welke controle er niet was. Klippa beschrijft een vergelijkbaar patroon van buitenaf. Bij een multinational ontving een medewerker van de crediteurenafdeling een factuur van €1.823, naar verluidt van een marketingbureau waarmee het bedrijf al samenwerkte. Logo, lay-out en contactgegevens klopten. Alleen het rekeningnummer bleek, na een gerichte controle, te horen bij een onbekend bedrijf in het buitenland. ABN AMRO adviseert daarom twee dingen die een agent allebei kan uitvoeren. Leg rekeningnummers van leveranciers vast in een adresboek. Bel bij twijfel de leverancier via een nummer dat je al had, nooit via het nummer op de factuur.

Een voorbeeld. Het volgende voorbeeld is een eigen constructie: het bedrijf, de naam en het factuurnummer zijn verzonnen, gebouwd op het patroon en het bedrag uit de Klippa-casus hierboven. Stel, je geeft een factuurverwerkingsagent deze opdracht:

Lees deze factuur. Haal leverancier, factuurnummer, bedrag, btw,
vervaldatum en rekeningnummer eruit. Vergelijk het rekeningnummer
met het laatst betaalde rekeningnummer van deze leverancier in ons
systeem. Meld een afwijking, verwerk niets automatisch bij een
afwijking.

Factuur: [gescande PDF, leverancier "MarketPro Media", bedrag
€1.823,00, factuurnummer MP-20261003]

Een eerste, te simpele uitvoering van die opdracht levert dit op:

Dat ziet er geruststellend uit. En dat is precies de fout. De agent vergeleek het rekeningnummer met wat er in het systeem stond. Niemand controleerde of dat systeemveld zelf nog klopte. Stel dat een fraudeur drie weken eerder, via een eerdere factuur met exact hetzelfde patroon, het rekeningnummer in het systeem al liet wijzigen. Dan bevestigt deze check alleen dat de nieuwe factuur consistent is met de vorige fraude. Wat je hieraan verbetert: de vergelijking moet niet draaien om "komt overeen met het systeem". Ze moet draaien om twee andere vragen: is dit rekeningnummer in de laatste twaalf maanden ooit gewijzigd, en is die wijziging ooit buiten deze factuurstroom om bevestigd? Die bevestiging loopt via een telefoonnummer dat je al had, nooit via een nummer uit de factuur zelf. Dat is precies het advies dat zowel Klippa als ABN AMRO geven. Het is ook het enige wat een taalmodel niet uit een factuur kan halen. Het moet een vast, los proces zijn.

Waarom werkt dit niet met alleen een striktere promptregel? Omdat het probleem niet in de leesstap zit. De agent leest de factuur correct. Hij leest het systeemveld ook correct. De fout zit in het moment waarop het systeemveld zelf is gewijzigd, en daar was de agent niet bij. Een losse regel zoals "wees extra kritisch op rekeningnummers" verandert niets aan dat moment. Wat wel helpt: log elke wijziging van een rekeningnummer in je systeem apart, met datum. Laat die wijziging nooit door dezelfde persoon of hetzelfde proces goedkeuren als de factuur die daarna op dat nummer wordt betaald. Dat heet een human-in-the-loop-grens, maar dan op het moment van wijzigen, niet op het moment van betalen.

Er is ook een interne versie van dit risico, en die is minstens zo belangrijk. Klippa beschrijft hoe een medewerker met toegang tot zowel leveranciersgegevens als het goedkeuringsproces het rekeningnummer tijdelijk aanpast. Hij laat de betaling doorgaan, en herstelt het origineel daarna. Dat werkt alleen als één rol beide stappen mag zetten. Geef je een facturatieagent dezelfde combinatie van rechten, gegevens bijwerken én goedkeuren? Dan bouw je dat risico gewoon opnieuw, maar dan geautomatiseerd en zonder dat iemand het meteen merkt.

Beslisregel: wanneer verwerkt de agent automatisch, wanneer moet een mens kijken?

Facturen automatiseren en privacy: wat mag de agent zien?

Een inkoopfactuur is geen neutraal document. Vaak staat er een naam en een e-mailadres van een contactpersoon op. Bij een eenmanszaak of zzp'er is het rekeningnummer vaak direct aan één persoon te koppelen. Dat zijn persoonsgegevens, ook als de factuur verder alleen over een zakelijke transactie gaat. De AVG geldt zodra een AI-tool die gegevens verwerkt, net als bij elk ander document met een naam en contactgegevens erop.

In de praktijk betekent dit twee dingen. Gebruik voor het verwerken van facturen alleen een zakelijk account bij je AI-leverancier, met een verwerkersovereenkomst en modeltraining op je eigen data uitgeschakeld. Plak nooit een factuur met een BSN erop, bijvoorbeeld van een zzp'er die zijn btw-identificatienummer nog op het oude format voert, in een consumentenversie van een AI-tool. Gebruik je een factuurverwerkingsagent binnen je eigen, afgeschermde omgeving, gekoppeld aan je boekhoudpakket via een eigen integratie? Dan valt dit risico meestal al weg. De gegevens verlaten dan nooit een omgeving waarmee je al een verwerkersovereenkomst hebt. Twijfel je? Vraag je AI-leverancier expliciet om de verwerkersovereenkomst voor het specifieke onderdeel dat facturen leest, niet alleen voor de chatfunctie.

Wat kun je in de eerste weken echt verwachten van facturen automatiseren?

Reken niet op een volledig automatisch proces vanaf dag één. Klippa noemt, als leverancier van dit type software, een tijdsbesparing tot 90% op de handmatige verwerkingstijd. Dat is een leveranciersclaim, geen onafhankelijke meting. Zulke getallen gaan altijd over het beste geval: een vaste leverancier, een factuur in een bekend formaat, geen afwijkingen. Uit onze eigen Agent Sprint-trajecten zien we een voorzichtiger patroon. Bedrijven die beginnen met een vaste groep van vijf tot tien terugkerende leveranciers, zien een duidelijk effect. Na twee tot drie weken loopt 50 tot 70% van die facturen zonder correctie door naar de boekingsklaar-status. De rest blijft precies de categorie die in de beslisregel hierboven naar een mens gaat: vooral nieuwe leveranciers en afwijkende bedragen.

Dat is onze eigen trainingservaring, geen onafhankelijk gemeten percentage. Het geldt vooral voor bedrijven die starten met een beperkte, bekende leverancierslijst. Begin je meteen met alle inkoopfacturen van alle leveranciers? Dan ligt dat percentage lager. Simpelweg omdat een groter deel van je leveranciers in de eerste weken nog "nieuw" is voor het systeem.

Fraude in het algemeen is overigens geen klein probleem. Fraudeonderzoekers van de Association of Certified Fraud Examiners schatten dat een gemiddelde organisatie wereldwijd 5% van haar omzet verliest aan fraude in de volle breedte. Dat is geen factuurfraude-specifiek cijfer, en ook geen Nederlands cijfer. Het laat wel zien waarom een controlestap die vijf minuten kost iets anders is dan vijf minuten wachttijd. Het is een verzekering tegen een verlies dat bij veel bedrijven nooit optreedt, maar dat bij optreden meteen in de duizenden euro's loopt.

Hoe je na zeven dagen weet of het werkt

• Hoeveel keer meldde de agent een gewijzigd rekeningnummer, en hoe vaak bleek dat bij navraag een echte, legitieme wijziging? Een paar meldingen per week die bij navraag klopten, is gezond. Dan werkt de check, en wijzigen je leveranciers af en toe hun bankgegevens. Nul meldingen in een week met meer dan twintig facturen is een ander signaal: de check staat waarschijnlijk nog niet goed ingericht.
• Hoeveel facturen van bekende leveranciers moest een mens alsnog corrigeren voordat ze konden worden geboekt? Dit hoort na twee weken te dalen. Stijgt het juist? Dan leest de agent waarschijnlijk een leverancier verkeerd in, bijvoorbeeld omdat die net een nieuw factuursjabloon gebruikt.
• Heeft iemand die leveranciersgegevens mag wijzigen, ooit in dezelfde week ook een betaling aan die leverancier goedgekeurd? Dit hoort op nul te staan. Komt dit een keer voor, zelfs met een goede reden? Dan is dat het moment om de scheiding tussen die twee rollen opnieuw vast te leggen.

Doe dit deze week

1. Zet een leverancierslijst klaar met minstens tien terugkerende facturen

   Kies leveranciers waarvan je al minstens drie eerdere, betaalde facturen hebt. Daarmee heeft de agent een patroon om tegen te vergelijken, in plaats van vanaf nul te beginnen.

2. Draai het vergelijkingsrecept, zonder dat de agent iets goedkeurt

   Gebruik de prompt uit dit artikel op je eerste vijf binnenkomende facturen: lees, haal de velden eruit, vergelijk het rekeningnummer met het laatst bekende nummer, meld elke afwijking. Laat de agent in deze eerste week alleen melden, nooit automatisch verwerken.

3. Leg vast wie leveranciersgegevens mag wijzigen en wie betalingen goedkeurt

   Eén A4 met twee losse namen of rollen: wie mag een rekeningnummer in het systeem wijzigen, en wie keurt de betaling goed. Dat zijn nooit dezelfde persoon of hetzelfde geautomatiseerde proces, ook niet bij uitzondering.

Het agent-recept dat vandaag werkt: laat de agent drie weken lang alleen vergelijken en melden volgens de beslisregel hierboven. Bouw de koppeling naar je boekhoudpakket pas daarna, en alleen voor de leveranciers die in die drie weken nul afwijkingen opleverden.

Wil je dit met je eigen financiële team opzetten, inclusief de grens tussen wat de agent zelf mag en wat altijd naar een mens gaat? In de Agent Sprint bouw je dat op je eigen facturen en boekhoudpakket. Twijfel je nog of je team breder met AI aan de slag kan? Een AI-werksessie is de plek om dat met je hele team in kaart te brengen. Werkt jouw bedrijf met een extern administratiekantoor voor de btw-aangifte? Dan gaat onze gids over AI bij administratiekantoren in op de boekhoudkundige categorisering die daar speelt, een andere taak dan de controle die in dit artikel staat. Maak je zelf nog facturen voor klanten met AI? Dat is de omgekeerde richting, behandeld in onze gids over factuur maken met AI.

Bronnen

• Klippa, Hoe herken je een nepfactuur? Tips & uitleg tegen factuurfraude. Zelf geopend. Bron voor het praktijkvoorbeeld van de €1.823-factuur met het gewijzigde rekeningnummer, de rode vlaggen en de meerlaagse controlemethode.
• Klippa, Hoe herken en voorkom je factuurfraude binnen je organisatie?. Zelf geopend. Bron voor het onderscheid tussen externe fraude en interne fraude (een medewerker die zelf gegevens tijdelijk wijzigt), en voor de leveranciersclaim over tijdsbesparing.
• ABN AMRO, Sterke toename in CEO Fraude. Zelf geopend. Onafhankelijke bankbron (niet een AI-leverancier) voor de werkwijze van criminelen en het advies om een wijziging altijd via een bekend telefoonnummer te bevestigen.
• ABN AMRO, Hoe herkent u factuurfraude?. Zelf geopend. Bron voor het advies om rekeningnummers van leveranciers vast te leggen in een adresboek en om een afwijkende betaalopdracht altijd twee keer te laten controleren.
• The CFO Club, Wat is matching in drie richtingen?. Zelf geopend. Bron voor het onderscheid tussen matching in twee, drie en vier richtingen, het advies over een minimumbedrag voor driewegmatching, en de Honda-fraudezaak (oorspronkelijk gemeld door 10TV, hier via The CFO Club geciteerd omdat de 10TV-pagina zelf niet opende).
• Association of Certified Fraud Examiners, Statement on fraud risk and enforcement priorities. Zelf geopend. Bron voor het cijfer dat een gemiddelde organisatie 5% van haar omzet verliest aan fraude in de volle breedte, gebruikt als context, niet als factuurfraude-specifiek cijfer.
• SRA (Samenwerkende Register-accountants en -Belastingadviseurs), Verplichte e-facturering tussen bedrijven vanaf 1 juli 2030. Zelf geopend. Bron voor de data in het Callout-blok over de verplichte e-facturering en digitale rapportage.

Veelgestelde vragen

• Wat is facturen automatiseren met AI?

  Facturen automatiseren met AI betekent dat een agent een binnenkomende inkoopfactuur leest, de velden herkent (leverancier, bedrag, btw, vervaldatum, rekeningnummer), die vergelijkt met wat je al weet over die leverancier, en het resultaat klaarzet: automatisch doorzetten naar je boekhoudpakket, of naar een mens voor controle bij een afwijking.

• Hoe herken je factuurfraude bij automatische factuurverwerking?

  De belangrijkste rode vlag is een rekeningnummer dat is gewijzigd ten opzichte van de laatst betaalde factuur van diezelfde leverancier, ook als logo, lay-out en bedrag verder identiek zijn. Klippa beschrijft dit als de meest gebruikte truc bij factuurfraude: één klein, makkelijk te missen detail op een anders vertrouwde factuur. Bevestig een wijziging altijd via een telefoonnummer dat je al had, nooit via het nummer op de factuur zelf.

• Wat is OCR, en wat heeft het te maken met facturen automatiseren?

  OCR (optical character recognition) is tekstherkenning in een gescand of gefotografeerd document. Bij facturen automatiseren met AI is OCR de eerste stap: de agent zet een PDF of foto van een factuur om in leesbare tekst, voordat een taalmodel bepaalt welk getal bij welk veld hoort. OCR werkt goed bij een getypte factuur, minder goed bij een handgeschreven of slecht gescand document.

• Mag een AI-agent facturen zelf goedkeuren voor betaling?

  Niet zonder risico. Geef een agent nooit de combinatie van zowel leveranciersgegevens bijwerken als een betaling goedkeuren: dat is dezelfde combinatie van rechten die interne fraude en CEO-fraude mogelijk maakt. Laat de agent facturen klaarzetten en afwijkingen melden, en laat een mens de uiteindelijke goedkeuring geven, zeker bij een nieuwe leverancier of een gewijzigd rekeningnummer.

• Wanneer is automatische factuurverwerking betrouwbaar genoeg om te vertrouwen?

  Als drie voorwaarden samen gelden: de leverancier is al eerder betaald (er is een patroon om tegen te vergelijken), het rekeningnummer is niet gewijzigd sinds de laatste betaling, en het factuurnummer is niet eerder gezien. Mist een van de drie, dan hoort een mens te kijken voordat de factuur wordt betaald.