AI is geen vervanging voor procesverbetering

Waarom slimme exeption handling geen oplossing is voor vermijdbare complexiteit

AI maakt het mogelijk om situaties te automatiseren die voorheen menselijke beoordeling vereisten. Documenten interpreteren, afwijkingen analyseren en vervolgacties voorstellen: het kan allemaal. Maar niet iedere uitzondering vraagt om slimmere technologie.

Een ontbrekend ordernummer kan met AI worden achterhaald. Een onduidelijke omschrijving kan worden gekoppeld aan de meest waarschijnlijke boeking. Toch begint de belangrijkste vraag een stap eerder: waarom ontbreken die gegevens of wijken ze af?

Wanneer zulke problemen structureel terugkeren, zijn het niet alleen uitzonderingen die moeten worden afgehandeld. Het zijn signalen dat het onderliggende proces beter kan.
Zonder procesverbetering automatiseer je met AI de interpretatie van vermijdbare complexiteit.

Niet iedere uitzondering is onvermijdelijk

Binnen finance operations behandelen we uitzonderingen al snel als een vast gegeven. Een factuur matcht wel of niet. Een betaling kan wel of niet automatisch worden gekoppeld. Een aanvraag is compleet of niet. Maar uitzonderingen hebben oorzaken.

Sommige oorzaken zijn nauwelijks te beïnvloeden, zoals afwijkende wetgeving, specifieke contractafspraken of gebeurtenissen die niet volledig in regels zijn te vangen. Andere ontstaan doordat afspraken onduidelijk zijn, stamgegevens niet worden onderhouden of afdelingen hetzelfde proces verschillend uitvoeren.

Dat onderscheid is belangrijk. In het eerste geval blijft interpretatie nodig. In het tweede geval zetten we mogelijk technologie in voor een probleem dat ook voorkomen had kunnen worden.
Een uitzondering die eenmalig voorkomt, kan een incident zijn. Een uitzondering die iedere week terugkomt, is procesinformatie.

AI herstelt niet automatisch de oorzaak

AI is sterk wanneer informatie onvolledig, ongestructureerd of afhankelijk van de context is. Het kan historische transacties en afwijkende teksten vergelijken en op basis daarvan een waarschijnlijk vervolg voorstellen.

Daarmee kan AI uitzonderingen sneller afhandelen. De oorzaak verdwijnt meestal niet.
Als een leverancier geen ordernummer vermeldt, kan AI het juiste nummer proberen te vinden. Maar bij de volgende factuur zonder ordernummer moet dat opnieuw gebeuren. De uitzondering wordt sneller verwerkt, maar blijft bestaan.

Dat kan verstandig zijn wanneer je de oorzaak niet redelijkerwijs kunt wegnemen. Het wordt minder logisch wanneer de uitzondering vooral voortkomt uit gebrekkige afspraken of onvoldoende procesdiscipline.

Technologie hoort het proces te ondersteunen

AI kan meer variatie verwerken dan traditionele software. Juist daardoor wordt het verleidelijk om standaardisatie, datakwaliteit en harmonisatie minder belangrijk te vinden.
Maar omdat technologie met complexiteit kan omgaan, voegt die complexiteit nog geen waarde toe.

Goede automatisering begint daarom niet met de vraag welke AI-toepassing beschikbaar is. Ze begint met de vraag: welk proces willen we als organisatie werkelijk uitvoeren?

Zie uitzonderingen als input voor verbetering

Kijk bij exception handling niet alleen naar de vraag: hoe lossen we deze uitzondering op? Vraag ook:

• Waarom bestaat deze uitzondering?
• Hoe vaak komt ze voor?
• Welke leveranciers sturen structureel onvolledige facturen?
• Welke businessunits gebruiken afwijkende boekingsregels?
• Welke workflows lopen steeds bij dezelfde stap vast?
• Welke handmatige correcties komen telkens terug?

Door uitzonderingen te groeperen, ontstaat een ander gesprek. Een individuele fout vraagt om herstel. Een terugkerend patroon vraagt om een procesbesluit.

Dat besluit kan leiden tot betere leveranciersafspraken, verplichte invoervalidatie, geharmoniseerde stamgegevens, duidelijker eigenaarschap of een aangepaste workflow. Zo wordt niet alleen de afhandeling sneller. De uitzondering zelf komt minder vaak voor.

Procesverbetering en AI hebben een ander kostenprofiel

Procesverbetering vraagt tijd. Je moet processen onderzoeken, afspraken herzien, gegevens opschonen en verantwoordelijkheden opnieuw verdelen. Maar wanneer je de oorzaak van een uitzondering wegneemt, profiteert iedere toekomstige transactie daarvan.

AI laat de oorspronkelijke complexiteit vaak bestaan. Het voegt een interpretatielaag toe die bij iedere transactie opnieuw nodig is. Daarbij komen gebruikskosten, integratie, onderhoud, monitoring, foutonderzoek en gebruikerscontrole.

Ook energieverbruik speelt mee. Dat is geen argument om AI te vermijden, maar wel om haar doelgericht te gebruiken. Als je een procesprobleem kunt oplossen met een betere afspraak, een verplicht dataveld of een eenvoudige controle, waarom zou je dan bij iedere volgende transactie een model laten interpreteren wat je vooraf had kunnen structureren?

Tegelijkertijd is procesverbetering niet automatisch goedkoop en AI niet automatisch duur. Soms zijn contracten moeilijk aan te passen, veranderen leveranciers hun gedrag niet of kost het harmoniseren van stamdata veel tijd. Bij beperkte aantallen uitzonderingen of weinig invloed op de bron kan AI juist voordeliger zijn.

De juiste vraag is dus: waar ontstaan de kosten, hoe vaak keren ze terug en verwijdert de oplossing de oorzaak of verwerkt ze alleen de gevolgen?

Niet alle complexiteit hoeft te verdwijnen

Standaardisatie is geen doel op zichzelf. Finance operations ondersteunt verschillende producten, landen, klanten en leveranciers. Sommige variatie is noodzakelijk. Wetgeving verschilt, contracten wijken bewust af en complexe transacties vragen soms terecht om extra beoordeling.
Het doel is dus niet nul uitzonderingen. Het doel is onderscheid maken tussen noodzakelijke variatie en complexiteit die niemand bewust heeft ontworpen.

Daar waar standaardisatie ophoudt en interpretatie echt nodig blijft, kan AI juist waarde toevoegen.

AI kan procesverbetering juist versterken

AI hoeft niet alleen aan het einde van het proces te staan. Het kan ook helpen ontdekken waar verbetering nodig is.

Een model kan uitzonderingen groeperen, terugkerende oorzaken in vrije tekst herkennen en verbanden signaleren tussen leveranciers, documenttypen, businessunits en herstelacties. Als honderden afwijkingen zijn terug te brengen tot drie terugkerende oorzaken, ontstaat een concrete verbeteragenda.

Vervolgens kan AI de resterende uitzonderingen ondersteunen met een voorstel, relevante context of een duidelijk begrensde vervolgstap.

Het verschil zit in het doel. Gebruik je AI om een onnodig ingewikkeld proces in stand te houden? Of gebruik je AI om patronen zichtbaar te maken en alleen de werkelijk onvermijdbare interpretatie te automatiseren?

Twee herkenbare voorbeelden

Een factuur zonder ordernummer

AI kan op basis van de leverancier, het bedrag, de omschrijving en de historie het meest waarschijnlijke ordernummer zoeken. Maar als dezelfde leverancier structureel geen ordernummer vermeldt, ligt de eerste verbetering misschien in de leveranciersafspraak, het bestelproces of het leveranciersportaal. Pas wanneer je een orderreferentie redelijkerwijs niet kunt afdwingen, wordt AI de logische interpretatielaag.

Een mailbox vol leveranciersvragen

AI kan berichten classificeren, informatie ophalen en antwoordvoorstellen genereren. Maar veel dezelfde vragen kunnen ook wijzen op onduidelijke communicatie, ontbrekende statusinformatie of een portal die onvoldoende inzicht geeft. De snelste beantwoording is nog altijd de vraag die niet opnieuw hoeft te worden gesteld.

Eerst verminderen, daarna automatiseren

Een werkbare aanpak bestaat uit vier beslissingen:

1. Elimineren
   Welke stap, controle of overdracht voegt onvoldoende waarde toe en kan verdwijnen?

2. Standaardiseren
   Welke gegevens, afspraken en verantwoordelijkheden kunnen eenduidiger? Waar kan invoer eerder worden gevalideerd?

3. Deterministisch automatiseren
   Welke situaties kunnen betrouwbaar met vaste instructies worden afgehandeld? Denk aan drempelbedragen, veldcontroles en afgesproken tolerantiewaarden.

4. Interpretatie automatiseren
   Welke resterende situaties vragen werkelijk om context, waarschijnlijkheid of ongestructureerde informatie? Daar kan AI een voorstel doen of binnen duidelijke grenzen zelfstandig handelen.

Of in het kort: elimineer wat niet nodig is, standaardiseer wat voorspelbaar is, automatiseer met instructies wat eenduidig kan en gebruik AI voor de interpretatie die werkelijk overblijft.

Kijk anders naar de businesscase

Vergelijk bij exception handling de kosten van AI niet alleen met de huidige handmatige behandeltijd. Onderzoek ook hoeveel uitzonderingen structureel kunnen worden voorkomen en welk volume daarna overblijft.

Succes betekent namelijk niet alleen dat je een hoger percentage uitzonderingen automatisch afhandelt. Het betekent ook:

• minder uitzonderingen;
• minder herstelwerk;
• gegevens die eerder correct zijn.

De beste exception handling is doorgaans geen slimmere afhandeling, maar het voorkomen van de uitzondering.

De vraag die je eerst moet stellen

AI vergroot de mogelijkheden om finance operations verder te automatiseren. Maar een terugkerende uitzondering moet eerst worden onderzocht als procesprobleem.

Kan de oorzaak worden verwijderd? Kan de invoer eerder worden gevalideerd? Kan de beslissing met vaste instructies worden uitgevoerd? Pas daarna ontstaat een zuivere AI-vraag.

AI verdient een gerichte rol bij situaties waarin interpretatie werkelijk nodig blijft. De vraag is dus niet alleen of AI een uitzondering kan afhandelen. De vraag is of die uitzondering er de volgende keer nog zou moeten zijn.