Elk kantoor kent het patroon. De lunch bij die ene Italiaan: representatie of personeelskosten? De tankbeurt op zaterdag: privé of zakelijk? De factuur van de webhostingpartij: welk project boek je die op? Het zijn geen ingewikkelde vragen, maar ze komen elke maand terug bij dezelfde klanten en dezelfde leveranciers.
De reflex is vaak om de vraagpostenlijst efficiënter te maken. Betere templates, duidelijkere formuleringen, kortere doorlooptijden. Nuttig, maar het lost het onderliggende probleem niet op: je stelt nog steeds vragen waarvan het antwoord voorspelbaar is op basis van eerdere boekingen.
Herkennen begint bij historie
Als dezelfde leverancier drie keer eerder op grootboek 4310 met kostenplaats Verkoop is geboekt, is de kans groot dat de vierde keer ook zo hoort. Dat is geen aanname, dat is een patroon. Een AI-laag die op boekingsgedrag traint, herkent dat patroon en past het toe. Niet met een starre regel per leverancier, maar met een inschatting die meebeweegt als het gedrag verandert.
Het verschil met traditionele boekingsregels is belangrijk. Een regel zegt: ‘leverancier X gaat altijd naar Y’. Zodra de werkelijkheid afwijkt, klopt de regel niet meer en moet iemand hem aanpassen. Een lerend model kijkt breder: het weegt leverancier, bedrag, omschrijving, btw-tarief, historische keuzes van de klant en het patroon binnen de branche. Daardoor is de uitkomst niet ‘altijd hetzelfde’, maar ‘wat past hier het beste’.
Zekerheidsscores maken het beheersbaar
Herkennen alleen is niet genoeg. Je wilt weten hoe zeker het systeem is van zijn zaak. Dat is waar zekerheidsscores en drempels binnenkomen. Bij een hoge score boekt de AI zelf door. Bij een lagere score belandt de post in jouw beoordelingsscherm. Bij twijfel over iets dat de klant moet beantwoorden, gaat er een vraagpost uit.
Het mooie: die drempels zet je zelf. Voor een klant met veel vaste patronen kun je de lat lager leggen. Voor een nieuwe administratie of een dossier met veel privé-gebruik houd je de drempel hoger. Zo bepaal je per situatie hoeveel autonomie je de AI geeft, zonder dat je de controle uit handen geeft.
Welke vragen blijven er dan over?
Als de simpele gevallen wegvallen, zie je wat er structureel overblijft. Vaak zijn dat de vragen die er echt toe doen. Een nieuwe leverancier zonder historie. Een uitgave die qua bedrag afwijkt van het patroon. Een bonnetje waar geen omschrijving op staat en waarbij de context ontbreekt. Dat zijn precies de posten waar je de aandacht van je klant voor wilt vragen.
Het effect is tweeledig. Je klant krijgt minder mailtjes en neemt de vragen die je stelt serieuzer, omdat het niet meer de zoveelste routinevraag is. En jouw team houdt tijd over voor het werk waar het echt om draait: analyse, advies en signalering.
Praktisch aan de slag, ook zonder AI
Ook als je vandaag nog geen AI-laag op je boekhoudsoftware hebt draaien, kun je vandaag beginnen. Kijk in je huidige vraagpostenoverzicht welke drie categorieën het vaakst terugkomen. Bespreek per categorie met je klant een vaste afspraak: standaard boeken op grootboek X, tenzij ze het per uitzondering aangeven. Dat is handmatig het patroon nabootsen dat AI automatisch oppakt. Het scheelt direct vragen en het maakt de overstap naar geautomatiseerd herkennen later een stuk makkelijker.
De kern blijft: minder vraagposten krijg je niet door harder te vragen, maar door beter te herkennen wat je eigenlijk al weet.
Wil je zien hoe dit er in de praktijk uitziet op jouw kantoor? Plan een demo van 30 minuten in en we lopen het samen door
Geef een reactie