Van tekstherkenning naar begrip: waarom OCR alleen niet meer volstaat

Wat OCR wél doet, en wat niet

Klassieke OCR is een leesmachine. Het herkent karakters, vindt bedragen, datums en soms een IBAN. Daar houdt het op. De vraag wat een factuur bétekent, op welk grootboek hij hoort, welk btw-tarief klopt en of het een kostenplaats of project raakt, blijft aan jou. In veel kantoren wordt dat gat gedicht met leverancierstemplates: per crediteur leg je vast waar welk veld staat en hoe je het wilt boeken.

Dat werkt, tot het niet meer werkt. Elke keer als een leverancier zijn factuurlayout vernieuwt, kraakt de template. Bij elke nieuwe crediteur begin je opnieuw. En bij eenmalige leveranciers investeer je onderhoud in iets wat je daarna nooit meer ziet.

Het onderhoud dat je niet in beeld hebt

Vraag eens rond op je kantoor hoeveel tijd er per week gaat zitten in het bijwerken van herkenningsregels, het corrigeren van misgelezen bedragen, of het handmatig hertoewijzen van een grootboek omdat de template niet meer klopt. Dat werk is versnipperd, staat nergens op een urenstaat en verdwijnt in de marge van je administratie.

Het wordt pijnlijker naarmate jouw klantportefeuille diverser is. Een aannemer met tientallen wisselende onderaannemers. Een marketingbureau dat elke maand nieuwe SaaS-tools afrekent. Een horecaklant met bonnetjes van leveranciers die één keer langskomen. Voor al die eenmalige facturen bouw je templates die je nooit terugverdient.

Van herkennen naar begrijpen

AI-herkenning die van boekingsgedrag leert, pakt dit anders aan. In plaats van een regel per leverancier te definiëren, kijkt het systeem naar hoe jij in de praktijk boekt. Welke omschrijvingen, welke bedragen, welke btw-codes en welke grootboekrekeningen horen bij welk type transactie? Die patronen ontstaan gaandeweg uit de administratie zelf. Een nieuwe leverancier is dan geen setup-klus, maar een voorspelling met een zekerheidsscore.

Het verschil zit in drie dingen:

• Je onderhoudt geen individuele templates meer, maar stelt drempels in waarop de AI zelfstandig mag boeken.
• Eenmalige leveranciers krijgen dezelfde behandeling als vaste crediteuren, want er is geen aparte inrichting nodig.
• Correcties zijn niet verloren tijd. Elke handmatige aanpassing verbetert de volgende boeking.

Dit is wat we op Autoboeker bedoelen met werken zonder templates: de herkenning is een middel, het boeken is het doel.

Wat het betekent voor kantoren met veel eenmalige leveranciers

Juist bij kantoren met een lange staart van incidentele crediteuren is de winst het grootst. Waar klassieke OCR bij elke onbekende leverancier terugvalt op handwerk of een half ingerichte template, kan een lerend model direct een voorstel doen op basis van vergelijkbare boekingen elders in de administratie. Klopt het voorstel? Eén klik. Klopt het niet? Corrigeer en de volgende keer zit het beter.

Een rekenvoorbeeld ter illustratie: als je 10.000 facturen per jaar verwerkt en per factuur van zes minuten handwerk naar ongeveer een minuut gaat, komt dat neer op zo’n 667 uur die je anders besteedt. Dat is ruwweg een FTE aan capaciteit die je kunt inzetten voor advies in plaats van invoerwerk.

Hoe je dit vandaag praktisch aanpakt

Je hoeft niet direct de hele inrichting om te gooien. Drie stappen die op elk kantoor werken:

1. Breng in kaart welk deel van jouw crediteuren eenmalig of laagfrequent is. Dat is waar templates het meeste kosten en het minste opleveren.
2. Kies per administratie een zekerheidsdrempel waarboven je AI zelf laat boeken. Begin conservatief en schroef op naarmate het vertrouwen groeit.
3. Behandel correcties als training, niet als reparatie. Wat je vandaag verbetert, hoef je morgen niet opnieuw te doen.

Herkenning is inmiddels een commodity. Het onderscheid zit in wat er ná de herkenning gebeurt: begrijpt het systeem de context, en durft het te beslissen op basis van jouw patronen?

Tot slot

Wil je zien hoe dit er in de praktijk uitziet op jouw kantoor? Plan een demo van 30 minuten en we lopen het samen door.