AI voor omzetcontrole

AI voor omzetcontrole is software die je omzetgegevens doorzoekt op afwijkingen die een mens met steekproeven mist: facturen die niet passen bij het contract, klanten die anders gaan afnemen, deals zonder factuur, kortingen buiten het patroon. AI is daarin sterk op drie punten: veel records tegelijk vergelijken, ongestructureerde tekst zoals contracten en mails lezen, en bevindingen rangschikken op wat ze waard zijn. Het is zwak in alles wat niet in data staat, en het kan zich met veel stelligheid vergissen. Goede AI-omzetcontrole laat daarom altijd zien waarop een bevinding rust en laat een mens beslissen voordat er iets verandert.

Wat omzetcontrole is

Omzetcontrole is nagaan of alles wat je verkoopt, levert en afspreekt ook correct wordt gefactureerd en betaald. In de meeste bedrijven gebeurt het op drie manieren: de maandelijkse aansluiting tussen orderadministratie en boekhouding, steekproeven op contracten of projecten, en de accountantscontrole bij de jaarrekening. Alle drie zijn nuttig. Alle drie zijn steekproefsgewijs of periodiek.

Daar zit het gat. Een lek dat ontstaat in februari en wordt gevonden bij de aansluiting van december, heeft tien maanden gelopen. Een lek dat niet in de steekproef valt, wordt niet gevonden. En een lek onder de materialiteitsgrens van de accountant is voor de jaarrekening niet relevant.

Wat AI hier toevoegt

Alles bekijken, niet een steekproef

Het eerste wat AI, of eigenlijk software in het algemeen, toevoegt, is volume. Een controller kan twintig contracten per uur naast de facturen leggen. Software doet ze allemaal, elke nacht. Daar is niet eens AI voor nodig: een goed gebouwde regel vindt elke gewonnen deal zonder factuur. AI wordt interessant bij de volgende twee punten.

Afwijkingen zonder vaste regel

Veel lekken passen niet in een regel die je vooraf kunt opschrijven. Een klant die elke maand bestelt en nu twee maanden overslaat. Een factuurbedrag dat past bij het contract, maar ver afwijkt van wat vergelijkbare klanten betalen. Een verkoper wiens kortingen de laatste drie maanden stelselmatig hoger zijn dan die van collega's. Dat soort afwijkingen vindt anomaly detection: technieken die leren wat normaal is en melden wat daarvan afwijkt. Hoe dat werkt, staat in wat is anomaly detection.

Tekst lezen

Een groot deel van de afspraken over omzet staat niet in velden maar in tekst: contracten in pdf, offertes, orderbevestigingen, mails met aangepaste prijzen. Tot voor kort moest iemand die afspraken overtypen voordat een systeem ze kon vergelijken. Taalmodellen kunnen een contract lezen en de relevante afspraken eruit halen: looptijd, prijs, indexatieclausule, staffels, opzegtermijn. Daarna kan software ze vergelijken met de facturen. Dat is een van de meest praktische toepassingen van AI in omzetcontrole, en tegelijk een waar je moet opletten: een model dat een clausule verkeerd leest, levert een verkeerde bevinding op. Meer daarover in kan AI controleren of contracten correct worden gefactureerd.

Rangschikken en uitleggen

Honderd afwijkingen zonder volgorde helpen niemand. AI kan bevindingen rangschikken op eurobedrag en waarschijnlijkheid, en in gewone taal uitleggen waarom iets opvalt. Dat maakt het verschil tussen een lijst die niemand leest en een lijst waar iemand maandagochtend mee begint.

Wat AI niet kan

Het is net zo belangrijk om te weten waar het ophoudt.

• Wat niet in data staat, bestaat niet. Meerwerk dat nooit is vastgelegd, een mondelinge korting, een monteur die een extra klus "even meeneemt": geen AI vindt het, want er is niets om te lezen.
• Context van de relatie. Een klant die bewust een lagere prijs krijgt omdat hij volgend jaar een groot project gunt, ziet er voor AI uit als een lek.
• Zekerheid zonder bewijs. Taalmodellen kunnen een overtuigend klinkend antwoord geven dat niet klopt. Een bevinding die niet laat zien op welke records ze rust, is niet te vertrouwen.
• Beslissen. Of je een vergeten indexatie alsnog factureert, of je een klant belt over een dalende afname: dat zijn commerciële keuzes.

Waarom je AI-output altijd moet kunnen controleren, en hoe, staat in waarom AI-output gecontroleerd moet worden.

Wat goede AI-omzetcontrole kenmerkt

Als je software beoordeelt die AI gebruikt voor omzetcontrole, kijk dan naar deze punten:

AI, omzetcontrole en de AVG

Omzetcontrole werkt met klantgegevens: namen van contactpersonen, e-mailadressen, contractwaarden, betaalgedrag. Zodra AI daarbij wordt ingezet, komen er vragen bij die inkoop en legal in Nederlandse bedrijven terecht stellen. Welke gegevens gaan naar het model? Waar draait dat model? Worden de gegevens gebruikt om het model te trainen? Wie zijn de subverwerkers?

Een verstandige opzet haalt persoonsgegevens eruit voordat iets een AI-model bereikt en vervangt ze door tokens. Voor omzetcontrole is dat meestal geen beperking: om te zien dat een factuur niet past bij een contract, hoeft het model niet te weten hoe de contactpersoon heet. Meer over die techniek in hoe bescherm je persoonsgegevens in AI-systemen. Een voorbeeld van hoe een platform dat inricht, met tokenisatie, verwerking binnen de EU, fail-closed publicatie en een verwerkersovereenkomst vóór onboarding, staat in het beveiligingsmodel van RiOS.

Rekenvoorbeeld: regels tegenover AI

Rekenvoorbeeld: stel, een SaaS-bedrijf met EUR 7M omzet uit 900 klanten. Het heeft een aantal vaste regels in een rapport: deals zonder factuur, facturen lager dan dealwaarde, contracten zonder indexatie. Die regels vinden samen EUR 40.000 per jaar.

Daarnaast zet het een AI-controle in die patronen zoekt zonder vaste regel. Die vindt als voorbeeld:

• 25 klanten die meer gebruikers actief hebben dan hun licentie toestaat, gemiddeld EUR 1.200 per jaar: EUR 30.000;
• 8 klanten met een korting die ver afwijkt van klanten van dezelfde omvang, zonder vastgelegde reden: EUR 22.000 aan mogelijke correctie bij verlenging;
• 15 klanten met een gebruikspatroon dat eerder voorafging aan opzegging, met samen EUR 90.000 aan jaarcontractwaarde die risico loopt.

Het eerste punt is geld dat je alsnog kunt factureren. Het tweede is een commerciële keuze. Het derde is geen lek, maar een risico dat je kunt verkleinen. AI vond alle drie, maar alleen het eerste is direct omzet. Die nuance hoort in elke rapportage over wat AI "vond".

Stappenplan: AI in je omzetcontrole

1. Begin met regels, niet met AI. Deals zonder factuur, factuur lager dan contract, indexatie niet toegepast. Die regels zijn eenvoudig, uitlegbaar en vinden vaak al veel.
2. Zet AI in waar regels tekortschieten. Afwijkingen zonder vast patroon, afspraken in tekst, rangschikking van veel bevindingen.
3. Eis bewijs bij elke bevinding. Welke records, welke berekening, welke zekerheid.
4. Controleer de eerste honderd bevindingen met de hand. Hoeveel kloppen er? Dat getal zegt meer dan elke demo.
5. Houd acties bij mensen. Laat AI signaleren en voorstellen. Laat een mens goedkeuren wat er verandert.
6. Regel de AVG-kant vooraf. Verwerkersovereenkomst, EU-verwerking, geen persoonsgegevens naar het model.

Hoe dit past in de Nederlandse context, van systemen tot regelgeving, staat in Revenue Intelligence in Nederland. De vraag of AI omzetlekkage echt kan vinden, uitgewerkt met voorbeelden, staat in kan AI omzetlekkage detecteren.

Veelgestelde vragen

Is AI nodig voor omzetcontrole?

Niet voor de basis. Veel lekken vind je met eenvoudige regels en een goede koppeling tussen systemen. AI voegt waarde toe bij afwijkingen zonder vast patroon, bij het lezen van contracten en bij het rangschikken van veel bevindingen.

Hoe betrouwbaar is AI in omzetcontrole?

Dat hangt af van de data en de opzet. Een bevinding die toont op welke records ze rust, kun je controleren. Een bevinding zonder bewijs niet. Test een systeem door de eerste reeks bevindingen met de hand na te lopen.

Mag AI zelfstandig facturen aanpassen of versturen?

Technisch kan het. Verstandig is het meestal niet. Laat AI signaleren en voorstellen, en laat een mens goedkeuren voordat er iets in je boekhouding of richting een klant verandert.

Wat gebeurt er met klantgegevens als AI ze analyseert?

Dat hangt af van de leverancier. Vraag welke gegevens naar welk model gaan, waar dat model draait, of gegevens worden gebruikt voor training, en of persoonsgegevens vooraf worden verwijderd of vervangen.