Kan AI omzetlekkage detecteren?

Ja, AI kan omzetlekkage detecteren, maar alleen in data waar het bij kan en alleen als er een vergelijking te maken is. Het werkt het best bij lekken die ontstaan tussen systemen: een gewonnen deal zonder factuur, een contract met een indexatie die niet is doorgevoerd, een klant die meer gebruikt dan hij betaalt. AI vindt die afwijkingen sneller en breder dan een mens met Excel. Het beslist niet zelf of iets echt een lek is: dat vraagt context die vaak alleen je mensen hebben.

Wat "AI" hier eigenlijk betekent

Onder de noemer AI vallen bij lekdetectie drie verschillende technieken, die elk iets anders doen:

1. Regels en vergelijkingen. "Elke gewonnen deal moet binnen dertig dagen een factuur hebben." Strikt genomen geen AI, maar wel de basis van elke detectie. Het vindt precies wat je hebt gedefinieerd, niets meer.
2. Statistische modellen en machine learning. Die leren wat normaal is, per klant, per product, per maand, en markeren wat daarvan afwijkt. Dit heet anomaly detection. Het vindt dingen waar je geen regel voor had bedacht.
3. Taalmodellen. Die kunnen ongestructureerde tekst lezen: contracten, offertes, mails, notities. Ze halen er afspraken uit, zoals een indexatieclausule of een korting met einddatum, en zetten die om in iets wat je kunt vergelijken met de factuur.

Een goed detectiesysteem gebruikt alle drie. Regels voor wat je zeker weet. Modellen voor wat je niet had voorzien. Taalmodellen om de afspraken uit documenten te halen die anders nooit in een vergelijking terechtkomen.

Hoe detecteert AI een omzetlek?

Stap voor stap ziet het er zo uit:

1. Lezen. Het systeem haalt data op uit de bronnen die zijn gekoppeld: deals uit het CRM, orders en facturen uit het ERP of het facturatiesysteem, contracten uit een documentmap, tickets uit support.
2. Koppelen. Het legt records uit verschillende systemen aan elkaar. Deze deal in HubSpot hoort bij deze klant in Exact, en bij dit contract. Dat is vaak het moeilijkste deel, omdat systemen zelden dezelfde sleutels gebruiken: namen zijn net anders geschreven, klantnummers ontbreken in het CRM.
3. Vergelijken. Het zet wat er zou moeten zijn tegenover wat er is. Afgesproken prijs tegen gefactureerde prijs. Verkochte licenties tegen gebruikte licenties. Verwachte afname tegen werkelijke afname.
4. Prijzen. Het rekent uit wat een afwijking kost in euro's, per maand of per jaar.
5. Beoordelen. Het schat in hoe zeker het is dat het echt een lek is, en niet een datafout of een bewuste afspraak.
6. Voorstellen. Het zet een bevinding klaar met bewijs, bedrag, zekerheid en een voorgestelde volgende stap.

De eerste twee stappen bepalen voor het grootste deel of de rest werkt. Een model dat niet weet dat "Bakker BV" en "Bakker Installatietechniek B.V." dezelfde klant zijn, ziet twee half-gefactureerde klanten in plaats van één correct gefactureerde. Meer over de mechanica in hoe je revenue leakage automatisch detecteert.

Wat AI goed kan

• Alles tegelijk bekijken. Een mens controleert twintig klanten per middag. Een systeem vergelijkt elke nacht alle klanten, alle facturen en alle deals.
• Patronen zien die niemand heeft gedefinieerd. Een klant die van vijf naar twee productgroepen gaat, een regio waar kortingen langzaam oplopen, een accountmanager wiens deals vaker zonder factuur blijven.
• Afspraken uit tekst halen. Een taalmodel leest honderd contracten en maakt een lijst van indexatieclausules, einddatums en kortingsafspraken. Dat werk bleef handmatig vaak liggen omdat het te veel tijd kostte.
• Consistent blijven. Het vergeet niet in december en slaat geen klant over omdat die lastig is.

Waar AI tekortschiet

• Het ziet alleen wat er is. Werk dat nooit is vastgelegd, meerwerk dat mondeling is afgesproken, een korting die per telefoon is toegezegd: daar is geen data van, dus ook geen detectie.
• Het kent de reden niet. Een klant met 30 procent korting kan een lek zijn, of een strategische klant waarvoor de directie die korting bewust gaf. Het model ziet de afwijking, niet het besluit.
• Het kan zich vergissen. Een taalmodel kan een clausule verkeerd lezen. Een statistisch model kan een seizoensdip voor afbouw aanzien. Daarom hoort bij elke bevinding een zekerheid, en moet een mens de belangrijke bevindingen controleren. Zie waarom AI-output gecontroleerd moet worden.
• Het is zo goed als de koppeling. Met alleen de facturatie vind je prijsafwijkingen. Met CRM en facturatie vind je ook gewonnen deals zonder factuur. Met contracten erbij vind je ook gemiste indexaties.

Rekenvoorbeeld

Rekenvoorbeeld: stel een controller besteedt een dag per maand aan het handmatig vergelijken van gewonnen deals met facturen, en haalt daarin 40 deals. Je hebt 150 gewonnen deals per maand. Dan ziet hij ruim een kwart. Als 2 procent van de deals ergens misgaat en een gemiddelde deal EUR 12.000 waard is:

• Fouten per maand: 3 deals, samen EUR 36.000.
• Wat de controller gemiddeld vindt: iets meer dan een kwart daarvan, ongeveer EUR 10.000.
• Wat blijft liggen: ongeveer EUR 26.000 per maand.

Een systeem dat alle 150 deals vergelijkt, vindt in principe alle drie. Het kan ook valse meldingen geven, die de controller moet wegstrepen. Zijn dag verschuift van zoeken naar beoordelen. De percentages hier zijn aannames voor het voorbeeld, geen gemiddelden.

Waar je op let bij een AI-bevinding

Vier vragen die je bij elke bevinding kunt stellen:

1. Wat is het bewijs? Welke records uit welke systemen liggen eraan ten grondslag? Een bevinding zonder herleidbaar bewijs is een vermoeden.
2. Hoe zeker is het systeem? En wat betekent dat getal: hoe vaak klopte een bevinding met die zekerheid in het verleden?
3. Wat kost het? Een bedrag met de berekening erbij, zodat je het kunt narekenen.
4. Wie beslist? Een voorstel om een factuur te corrigeren of een klant te bellen hoort langs een mens te gaan voordat het wordt uitgevoerd. Het principe heet human-in-the-loop.

Welke data de AI te zien krijgt

Om lekken te vinden, moet een systeem bij je klant- en factuurdata. Dat roept terechte vragen op over privacy. Namen, e-mailadressen en andere persoonsgegevens zijn voor lekdetectie meestal niet nodig: het gaat om bedragen, datums, aantallen en afspraken. Een goed ontwerp haalt ze eruit voordat een taalmodel de data ziet. Hoe dat werkt, lees je in hoe je persoonsgegevens beschermt in AI-systemen. RiOS is op die regel gebouwd: op de pagina beveiliging staat hoe data wordt getokeniseerd voordat een AI-model haar ziet, en dat een bevinding die de zekerheidsdrempel niet haalt, niet wordt gepubliceerd.

Is AI nodig?

Niet om te beginnen. Veel lekken vind je met een goede export en een paar vergelijkingen in Excel, zoals beschreven in de brede aanpak voor omzetlekkage vinden. AI wordt waardevol als het volume te groot wordt voor handwerk, als afspraken in tekst staan in plaats van in velden, of als je wilt dat de controle doorlopend gebeurt in plaats van eens per jaar.

Veelgestelde vragen

Kan AI omzetlekkage vinden zonder koppeling met mijn systemen?

Nee. Zonder data geen detectie. Wel kan een gestructureerde doorloop met mensen die je processen kennen veel lekken blootleggen zonder koppeling. Dat is een ander soort werk, met een ander resultaat: een momentopname in plaats van doorlopende bewaking.

Hoeveel valse meldingen geeft zo'n systeem?

Dat hangt af van de datakwaliteit en de drempels. In het begin meer, omdat het systeem nog niet weet welke afwijkingen bewuste afspraken zijn. Door die afspraken vast te leggen, daalt het aantal.

Kan AI ook het lek zelf dichten?

Het kan een oplossing voorstellen en klaarzetten, zoals een correctie op een abonnement of een taak voor een accountmanager. Of het die ook uitvoert, is een keuze. Voor alles wat een klant raakt, is goedkeuring door een mens verstandig.

Is een taalmodel als ChatGPT genoeg?

Een los taalmodel kan een contract lezen of een export analyseren die je erin plakt. Het kan niet doorlopend je systemen vergelijken, en je moet goed nadenken over welke klantdata je er in plakt. Voor eenmalige analyses is het een hulpmiddel, voor structurele detectie niet.