AI kan uitzonderingen verwerken, maar moet je dat wel willen?

De praktijk is weerbarstiger.

Veel organisaties ontdekken dat 90% automatisering zelden leidt tot 90% minder werk. Het eenvoudige werk verdwijnt grotendeels, maar wat overblijft bestaat uit uitzonderingen, controles, herstelacties en afstemming. Juist dat resterende werk vraagt context, ervaring en besluitvorming. Dat fenomeen staat bekend als de automatiseringsparadox. Tegelijkertijd zorgt de opkomst van AI ervoor dat ook een deel van deze uitzonderingen geautomatiseerd kan worden. Dat opent nieuwe mogelijkheden, maar introduceert ook een nieuwe vraag: moeten we iedere uitzondering slimmer verwerken, of moeten we eerst onderzoeken waarom die uitzondering überhaupt bestaat?

Automatisering maakt processen niet eenvoudiger, maar zichtbaarder

In handmatige processen wordt veel kennis impliciet gebruikt. Medewerkers weten welke leverancier regelmatig afwijkende facturen stuurt, welke gegevens vaak ontbreken en welke transacties extra aandacht vragen. Zodra een proces wordt geautomatiseerd, moet die kennis expliciet worden gemaakt. Regels moeten worden vastgelegd. Datavelden moeten betrouwbaar zijn. Afwijkingen moeten worden gedefinieerd. Verantwoordelijkheden moeten duidelijk zijn.

Daardoor blijken automatiseringsprojecten vaak minder afhankelijk van technologie dan vooraf gedacht. De echte uitdaging zit regelmatig in procesvariatie, datakwaliteit en onduidelijke afspraken. Automatisering maakt die problemen niet groter, maar wel zichtbaar. Wat voorheen door ervaren medewerkers werd opgevangen, wordt nu zichtbaar als uitzondering.

Daar komt nog een tweede effect bij. Automatisering versnelt niet alleen processen, maar ook de consequenties van fouten. Een ontbrekend gegeven blokkeert niet langer één document dat ergens op een bureau blijft liggen. Het kan direct een complete verwerkingsstroom verstoren.

Hoe efficiënter de standaardstroom wordt, hoe zichtbaarder de uitzonderingen worden.

De laatste tien procent werkt anders

Veel businesscases voor automatisering zijn gebaseerd op een eenvoudige aanname: als negentig procent van de transacties automatisch verloopt, blijft slechts tien procent van het werk over. Die redenering gaat voorbij aan de aard van het resterende werk.

De laatste tien procent bestaat meestal uit situaties die niet volledig voorspelbaar zijn. Een factuur zonder ordernummer. Een betaling zonder herkenbare referentie. Afwijkende contractvoorwaarden. Incomplete aanvragen. Vastgelopen workflows. Het zijn precies deze situaties die menselijke beoordeling vereisen omdat context belangrijker is dan regels.

Dat betekent dat het relatieve aandeel van regiewerk toeneemt. Finance verschuift van verwerken naar bewaken, verklaren, corrigeren en verbeteren. Daarmee verandert de aard van het werk fundamenteel.

AI lijkt de ontbrekende schakel

Juist op dit punt ontstaat de aantrekkingskracht van AI.

Waar traditionele automatisering afhankelijk is van vaste regels, kan AI omgaan met onvolledige, ongestructureerde of afwijkende informatie. Een model kan documenten interpreteren, patronen herkennen en voorstellen doen voor situaties die vooraf niet volledig zijn beschreven. Daardoor lijkt een belangrijk deel van de automatiseringsparadox alsnog oplosbaar.

Een factuur zonder ordernummer? AI kan het meest waarschijnlijke ordernummer bepalen. Een onduidelijke omschrijving? AI kan een passend boekingsvoorstel genereren. Een mailbox vol leveranciersvragen? AI kan berichten classificeren en antwoordsuggesties opstellen. Dat zijn waardevolle toepassingen. Toch ontstaat hier een strategisch risico.

Wanneer technologie steeds beter wordt in het afhandelen van uitzonderingen, ontstaat de verleiding om niet langer naar de oorzaak van die uitzonderingen te kijken.

Niet iedere uitzondering is onvermijdelijk

Binnen Finance operations worden uitzonderingen vaak behandeld als een vast gegeven. Er is een standaardstroom en alles wat daarvan afwijkt krijgt een aparte behandeling. Maar uitzonderingen hebben oorzaken.

Sommige oorzaken zijn nauwelijks beïnvloedbaar. Denk aan afwijkende wetgeving, complexe contractafspraken of unieke transacties. In zulke gevallen blijft interpretatie noodzakelijk en kan AI aanzienlijke waarde toevoegen.

Andere oorzaken liggen dichter bij huis. Onvolledige stamgegevens. Onduidelijke werkinstructies. Verschillende werkwijzen tussen businessunits. Leveranciers die structureel informatie vergeten aan te leveren. In die situatie is de uitzondering geen technisch probleem maar procesinformatie.

Een uitzondering die incidenteel voorkomt, kan worden gezien als een incident. Een uitzondering die iedere week terugkomt, vertelt iets over het ontwerp van het proces.

Het verschil tussen oplossen en voorkomen

Dat onderscheid heeft directe gevolgen voor de businesscase.

Wanneer AI ontbrekende informatie reconstrueert, wordt de uitzondering sneller verwerkt. Maar bij de volgende vergelijkbare transactie moet dezelfde interpretatie opnieuw plaatsvinden. De oorzaak blijft bestaan.

Procesverbetering werkt anders. Het vraagt vaak meer inspanning vooraf. Processen moeten worden geanalyseerd, afspraken aangepast en data opgeschoond. Maar wanneer de oorzaak wordt weggenomen, profiteert iedere toekomstige transactie van dezelfde verbetering. Het gaat daarom niet om een keuze tussen AI of procesverbetering.

De vraag is welke problemen daadwerkelijk interpretatie vereisen en welke problemen vooral het gevolg zijn van vermijdbare complexiteit.

Een volwassen automatiseringsstrategie

Voor Finance-organisaties ontstaat daarmee een logische volgorde.

Eerst wordt gekeken welke processtappen kunnen worden verwijderd. Vervolgens welke variatie kan worden gestandaardiseerd. Daarna welke activiteiten met vaste logica kunnen worden geautomatiseerd. Pas wat daarna overblijft, vormt het natuurlijke domein van AI.

Met andere woorden: elimineer wat niet nodig is, standaardiseer wat voorspelbaar is, automatiseer wat eenduidig is en gebruik AI waar interpretatie daadwerkelijk waarde toevoegt.

Deze benadering voorkomt dat organisaties een steeds grotere intelligente laag bouwen bovenop processen die eigenlijk vereenvoudigd hadden kunnen worden.

De nieuwe rol van Finance

De ontwikkeling naar meer automatisering en meer AI betekent niet dat Finance minder belangrijk wordt. Integendeel.

Naarmate transactieverwerking verder automatiseert, verschuift de aandacht naar procesbeheersing, datakwaliteit, governance en continue verbetering. Organisaties moeten bepalen welke beslissingen systemen zelfstandig mogen nemen, wanneer menselijkebeoordeling nodig blijft en hoe uitzonderingen worden gemonitord. Dat vraagt andere competenties dan traditionele verwerkingstaken.

Succesvolle Finance-teams onderscheiden zich straks niet door het aantal handmatige transacties dat zij verwerken, maar door hun vermogen processen te ontwerpen, afwijkingen te analyseren en technologie gecontroleerd in te zetten.

Van automatiseren naar structureren

De meest interessante vraag rondom AI is uiteindelijk niet hoeveel uitzonderingen kunnen worden geautomatiseerd. De belangrijkere vraag is hoeveel uitzonderingen nog nodig zijn.

AI maakt het mogelijk om steeds meer afwijkingen te interpreteren en af te handelen. Dat is een krachtige ontwikkeling. Maar technologie verandert niets aan een fundamenteel principe dat al decennia geldt: een slecht proces wordt niet automatisch een goed proces doordat het slimmer wordt verwerkt.

De organisaties die de meeste waarde uit AI halen, zijn waarschijnlijk niet degenen die iedere uitzondering laten interpreteren. Het zijn de organisaties die eerst begrijpen welke uitzonderingen kunnen worden voorkomen en vervolgens AI inzetten voor de situaties waarin menselijke interpretatie werkelijk noodzakelijk blijft.

Daar ligt de volgende stap in Finance-automatisering: niet méér complexiteit verwerken, maar bewust onderscheid maken tussen complexiteit die waarde toevoegt en complexiteit die niemand heeft bedoeld.