AI facturatie automatisering: winst in twee van de zes stappen

Van de zes stappen in een inkomende factuurstroom voegt AI in precies twee stappen iets toe dat je niet met regels en koppelingen kunt bouwen: coderen en afwijkingen signaleren. De stap waar de meeste factuurtools op verkopen — herkennen en uitlezen — is juist de stap met een einddatum.

Die einddatum staat sinds 11 september 2026 op papier. Het kabinet wil elektronisch factureren verplicht stellen voor binnenlandse zakelijke transacties per 1 juli 2030, met digitale rapportage aan de Belastingdienst per 1 juli 2031.

Een factuur die als gestructureerd bestand binnenkomt, hoef je niet meer uit te lezen. Wat overblijft is de vraag van dit artikel: welke stap in jouw factuurstroom wordt er werkelijk beter van AI?

De factuurstroom in zes stappen, met het oordeel erbij#

Twee van de zes dus. Hieronder per stap waarom dat oordeel zo uitvalt.

Stap 1: uitlezen is het vakgebied met de kortste houdbaarheid#

Factuurherkenning haalt uit een pdf precies de velden die de fiscus sowieso eist. De Belastingdienst schrijft voor dat op een factuur onder meer naam en adres van beide partijen staan, het btw-identificatienummer, het KVK-nummer als je daar ingeschreven staat, de factuurdatum, een factuurnummer dat maar één keer voorkomt, de aard en omvang van de prestatie, het bedrag exclusief btw, het tarief en het btw-bedrag.

Die velden zaten bij je leverancier al netjes in een systeem. De pdf is de uitdraai daarvan, en herkenning is het terugraden van wat ooit gewoon data was.

Een e-factuur in de zin van de Europese norm is die data zelf. NLCIUS en EN 16931 beschrijven samen welke gegevenselementen in een elektronische factuur opgenomen dienen en kunnen worden, wat die elementen betekenen en hoe ze samenhangen — en facturen die niet aan de norm voldoen mogen worden afgekeurd.

Het uitwisselkanaal bestaat ook al: de Rijksoverheid wisselt e-orders en e-facturen uit via een eigen Access Point op het Peppol-netwerk. Onze verwachting is dat die route na 2030 ook de normale weg tussen bedrijven onderling wordt.

Twee nuances voordat je je factuurscanner opzegt. De datum van 1 juli 2030 is een kabinetskeuze en nog geen wet: het conceptwetsvoorstel gaat in het najaar van 2026 in internetconsultatie en het wetsvoorstel wordt pas voor de zomer van 2027 bij de Tweede Kamer ingediend.

En niet iedereen valt eronder. Bedrijven binnen de kleineondernemersregeling, met maximaal 20.000 euro omzet per kalenderjaar, blijven ook na juli 2030 vrijgesteld van e-facturatie en e-rapportage.

Praktisch betekent dat: koop deze stap, bouw hem niet. Een bestaande scanoplossing overbrugt de jaren tot 2030 prima, en alles wat je zelf aan herkenning bouwt schrijf je in diezelfde periode weer af.

Bonnen, weegbonnen en facturen van leveranciers buiten de EU blijven overigens gewoon beeldwerk. Daarvoor is OCR en documentverwerking ook na 2030 nog nodig.

Stap 2: coderen is de enige stap die duurzaam beter wordt van AI#

Hier zit de winst die blijft. De gestructureerde e-factuur draagt de gegevens van je leverancier, niet jouw grootboekindeling: de norm legt vast wat er op de factuur staat, niet op welke kostenplaats jij dat wilt hebben.

Coderen verdwijnt dus niet in 2030. Het wordt juist de eerste handeling die overblijft zodra het uitlezen wegvalt.

Waarom een taalmodel het hier wint van een regelset: je codeert op omschrijving, leverancier, bedragpatroon en wat er vorige keer met dezelfde post gebeurde. Een regel per leverancier valt om zodra die leverancier zijn omschrijving verandert of een nieuw artikel gaat factureren.

In onze implementaties gebruiken we de eigen boekingshistorie als voorbeeldenset: het model leert jouw indeling, niet een generieke. Dat is ook meteen de voorwaarde — zonder een paar honderd historische boekingen per veelgebruikte rekening heb je niets om op te leren.

Een grens die de moeite waard is om hardop te noemen: bij minder dan ongeveer twintig vaste leveranciers en een stabiele grootboekindeling is een regelset goedkoper, sneller en beter uitlegbaar dan een model. Classificatie verdient zichzelf pas terug bij variatie.

De boeking zelf is daarna gewoon een API-aanroep. Hoe dat er per pakket uitziet staat in onze artikelen over de Exact Online API, de Moneybird-koppeling en Yuki koppelen.

Stap 3: matchen met bestelling en pakbon — regels eerst, model daarna#

Zodra er een inkoopordernummer op de factuur staat, is matchen deterministisch werk. Aantal, prijs en ordernummer vergelijken is rekenen, geen voorspellen, en een model maakt dat alleen duurder en minder uitlegbaar.

Interessant wordt het pas zonder die sleutel. Dan moet je op regelniveau koppelen op artikelomschrijving, aantal en bedrag, en daar helpt een model — als aanvulling op de regels, niet als vervanging.

Dit is ook de vraag om aan elke leverancier te stellen die je AI-matching verkoopt: welk deel doet de regelengine en welk deel doet het model? In de praktijk is het meeste van wat AI-matching heet een regelengine met een modelletje voor de restgevallen.

Onze eigen B2B-webshop met Yuki-koppeling laat zien hoe ver je met regels komt. De btw-behandeling van elke order — 21 procent, 9 procent, 0 procent intracommunautair of 0 procent export — is als code vastgelegd, met een geautomatiseerde controle van het btw-nummer tegen het Europese VIES-register.

Geen model, geen inschatting, wel een uitkomst die je kunt navertellen aan de Belastingdienst.

Stap 4: afwijkingen signaleren is de tweede plek waar AI wint#

Bij signalering zoek je niet naar een bekende regel maar naar wat niet past bij je eigen historie. Dat is precies het soort taak waarvoor je geen regels kúnt schrijven, want je weet vooraf niet welke vorm de afwijking aanneemt.

Vier signalen die in vrijwel elke crediteurenstroom nuttig zijn:

• Een bedrag dat sterk afwijkt van de vorige facturen van dezelfde leverancier
• Dezelfde prestatie die onder een tweede factuurnummer opnieuw binnenkomt
• Een gewijzigd rekeningnummer bij een leverancier die je al jaren betaalt
• Een btw-tarief dat niet past bij wat er geleverd is

Dat derde signaal is de reden om deze stap vóór de betaling te zetten in plaats van erna. Een rekeningnummer dat verandert bij een bekende relatie wil je zien terwijl de factuur nog openstaat.

Wat signalering níet is: een oordeel. Het systeem zegt dat iets afwijkt, niet dat iets fout is — en dat onderscheid is het hele verschil met de volgende stap.

Stap 5: fiatteren blijft mensenwerk, en niet vanwege de techniek#

Fiatteren is het uitoefenen van een bevoegdheid: iemand zegt dat dit bedrag namens de onderneming betaald mag worden. Een model heeft die bevoegdheid niet en kan er ook niet op worden aangesproken.

Daar komt de fiscale kant bij. De factuureisen en de btw-aftrek liggen bij de ondernemer, niet bij de leverancier van je software — wie akkoord geeft op een factuur die niet aan de eisen voldoet, draagt zelf het gevolg.

En er is de eenvoudige beheersingsregel dat wie codeert en matcht niet dezelfde rol mag zijn als wie fiatteert. Automatiseer je de fiattering, dan houd je functiescheiding op papier over zonder dat er nog iemand kijkt.

Wat wél kan is de fiatteur voorbereiden. In onze opzet voor factuurverwerking software worden facturen onder 500 euro automatisch geboekt en gaat alles daarboven naar de juiste fiatteur, met de gesignaleerde afwijkingen erbij.

Het verschil is klein in de techniek en groot in de verantwoordelijkheid: het systeem levert een compleet, gecontroleerd voorstel aan en een mens drukt op akkoord.

Wat een echte meetketen hierover leert#

De strengste eis aan factuurherkenning komt uit een project dat helemaal geen facturen leest. Voor het automatisch uitlezen van meterstanden bouwden we een keten waarin Claude Vision tellerstanden van foto uit een meterkast afleest.

Elke aflezing komt terug mét een betrouwbaarheidsscore. Is de foto onleesbaar door beslagen glas of tegenlicht, dan geeft de pijplijn expliciet niets terug in plaats van een getal: confidence nul, geen waarde.

Dat zijn scope- en techniekfeiten uit die bouw, geen gemeten besparing — maar het ontwerpprincipe is één op één overdraagbaar. Een leeg veld dat om aandacht vraagt is beter dan een verzonnen bedrag dat stilletjes de betaalbatch in schuift.

Vraag elke aanbieder van factuurherkenning dus niet naar het nauwkeurigheidspercentage, maar naar wat er gebeurt bij twijfel. Een systeem dat altijd een getal teruggeeft, gokt.

Wat het kost, en waar je beter niet in investeert#

Een standaardimplementatie van factuurverwerking met koppeling naar je boekhoudpakket start bij ons op 3.500 euro setup plus 250 tot 500 euro per maand, afhankelijk van factuurvolume en koppeling.

Zit de winst bij jou in de classificatie en niet in de herkenning, dan is dat een ander soort project. Maatwerkautomatisering — een workflow of koppeling op maat — begint op 5.000 euro eenmalig; een AI-functie ingebouwd in bestaande software op 8.500 euro, beide als vaste projectprijs.

Drie dingen waar je geld in stopt dat je niet terugziet:

• Een eigen herkenningsmodel bouwen voor een stap die de wetgever aan het wegnemen is
• Per leverancier templates onderhouden in plaats van contextgedreven uitlezen
• Fiattering automatiseren om uren te besparen op de goedkoopste handeling in de keten

De volgorde die wél klopt: zorg eerst dat je e-facturen kunt ontvangen en versturen, richt dan je codering in, en zet signalering erbovenop zodra er genoeg historie is. De bredere afweging tussen kant-en-klare tooling en maatwerk staat in ons artikel over bedrijfsprocessen automatiseren.

Wat je zou doen als 2030 vandaag was#

Stel dat de verplichting morgen ingaat. Dan zou je geen euro meer aan herkenning uitgeven en zou de hele discussie over factuurscanners in één klap voorbij zijn.

Wat je dán zou doen is je grootboekindeling opschonen, je vaste leveranciers op Peppol krijgen en je codering laten leren van je eigen boekingshistorie. Precies dezelfde drie dingen die vandaag al de meeste tijd besparen.

Het enige verschil met nu is dat je tot 2030 twee sporen naast elkaar draait: pdf's die binnenkomen en gestructureerde facturen die er langzaam bij komen. Doe je niets, dan begin je in 2029 aan een migratie die je nu in je normale ontwikkeltempo had kunnen doen.

Werk je op een accountantskantoor, dan ligt het zwaartepunt anders: daar zit de winst niet in de boekingsregels maar in de aanlevering en de uitvraag, zoals we beschrijven in administratie automatiseren op een accountantskantoor. De bredere context van dit alles staat in onze gids over AI-automatisering.

Wil je weten welke van de zes stappen bij jou het meeste kost? Doe de AI-scan of plan een gesprek — dan lopen we je factuurstroom stap voor stap door op je eigen volumes.

Veelgestelde vragen over AI in de factuurstroom#