Van 4.500 tot 175.000 facturen per jaar: wat twee uitersten leren over factuurverwerking met AI

Een adviesbureau met 4.500 inkoopfacturen per jaar. Een Benelux-retailer met 175.000. Twee totaal verschillende organisaties, en toch dezelfde conclusie: de winst zit in het ontwerp van de controle, en pas daarna in de techniek.

Twee organisaties, een factor 40 verschil

Op papier hebben deze twee klanten weinig gemeen. De een is een adviesorganisatie met ruim 150 medewerkers, waar facturen van onderaannemers en freelancers gematcht moeten worden tegen geregistreerde uren. De ander is een retailer met meerdere divisies in de Benelux, waar jaarlijks zo’n 175.000 goederenfacturen tegen inkooporders en ontvangsten aangelegd worden.

Het volumeverschil is een factor 40. De bottleneck is bij beiden hetzelfde: een crediteurenproces waarin gekwalificeerde mensen het grootste deel van hun tijd besteden aan werk dat voorspelbaar is. Factuur openen, gegevens overnemen, bron erbij zoeken, vergelijken, doorzetten. Kenniswerk dat proceswerk is geworden.

Interessanter dan de overeenkomst is waar de waarde bij elk van beiden vandaan komt. Dat blijkt namelijk van het volume af te hangen.

Case 1: het adviesbureau, waar complexiteit de kostenpost is

Bij 4.500 facturen per jaar is pure verwerkingstijd zelden het echte probleem. Het echte probleem is de aard van de match: facturen van onderaannemers moeten kloppen met de uren die in de projectadministratie geregistreerd staan. Dat is een three-way match tegen een bewegende bron, want uren worden gecorrigeerd, projecten lopen door en tarieven verschillen per afspraak.

Twee AI-collega’s doen dit werk nu end-to-end: factuur uitlezen, de juiste crediteur en het juiste project selecteren, bedragen matchen tegen geregistreerde uren, en een boekingsvoorstel klaarzetten. De organisatie koos bewust voor 100% menselijke goedkeuring. Elke factuur wordt door een medewerker geaccordeerd voordat er iets geboekt wordt.

Dat klinkt als halve automatisering. Het tegendeel is waar. De medewerker beoordeelt een compleet voorbereid dossier in plaats van zelf het uitzoekwerk te doen. Het resultaat: ongeveer 0,7 FTE verschoven van administratief werk naar declarabel advieswerk. In een organisatie die leeft van declarabele uren is dat een directere businesscase dan welke kostenbesparing dan ook.

Case 2: de retailer, waar volume de kostenpost is

Bij 175.000 goederenfacturen per jaar kantelt de rekensom. Hier is elke seconde handelingstijd per factuur een volwaardige kostenpost, en is 100% menselijke goedkeuring praktisch onhaalbaar. De vraag verschuift van “hoe bereiden we elke factuur voor” naar “welke facturen verdienen überhaupt menselijke aandacht”.

De oplossing is een validatielaag boven op het bestaande ERP. De AI-collega legt elke binnenkomende factuur naast de inkooporder en de ontvangst, controleert bedragen en toleranties, en handelt af wat klopt. Ongeveer 85% gaat volledig automatisch door. De overige 15% landt met volledige context in een reviewqueue: dit wijkt af, hierom, en dit is het voorstel.

Het minst zichtbare cijfer is misschien wel het belangrijkste: ongeveer 50% minder rework. Fouten die vroeger pas bij de betaalrun of de maandafsluiting opdoken, worden nu bij binnenkomst gesignaleerd. Correcties achteraf zijn in een crediteurenproces vele malen duurder dan controles vooraf.

Het patroon: de controle is het ontwerp, de automatisering volgt

Zet de twee cases naast elkaar en er ontstaat een duidelijk beeld:

De technologie is in beide gevallen dezelfde: een AI-collega die native in het ERP werkt, documenten begrijpt en escaleert met context. Het verschil zit in het controleontwerp. Bij het adviesbureau is volledige menselijke goedkeuring een bewuste keuze die past bij de aard van de match en het volume. Bij de retailer is uitzonderingsgestuurde controle de enige werkbare vorm. Beide zijn valide. Het controleniveau is een knop die je per proces instelt, op basis van risico, volume en volwassenheid, en die je gaandeweg kunt verdraaien naarmate het vertrouwen groeit.

Dat is precies waarom factuurverwerking automatiseren voor de helft een financevraagstuk is. Welke toleranties hanteer je? Waar ligt de grens tussen automatisch afhandelen en escaleren? Hoe past dit in je AO/IC en functiescheiding? Wat vindt je accountant ervan? Dat zijn geen softwarevragen.

Waarom AgentsLab en Improven dit samen doen

Hier komt de samenwerking met Improven in beeld. De rolverdeling is eenvoudig: AgentsLab bouwt de AI-collega’s en de ERP-integratie, Improven brengt de business- en finance-expertise die bepaalt hoe het controleraamwerk eruit moet zien.

Consultants van Improven kennen crediteurenprocessen van binnenuit: de procesanalyse vooraf, de controls, de inrichting van fiattering en de vertaling naar wat een accountant wil zien. Zij zorgen dat de AI-collega past op het proces zoals het hoort te lopen, en niet andersom. AgentsLab zorgt dat het vervolgens ook echt draait: live in weken, meetbaar vanaf dag een, met dezelfde audit trail als een medewerker.

De praktijkcijfers over beide cases heen: circa 90% minder handelingstijd per factuur, een doorlooptijd van dagen naar minder dan twee uur, en een conservatief gerekende terugverdientijd van 8 tot 11 maanden.

Zien hoe dit werkt? Kom langs op Data Expo 2026

AgentsLab en Improven staan samen op Data Expo 2026. Aan de stand laten we live zien hoe een AI-collega een factuur van mailbox tot boekingsvoorstel brengt, en rekenen we ter plekke een businesscase door voor jouw volume en ERP.

Liever eerder aan tafel? Begin met een proces. Bewijs de waarde in ongeveer 8 weken.

Plan een Quick Scan.