AI för dokument, avtal och fakturor: den tråkigaste vinsten är den säkraste

Det finns en sorts arbete i nästan varje företag som ingen tycker är intressant nog att räkna på: någon öppnar inkommande material, läser tillräckligt för att förstå vad det är, plockar ut ett par uppgifter och för in dem någon annanstans. Fakturor, ansökningar, avtal, följesedlar, skadeanmälningar, inskannade papper.

Det är också exakt den profil språkmodeller är bäst på: hög volym, låg variation och ett tydligt rätt svar. Om ni ska göra ett enda AI-projekt är det oftast här.

Vad som går att göra

• Klassificera. Vad är det här för dokument, och vart ska det?
• Extrahera fält. Belopp, datum, organisationsnummer, motpart, förfallodag, avtalsperiod.
• Matcha mot något ni redan har. Fakturan mot inköpsordern, ansökan mot kunden, följesedeln mot leveransen.
• Flagga avvikelser. Beloppet stämmer inte, avtalet innehåller en klausul ni brukar stryka, datumet är orimligt.
• Sammanfatta. Fyrtio sidor avtal till en halv sida med det som faktiskt skiljer från er standard.

Lägg märke till att inget av detta är att fatta ett beslut. Systemet förbereder; en människa godkänner det som avviker. Det är den arbetsdelningen som gör vinsten stor och risken liten.

Varför det fungerar bättre än äldre lösningar

Automatisk dokumentläsning är inte nytt. Det som är nytt är att lösningen inte längre behöver en mall per leverantör. Tidigare system byggde på att fältet med beloppet satt på ett visst ställe, vilket innebar att varje ny leverantör krävde konfiguration och varje omdesignad faktura bröt flödet.

En språkmodell läser dokumentet som en människa gör: den letar efter vad som betyder totalbelopp, oavsett var det står eller vad det kallas. Det är därför träffsäkerheten håller på material ni aldrig har sett förut, vilket är hela poängen med inkommande post.

Var det går fel

• Dålig inskanning. Modellen läser inte bättre än bilden tillåter. Sneda, mörka eller halva sidor är fortfarande sneda, mörka och halva.
• Ingen mänsklig granskning av avvikelser. Ett system som bokför allt utan tröskel kommer att bokföra fel, och det upptäcks vid bokslutet.
• Ingen mätning av träffsäkerhet. Utan ett testunderlag av riktiga dokument med känt rätt svar vet ingen om det blev bättre eller sämre efter en ändring.
• Ingen väg tillbaka till källan. Varje extraherat värde ska gå att spåra till dokumentet det kom ifrån. Annars går ett fel inte att utreda.

Hur ett bygge brukar se ut

1. Samla hundra riktiga dokument ur er egen inkorg, med rätt svar noterat. Det är både underlag och facit.
2. Kör extraktionen mot dem och mät fält för fält. Belopp brukar bli nästan alltid rätt; motpart och datum är där felen sitter.
3. Sätt en tröskel. Över den går dokumentet vidare automatiskt, under den till granskning. Tröskeln justeras med tiden, inte gissas i förväg.
4. Koppla in mot systemet där uppgifterna ska hamna, så att ingen skriver av något manuellt. Det är i det steget vinsten faktiskt realiseras.
5. Följ upp. Andel automatiskt hanterade, andel fel som slank igenom, tid per dokument.

Om det känsliga materialet

Avtal och fakturor innehåller personuppgifter och affärshemligheter, och det avgör var lösningen får köras. Valet av leverantör och driftsätt görs efter hur känsligt materialet är — inklusive drift inom EU eller en modell i er egen miljö när kraven kräver det — och det som skickas till modellen begränsas till det uppgiften faktiskt behöver. Mer om det i AI, GDPR och EU:s AI-förordning.

Vad det brukar ge

Vi lovar inte en siffra här, eftersom den beror helt på hur mycket manuellt arbete som ligger i ert flöde idag. Men den är ovanligt lätt att räkna ut i förväg: antal dokument per månad gånger minuter per dokument är hela vinsten ni kan hämta hem, och den nollmätningen tar en eftermiddag.

Är den siffran liten är det ett bra skäl att låta bli. Är den stor är det oftast det snabbaste AI-projekt ni kan genomföra. Ramverket för att avgöra vilket finns i AI för företag, och själva bygget beskrivs under AI och automation.