PDF's en scans, van facturen en bonnen tot contracten, automatisch uitgelezen, geclassificeerd, gecontroleerd en in het juiste systeem gezet. Met een menselijke check waar het bedrag telt en onzekere velden gemarkeerd, niet blind overgenomen.
Een administratiekantoor verwerkte per dag stapels facturen en bonnen: openen, overtypen, controleren, in het boekhoudpakket zetten. Traag, saai en foutgevoelig. Ik bouwde een laag die elk document zelf uitleest, herkent wat het is, de velden eruit haalt, narekent of het klopt en het op de juiste plek zet. Wat de AI zeker weet gaat door, wat twijfelt komt bij een mens. De demo hieronder toont hoe documenten binnenkomen, worden begrepen en afgehandeld. De opzet erachter is dezelfde die ik voor echte administraties bouw.
Vereenvoudigde demo met voorbeelddata · een voorproef, geen volledig product
Elke leverancier heeft zijn eigen factuurlayout, elke bon ziet er anders uit, en een scan is soms scheef of vaag. Toch moest alles met de hand worden overgetypt in de boekhouding, met het risico dat een verkeerd bedrag of een omgedraaid cijfer ongemerkt in de cijfers belandt. De kern van de opdracht zat niet in het simpelweg "uitlezen met AI", maar in het vertrouwen kunnen op wat eruit komt: zeker weten dat een bedrag klopt voordat het wordt geboekt, en eerlijk laten zien wanneer het model twijfelt in plaats van gokken.
Elk document wordt eerst geclassificeerd, factuur, bon of contract, zodat er per type de juiste velden en controles op worden losgelaten.
Een model dat de opmaak begrijpt haalt bedragen, data en tabelregels op hun plek eruit, ook uit scheve scans en foto’s van bonnen.
Regels tellen op tot het totaal, de BTW wordt gecontroleerd en de leverancier gematcht, zodat een misgelezen cijfer opvalt voordat het geboekt wordt.
De keuzes achter de demo, eerlijk uitgelegd. Dit is de opzet zoals ik hem in de praktijk bouw, geen afgeschermde black box.
Ik bepaal eerst wát een document is, voordat ik er velden uit haal. Dat doe ik omdat één alles-in-één-aanpak elk documenttype half goed leest: een contract heeft geen totaalbedrag en een bon geen leverancier-IBAN. Door eerst te classificeren, kan ik per type de juiste extractieregels en controles inzetten, en dat scheelt enorm in betrouwbaarheid.
Ik gebruik een model dat de layout van een document begrijpt in plaats van de tekst plat te slaan tot een lange string. Dat is nodig omdat bij een factuur de plaats van een getal de betekenis bepaalt: het bedrag naast "totaal", het nummer naast "factuurnummer", de regels in de tabel. Platte OCR gooit die structuur weg en dan raad je welk getal waarbij hoort. Met layoutbesef lees ik het net zo als een mens dat doet.
Ik haal de gegevens niet als losse tekst op, maar als getypeerde velden: een datum móét een geldige datum zijn, een bedrag een getal. Bij elk veld leg ik vast hoe zeker het model is. Die score is het scharnier van het hele systeem: een veld met hoge zekerheid mag door, een veld met lage zekerheid wordt gemarkeerd in plaats van stilletjes overgenomen.
Ik laat het systeem narekenen wat het uitleest: tellen de regelbedragen op tot het totaal, klopt de BTW, bestaat deze leverancier al in de boekhouding, is het factuurnummer nieuw. Dat bouw ik erin omdat een taalmodel een misgelezen cijfer met volle overtuiging kan presenteren. Een rekenkundige controle vangt precies dat soort fouten die er anders zelfverzekerd doorheen glippen.
Ik zet niet alles op automatisch en ook niet alles op handmatig, maar leg een drempel. Documenten waar alle controles kloppen en de zekerheid hoog is, gaan direct het systeem in. Twijfelgevallen, hoge bedragen en gemarkeerde velden komen bij een mens die alleen dat hoeft na te lopen. Zo hou je snelheid op de tachtig procent die duidelijk is, en menselijke ogen op de twintig procent die er echt toe doet.
Facturen, bonnen en contracten, ook scheve scans en foto’s van bonnen.
Het systeem herkent zelf welk documenttype het is en handelt ernaar.
Elk uitgelezen veld krijgt een betrouwbaarheid, zodat je weet wat je kunt vertrouwen.
Regels tellen op tot het totaal, BTW en leverancier worden nagerekend.
Onzekere velden en hoge bedragen komen bij een mens, de rest gaat door.
Het resultaat landt op de juiste plek in Exact of Moneybird.
Deze case koppelt aan bestaande systemen. Een paar van de integraties die hierbij passen, allemaal op maat te koppelen.
Elk onderdeel werkt op zichzelf, maar wordt sterker in combinatie. Een paar voorbeelden uit de praktijk:
Inkomende documenten die zichzelf verwerken.
Van bestelling tot geboekte factuur, zonder handwerk.
Gidsen die dieper op dit onderwerp ingaan.
Deze case is een referentie-build voor Kennis, RAG & document-AI. Bekijk hoe ik dat aanpak, of doe de gratis Automatiseringsscan en zie in twee minuten waar bij jou de winst zit.
Vertel me wat je voor ogen hebt of waar je tegenaan loopt, dan denk ik mee en zeg ik eerlijk wat er kan, vrijblijvend.
