Wat is PO-matching? En hoe automatiseer je dat?

PO Matching is het proces waarbij een inkooporder (PO) die door een klant is uitgegeven, met vermelding van soorten, hoeveelheden en overeengekomen prijzen voor producten/diensten, wordt gekoppeld aan de factuur uitgegeven door een leverancier voor zijn levering. Het doel van PO-matching is om te zorgen voor tijdige leveranciersbetalingen, correcte boekhouding van kosten en gemakkelijke detectie van frauduleuze praktijken.

Handmatige PO-matching

PO-matching omvat verschillende stappen, waaronder de ontvangst & vastleggen van factuurgegevens, verificatie met bestelling, afstemming van de parameters en resolutie op basis van verschillende parameters. Factuurverwerking en PO-matching zijn complexe, tijdrovende en resource-intensieve processen wanneer ze handmatig worden uitgevoerd, vooral bij opgeschaalde bedrijfsactiviteiten.

Zelfs op afdelingen waar sprake is van digitalisering van informatie in de vorm van Enterprise Resource Planning (ERP)-toepassingen, is een aanzienlijke hoeveelheid menselijke arbeid vereist; vanaf het moment dat een factuur wordt opgesteld of ontvangen tot de invoer in de ERP-applicatie, rekeningen betalen personeel voert een schijnbaar eindeloze lijst van klusjes uit.

---

Wilt u het PO-afstemmingsproces automatiseren? Give Nanonetten™ probeer en profiteer van de voordelen van het gebruik van op AI gebaseerde OCR in het PO-matchingproces.

---

· Het openen en scannen van de post / het openen van fysieke facturen / PO's

· Facturen / PO's ophalen uit een e-mailbox, portaal of fysieke enveloppen

· De informatie van facturen intoetsen in de computer

· Handmatig matchen van facturen met inkooporders (PO's) en leveringsbewijzen

· Facturen / OP's fysiek doorsturen naar managers en goedkeuringspersoneel

· Los uitzonderingen op door omslachtige oogopslag en handmatige analyse.

· Overeenkomende factuurgegevens invoeren in het ERP

· Zoeken in het ERP op duplicatie en weglatingen

· Facturen afstemmen met betalingen

· Updaten van stamgegevens van leveranciers

Enkele slopende uitdagingen bij grootschalige PO-matching, vooral wanneer deze handmatig wordt uitgevoerd, zijn:

Omgaan met meerdere factuurgegevenspunten: Grote organisaties behandelen routinematig PO's en / of facturen van meerdere leveranciers / klanten in meerdere formaten, waaronder tekstverwerkingsbestanden (bijv. MS-Word-documenten), gegevensinvoerbestanden (bijv. MS-Excel-bestanden), gestructureerde XML-documenten van Electronic Data Interchange (EDI), pdf's en afbeeldingsbestanden, en soms als papieren documenten.

De unificatie van al deze documenten is tijdrovend en foutgevoelig bij handmatige uitvoering. Fouten aan het begin van de workflow voor factuurverwerking kan sneeuwballen in ernstige gevolgen, zoals te hoge betalingen, onjuiste betalingen, dubbele facturen, enz. die kunnen leiden tot verlies van productiviteit en vertrouwen.

Gegevens komen niet overeen: De rekeningen betalen De afdeling van het bedrijf moet naast de factuur vaak ook de PO matchen met de Goods Received Note (GRN) en contractgegevens. Het "staren en vergelijken"-proces van handmatige matching kan niet alleen arbeidsintensief en inspannend zijn, maar kan ook leiden tot ernstige fouten zoals gemiste datums en waarden, waarvan de correctie de activiteiten zou vertragen en de organisatie zou blootstellen aan risico's van productiviteitsverlies en zakelijke -management/klantrelatieproblemen.

Afhandeling van uitzonderingen: Afdelingen voor crediteurenadministratie besteden veel tijd aan het omgaan met uitzonderingen, waaronder onjuiste, onvolledige en niet-overeenkomende informatie in facturen. Tot 20% van de facturen bevatten regelmatig onjuiste of onvolledige informatie, en een conventionele (handmatige) crediteurenafdeling besteedt 25% van zijn tijd aan het oplossen van problemen en het opsporen van ontbrekende informatie.

Kosten per factuurverwerking: Handmatige factuurverwerking en PO-afstemming brengt kosten met zich mee, waaronder handmatige uren, papier en verzendkosten, die zouden worden verergerd door boetes, te late vergoedingen, productteruggave en verlies van omzet in geval van fouten.

Fraude en diefstal: Certified Fraud Examiners (ACFE) meldt dat een typische organisatie elk jaar 5% van haar inkomsten aan fraude verliest. Criminelen die zich voordoen als leidinggevenden of leveranciers e-mailen authentiek ogende facturen of andere betalingsverzoeken en een minder dan waakzaam Accounts Payable-team kan vallen er ten prooi aan.

Een onderzoek uit 2020 door Levvel Research Dat Toonde handmatige gegevensinvoer en inefficiëntie blijven de pijnpunten in de crediteurenproces.

In het VK gevestigde crediteurenvereniging gevonden dat:

• 56% van de bedrijven ondervindt problemen met het voorspellen van de cashflow vanwege problemen met de crediteurenadministratie
• 91% van de bedrijven ontvangt regelmatig telefoontjes van leveranciers die op zoek zijn naar betalingen.
• 23% van de bedrijven had leveranciers die weigerden opnieuw met hen samen te werken vanwege inefficiëntie van de crediteurenadministratie

---

Wilt u het PO-afstemmingsproces automatiseren? Give Nanonetten™ probeer en profiteer van de voordelen van het gebruik van op AI gebaseerde OCR in het PO-matchingproces.

---

Geautomatiseerde PO-matching

Veel van de bovenstaande problemen kunnen worden opgelost met behulp van geautomatiseerde PO-matching. Automatisering kan in verschillende stappen in het boekhoudproces worden ingevoerd, en dienovereenkomstig zijn er twee soorten automatisering:

Op optische tekenherkenning (OCR) gebaseerde gegevensregistratie:

Het vastleggen van factuurgegevens op basis van OCR maakt gebruik van een combinatie van hardware voor het vastleggen van afbeeldingen en conversiesoftware om afbeeldingen om te zetten in tekst die handmatig kan worden verwerkt door het boekhoudteam. Het is duidelijk dat dit alleen de gegevens digitaliseert en niet overeenkomt met deze, en dat er verdere handmatige bewerkingen nodig zijn.

Bovendien werken stand-alone OCR-systemen niet met verschillende sjablonen, bestandstypen en lay-outs, waardoor frequente menselijke tussenkomst nodig is om sjabloonregels voor verschillende soorten documenten in te stellen.

Geautomatiseerde verwerking van accounts / PO-matching:

Dit is van drie soorten:

• Robotic Process Automation (RPA) bootst menselijke handelingen na in repetitieve taken.
• Kunstmatige intelligentie (AI), de 'heilige graal' van computerwetenschappen in de woorden van Bill Gates, bootst het menselijk oordeel en gedrag na om PO's, facturen en ontvangsten te matchen.
• Machine learning (ML) is een subset van AI waarin de computer "leert van ervaring" door middel van algoritmen zoals het neurale netwerk dat het leerproces van de hersenen nabootst.

Bij alle drie soorten geautomatiseerde gegevensverwerking worden relevante gegevens van facturen, PO's en andere financiële documentatie vastgelegd en automatisch verwerkt op een manier die de menselijke geest nabootst. Van hen kan de AI-gebaseerde verwerking ook records vergelijken en matchen en beslissingen nemen, zoals het doorgeven van de transactie, het markeren van fouten of het doen van uitzonderingen.

Op AI gebaseerde matching bestaat uit vier stappen:

1. Gegevensverzameling en -extractie: Deze stap omvat een zekere mate van menselijke tussenkomst bij het handmatig scannen van fysieke facturen in systemen of het opnemen van gefaxte of e-mailfacturen voor conversie in afbeeldingen. Zonale optische tekenherkenning (OCR) of sjabloon-OCR wordt gebruikt om tekst op een specifieke locatie in een gescand document te extraheren. Een zonaal OCR-systeem wordt getraind door te definiëren waar specifieke gegevensvelden in een document kunnen worden gevonden. OpenCV, Tesseract en Python zijn enkele zonale OCR-systemen die kunnen worden getraind om specifieke velden uit een vastgelegde factuur of PO te halen.

2. Gegevensherkenning: De herkenning en categorisatie van de vastgelegde gegevens in typen, hetzij door middel van op regels gebaseerde classificatie, hetzij door algoritmen voor machine learning. AI OCR-systemen kunnen meer dan 80% van de bewerkingen bij het vastleggen, extraheren en indexeren van factuurgegevens elimineren.

3. Recordafstemming en validatie: Het AI-algoritme voert het matchen van records uit - het proces van het vinden van overeenkomende stukjes informatie uit grote sets gegevens. Het afstemmingsproces kan 2-weg, 3-weg of 4-weg zijn, afhankelijk van de behoeften van het bedrijf.

Een onderzoek door Onderzoek naar niveau laat zien dat snellere goedkeuring van facturen en verhoogde productiviteit van werknemers zijn de twee belangrijkste voordelen van een overstap naar AI-enabled 2-way en 3-manier overeenkomend processen.

4. Controle van crediteuren en verwerking van uitzonderingen, op basis van de unieke behoeften van het bedrijf, worden de gematchte gegevens doorgegeven aan of gerouteerd naar de juiste medewerker voor verdere verwerking.

Voordelen van op AI gebaseerde PO Matching

Touchless verwerking:Wanneer alle documenten (factuur, inkooporder, ontvangstbewijs enz.) Elektronisch van aard zijn, verwijdert ‘contactloze verwerking’ processen die centraal staan ​​op papier en wordt menselijke tussenkomst geminimaliseerd, waardoor betere prestaties, schaalbaarheid en flexibiliteit worden geleverd; alle zakelijke documenten worden ontvangen, gedigitaliseerd, gerouteerd, gematcht, goedgekeurd en verwerkt zonder dat er ook maar één vel papier tussen personeel en afdelingen hoeft te worden heen en weer geslingerd. Touchless-verwerking verloopt via de volgende stappen:

1. De software controleert op ongelezen e-mails.

2. Bijlagen worden gevonden en voor verwerking uit de e-mail verwijderd.

3. De bijlagen worden gelezen met behulp van cognitieve mogelijkheden en gegevens worden geëxtraheerd.

4. Factuur- / PO-informatie wordt gevalideerd op basis van vooraf gedefinieerde bedrijfsregels.

5. Er wordt een factuur gemaakt, vergeleken met inkooporders en leveringsbewijzen op basis van vooraf ingestelde regels, en gecontroleerd om er zeker van te zijn dat er geen dubbele facturen zijn.

6. Gebruikers krijgen een melding of facturen succesvol zijn verwerkt.

Touchless processing maakt vaak gebruik van machine learning om AI's te trainen om beter te presteren dan eenvoudige, op regels gebaseerde AI-systemen. Het systeem leert daarom van zowel het klantenbestand als de specifieke fijne kneepjes van elke klant.

Slimme afstemming:  PO's kunnen worden gematcht op PO-nummer, vrijgave, regel, verzending en PO-ontvangst en binnen enkele seconden in verschillende vormen worden gesorteerd, een taak die alleen met menselijke inspanning enorm is.

Eenvoudige afhandeling van meerdere PO's naar meerdere facturen:  Automatisering is met name handig wanneer het aantal inkooporders en facturen hoog is, en handmatige inspanningen dagen, zo niet maanden duren om ze te beheren en te categoriseren.

Volledige audit-trail en compliance: AI-systemen kunnen menselijke operators intuïtieve assistentie bieden en binnen enkele seconden validaties en correcties uitvoeren die uren in beslag nemen.

Besparing van mankracht: AI werkt op basis van het 'neurale netwerk' - algoritmen die onderliggende relaties in een set gegevens kunnen herkennen, net als het menselijk brein. Afgezien van de snelheid van prestaties, kunnen machine learning en deep learning-mogelijkheden binnen AI de software helpen om te leren van ervaring, waardoor de operatie kan worden verfijnd om de productiviteit en nauwkeurigheid te verhogen en menselijke tussenkomst en validatie overbodig te maken.

Foutmarkering en minimalisatie: Waar het menselijk brein kan falen als gevolg van vermoeidheid door herhaalde actie, kan een op AI gebaseerd systeem in feite verbeteren in prestaties met de tijd en "ervaring". Hoewel automatisering menselijke fouten niet volledig kan elimineren, kan het wel zorgen voor consistentie op grote schaal. Geautomatiseerde boekhouding kan de kans aanzienlijk vergroten dat kleine problemen worden geïdentificeerd voordat ze overgaan in grotere. In geval van problemen of fouten wordt er automatisch een waarschuwing gegeven aan het IT-team dat snel de hoofdoorzaak kan identificeren en oplossen. Er wordt niets gemist en de oplossing is veel sneller. Het tijdig markeren van fouten kan tijd besparen, kostbare stilstandtijden verminderen en ernstige brandbestrijding op een later tijdstip voorkomen.

Toegenomen productiviteit: Zonder tijdrovende activiteiten zoals PO-matching en factuurverwerking, kan het Accounts Payable-team zich nu concentreren op mensgerichte activiteiten zoals financiële planning, analyse en het verkrijgen van inzichten voor verbeteringen, en het verbeteren van interpersoonlijke en institutionele relaties, die allemaal zou de Bottom-Line kunnen verbeteren.

Kostenvoordelen: Hoewel het installeren van AI-geactiveerde factuurverwerking gepaard gaat met opstartkosten, zou de werking ervan slechts 20 procent van het salaris van een werknemer bedragen.

Gegevensbeveiliging en schaalbaarheid:  Een grotere operationele efficiëntie voor internationale bedrijven is het resultaat van het feit dat ze 24x7 kunnen draaien, in tegenstelling tot menselijke operators die worden beperkt door mentale bandbreedte en tijd.

Audit gereedheid: PO's, GRN's en facturen behoren tot de meest voorkomende documenten die tijdens audits worden gevraagd. Op AI gebaseerde PO-matching heeft deze documenten al goedgekeurd, gematcht en georganiseerd, wat een naadloos auditproces mogelijk maakt.

Automatisering van factuurverwerking en PO-matching kan leidinggevenden op verschillende niveaus in een bedrijf helpen:

• Finance executives kunnen kosten verlagen en middelen vrijmaken die kunnen worden gereorganiseerd om de bedrijfsresultaten te verbeteren en te helpen bij strategische en zakelijke groei.
• Bedrijfsleiders kunnen de prestaties beter begrijpen en de cashflow bewaken door analyse van de dashboardgegevens die door veel van de te meten automatiseringssoftware worden aangeboden.
• Accounts Payable Teams kunnen papieren facturen en handmatige interacties elimineren dankzij gestroomlijnde routing, codering en het matchen van leveranciersfacturen met behulp van vooraf gedefinieerde boekhoudregels.
• Accountants en onderzoeksmedewerkers hebben volledige en directe toegang tot inkooporders en facturen voor toekomstige planning.

---

Wilt u het PO-afstemmingsproces automatiseren? Give Nanonetten™ probeer en profiteer van de voordelen van het gebruik van op AI gebaseerde OCR in het PO-matchingproces.

---

Opzetten en implementeren van AI-enabled PO Matching-systemen

Het opzetten van een AI-enabled PO-matching-systeem in een organisatie is een proces met drie niveaus.

Hoewel geautomatiseerde factuurverwerking en PO-matching voordelig zijn wanneer ze worden geïmplementeerd, bestaat er ongetwijfeld een leercurve en moet het bedrijf / team een ​​paar protocollen volgen om de automatisering de verwachte resultaten te laten behalen. Enkele stappen die moeten worden genomen voor en tijdens de implementatie van geautomatiseerde boekhoudprocessen zijn als volgt:

Volledige betrokkenheid van alle belanghebbenden

Succesvolle automatisering van crediteurenadministratie is afhankelijk van de volledige deelname van elk lid van het financiële team, wat periodieke training en opfrisprogramma's inhoudt om het systeem te bedienen en uitzonderingen te behandelen.

Fasegewijze automatisering

Het benutten van de kracht van automatisering en AI hangt af van de juiste installatie en implementatie. Bovendien is er een nogal steile leercurve verbonden aan de overgang van handmatige boekhouding naar op AI gebaseerde factuurafstemming. Door een fasegewijze overgang is het mogelijk om foutloos in te richten en geeft het team ook de tijd om nieuwe processen te adopteren.

Integratie van alle systemen

Het crediteurenadministratieteam gebruikt mogelijk al software voor onsamenhangende doeleinden, zoals Enterprise Resource Planning (ERP), klantrelatiebeheer en andere financiële kernsystemen. Het AI-automatiseringssysteem moet kunnen worden geïntegreerd met bestaande software om het gebruikers gemakkelijk te maken.

Planning voor onvoorziene gebeurtenissen

Servercrash, stroomuitval en netwerkstoringen kunnen de werking van AI-compatibele PO-matching-systemen ernstig verstoren. Maar een solide plan voor bedrijfscontinuïteit met onder meer back-ups, ononderbroken stroomvoorzieningen en cloud computing kan deze problemen helpen aanpakken. Het is ook belangrijk om een ​​geschiedenis van de processen bij te houden voor het geval de bewerkingen tijdelijk moeten worden teruggedraaid naar handmatige afhandeling.

Organisatie van alle relevante documenten

In drie- en viervoudige matching. Inkooporders, GRN en facturen moeten overeenkomen. Hoewel de meeste leveranciers en klanten ijverig omgaan met PO's en facturen, zijn ze over het algemeen onzorgvuldig met GRN's en ontvangsten. Het ontbreken van een ontvangstbewijs kan een AI-geïntegreerd 3-weg matchproces doen vastlopen en er zouden uitzonderingen worden gegenereerd die leiden tot knelpunten in de workflow.

Dit kan worden vermeden door de ontvangst van items te centraliseren, zodat het aanmaken van ontvangstbewijzen is beperkt tot een of enkele personen om duplicatie en weglatingen te voorkomen. Een andere faalveilige manier is om een ​​systeemgestuurde aanpak te ontwerpen waarbij een automatische herinnering wordt ingesteld voor het genereren en opvolgen van bonnen.

Door ervoor te zorgen dat alle facturen, inkooporders en ontvangsten onmiddellijk in het systeem worden ingevoerd, kan AP-automatisering het uitstaande aantal dagen (DPO) drastisch verminderen door een gemiddeld 5.55 dagen. Een volledig geautomatiseerd systeem waarbij de software de documenten direct uit de soft source (e-mails, etc.) vangt, kan hiervoor zorgen, maar bij het handmatig uploaden van data wordt dit een belangrijk punt.

Afstemming van leveranciersgegevens

Een 3-way match-proces hangt af van de leverancier als de belangrijkste motor van het proces. De nauwkeurigheid van de gegevens die door leveranciers worden verstrekt, kan ervoor zorgen dat er geen problemen met gegevensmismatch zijn. Voor handmatige indiening van facturen is zorgvuldigheid vereist om de nauwkeurigheid te garanderen. Nauwkeurigheid houdt uniformiteit in van maateenheid, eenheidsprijs en leveringstermijn. Leverancierscatalogi kunnen fouten elimineren en de koopervaring verbeteren.

Een tolerantie instellen voor automatische goedkeuring

Enkele veelvoorkomende uitzonderingen die zich voordoen tijdens PO-wedstrijden zijn:

· Factuurhoeveelheden komen niet overeen met de bestelling

· Ontbrekende of onjuiste PO-referentie-informatie op de factuur

· Ontbrekende leveranciers- of belastingstructuur voor een factuur

· Prijsverschillen op regelniveau of voor de totale factuur. De inkooporder kan bijvoorbeeld voor 10 artikeleenheden zijn ten koste van Rs.10 / eenheid, en de factuur kan voor 1 artikeleenheid zijn voor de prijs van Rs. 100.

Behandeling van randgevallen

Randgevallen zijn ongebruikelijke voorvallen die door de software moeten worden afgehandeld. Bij het matchen van facturen wordt de complexiteit van terugkerende facturering vaak onderschat. Het AI-systeem moet voorzien zijn van adaptieve terugkerende facturering om rekening te houden met deze randgevallen die kunnen optreden als gevolg van veranderingen in tijdzones, meerdere terugkerende kosten, prijsaanpassingen achteraf en variabele maandlengtes om een ​​foutloze automatisering te garanderen.

---

Wilt u het PO-afstemmingsproces automatiseren? Give Nanonetten™ probeer en profiteer van de voordelen van het gebruik van op AI gebaseerde OCR in het PO-matchingproces.

---

Voorbeelden van AI-enabled PO Matching-systemen

Het kiezen van een AI-enabled boekhoudpakket hangt af van de aard van het bedrijf en de omvang van de operatie. AO-enabled PO-matching kan een puntoplossing zijn of een volledige boekhoudsuite, die zou afhangen van de bestaande software of het ontbreken daarvan. In het eerste geval zou het moeten communiceren met bestaande systemen, inclusief ERP. PO-matching is beschikbaar in veel tools die worden gebruikt voor boekhouding, waaronder Nanonets AI-OCR, Oracle, Nexxonia, Intacct, MineralTree, enz.

In Oracle, Payables is de AI-enabled PO-matchingtool waarin zodra een factuur is ingevoerd en gekoppeld aan een PO, uitkeringen automatisch worden gemaakt en de match wordt gecontroleerd op naleving van de gedefinieerde tolerantie. Eenmaal gematcht, actualiseert Crediteuren het gefactureerde aantal voor elke gematchte zending en de bijbehorende distributie (s) met het bedrag dat is ingevoerd in het veld Gefactureerde hoeveelheid. Te betalen posten actualiseert ook het gefactureerde bedrag op de PO-distributie (s).

Salie Intacct Inkoop creëert gestructureerde, vooraf gedefinieerde workflows voor transacties en inkoopgoedkeuring. Mineraalboom, een leverancier van crediteuren- en betalingsautomatiseringsoplossingen, biedt automatische afstemming van PO / factuur voor Sage Intacc. Hierin worden kop- en regelniveau-details automatisch geëxtraheerd met behulp van OCR-technologie van facturen die door leveranciers naar een aangewezen e-mailbericht zijn verzonden. Het koppelt vervolgens automatisch inkomende facturen aan inkooporders of ontvangstbewijzen en voegt ze vervolgens in de interne workflows van de gebruikers in voor goedkeuring en betaling van facturen. Alle gegevens worden gesynchroniseerd met de ERP van het bedrijf voor platformconsistentie.

Nexonia-uitgaven, een cloudgebaseerde web- en mobiele oplossing voor het beheer van onkostendeclaraties met flexibele goedkeuringsworkflows en diepe integratie met bestaande systemen.

In Tipalti, alle facturen doorlopen een standaard OCR, geavanceerde gegevensextractie en goedkeuringsworkflows voordat de betaling wordt verwerkt. Er kunnen regels worden ingesteld om te bepalen of een factuur via PO wordt ondersteund en of deze het afstemmingsproces moet doorlopen. Basisregels zijn van toepassing op het bedrag van de leverancier of de factuur en als een factuur een inkooporder heeft, worden de coderingsgegevens van de IO-factuur automatisch op de factuur ingevuld.

In DocuWare, wanneer een factuur wordt vastgelegd, extraheert een op AI gebaseerde crowd-learningtool alle belangrijke gegevens die nodig zijn voor verwerking, zoals leveranciersnaam, ID, factuurnummer, subtotaal, belasting, vracht en totaalbedrag. Om de factuur te valideren, bevestigt het systeem of ze een geldige leverancier zijn, controleert het dubbel op dubbele factuurnummers, overeenkomsten met inkooporders en leveringsbonnen en herberekent het de bedragen.

Er zijn veel meer PO-matchingtools beschikbaar met verschillende functies voor verschillende toepassingen.

Nanonetten AI OCR

Nanonets AI-OCR leest ongeziene, semi-gestructureerde documenten die geen standaardsjabloon volgen en valideert de gegevens die uit het document zijn vastgelegd. De software kan gegevens uit een verscheidenheid aan documenten vastleggen, waaronder factuur, identiteitskaart, aankooporders, inkomstenbewijs, belastingformulier en hypotheekformulieren.

Het maakt het mogelijk gegevens van het gebruikersplatform te importeren en de vastgelegde gegevens rechtstreeks naar een bestaande workflow te exporteren, zonder het systeem te verstoren. Nanonets heeft taalbindingen in Shell, Ruby, Golang, Java, C # en Python. De AI-engine leert en verbetert met gebruik. Met een intuïtieve webinterface elimineert het omslachtige handmatige processen en automatiseert het facturen, ontvangstbewijzen en documentbeoordelingen. Het is bekend om de verwerkingstijd tot 90% te verminderen en tot 50% kosten te besparen.

Kunstmatige intelligentie zal naar verwachting een cruciale rol spelen bij de transformatie van de manier waarop boekhouding en PO-matching in de bedrijfswereld wordt uitgevoerd. Het kan menselijke deelname echter niet uitschakelen - technologie kan niet alleen bestaan.

Kunstmatige intelligentie zal de accountant helpen, niet vervangen. De sleutel tot een succesvolle implementatie van een AI-ondersteund boekhoudsysteem is om ze samen te brengen. De toekomst van het gebruik van AI in boekhouding en PO-matching is sterk afhankelijk van hoe mensen het kunnen verankeren om hun vermogen om langetermijnwaarden te leveren te verbeteren.