De uitdaging: tijdrovend handwerk
In een wereld die steeds verder geautomatiseerd wordt, blijft het werken met ongestructureerde documenten een uitdaging. Denk aan verzekeringsdossiers, medische documenten, vergunningen en hr-onboarding: bijna overal spelen documenten een cruciale rol. Ook bij het klassieke voorbeeld van de crediteurenadministratie en het verwerken van facturen. Facturen moeten worden gekoppeld aan inkooporders en ontvangen artikelen, maar referentiecodes en productinformatie worden door iedereen anders gebruikt. In sommige gevallen ontbreekt simpelweg informatie of staat er handgeschreven tekst op het document. Het gevolg? Er moet veel handmatig worden uitgezocht en opgevolgd, wat enorm arbeidsintensief is. De verwerkingstijd kan oplopen tot enkele dagen of zelfs weken, terwijl er technologie beschikbaar is om dit proces van begin tot eind volledig te automatiseren.
Slim automatiseren met Intelligent Document Automation (IDA)
KPMG’s ‘Intelligent Document Automation’ (IDA) hanteert een holistische benadering van procesanalyse, waarbij de ESSAR-methode (Elimineren, Simplificeren, Standaardiseren, Automatiseren en Robotiseren) centraal staat. Het IDA-team kijkt altijd eerst naar het volledige proces, het gewenste doel en hoe het toekomstige proces eruit moet zien. Je kunt het proces ‘as-is’ automatiseren, maar is dat wel verstandig? Welke processtappen kunnen anders, en waar zit het grootste knelpunt en verbeterpotentieel? Dit zijn vragen die we samen bespreken om tot het juiste antwoord te komen, want automatisering en de implementatie van Artificial Intelligence vormen een complex vraagstuk waarvoor meerdere oplossingen mogelijk zijn.
Hoe werkt de techniek onder de motorkap?
Een belangrijk component in moderne documentautomatisering is het gebruik van ‘Large Language Models’ (LLM’s). Dit zijn AI‑modellen die zijn getraind op enorme hoeveelheden tekstdata, soms wel tientallen miljoenen documenten, en daardoor zijn zij in staat om natuurlijke tekst te begrijpen, ontbrekende informatie te herkennen en aanvullende suggesties te doen. In tegenstelling tot traditionele, op templates gebaseerde systemen kan een LLM een document interpreteren dat het nooit heeft gezien. Het begrijpt bijvoorbeeld dat velden zoals ‘ordernummer’, ‘order ID’ of ‘bestelreferentie’ in verschillende contexten hetzelfde betekenen. Dit maakt een veel hogere automatiseringsgraad mogelijk.
Het begrijpen van context en betrouwbaarheid
Daarnaast kan een LLM met veel meer zekerheid documenten classificeren, begrijpen of zelfs aanvullen wanneer informatie ontbreekt. Zo kan AI, zelfs op basis van onvolledige gegevens, vaak goed uitleggen wat de context is. Een voorbeeld dat we in de praktijk graag gebruiken om dit te illustreren, staat in de onderstaande afbeelding.
Wanneer we een klant of collega vragen naar het type dier of het ras, dan krijgen we vaak antwoorden zoals “kat”, “hond” of soms zelfs “vos”, maar de redenering ontbreekt bijna altijd. We moeten doorvragen om duidelijkheid te krijgen. Bij de vraag “Wat is het ras?” blijft het antwoord vaak uit omdat niemand (natuurlijk) het risico wil lopen om fout te zitten. Wanneer we dezelfde vragen aan een willekeurig AI‑model stellen, krijgen we een consistent antwoord: hond (met 95% zekerheid, op basis van vachtstructuur, voetzolen, de vorm van de oren en de pootjes, en het rollen op zijn rug, wat vaak voorkomt bij puppy’s), en het ras is waarschijnlijk een Pembroke Welsh Corgi (met 85% zekerheid, vanwege het kleurpatroon, de korte pootjes, het langwerpige lijf en ronde oortjes, wat tezamen kenmerkend is voor een Corgi). Het verschil tussen een mens en AI zit in de zekerheid en de expliciete redenering. De verklaring van een mens volgt soms uit een onderbuikgevoel, terwijl een AI-model redeneert op basis van tientallen miljoenen getrainde datasets. Zo interpreteert een LLM ook taal en informatie in een document.
Klantcase: bestellingen automatiseren tot 95%
Een van onze klanten, een grote leverancier met ruim 40.000 producten in de catalogus, deed het volgende verzoek: “Help ons om de binnenkomende bestellingen efficiënter te verwerken met slimme technologie.” Klanttevredenheid en efficiëntie vormden een belangrijk onderdeel van zijn strategie, en in dit geval was er veel handwerk door ontbrekende informatie, referenties die niet aansloten of andere oorzaken waardoor de verwerking van een bestelling lang duurde. Het kostte zoveel werk dat de organisatie tegen de grenzen van haar groei aan liep.
Gezien de situatie sloot de AI‑tool ‘Rossum’ het beste aan op de wensen van de klant en met deze keuze was de basis voor de automatisering gelegd. Rossum is gespecialiseerd in het automatisch uitlezen en begrijpen van grote volumes documenten, zoals de bestellingen in kwestie, en haalt met behulp van AI relevante data direct uit uiteenlopende formaten. Daarnaast kan hij informatie koppelen aan stamgegevens. KPMG ondersteunde de transitie naar de nieuwe manier van werken door de tool te integreren in de processen en de werkomgeving van de klant. Het resultaat? Bijna 95% van alle benodigde data werd daarna automatisch herkend, waardoor er effectiever werd gewerkt, minder tijd verloren ging aan fouten en er meer tijd kon worden geïnvesteerd in strategische vraagstukken. En minstens zo belangrijk: de klanttevredenheid steeg omdat (urgente) bestellingen sneller werden afgehandeld.
De volgende stap in AI: agentic AI
Hoewel het grootste deel van de documenten nu automatisch wordt verwerkt, blijven er gevallen over waarin het systeem extra context nodig heeft of zijn er situaties waarin je toch een extra controlelaag wilt, ook al is de informatie correct uitgelezen. Die scenario’s moeten nu nog door medewerkers worden opgepakt. De verwachting is dat AI‑agents deze uitzonderingen in de toekomst ook kunnen afhandelen. Het grote verschil tussen een AI‑agent en een LLM is dat een agent daadwerkelijk acties kan uitvoeren, bijvoorbeeld automatisch een e‑mail sturen naar een leverancier wanneer gegevens ontbreken. Zoals de use case bij onze opdrachtgever laat zien, maakt de inzet van ‘Digital Process Excellence’ (DPE) mensen niet overbodig; het zorgt ervoor dat zij zich kunnen focussen op werkzaamheden waarmee ze écht het verschil maken, zoals het verbeteren van de dienstverlening en het inzetten van hun expertise en talent.
