Tre processer som ser fundamentalt annorlunda ut med AI

Det är en sak att tala om processdesign i abstrakt mening. Det är en annan att se exakt hur ett specifikt flöde förändras när det designas med AI som en naturlig del av strukturen snarare än som ett tillägg. Tre processer återkommer konsekvent när svenska organisationer börjar sin AI-resa: inkommande e-post och ärendehantering, leverantörsfakturor och avtalshantering. Gemensamt för dem är hög volym, tydliga beslutsregler och information som AI kan läsa och förstå.

Inkommande e-post och ärendehantering

Före: En administratör läser alla inkommande e-postmeddelanden, bedömer vad de handlar om och vidarebefordrar dem till rätt person eller kö. Prioritering sker manuellt och baseras ofta på vem som råkar vara tillgänglig snarare än på vad ärendet faktiskt kräver. Vid hög belastning bildas köer och viktiga ärenden riskerar drunkna i volymen.

Efter: AI läser inkommande e-post kontinuerligt, klassificerar ärenden efter typ, prioritet och nödvändig kompetens, och dirigerar dem automatiskt till rätt handläggare eller kö. Ärenden med hög prioritet flaggas proaktivt. Handläggare möter ärenden som är förbearbetade med kontext: kundens historik, relaterade ärenden och föreslagna svar samlat på ett ställe.

Det nyckelskifte som sker är att det mänskliga fokuset flyttar från sortering till bedömning. Administratörens tid går från att läsa och vidarebefordra till att hantera de ärenden som faktiskt kräver mänsklig kompetens.

IDC:s analys av AI-adoption i nordeuropeiska organisationer pekar på automatiserad ärendehantering och klassificering som ett av de snabbaste sätten att frigöra produktiv arbetstid, med en vanlig tidsvinst på 30 till 50 procent av den tid som läggs på sortering och routing.

Frågor att ställa er om er process: Vilka kategorier av ärenden hanterar ni idag, och hur ser fördelningen ut? Vilka ärenden kräver alltid mänsklig bedömning, och vilka är rutinärenden? Hur mäter ni idag att ett ärende har prioriterats rätt?

Leverantörsfakturor

Före: Leverantörsfakturor kommer in via e-post eller portaler. En ekonomimedarbetare läser fakturan, matchar den manuellt mot inköpsorder och skickar den vidare till attestant i en kedja av godkännanden. Undantag och avvikelser, till exempel felaktig summa, saknad order eller okänd leverantör, hanteras manuellt och leder regelbundet till förseningar.

Efter: AI läser fakturan, extraherar nyckeldata, matchar mot inköpsorder och avtalsregister, och bedömer sannolikheten att fakturan är korrekt. Matchade fakturor inom avtalade gränser attesteras automatiskt. Avvikelser eskaleras till rätt person med ett tydligt underlag om varför flaggningen skedde. Mänsklig granskning koncentreras till det som är genuint komplext.

Det nyckelskifte som sker är att mänsklig tid läggs på undantag och bedömning, medan AI hanterar volym och matchning. En ekonomiavdelning som tidigare la halva sin kapacitet på manuell fakturahantering kan med rätt processdesign lägga samma kapacitet på leverantörsrelationer, prognoser och strategisk analys.

Deloitte Insights konstaterar i sin analys av AI i finansprocesser att organisationer som designar om sin faktureringsprocess med AI som utgångspunkt, snarare än lägger AI ovanpå det befintliga, uppnår en genomsnittlig processtidsreduktion på 70 till 80 procent.

Frågor att ställa er: Hur stor andel av era fakturor har avvikelser som kräver manuell hantering? Vilka typer av avvikelser uppstår ofta, och vilka regler avgör hur de hanteras? Hur ser era nuvarande attestgränser och godkännandeflöden ut?

Avtalshantering

Före: Avtal samlas i inkorgar, delade mappar och lokala hårddiskar. Förnyelsedatum missas för att påminnelsen aldrig sattes, eller för att den som satte den har slutat. Granskning av avtalsvillkor sker manuellt och ojämnt beroende på vem som har tid och vilken kompetens som finns tillgänglig. Riskklausuler, prisjusteringar och avvikelser mot bolagets standardvillkor fångas upp om någon råkar läsa noggrant.

Efter: AI indexerar och läser samtliga avtal, extraherar nyckeldata som parter, löptider, indexklausuler, förnyelsedatum och SLA-nivåer, och strukturerar dem i ett sökbart register. Systemet flaggar avtal som snart löper ut, identifierar klausuler som avviker från standardmallen och signalerar om leverantörer med avtal spridda över flera delar av verksamheten. Juridik och inköp lägger sin tid på bedömning och förhandling, med ett fullständigt och alltid aktuellt underlag.

Det nyckelskifte som sker är att avtalen slutar vara passiva dokument och blir en aktiv tillgång som organisationen faktiskt kan styra utifrån.

World Commerce and Contracting estimerar att organisationer i genomsnitt förlorar nio till femton procent av avtalsvärdet på grund av otillräcklig kontraktshantering och missade klausuler. Det är en siffra som snabbt sätter AI-investeringen i avtalshantering i ett tydligt perspektiv.

Frågor att ställa er: Var samlar ni era avtal idag, och vem äger ansvaret för att hålla dem aktuella? Hur hanterar ni förnyelsedatum och indexjusteringar, manuellt eller med systemstöd? Hur ser er process ut för att granska ett avtal mot bolagets standardvillkor?

Det gemensamma mönstret

Alla tre exemplen uppvisar samma grundläggande rörelse. Processen börjar med en handling som är informationsdriven och hög volym. AI tar över det informationsintensiva arbetet, alltså läsning, matchning, kategorisering och flaggning. Mänsklig kapacitet frigörs för det som kräver omdöme, relationer och ansvar.

Det är den rörelsen som processdesign för AI syftar till att uppnå, och det är den som ger störst effekt per investerad krona. I nästa inlägg tar vi upp hur AI-mognad byggs i lager, från enkel sökning till autonoma agenter: Från AI-sök till digital workforce. Vill du pröva angreppssättet på en av era egna processer är du välkommen att boka en kostnadsfri halvdagsworkshop.