Slutt å jakte fakturaer: slik kan Tripletex/Fiken-fakturabehandling automatiseres med AI

AI-basert fakturaautomasjon er i dag tilgjengelig direkte i Tripletex og Fiken – ikke som fremtidig funksjonalitet, men som aktive integrasjoner norske regnskapsbyråer allerede bruker. Systemene leser inn fakturaer, foreslår kontering og sender godkjenningsforespørsler uten manuell innlesning. Byråer som har implementert slike oppsett frigjør mange timeverk per uke per regnskapsfører – tid som i stedet brukes til rådgivning og kundekontakt. Teknologien er moden, kostnadene er overkommelige, og integrasjonsarbeidet er langt enklere enn for bare noen år siden.

Fakturaer spiser tid du ikke har

Fakturabehandling er blant de mest tidkrevende rutineoppgavene for regnskapsbyråer og SMB-er med store transaksjonsmengder. Prosessen er enkel å beskrive – og det er nettopp enkelheten som gjør den sårbar.

En typisk innkjøpsfakturasyklus ser slik ut:

1. Faktura ankommer (e-post, EHF-format, papirpost, eller via leverandørportal)
2. Noen leser inn leverandørdata, beløp, mva og forfallsdato
3. Faktura konteres til riktig konto
4. Godkjenner ser gjennom og godkjenner
5. Faktura betales til rett tid
6. Bilag arkiveres og regnskapet avsluttes

Hvert steg er en mulig flaskehals: en faktura som lander i feil innboks, en godkjenner som er på ferie, en kontering som er feil. Én feil kan koste mange timeverk å rette opp og medføre forsinkede betalinger og purregebyrer.

For et regnskapsbyrå med mange kunder og store transaksjonsmengder er dette en strukturell utfordring. Medarbeidere med regnskapskompetanse bruker en stor del av arbeidsdagen på manuell gjentakelse – i stedet for å skape merverdi for kundene sine.

EHF-basen er stor, men utnyttes ikke fullt ut. Norge var blant de første landene som krevde elektronisk faktura (EHF/Peppol-format) for all fakturering til offentlig sektor. Infrastrukturen er godt utbygd og dekker en stor del av næringslivet. Likevel mottar mange bedrifter PDF-fakturaer på e-post og behandler dem manuelt – selv om leverandørene teknisk sett støtter EHF. Det er nettopp dette gapet AI-integrasjonene nå hjelper med å lukke.

Kostnaden ved manuell fakturabehandling er sjelden synlig som én linjeposter i regnskapet. Den skjuler seg i timer brukt feil, i forsinkede betalinger som utløser purregebyr, og i regnskapsmedarbeidere som bruker fagkompetansen sin på manuell innlesning i stedet for rådgivning. For virksomheter med hundrevis av månedlige fakturaer summerer dette seg raskt til en strukturell kostnad – og det er nettopp den kostnaden AI-fakturabehandling er designet for å redusere.

FabricAI og Tripletex: AI til over 80 000 norske SMB-er

I 2024 inngikk den norske AI-leverandøren FabricAI et strategisk samarbeid med Tripletex for å integrere AI-basert kjøpsfakturaautomasjon direkte i plattformen. Resultatet er at over 80 000 norske SMB-er som allerede bruker Tripletex, nå har tilgang til AI-innlesing og automatisk kontering uten å bytte system eller investere i separat programvare (FabricAI og Tripletex, 2024).

Dette er en vesentlig oppskalering — og kommersielt vellykket: den felles løsningen genererte 30 millioner kroner i ny omsetning for Tripletex i 2024 alene (FabricAI, 2024). Tidligere krevde tilsvarende funksjonalitet egne integrasjonsprosjekter, leverandøravtaler med ERP-leverandører, og IT-ressurser de fleste SMB-er ikke har. Nå er det et konfigurerbart tillegg i et system mange allerede betaler for.

FabricAI trener modellene sine på norsk regnskapspraksis og norske kontoplaner, noe som gir høyere konteringsnøyaktighet enn generiske internasjonale løsninger. Systemet lærer av korrigeringer: jo mer fakturadata det ser, jo høyere automatiseringsgrad over tid.

Mønsteret er ikke unikt for Tripletex. Tilsvarende AI-lag finnes nå for Fiken, Visma, 24SevenOffice og Xledger – og adopsjonskurven stiger i takt med at teknologien modnes og integrasjonene blir enklere å sette opp.

Slik fungerer AI-fakturabehandling i Tripletex

For et regnskapsbyrå eller en intern økonomiavdeling som bruker Tripletex ser et AI-aktivert fakturaoppsett typisk slik ut:

Innlesing og tolkning. Fakturaer via EHF/Peppol mottas direkte og strukturert. PDF-fakturaer tolkes av OCR kombinert med NLP, som leser leverandørdata, beløp, mva-koder og forfallsdato. Feiltoleransen er vesentlig bedre enn ren OCR fordi AI-laget kan disambiguere tvetydig tekst og korrigere formateringsfeil.

Automatisk konteringsforslag. Basert på leverandørhistorikk, fakturakategori og transaksjonstype foreslår AI riktig konto og mva-kode. For kjente leverandørforhold med klare mønstre er treffprosenten svært høy, og en stor andel av fakturaene behandles uten menneskelig inngrep.

Regelbasert godkjenningsflyt. Fakturaer over et konfigurerbart terskelbeløp, eller med lav konfidens i konteringsforslaget, sendes automatisk til manuell godkjenning. Resten ferdigbehandles automatisk.

Betalingsplanlegging. Tripletex kombinerer forfallsdato med tilgjengelig likviditet og foreslår betalingskjøringer. Med riktig oppsett kan betaling godkjennes i ett steg og utføres automatisk til rett tid.

Purring og inkasso. For salgsfakturaer støtter Tripletex regelbasert purring. AI-lag som tilpasser purretidspunkt og -tone basert på kundehistorikk er under aktiv utvikling og begynner å bli tilgjengelig i norske plattformer.

Fiken-mønsteret: Samme ambisjon, forenklet tilnærming

Fiken er designet for SMB-er uten regnskapsfaglig bakgrunn og har prioritert en enkel UX. Det betyr at AI-integrasjonene er færre og mindre konfigurerbare enn i Tripletex – men grunnmønsteret er det samme.

Fiken støtter i dag automatisk import av EHF-fakturaer og kobler seg mot bankavstemming via Open Banking (PSD2). Kvitteringsapper som Expensify eller Mobilexpense scanner papirkvitteringer og sender strukturert data inn i Fiken, slik at manuell inntasting elimineres for utleggsrefusjoner.

For regnskapsbyråer som betjener Fiken-kunder kommer de største automatiseringsgevinstene ikke nødvendigvis fra Fiken selv, men fra hva man legger rundt systemet:

• Strukturert innfangst. Alle leverandørkontakter bruker EHF-adresse. Fakturaer ankommer direkte i Fiken uten manuell ruting.
• Kvitteringsapp for utlegg. Ansatte bruker mobilapp. Data flyter til Fiken uten manuell inntasting.
• Godkjennerflow. Ansvarlig leder varsles via e-post eller Slack og godkjenner i Fiken-grensesnittet. Betalingen planlegges automatisk.
• Tydelige frister. Klare interne regler om når fakturaer skal behandles, med AI-assistert prioritering av hva som forfaller.

Dette er ikke «full AI» i teknisk forstand – men det eliminerer jakten på fakturaer, og det er selve problemet disse bedriftene trenger å løse.

SEMINE: AI-regnskap bygget for norske byråer

SEMINE er et norsk AI-regnskapssystem bygget for norsk regnskapspraksis og integrerer mot Fiken, Tripletex og andre plattformer. Systemet automatiserer kontering, bilagsregistrering og rapportering.

Et dokumentert norsk eksempel: Norwegian (flyselskapet) implementerte SEMINE og oppnådde 70 % automatiseringsgrad for sine rundt 5 000 månedlige innkommende fakturaer — og kuttet behandlingstiden per faktura med 6 dager (SEMINE / Norwegian, 2024). Forbedringen stoppet ikke ved effektiviteten: SEMINE hentet ut data på linjenivå fra fakturaene og ga Norwegian detaljert kostnadssporing per fly, lokasjon og flyplass — innsikt de ikke hadde hatt tilgang til tidligere uten manuell sammenstilling.

Bildet bekreftes av bredere bransjedata. Ifølge Ardent Partners' rapport AP Metrics That Matter in 2024 behandler beste-i-klasse AP-avdelinger fakturaer 81 prosent raskere enn gjennomsnittet, og prosesserer 2,15 ganger flere fakturaer touchless – det vil si uten noe manuelt inngrep. For norske byråer og regnskapsavdelinger som ennå håndterer hoveddelen av fakturaene manuelt, er dette et direkte mål på hva som er oppnåelig. Gapet mellom virksomheter som har investert systematisk i AP-automatisering og de som ikke har gjort det, er ikke marginalt: det er en strukturell forskjell som påvirker kostnader, behandlingstid og evnen til å skalere uten å øke bemanningen proporsjonalt (Ardent Partners, 2024).

Systemet lærer av korrigeringer: første gang en leverandørfaktura behandles manuelt registreres konteringen. Ved neste faktura fra samme leverandør foreslår SEMINE automatisk samme kontering. Etter noen måneder i drift er automatiseringsgraden vesentlig høyere enn ved oppstart.

For regnskapsbyråer er dette en direkte kapasitetsøkning: de kan betjene flere kunder med samme team, eller bruke frigjort tid til å heve verdien på eksisterende kunderelasjoner.

Hva AI faktisk leverer – og hva det ikke gjør

Det er viktig å ha realistiske forventninger. AI er svært godt på mønstergjenkjenning og regelbasert beslutningstaking – to egenskaper fakturabehandling krever i stort volum. Det er nettopp dette som forklarer resultatene vi ser fra norske og internasjonale implementeringer. AI i fakturabehandling er spesielt sterk på:

Gjenkjenning og parsing. Lese tekst fra fakturaer i ulike formater (EHF, PDF, bilder), parse strukturert data om leverandør, beløp, mva og linjer.

Matching og validering. Koble kjøpsfaktura mot innkjøpsordre, identifisere duplikater, flagge uvanlige beløp eller leverandørendringer som avviker fra historikk.

Konteringsforslag. Foreslå kontering basert på historikk og regler. For høyt volum av repetitive transaksjoner med kjente leverandører er dette svært effektivt og gir høy treffprosent.

Anomalideteksjon. Flagge fakturaer som avviker fra mønstre – ny bankkonto hos kjent leverandør, beløp langt over gjennomsnittet for kategorien, mva-koder som ikke stemmer med leverandørtypen.

AI er svakere på:

Skjønn og komplekse grensedragninger. Om en faktura er drifts- eller aktivumskostnad avhenger av kontekstuell kunnskap som sjelden er dokumentert i systemet. Slike vurderinger krever en regnskapsfører.

Manglende eller rotete data. Fakturaer uten klare leverandørhenvisninger eller i uvanlige formater gir lavere konfidens og krever manuell behandling.

Kontraktsforhold utenfor systemet. Betalingsbetingelser diskutert muntlig og ikke registrert kan ikke tas hensyn til av AI.

Byråer som lykkes bruker AI til å håndtere volum og frigjøre tid – og beholder faglig kompetanse for unntakstilfellene.

Mønsteret bak de som lykkes

De byråene og bedriftene som oppnår størst gevinst fra AI-fakturaautomasjon har ett felles trekk: de behandler fakturainnkreving som et system, ikke som en manuell oppgave.

Det betyr:

• Klare inngangspunkter. Alle fakturaleverandører bruker EHF-adresse eller sender til én dedikert adresse. Ingen fakturaer er «på vei» til et ukjent sted.
• Minimal manuell innlesing. PDF-fakturaer tolkes av OCR, ikke av en person med tastatur. Kvitteringer scannes med mobilapp.
• Regelbasert routing. Alle fakturaene over et gitt terskelbeløp går til godkjenner A. Fakturaer under beløpet i en gitt kategori godkjennes automatisk. Ingen tvetydighet om hvem som eier hva.
• Synlighet over status. Et dashboard viser hva som venter på godkjenning, hva som er forsinket og hva som snart forfaller.
• Eskalering med eierskap. Når AI ikke klarer å matche eller kontere en faktura, er det klart hvem som håndterer den – og innen hvilken tid.

Dette er like mye et prosessprosjekt som et teknologiprosjekt. Det vanligste feilsteget er å kjøpe AI-verktøy uten å rydde i prosessen først. Da automatiserer man kaos – og kaoset skjer bare raskere. De beste implementeringene starter med en grundig prosessgjennomgang: hvem sender fakturaer, via hvilke kanaler, og hva er de vanligste friksjonspunktene. Automatiseringsverktøyet velges etter kartleggingen, ikke før.

Hvor begynner du?

Startpunktet er ikke å velge et AI-verktøy. Det er å kartlegge flyten:

• Inngangspunkter. Hvor ender fakturaer opp i dag? E-post, EHF, fysisk post, leverandørportal?
• Behandlingstid. Hvor lang tid tar det fra faktura ankommer til den er klar for betaling, og hva er de vanligste forsinkelsesårsakene?
• Godkjenning. Hvem godkjenner hva, og hva skjer når de er utilgjengelige?
• Feilrate. Hvilke leverandørtyper gir flest konteringsfeil eller manglende data?

Fra denne kartleggingen kan man identifisere de to eller tre stegene der automatisering gir størst effekt. For de fleste vil det være innlesing og kontering. For noen vil det være godkjenningsflyt og betalingsplanlegging. For et fåtall vil purring og inkasso gi den høyeste gevinsten.

Med den kunnskapen kan man velge verktøy og integrere dem målrettet – i stedet for å kjøpe et bredt AI-system og håpe at det løser seg selv.

Discovery Sprint

Crunchtime tilbyr en Discovery Sprint – en strukturert kartlegging av fakturabehandlingsflyten din og en konkret plan for hvilke automatiseringstiltak som gir størst effekt i din stack.

Sprinterresultatet er et prioritert handlingskort, ikke en generisk rapport. Vi identifiserer de to til tre tiltakene med høyest ROI og viser deg nøyaktig hvordan du implementerer dem – enten du bruker Tripletex, Fiken, eller en kombinasjon av verktøy. Sprinten passer for byråer som nettopp vurderer automatisering og for de som allerede er i gang, men vil sikre at neste tiltak er det riktige.

Start en Discovery Sprint →

Kilder

• FabricAI — Tripletex has chosen FabricAI as their AI partner for purchase invoice automation — web.archive.org — 2022-10-03
• SEMINE — Norwegian: AI solution SEMINE delivers immediate results in AP — semine.com — 2024-12-11
• FabricAI — AI: from an expense to a revenue generator — web.archive.org — 2025-02-28
• Ardent Partners — AP Metrics That Matter in 2024 — basware.com — 2024-05-01