Accountor Finago

Jukka Kortesoja, Accountor Finago

Suunniteltaessa Procountor Juniorin tekoälytiliöintiä pystyimme hyödyntämään tekoälyn täydellistä integrointia osaksi Procountor taloushallinto-ohjelmiston toimintalogiikkaa, tietorakenteita ja käyttökokemusta. Lisäksi Procountorin poikkeuksellinen, tilikirjauksesta erillään oleva alv-käsittely mahdollistaa tekoälyn tarkan toiminnan myös alv-käsittelyssä. Tekoäly voi käsitellä alv-käsittelyyn liittyviä kysymyksiä irrallaan tilikartasta, eli hyödyntää yrityksen alv-käsittelyhistoriaa, vaikka aiemmat vastaanvanlaiset ostot olisivat olleet eri tileillä.

Lähtökohtana Procountorissa on puhtaasti sähköinen kirjanpito ja markkinoiden parhaat mahdollisuudet sääntöpohjaiseen tiliöinnin ja alv-käsittelyn automatisointiin. Procountor Junior on toteutettu luonnolliseksi osaksi Procountorin ostolaskukäsittelyä, jolloin tiliöintiprosessi voidaan uudistaa ja yksinkertaistaa tekoälypohjaiseksi. Jotta ymmärrämme tekoälytiliöinnin tuoman arvon tilitoimistolle, täytyy tiliöintiprosessin hallintaa ajatella hieman eri näkökulmasta kuin perinteisen automatiikan kohdalla. Datan perusteella oppivilla tekoälymalleilla ei ole nimittäin samoja rajoitteita kuin sääntöpohjaisella automatiikalla tai ohjelmistorobotiikalla.

Palataan aikaan ennen monimutkaisia automaatiosääntöjä ja niiden hallinnointityötä. Hyvä vertailukohta tekoälytiliöinnin käyttöön on kokemattoman apulaisen palkkaaminen auttamaan tiliöintityössä. Apulainen tekee suurimman osan tiliöinneistä itse, mutta ollessaan epävarma tuo se kirjaukset tarkastettavaksi kirjanpitäjälle. Kirjanpitäjä myös valvoo työtä kokonaisuutena, tarkastaen kirjanpitoa kuukausittain ja korjaten mahdolliset virheet. Procountor Juniorin tapauksessa apulainen pystyy käsittelemään käytännössä rajattoman määrän laskuja ilman, että siihen kuluu lainkaan aikaa. Olennaisinta on, miten hyvin ohjelmiston työkalut ja tilitoimiston perusprosessit ovat kunnossa apulaisen työn ohjaamiseen!

Siinä missä ihminen päättelee uusien ostojen tiliöinnin ohjelmiston ulkopuolelta tulevien tietojen, sääntöjen ja ohjeistuksen mukaan, Procountor Junior käsittelee laskuhistoriadataa ja päättelee siitä säännönmukaisuuksia tiliöinneissä. Mitä vahvempia säännönmukaisuuksia laskun tiliöintiin historiasta löytyy, sitä varmempi Junior on tiliöintiehdotuksistaan. Ne laskut tai yksittäiset tietokentät, joista Junior on epävarma, se nostaa asiantuntijalle tarkastettavaksi. Näin esimerkiksi vakiintuneeltakin toimittajalta tullut yllättävä osto voi nousta asiantuntijalle tarkastettavaksi, ilman että näitä erityistapauksia tarvitsee etukäteen tietää tai asetuksilla hallita. Procountor Junior pystyy hyödyntämään yrityskohtaista tietoa oppiessaan yrityksen tiliöinnin erikoisuudet. Näin se pystyy päättelemään myös alv-vähennyksen huolimatta siitä, millä toimialla tai minkälaista liiketoimintaa yritys tekee.

Tiliöintiprosessissa täytyy aina ottaa huomioon myös virheiden hallinta. Ihmisellä tiliöinnin päättely on muistin- ja tulkinnanvaraista työtä, mikä on virhealtista. Tekoälytiliöinnin muisti on virheetön. Sen sijaan se voi tehdä virheitä, kun laskuhistoriasta ei löydy sopivia tai tarpeeksi vahvoja säännönmukaisuuksia uusille laskuille. Tilitoimiston täytyy ajatella, kuinka paljon aikaa näiden virheiden löytämiseen ja korjaamiseen käytetään. Procountorin työkalut on rakennettu nimenomaan työn valvontaan ja virheiden löytämiseen. Tiliöintiä seurataan Procountorissa liikekumppanien tarkastusraportilta kuukausittain. Näin löytyvät virheelliset tili- ja alv-kirjaukset, olivat ne sitten automatiikan, ihmisen tai Procountor Juniorin jättämiä. Procountor Juniorin työstä ostolaskun tiliöinnissä ei synny tilitoimistolle lisäkustannuksia. Ostolaskun tiliöinti on hyvä ensiaskel tekoälyn hyödyntämiseen tilitoimiston apurina. Kun tekoälyavusteisen taloushallinnon kehitystä katsotaan hieman totuttujen prosessien ja työtapojen ulkopuolelta, meillä on hyvin mielenkiintoinen tulevaisuus edessämme!

FabricAI Oy

Juhani Tolvanen, FabricAI Oy

Mistä on kyse?

Automaatiolla voidaan ostolaskujen kontekstissa tarkoittaa kahta eri asiaa:

a) ostolaskulle voidaan lisätä automaation toimesta ehdotelma, mutta lopullinen päätös jätetään kirjanpitäjälle. = esitiliöinti

• i) Tämän tyyppistä automaatiota on esimerkiksi FabricAI:n taso 1, 2 ja 3 automaatiot.
• ii) Kirjanpidon automatisoinnin 4 tasoa 

b) ostolasku käsitellään automaattisesti kirjanpitäjän puolesta = älykäs automaatio

• i) tämän tyyppistä automaatiota on esimerkiksi FabricAI:n taso 4 automaatio, joka näyttää vain liiketoiminnan kannalta olennaiset laskut ja epävarmat ennusteet kirjanpitäjälle.

Kohdan b) automaatiossa on siis tarkoitus tehdä päätös ensisijaisesti automaattisesti ja tällöin mukana on riski virheellisistä ‘päätöksistä’.

Kaikki seuraavat näkökulmat viittaavat juurikin b) kohdan automaatioon, eli älykkääseen automaatioon, joka tekee päätöksiä kirjanpitäjän puolesta.

Automaation haasteet tiliöinnissä

1. Kun puhutaan kirjanpidosta täytyy muistaa, että kirjanpito ei ole ikinä täydellistä (esim. tiliöintien tai alv:n osalta), oli menetelmä mikä tahansa. Aina tehdään virheitä – oli kyseessä sitten ihminen, automaatio tai ihminen ja automaatio yhdessä.

Täydellisessä maailmassa, jossa ihmiset tekisivät virheetöntä työtä, ei tilintarkastuksenkaan merkitys olisi enää niin huomattava.

Kysymykseen tulee kaksi eri näkökulmaa. Mikä on ‘sallittu virheen määrä’ tilintarkastuksen näkökulmasta sekä mikä on ‘hyväksytty virheen määrä’ automaatiolle psykologisesta näkökulmasta.

Havaintojen mukaan koneen tekemiin virheisiin suhtaudutaan lähtökohtaisesti kriittisemmin ja samalla menetelmän ymmärtämisen merkitys korostuu.

● Koneoppimisessa tärkeintä on ymmärtää, että menetelmään kuuluu erottamattomasti virheitä, tai tarkemmin sanottuna odotettu virhe.

• jos meillä on esimerkiksi 99 prosentin todennäköisyys alv-käsittelyn ennusteelle, menee 1 prosenttia todennäköisesti aina väärin. Eli määrällisesti 100 euron käsittelystä 1 euro menee väärin.

2. En usko, että täysi automaatio on mahdollista millään menetelmällä – aina on poikkeuksen, poikkeuksen poikkeus, joka vaatii selvitystä, muokkausta ja harkintaa.

3. Täysi automaatio ei myöskään ole kannattava tavoiteltava, esimerkiksi seuraavista syistä:

● automaation laadunvarmistus aina tulee pystyä toteuttamaan jollain tavalla

• esimerkiksi jättämällä 10 prosenttia tekoälyn käsittelemistä laskuista kirjanpitäjälle, jolloin voidaan olla varmoja siitä, että mallit toimivat edelleen halutulla tavalla
• aina löytyy laskuja, joiden käsittelyä ei ole mahdollista päätellä historian perusteella
• maailma muuttuu ja samalla aineisto vanhenee tai siihen muodostuu epäjatkuvuuskohtia – tarvitaan keino tuottaa jatkuvasti uutta ja laadukasta koulutusaineistoa
  ■ muutoksia voi olla muun muassa yrityksen palvelu- ja tuotetarjoomassa, verolainsäädännössä ja vastaavissa

4. FabricAI:n vision mukaan kirjanpitäjällä tulee aina olemaan rooli ostolaskujen käsittelyssä, samalla kirjanpitäjän rooli asiantuntijana korostuu esimerkiksi seuraavien toimintojen osalta:

● euromääräisesti (yritykselle) merkittävien laskujen tiliöinti
● epävarmojen laskujen tiliöinti
● mallin jatkuva laadunvarmistus

Automaation tavoitteena tulee olla automatisoida enemmistöostolaskujen käsittelystä, joka on yrityksestä riippuen noin 50-80 % kaikista laskuista. Tällöin automaatiolla saavutetaan merkittävää taloudellista hyötyä ja kirjanpitäjällä säilyy rooli yhtälössä.

ALV-käsittelyn haasteet

Arvonlisäverotuksen automaation osalta haasteita tuovat esille nostetut maastopyörä ja inertiajyrsin yksikkö -esimerkit, mutta haasteita tuovat lisäksi myös epäjatkuvuudet.

Brexit on hyvä esimerkki epäjatkuvuudesta → yhtenä päivänä kaikki Britti tuotteet olleet EU hankintoja, seuraavana eivät. Tämän tyyppiset epäjatkuvuudet on kuitenkin “helppo” hoitaa automaation näkökulmasta.

• manuaalisesti kielletään kaikkien 31.1.2021 tai sitä ennen tulleiden EU-laskujen käyttäminen koulutuksessa. (joka meillä on jo tehty)
•  aloitetaan alusta EU-laskujen kouluttaminen
• mahdollisuuksien mukaan voidaan yrittää kieltää ainoastaan Briteistä tulleiden laskujen automaattinen käsittely, mutta tämä vaatii huomattavasti tarkempaa kirjanpitoa, kuin yrityksissä lähtökohtaisesti on

Yksittäisten tuoteryhmien ALV-poikkeusten käsittelyonkin sitten haastavampi tapaus, sillä ei ole olemassa yksinkertaista keinoa esim. kieltää kaikkien maastopyörien tai alkoholin automaattista käsittelyä.

Toisaalta tämä ei myöskään olisi järkevää, sillä aina on mahdollista keksiä poikkeuksia, vaikka ne eivät ikinä toteutuisi.

Tässä automaatio tilanteet tulee jakaa kolmeen eri kategoriaan:

1. pyöräliike, joka normaalien tilausten lisäksi tilaa työsuhdepyörän
2. konsulttiyritys, joka tilaa pyörän työntekijälle työsuhde-eduksi
3. konsulttiyritys, joka on aikaisemmin tilannut pyörät työsuhde-eduksi, mutta nyt tilaa merkkipäivälahjaksi

1. Kategoria vaatii poikkeavan oston tunnistamista massasta. → automaatio tunnistaa mikä ostos ei vastaa muita vastaavia ja nostaa tämän kirjanpitäjän käsittelyyn.

● Tätä tehdään jatkuvasti ja onnistuneesti, yleensä tällaiset tilanteet on mahdollista erottaa toisistaan

● Hankalaksi, tai jopa mahdottomaksi tulee tapaukset, jossa normaalista tilauksesta esim. yksi pyörä annetaan työsuhde-eduksi ja tästä löytyy informaationa vain kirjanpitäjälle lähetetty sähköpostiviesti

● Tällä hetkellä FabricAI:lla ei ole suoraa ratkaisua kehitettynä tai suunnitteilla tähän tilanteeseen.

2. Kategoria ei ole niin merkittävä, sillä hyvin rakennettu automaatio pystyy estämään aikaisemmasta aineistosta poikkeavien laskujen automaattisen käsittelyn matalalla varmuudella.

● Kyseessä ei ole poikkeama, jossa aikaisemmin on ostettu Coca-Colaa ja nyt Spriteä, vaan kokonaan uusi kategoria.

3. Kategoria on erittäin haastava, sillä tässä tilanteessa aineistosta löytyy todennäköisesti hyvin vastaavia tilauksia, joille on määritetty myös ALV-käsittely.

Ei löydy suoraa vastausta sen suhteen, että osaisiko älykäs automaatio estää kyseisen laskun käsittelyn.

Tähän varmasti vaikuttaa myös yrityksen muut tilaukset. Ja seikat, kuten:

• onko laskulla merkintää, josta selviäisi, että kyseessä on merkkipäivälahja?
• onko yritys aikaisemmin ostanut merkkipäivälahjoja?
• miten näiden merkkipäivälahjojen määrä suhteutuu pyörien tilaukseen?

Kysymyksiä ja ajatuksia herää siis monia ja aihe on ehdottomasti mielenkiintoinen. Kuitenkin näkemyksemme mukaan paras vastaus tilanteisiin on ihmisen ja automaation yhdistelmä.

Molempien työpanosta ja asiantuntijuutta tarvitaan, jotta paras mahdollinen työtulos on saavutettavissa.

Efima

Kaisa Nieminen, Efima 

Tiliöintiautomaation kolme menetelmää 

• Automatiikan ykkösvaihtoehto on ostotilaukset. Vanhan sisäisen tarkastajan sydäntä lämmittää, kun kontrolli on oikeassa paikassa: ennen tuotteen tai palvelun hankkimista. Niin upea kuin neljänsilmän-periaate ostolaskujen käsittelyssä onkin, niin se tulee liian myöhään. Taloushallinnon kannalta on lisäksi tiliöintityö jo tehty tilausvaiheessa – se kuinka oikein tuo tiliöinti on, onkin sitten toinen tarina.
• Ohjelmistojen automatiikasta nostaisin lisäksi sopimukset, joissa ensin hyväksytään reunaehdot (tunniste, toimittaja, frekvenssi, summa / maksimisumma) ja annetaan tiliöinti. Sen jälkeen sopimustunnisteella tulevat laskut kirjautuvat sopimuksen mukaisesti tai jos eivät sovi ehtoihin niin lähtevät automaattisesti kiertoon.
• Automatisoinnin järjestys on oikeasti tosi oleellinen ja järjestelmien standardiominaisuuksien käyttäminen kannattaa aina. Kannattaa siis tuntea oma järjestelmänsä.

Sopivasti rajattu tilikartta säästää aikaa ja parantaa laatua 

• Tästä kyllä samaa mieltä. Perustietojen laatua ja ajantasaisuutta ei voi liikaakorostaakun suunnitellaan automaatiota. 
• Lisäksi asiaa helpottaa, jos kaikilla konserniin kuuluvilla yrityksillä on sama tilikartta, näin saadaan kaikissa yrityksissä hyödynnettyä samaa aineistoa.
• Liiketoiminnan muutostilanteissa kannattaa luoda säännöstö, jolla saadaan hyödynnettyä vanhaakin aineistoa (esim. kustannuspaikalle 1234 kirjatut asiat kirjataan 1.4.2021 alkaen kustannuspaikalle 2234).

Inertiajyrsinyksikkö hintaan 48 000 euroa – vaihto-omaisuutta vai pysyvää vastaavaa? 

• Automatiikan hyödyntämisessä on useimmiten kaksi vaihtoehtoa: annetaan mennä ihan automaattisesti tai hyödynnetään automatiikkaa helpottamaan ihmisen työtä.
• Koneoppimisessa puhutaan luottamusväleistä. Käyttöönotossa kannattaa pohtia onko tiliöintiehdotus hyväksyttävissäautomaattisestijos se on 90 prosenttisesti oikein. Mekin olemme pohtineet, kannattaako hyödyntää niin sanottuja heikkoja ennusteita, esimerkiksi jos luottamusväli on alle 50 prosenttia. Tämä saattaa olla kiinni myös ostolaskujärjestelmästä. Oleellista on saada näkyviin tiliöinnin varmuus, jotta käsittelijä osaa suhtautua ehdotukseen. Jos ostolaskujärjestelmässä on helppoa muokata valmista tiliöintiriviä niin voisi olla järkevää ottaa heikotkin ennusteet. 

Ghost-maastopyörä 1 490 euroa plus – ja mihin käyttöön? 

Muita pointteja, joihin me Efimalla olemme kiinnittäneet huomiota. 

• Laskun tietosisältö vaikuttaa suoraan koneoppimisen tuloksiin. Skannatuista laskuista tietosisältö on yleensä heikko mutta koneoppiminen alkaa vähitellen oppia lukemaan laskun kuvalta lisätietoja. Tämä tulee parantamaan ennusteiden oikeellisuutta siellä missä vielä enemmän paperilaskuja liikkuu (esimerkiksi ulkomaiset toimittajat)
• Kirjauspäivän päätteleminen kauden vaihteessa sekä jaksotettavien laskujen tunnistaminen aiheuttaa automatiikassa päänvaivaa, näihin toki pätee myös oleellisuuden periaate.
• Erillisohjelmien käyttöönoton hyödyt kannattaa aina miettiä asiakaskohtaisesti. Mitkä ovat kertakustannukset (esimerkiksi liittymät, ohjelmistorobotiikan lisenssit, käyttöönotot) ja millaisia jatkuvia kustannuksia syntyy (kumppaneiden veloitukset, jatkuva kehittäminen). Toisaalta miten arvostamme työaikaa, jonka voimme kohdistaa poikkeustapauksien selvittämiseen ja toiminnan kehittämiseen. Millainen merkitys on sillä, että työntekijämme saavat mielekkäitä työtehtäviä.