AI for revisorer og bogholdere
Revisor- og bogholderbranchen i Danmark er presset fra flere sider på én gang: det er svært at rekruttere erfarne folk, kundeporteføljerne vokser, og bogføringslovens krav om digital bogføring har gjort papirvanerne uholdbare. Samtidig presser billige online-bogholdere timeprisen på netop det rutinearbejde — kontering, afstemninger, bilagsjagt — der fylder mest i hverdagen. Resultatet er velkendt: spidsbelastning fra januar til juni, overarbejde som norm og for lidt tid til den rådgivning, klienterne faktisk vil betale for.
AI ændrer ikke faget, men den ændrer fordelingen af arbejdet. Moderne sprogmodeller læser bilag, foreslår konteringer ud fra klientens egen historik, afstemmer bank mod bogføring og skriver første udkast til perioderapportens ledelseskommentar — det manuelle forarbejde der før åd 80% af tiden. Kontorer der lægger AI ind i deres flow, sparer typisk 30-50% af tiden på bilagsbehandling og løfter samtidig kvaliteten, fordi maskinen er konsistent og aldrig springer et tjek over klokken 17 en fredag.
Nøglen er rollefordelingen: AI er assistenten, aldrig beslutningstageren. Et menneske godkender hver postering, hver risikovurdering og hver rapport, og et komplet audit-trail dokumenterer hvem — eller hvad — der har gjort hvad. Det er ikke bare god skik; det er fuldt foreneligt med bogføringslovens krav om transaktions- og kontrolspor.
Vores tilgang er at bygge småt og måle: én use case, én pilot-klient, målbar effekt — og først derefter skalere til hele porteføljen. Vi bygger ovenpå jeres eksisterende økonomisystem, ikke ved siden af det.
Kender du det her?
Januar til juni er én lang spidsbelastning: årsregnskaber, selvangivelser og momsfrister lander oven i hinanden, og overarbejde er blevet normen i stedet for undtagelsen.
Klienterne afleverer bilag i sidste øjeblik — i mails, MobilePay-skærmbilleder og plastiklommer — og hver måned går der timer med at rykke for de sidste ti bilag, før perioden kan lukkes.
Det er næsten umuligt at rekruttere erfarne revisorer og bogholdere, og de dygtige folk I har, bruger halvdelen af tiden på rutinekontering i stedet for rådgivning.
Timeprisen er under pres fra billige online-bogholdere, men rutinearbejdet tager stadig lige lang tid — så marginen på de små kunder skrumper år for år.
Hvidvasklovens kundekendskabsprocedurer og risikovurderinger skal være på plads og ajourført for hver eneste kunde, men det administrative arbejde vokser, og ingen kan fakturere det fuldt ud.
Indbakken flyder med de samme klientspørgsmål — "kan jeg trække det fra?", "hvornår er momsfristen?" — og hver afbrydelse koster koncentration på det fakturerbare arbejde.
Løsninger vi bygger til branchen
Gennemtænkte, konkrete løsninger — fra problem til hvordan de bygges og hvad de typisk flytter.
Bilagsmotoren: fra kvittering til kontering på sekunder
Problemet
Bilag kommer ind ad alle kanaler — mail, foto, upload, krøllede kvitteringer — og hvert enkelt skal læses, tolkes og konteres manuelt. Det er lavmargin-arbejde som klienterne ikke vil betale fuld timepris for, men som stadig æder en stor del af ugen for både juniorer og seniorer.
Løsningen
Vi bygger en bilagsmotor der modtager bilag via en dedikeret mail-indbakke, upload eller mobilfoto, læser dem med OCR og sprogmodel og udtrækker beløb, dato, leverandør, valuta og momssats. Motoren lærer hver klients kontoplan og konteringshistorik, så den foreslår konto og momskode med en sikkerhedsscore. Bilag med høj sikkerhed ligger klar til godkendelse med ét klik; tvivlstilfælde markeres tydeligt til manuel behandling. Alt bogføres direkte i jeres økonomisystem med komplet transaktionsspor, så I altid kan dokumentere hvem der godkendte hvad. Hverdagen ændrer sig fra at taste bilag til at gennemgå en færdig kø med forslag.
Sådan bygges den: OCR + Claude med few-shot-eksempler fra klientens egen konteringshistorik, integreret med e-conomic, Dinero, Billy eller Uniconta via API. Godkendelses-kø og audit-log i en enkel webapp, som I selv administrerer.
📈 Typisk 30-60% hurtigere bilagsbehandling og markant færre konteringsfejl — og juniorer bliver produktive fra dag ét, fordi klientens konteringspraksis ligger i forslagene.
Bilagsjægeren: slut med at rykke klienter manuelt
Problemet
Måneden kan ikke lukkes, før de sidste bilag er i hus — og det er altid de samme klienter, der mangler de samme typer bilag. Hver bogholder bruger timer på at skrive rykkermails og holde regneark over, hvad der mangler hos hvem.
Løsningen
En løsning vi bygger til branchen: AI afstemmer løbende bankposteringerne mod bogføringen og finder de posteringer, der mangler bilag. I stedet for en generisk rykker får klienten én samlet, venlig besked med de konkrete linjer — "Hvad dækker betalingen på 1.240 kr til Circle K den 14/3?" — og kan svare direkte med et foto eller en kort forklaring. Bilaget matches automatisk til posteringen og sendes videre til konteringsflowet. Et dashboard viser jer, hvilke klienter der mangler hvad, og hvor langt hver periode er fra at kunne lukkes. Ingen app klienten skal installere — bare et link.
Sådan bygges den: Bankdata via økonomisystemets bankafstemning + Claude til matching og formulering af påmindelser; sikker upload-side pr. klient med logning. Påmindelses-kadence og tone sætter I selv.
📈 Typisk halveret tid på bilagsjagt og hurtigere månedsluk — og mindre friktion i klientforholdet, fordi påmindelserne bliver konkrete i stedet for bebrejdende.
Perioderapporter der skriver første udkast selv
Problemet
Klienterne betaler ikke for tal — de betaler for at forstå dem. Men når saldobalancen endelig er afstemt, er der sjældent tid til at skrive den gode ledelseskommentar, så perioderapporten ender som rå tal uden fortælling, og rådgivningsværdien går tabt.
Løsningen
Vi bygger et rapportflow der trækker saldobalance og nøgletal direkte fra økonomisystemet, sammenligner med budget og samme periode sidste år og skriver et udkast til ledelseskommentar: udvikling i omsætning og dækningsgrad, likviditetsbevægelser og de afvigelser der kræver handling. Revisor redigerer og godkender — AI skriver aldrig direkte til klienten. Rapporten leveres brandet i jeres design, klar til at sende eller gennemgå på et møde. Det der før var en pligt, bliver et rådgivningsprodukt med fast kadence.
Sådan bygges den: API-træk fra økonomisystemet + Claude med jeres rapportskabelon og tone-of-voice; output som PDF eller web-rapport med jeres logo. Obligatorisk godkendelsestrin før noget forlader huset.
📈 Typisk 5-10× hurtigere rapportproduktion — og en perioderapport I kan tage jer betalt for, i stedet for en post der bliver skåret væk når tiden er knap.
KYC-assistenten: hvidvask-dokumentation uden papirnusseri
Problemet
Hvidvaskloven kræver kundekendskabsprocedurer, risikovurdering og løbende ajourføring for hver eneste kunde — og dokumentationen skal kunne fremvises ved tilsyn og kvalitetskontrol. I dag er det spredte PDF-filer, manuelle CVR-opslag og en nagende fornemmelse af, at der nok mangler noget et sted.
Løsningen
Sådan bygger vi den: et onboarding-flow hvor I indtaster et CVR-nummer, hvorefter AI henter virksomhedsdata, reelle ejere og tegningsregler, screener mod PEP- og sanktionslister og indsamler ID-dokumentation fra kunden via en sikker portal. Systemet laver et udkast til risikovurdering efter jeres egen hvidvaskpolitik — lav, mellem eller høj risiko med begrundelse — som den hvidvaskansvarlige godkender. Automatiske påmindelser når kundekendskabet skal ajourføres, og al dokumentation samlet ét sted i en pakke, der er klar når tilsynet banker på.
Sådan bygges den: CVR-API + screening mod PEP- og sanktionslister + Claude til udkast af risikovurderinger efter jeres politik; sikker dokumentportal med kryptering og adgangslog. Den ansvarlige godkender altid selv.
📈 Typisk 60-80% mindre administrativ tid pr. onboarding — og en komplet, ensartet dokumentationspakke i stedet for spredte mapper.
Flere use cases
Moms- og afgiftstjek før indberetning
AI gennemgår periodens posteringer før momsangivelsen: bilag hvor momsen er forkert specificeret, mistænkelige satser, repræsentation med fuldt fradrag og risiko for dobbelt momsfradrag.
📈 Færre fejl i kvartalets momsindberetning og markant mindre stress op til fristen.
Bankafstemning på autopilot
AI matcher bankposteringer mod bogføringen, markerer differencer og foreslår modposter — kun undtagelserne kræver et menneske.
📈 Afstemninger der tog timer, klares på minutter — og differencer opdages løbende i stedet for ved månedsluk.
Årsafslutnings-gennemgang af saldobalancen
Før årsregnskabet gennemgår AI saldobalancen for de klassiske fejlkilder: mellemregninger, manglende periodiseringer, afskrivninger og poster der afviger markant fra sidste år — og laver en prioriteret liste af mulige efterposteringer.
📈 Færre fejl der opdages sent i regnskabssæsonen, og en mere jævn arbejdsbelastning fra januar til juni.
Klient-kommunikation i jeres tone
Udkast til standard-mails: rykker for bilag, kvartalsopdatering, anmodning om materiale til årsregnskabet — formuleret i jeres tone og klar til at sende.
📈 Mindre administrativ tid pr. klient giver plads til flere klienter eller dybere rådgivning.
Faglig opslagsassistent med kildehenvisning
Intern assistent der svarer på tvivlsspørgsmål med kildehenvisning ud fra momsvejledningen, bogføringsloven og jeres egne faglige notater — i stedet for at alle afbryder den fagligt ansvarlige.
📈 Hurtigere afklaring af tvivlsspørgsmål og mere ensartede svar på tværs af kontoret.
Compliance-tjek mod bogføringsloven
AI tjekker om bilag opfylder kravene til indhold og dokumentation, før de bogføres — og flager huller i transaktions- og kontrolsporet, mens de stadig er nemme at lukke.
📈 Færre overraskelser ved revision og kvalitetskontrol. Bedre nattero.
ROI og forventninger
Realistisk besparelse for et typisk kontor: 30-50% mindre tid på bilagshåndtering og kontering. For et firma med 100 klienter á 50 bilag om måneden — 5.000 bilag — betyder 2-3 minutter sparet pr. bilag 150-250 frigjorte timer hver måned, svarende til 1-2 fuldtidsroller. Dertil kommer hurtigere månedsluk, mindre bilagsjagt og perioderapporter der kan faktureres som rådgivning i stedet for at blive skåret fra. AI-driften koster typisk 1.000-3.000 kr om måneden i LLM-forbrug for et mellemstort kontor, så tilbagebetalingen ligger typisk på 2-4 måneder — afhængigt af hvor manuelt jeres nuværende flow er, og hvor mange klienter I ruller løsningen ud til.
Hvor man starter
- Vælg én use case (typisk bilagsbehandling) og én pilot-klient — helst en med mange ensartede bilag, så effekten er nem at måle
- Integrér med jeres eksisterende økonomisystem (e-conomic, Dinero, Billy, Uniconta) — byg aldrig en parallel bogføring
- Behold mennesket i loop'et: AI laver kladder og forslag, bogholder eller revisor godkender hver postering
- Byg audit-trail fra dag ét, så I kan dokumentere præcis hvor AI har bidraget, hvis Skattestyrelsen eller kvalitetskontrollen spørger
Compliance og data
Bogføringsloven kræver et komplet transaktions- og kontrolspor og digital opbevaring af bilag i 5 år — det taler direkte for strukturerede, AI-understøttede flows frem for manuelle mapper, men endelige posteringer skal godkendes af et menneske, og det bygger vi ind som et fast trin. Hvidvaskloven pålægger revisorer og bogholdere kundekendskabsprocedurer, risikovurdering og underretningspligt; AI kan forberede dokumentationen, men vurderingen og ansvaret ligger hos jer. Godkendte revisorer er desuden underlagt revisorlovens tavshedspligt og uafhængighedsregler — derfor kører alle LLM-kald via EU-region med databehandleraftale, og jeres klientdata bruges aldrig til at træne modeller. GDPR gælder naturligvis for alle personhenførbare oplysninger i bilag og lønmateriale.
Ofte stillede spørgsmål
Hvad koster sådan en løsning?
Det afhænger af omfanget: en afgrænset pilot — fx bilagsmotoren for én klientgruppe — ligger i den lave ende, en fuld integration på tværs af porteføljen i den høje. Se de konkrete rammer på /priser. Dertil kommer et løbende LLM-forbrug på typisk 1.000-3.000 kr om måneden for et mellemstort kontor. Vi starter altid småt, så I kan se effekten på egne tal, før I skalerer.
Må vi overhovedet sende klienters regnskabsdata gennem en AI-model?
Ja — når det gøres rigtigt. Vi bruger LLM-udbydere med EU-region og databehandleraftale, jeres data bruges aldrig til modeltræning, og al adgang logges. Opsætningen dokumenteres, så I kan svare klart og konkret, hvis en klient eller tilsynet spørger, hvordan data behandles. Det er samme disciplin som med ethvert andet databehandler-forhold — bare tænkt ind fra starten.
Vi kører e-conomic i dag — skal vi skifte system?
Nej. Vi bygger ovenpå jeres eksisterende økonomisystem via dets API, uanset om det er e-conomic, Dinero, Billy eller Uniconta. AI-laget læser data og foreslår posteringer; selve bogføringen bliver ved med at ligge, hvor den ligger i dag. Skifter I system senere, flytter AI-laget med.
Hvem har ansvaret, hvis AI konterer forkert?
Det har I — præcis som når en junior konterer forkert. Derfor er alt bygget med menneske-i-loop: AI foreslår med en sikkerhedsscore, et menneske godkender, og audit-trailen viser hvem der godkendte hvad og hvornår. I praksis falder fejlraten typisk, fordi maskinen er konsistent, følger klientens konteringspraksis og aldrig konterer i træthed en sen aften i marts.
Erstatter det vores medarbejdere?
Nej — i en branche der mangler folk, handler det om at flytte de medarbejdere I har, fra rutine til rådgivning. Konteringen bliver hurtigere; samtalen med klienten om tallene bliver der mere tid til. De kontorer der får mest ud af AI, bruger typisk de frigjorte timer på flere kunder, hurtigere levering eller dybere rådgivning — ikke på færre ansatte.
Relaterede guides
AI til revisorer og bogholdere — konkret guide til at automatisere det tunge
Praktisk guide til hvordan revisorer og bogholdere kan bruge AI til at automatisere bilagsbogføring, analyse, og rapportering — uden at miste kontrol eller compliance.
GDPR-kompatibel AI i danske SMB'er — det du faktisk skal have styr på
Praktisk guide til at implementere AI i en dansk virksomhed uden at krænke GDPR. EU AI Act, databehandleraftaler, EU-regioner, anonymisering — det hele her.
Sådan bygger du et RAG-system fra bunden — komplet teknisk guide
Detaljeret teknisk guide til at bygge Retrieval-Augmented Generation: arkitektur, valg af komponenter, chunking-strategier, evaluation, og almindelige fælder.