Revisorer, bogholdere, økonomichefer i SMB'er
Hvor AI kan hjælpe i regnskabsarbejde
Bilagsarbejde indeholder flere forskellige opgaver. Dokumentudtræk kan finde dato, leverandør og beløb, mens et separat trin kan foreslå kontering. De bør ikke vurderes som én samlet, udokumenteret præcisionsprocent. En korrekt leverandør med et forkert beløb er stadig et alvorligt problem.
Mulige pilotopgaver er at udtrække felter til kontrol, finde manglende bilag og udarbejde kladde til en kundehenvendelse. En model kan også foreslå tekst til en månedsrapport ud fra kontrollerede tal. Beløb, afvigelser og faglige konklusioner skal kunne føres tilbage til grundlaget.
Historisk bogføring kan støtte forslag, men en medarbejders rettelse lærer ikke automatisk modellen noget varigt. Det kræver et bevidst feedbackflow med vurdering, eventuel ændring af regler eller træning og en ny test før brug.
Hvor den faglige kontrol skal være tydelig
Brug AI som støtte til et afgrænset arbejde, og lad ansvarlige fagpersoner kontrollere resultater med betydning for regnskab, indberetning og rådgivning. En velskrevet forklaring på moms eller skat er ikke tilstrækkelig dokumentation.
Ved komplicerede forhold skal gældende regler, klientens situation og det relevante materiale undersøges. Modellen bør kunne markere uklarheder frem for at udfylde dem med et gæt. En manglende fakturadato skal eksempelvis ikke blive til dags dato uden en dokumenteret regel.
Aftal hvilke resultater der kan indgå som udkast, hvilke der kræver ekstra kontrol, og hvilke opgaver piloten slet ikke omfatter. Det gør vurderingen konkret uden at foregive, at AI kan overtage revisors faglige ansvar.
Teknisk arkitektur — overdragelse til økonomisystemet
Sørg for en tydelig forbindelse til det økonomisystem, firmaet allerede bruger. Den kan bygges via en understøttet integration eller en kontrolleret import; brugerfladen behøver ikke nødvendigvis ligge inde i selve økonomisystemet.
Indlæsningen modtager bilaget og bevarer originalen. Udtrækstrinnet producerer felter med reference til det sted, de stammer fra. Validering kontrollerer eksempelvis datoformat, valuta, summer og dubletter, før et forslag oprettes som kladde.
Medarbejderen kan rette eller afvise forslaget. Registrér relevante versioner, kilde, ændring og godkendelse, så forløbet kan undersøges. Et modelgenereret begrundelsesafsnit er ikke adgang til modellens interne logik og kan ikke erstatte bilag eller kontrolspor.
Genforsøg må ikke skabe samme kladde to gange. Afprøv derfor dubletkontrol, afbrudte integrationer og afviste felter som en del af piloten.
Bogføringsloven og GDPR
Erhvervsstyrelsens vejledning beskriver krav om transaktionsspor fra registrering til regnskab og kontrolspor fra registrering til bilag. Det kræver dokumentation, der gør det muligt at efterprøve grundlaget. En AI-kladde med menneskelig godkendelse er et muligt kontrolgreb, men ikke i sig selv bevis for, at alle bogføringskrav er opfyldt.
Bilag kan indeholde personoplysninger. Afklar formål, behandlingsgrundlag, roller og leverandørvilkår, og send kun nødvendige oplysninger videre. En databehandleraftale skal passe til en faktisk databehandlerkonstruktion.
EU-lagring eller egen drift er ikke en samlet GDPR-garanti. Undersøg også supportadgang, logs, underleverandører og opbevaring. Opbevaringskrav for regnskabsmateriale skal vurderes sammen med sletteprocedurer, så en generel oprydning ikke fjerner nødvendigt materiale.

Pilot med målbar kvalitet
Vælg én bilagstype eller en anden afgrænset opgave. Afklar databrug, adgang og ansvar, og saml et repræsentativt testsæt med både tydelige og vanskelige eksempler. Test gerne uden skriveadgang til økonomisystemet først.
Sammenlign med den eksisterende proces. Mål korrekthed pr. felt, fejl der slipper igennem kontrollen, afviste forslag og den samlede tid inklusive review og fejlretning. En hurtig model er ikke nødvendigvis en hurtigere arbejdsproces.
Udvid først, når de aftalte kvalitetskriterier er opfyldt, og medarbejderne kan håndtere undtagelserne. Nye klienter og bilagstyper kan kræve nye tests. Der er ikke dokumentation her for et bestemt tidsbesparelsesniveau eller en fast udrulning over et bestemt antal måneder.
Brug de målte resultater til at beslutte, om næste skridt er bedre udtræk, en integration eller mere omfattende automatisering.
Læs videre ved kilden.
Vores beslutningsmodeller er rådgivning fra Mosel Studio. Tekniske fakta og rammer understøttes af kilderne her.
- Google Cloud: Document AI
Dokumentbehandling og udtræk som tekniske muligheder, ikke kundespecifikke resultater.
- Anthropic: Demystifying evals for AI agents
Tests, fejltyper og vurdering af opgaveløsning.
- OpenAI: Using tools
Adskil modelanmodning fra udført systemhandling.
- Erhvervsstyrelsen: Vejledning om bogføringsloven
Transaktionsspor, kontrolspor og opbevaring.
- Datatilsynet: Dataansvarlig og databehandler
Databehandlerrolle afhænger af den faktiske behandling.
- Datatilsynet: Behandlingsgrundlag
Lovligt grundlag for persondatabehandling.
- Datatilsynet: Cloud og tredjelandsoverførsler
Overførsler og sikkerhed kræver mere end regionsvalg.
- Datatilsynet: Personoplysninger som testdata
Databeskyttelse gælder også pilot- og testdata.




