Hvor AI faktisk hjælper i regnskabsarbejde
Det danske revisor- og bogholderfag er fyldt med opgaver der kombinerer tre ting: stor volumen, gentaget mønster, og tidligere behov for manuel håndtering. Det er præcis hvor AI er stærk.
Top use cases vi ser hos vores kunder:
Bilags-ekstraktion: OCR + LLM kan læse en kvittering, faktura eller bilag og udtrække beløb, dato, leverandør, momssats og foreslå konto. Moderne modeller (Claude, Gemini) gør det med 90%+ accuracy.
Auto-kategorisering: baseret på leverandør og historisk bogføring foreslår modellen hvilken konto bilaget skal posteres på. Lærer over tid hvis revisor retter.
Momstjek: identificer bilag hvor moms ikke er specificeret korrekt eller hvor satsen virker mistænkelig.
Klient-kommunikation: udkast til standard-emails (rykker, anmodning om manglende bilag, kvartals-update).
Rapport-narrativer: månedsrapportens skriftlige analyse kan modellen lave et udkast af baseret på tallene — revisor finjusterer.
Hvor AI IKKE skal bruges (endnu)
Ikke alt er moden til AI. Områder vi anbefaler menneskelig håndtering for nu:
Årsrapport og påtegninger. Det er juridisk dokument med revisors ansvar — modellen kan lave udkast men ingen automation.
Komplekse skattevurderinger og frister. Reglerne ændrer sig, AI kan være forældet uden at vide det.
Final review af regnskabet før indberetning. Mennesket har det endelige ansvar — AI er en assistent, ikke en revisor.
Klient-rådgivning på strategiske emner. AI kan lave kalkulationer og baggrundsmateriale, men rådgivning er en menneskelig relation.
Teknisk arkitektur — integreret med jeres økonomisystem
Den vigtigste designbeslutning: byg ikke separate AI-værktøjer der lever uden for jeres økonomisystem. Bygges som integration der lever inden i e-conomic, Dinero, Billy, Visma, eller hvad I bruger.
Ingestion: bilag kommer ind via email, scanning eller upload. AI læser dem og udtrækker felter.
Forslag-fase: modellen foreslår posteringer i økonomisystemet — men gemmer dem som "kladder", ikke endelige posteringer.
Godkendelse: revisor reviewer kladderne i et batch-interface. Klik godkend eller ret.
Læring: hver rettelse bliver feedback til systemet — over tid lærer det jeres specifikke kunders mønstre.
Audit-trail: alle AI-beslutninger logges. Hvis Skat spørger hvorfor noget er posteret på en konto, kan revisor altid se den underliggende logik.
Compliance — bogføringsloven og GDPR
To regulatoriske hovedkrav:
Bogføringsloven kræver at posteringer er sporbare, dateret og uændrede efter de er bogført. Det er forenligt med AI — så længe AI laver kladder der efterfølgende godkendes af et menneske, og audit-trail vises hvor AI har bidraget.
GDPR: bilag indeholder typisk personhenførbare oplysninger (medarbejdere, kunder, leverandører). Hvis I sender dem til en LLM, gælder reglerne om databehandleraftale og dataminimering. Bed jeres LLM-udbyder om en EU-region. Anonymiser personhenførbar data der ikke er relevant for bogføringen.
For særligt følsomme klienter (advokater, sundhedssektoren) skal I overveje om data overhovedet må forlade EU eller jeres egen infrastruktur — i så fald er self-hosted Llama en mulighed.
Implementerings-roadmap for et revisor-firma
En realistisk plan for en revisor med 50-200 klienter:
Måned 1-2: vælg én use case (typisk bilags-ekstraktion). Vælg én klient som pilot. Vælg et værktøj — enten en eksisterende løsning som Dext, Roger, eller byg integration mod jeres økonomisystem.
Måned 3: udvid til 5-10 klienter. Mål tidsbesparelse. Lyt til revisorernes feedback.
Måned 4-6: udvid til 30+ klienter. Tilføj næste use case (fx auto-kategorisering eller momstjek).
Måned 7+: integrer dybere i workflow. Vurder ROI. Træn alle revisorerne i hvordan AI bedst bruges.
Realistisk besparelse: vi ser typisk 30-50% tidsreduktion på bilags-håndtering når implementering er moden. Det er ikke "AI gør det hele" — det er "AI laver første draft, mennesket reviewer 10x hurtigere".