VolgendeVolgende gids
AI voor SBAR Shift Handoff-rapporten
Toepassingen
ToepassingenGIDS
AI-audit van onkostendeclaraties maakt gebruik van modellen voor het lezen van documenten, beleidsregels en afwijkingsdetectie om onkostendeclaraties van werknemers te controleren: het leest bonnen, vergelijkt deze met kaarttransacties en het bedrijfsbeleid, en markeert claims die dubbel lijken, buiten het beleid vallen of verzonnen zijn.
Luister naar deze gidsAI-verteld · ~3 min
Het is belangrijk omdat traditionele audits slechts een steekproef van rapporten beoordeelden, en overtuigende valse bonnen nu eenvoudig te produceren zijn met beeldgeneratoren.
Een AI-onkostenaudit begint met het lezen van elke bon. Modellen extraheren de verkoper, de datum, het bedrag, de belasting, de valuta en, voor documenten zoals hotelfolio's, individuele regelitems. Het systeem bevestigt vervolgens de bewering: bestaat er een overeenkomende bedrijfskaarttransactie, past de datum in het reisschema van de werknemer en past het bedrag in de daglimieten voor die stad? Beleidsregels controleren zaken als alcohol, reisklasse, weekenduitgaven en ontbrekende namen van bezoekers. Machine learning voegt risicoscores toe, waarbij uitgaven worden vergeleken met werknemers in dezelfde rol en locatie om ongebruikelijke patronen te ontdekken. Producten op dit gebied zijn onder meer AppZen, de auditdiensten van SAP Concur, Expensify, Ramp, Brex, Navan en Emburse. De grote verandering ten opzichte van de traditionele praktijk is de dekking. Handmatige auditteams onderzochten doorgaans een klein deel van de rapporten; software kan elk rapport beoordelen en alleen de gemarkeerde rapporten naar mensen sturen. Valse bonnen zijn een oud probleem, aangezien bonnensjablonen al lang online beschikbaar zijn, maar beeldgeneratoren die realistische tekst weergeven, maken de fabricage eenvoudiger. Visuele inspectie en AI-beelddetectoren zijn onbetrouwbaar tegen goed gemaakte vervalsingen. Sommige generatoren voegen metagegevens over de herkomst toe, zoals inloggegevens voor C2PA-inhoud, maar die metagegevens kunnen eenvoudig worden verwijderd door een screenshot te maken of het bestand opnieuw op te slaan. De sterkste verdediging is bevestiging met onafhankelijke gegevens, vooral de bedrijfskaartfeed, plus consistentiecontroles: belastingberekeningen, of de handelaar bestaat, of de lay-out overeenkomt met de echte bonnen van die handelaar, en of de timing past bij de reis. Een veel voorkomende misvatting is dat een detector op betrouwbare wijze kan bepalen of een ontvangstbewijs door AI is gegenereerd. Een andere is dat een vlag wangedrag bewijst. Vlaggen zijn prompts voor beoordeling en velen hebben onschuldige verklaringen, zoals een kwijtgeraakt ontvangstbewijs of een verkoper met een ongebruikelijke factuurnaam.
Twee collega's dienen elk dezelfde dinerbon van $ 186 in afzonderlijke rapporten in. Duplicaatdetectie door meerdere medewerkers komt overeen met de afbeelding en de geëxtraheerde verkoper, de datum en het totaal, en leidt beide claims ter beoordeling door.
Een hotelfolio omvat kosten voor de minibar en films op de kamer die niet worden vergoed door de verzekering. Door het extraheren van regelitems worden deze kosten geïdentificeerd en het systeem stelt voor alleen de kamer en belastingen terug te betalen.
Een kassabon voor een contante taxi heeft geen overeenkomende kaarttransactie, de belasting komt niet overeen met het lokale tarief en het adres van de verkoper kan niet worden gevonden. De claim gaat naar een beoordelaar, die de werknemer om ondersteunend bewijsmateriaal vraagt.
Een kilometerclaim vermeldt 140 mijl voor een klantbezoek, terwijl een kaartschatting op ongeveer 90 mijl heen en terug uitgaat, dus het systeem markeert het verschil voor de goedkeurder.
Naarmate er meer geld wordt uitgegeven aan zakelijke en virtuele kaarten met gespecificeerde gegevens van verkopers, zullen minder claims alleen afhankelijk zijn van afbeeldingen van bonnen, waardoor er minder ruimte is voor verzonnen documenten. Standaarden voor de herkomst van inhoud, zoals C2PA, zouden kunnen helpen als camera's, apps en generatoren deze breed adopteren en de metadata het delen overleeft, maar dat is nog niet de norm. Onkostenplatforms zullen waarschijnlijk controles blijven toevoegen die claims vergelijken met onafhankelijke gegevens zoals boekingen en reisroutes. Het praktische evenwicht blijft bestaan tussen het opsporen van misbruik en het vermijden van een beoordelingslast die eerlijke werknemers frustreert.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
AI-audit van onkostendeclaraties maakt gebruik van modellen voor het lezen van documenten, beleidsregels en afwijkingsdetectie om onkostendeclaraties van werknemers te controleren: het leest bonnen, vergelijkt deze met kaarttransacties en het bedrijfsbeleid, en markeert claims die dubbel lijken, buiten het beleid vallen of verzonnen zijn. Het is belangrijk omdat traditionele audits slechts een steekproef van rapporten beoordeelden, en overtuigende valse bonnen nu eenvoudig te produceren zijn met beeldgeneratoren.
Detectoren en visuele inspectie zijn onbetrouwbaar tegen goede vervalsingen, terwijl een onafhankelijke kaarttransactie wel of niet bestaat.
Metagegevens reizen met het bestand mee, dus een screenshot of opnieuw opslaan kan het verwijderen, en niet alle generatoren voegen het toe.
Perceptuele hashes blijven vergelijkbaar bij gewassen, rotaties en nieuwe foto's, en worden gecombineerd met een vage matching van geëxtraheerde velden tussen werknemers.
Door de afzonderlijke regels op het folio te lezen, kunnen beleidsregels op specifieke kosten inwerken in plaats van op het hele totaal.
Handmatige teams proefden doorgaans een klein deel van de rapporten; software kan ze allemaal controleren.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI voor SBAR Shift Handoff-rapporten
Toepassingen