AI og Machine Learning i cloud Business Central

Business Central har haft machine learning indbygget længe før Copilot blev et salgsord. Lagerprognoser og forudsigelse af sene betalinger har været der i årevis. Det nye er generativ AI oven på: afstemning, matchning af fakturalinjer og agenter, der læser indbakken.

Her er, hvad der virker i dag, hvad det kræver af jeres data, og hvor vi stadig vil have et menneske til at kigge med.

AI- og ML-fordelen i Cloud Business Central

Det kører i Azure — ikke på jeres server

Modellerne bag prognoser og Copilot kører i Microsofts Azure-tjenester. Det er grunden til, at funktionerne kun findes i Business Central online. Kører I on-prem, får I dem ikke.

Indbygget i standarden

Sales and Inventory Forecast, Late Payment Prediction og pengestrømsprognosen er Microsoft-extensions, der kan slås til uden udvikling. Copilot-funktionerne aktiveres på siden Copilot & agent capabilities. Nogle er stadig preview og fungerer bedst på engelsk, så test dem på jeres egne data, før I lover noget internt.

Data skal være i orden først

Ingen model redder dårlige stamdata. En lagerprognose på varer, der er oprettet tre gange med forskellige varenumre, er værdiløs. Det samme gælder betalingsforudsigelse på kunder, hvor halvdelen af betalingerne er udlignet manuelt på forkerte poster. Oprydning er altid første skridt.

Organisationer der implementerer AI/ML med deres cloud Business Central ser i gennemsnit 18% forbedring i prognosenøjagtighed og 23% reduktion i manuelle databehandlingsopgaver det første år.

Praktiske AI-anvendelser

Prædiktiv lagerstyring

• Sales and Inventory Forecast bruger salgshistorik til at forudsige salg og forventede udsolgte varer per vare
• Jo længere og renere salgshistorik, jo bedre — nye varer og sæsonvarer med kort historik giver usikre prognoser
• Kan danne grundlag for indkøbsforslag, men erstatter ikke genbestillingspunkter og sikkerhedslager i planlægningen
• Power BI-appen til lager har en prognoserapport, hvis I hellere vil se det visuelt

Intelligent likviditetsprognose

• Late Payment Prediction scorer åbne fakturaer og markerer dem, der sandsynligvis betales for sent
• Pengestrømsprognosen kan bruge Azure AI til at medtage forventede ind- og udbetalinger
• Begge bliver bedre, jo mere konsekvent I udligner betalinger på de rigtige poster
• Brug det til at prioritere rykkere — ikke til at spærre kunder automatisk

Automatiseret dokumentbehandling

• OIOUBL- og Peppol-fakturaer via NemHandel kræver ingen OCR — data kommer struktureret ind
• PDF-fakturaer fra mail tolkes af Payables Agent eller Continia Document Capture
• Copilot kan matche e-fakturalinjer mod åbne købsordrer og foreslå finanskonti til linjer uden match
• Godkendelsesflow bør stadig stå før bogføring — AI foreslår, en person godkender

Vores erfaring: Continia Document Capture er stadig det mest modne valg til danske virksomheder med mange leverandører og godkendelsesregler. Microsofts egne agenter rykker hurtigt, så det er værd at teste dem på jeres egne fakturaer, før I vælger.

Anomalidetektion i finansielle transaktioner

• Copilot i bankafstemningen foreslår match mellem kontoudtog og poster og foreslår konti til de linjer, der ikke matcher
• Feltovervågning sender en mail, når nogen ændrer fx en leverandørs bankkonto — det fanger mere svindel end nogen model
• Ændringslog på kritiske felter giver revisor et spor at følge
• Dobbeltfakturaer fanges bedst af bilagsnummerkontrol i Document Capture eller standardens kontrol af eksternt bilagsnummer

Implementeringstilgange

Start med det, der allerede er i standarden: slå Sales and Inventory Forecast, Late Payment Prediction og Copilot-bankafstemning til i en sandbox, og kør dem på jeres egne data i en måned. Det koster næsten ingenting og viser hurtigt, om jeres data kan bære det.

Næste skridt er AppSource-apps til fx dokumentbehandling. Egenudvikling giver først mening, når I har et konkret problem, standarden ikke løser — fx en prisberegning eller en prognose, der skal tage højde for noget branchespecifikt. Så bygger vi det i AL, eventuelt med en Azure Function bag.