Manuell godkjenning av utlegg er et tidssluk
I mange selskaper tar godkjenningskøen i Tripletex opptil en time hver morgen. Ikke fordi utleggene er vanskelige, men fordi de er monotone, mange, og krever oppmerksomhet fra noen som egentlig skulle holdt på med andre arbeidsoppgaver.
Vi har bygd en agent som leser kvitteringene, sjekker dem mot deres regler, og godkjenner det rutinemessige automatisk. Det som faktisk krever skjønn havner i Teams eller Slack med kontekst, begrunnelse og direkte lenke til utlegget.
Live demo · pris per engasjement
Tid er penger
Et konsulentselskap på 80 personer leverer fort 150-200 utlegg i uka. Hvert utlegg må godkjennes, ofte av en controller eller regnskapssjef, som åpner det, sjekker kvitteringen mot avtalen, vurderer om kategori og beløp gir mening, og trykker godkjenn.
Et godt utlegg tar to-tre minutter. Et som ikke matcher kan ta ti. Det blir fort en time eller mer hver morgen. I byggvarebransjen og prosjektorganisasjoner er volumet enda høyere, fordi hver montør, formann og prosjektleder har egne kvitteringer.
Resultatet er at den som har best forutsetninger for å se mønstre i tallene bruker morgenen på rutinearbeid en agent kunne gjort raskere og bedre.
Hvorfor det skjer
Tripletex har integrasjoner. AI er ikke ett av dem.
Tripletex har bygd en solid plattform med åpen API. Du kan hente og endre nesten alt programmatisk. Men de bygger ikke AI-agenter inn i produktet, det er ikke deres rolle, og det er en sunn avgrensning.
Resultatet er at de fleste Tripletex-kunder enten lever med manuell godkjenning, eller bruker AI-løsninger som ikke snakker med Tripletex i det hele tatt. Da blir det noen som sitter og kopierer data frem og tilbake. Verken særlig effektivt eller særlig trygt.
Det vi har gjort er det innlysende: bygd en agent som lever utenfor Tripletex, kaller API-et direkte, og holder samme eller bedre audit-spor som controlleren ville gjort manuelt.
Slik fungerer agenten
Tre steg. Det deterministiske bærer det tunge. LLM-en kommer kun inn på gråsoner, og svarer kun på smale, skjema-validerte spørsmål.
Kjører hver virkedag tidlig morgen. Autentisert mot Tripletex med deres egen tilgangsnøkkel. Plukker opp alle relevante utlegg, ingenting annet røres.
Kvitteringen leses som bilde: leverandør, beløp og linjeartikler hentes ut og matches mot det som er ført. Reglene sjekkes deterministisk. LLM-en kommer kun inn på gråsoner og svarer kun på smale, skjema-validerte spørsmål.
Det rutinemessige godkjennes direkte i Tripletex. Alt som trenger skjønn, uvanlig beløp, kvittering som ikke matcher, manglende vedlegg, havner i en samlet morgenrapport i Teams/Slack med kontekst og begrunnelse.
Hva ligger i løsningen
Kontrollert bruk av AI i regnskapssystemet.
- Beslutninger
- Agenten godkjenner kun det som matcher klare, deterministiske regler. Alt med skjønnselementer som uvanlige beløp, manglende vedlegg eller kategori-mismatch går til menneskelig vurdering.
- Sikkerhetsnett
- Agenten har innebygde grenser den ikke kan overstyre selv: en hard øvre beløpsgrense per utlegg, og en automatisk stopp hvis den godkjenner uvanlig mange eller uvanlig høyt beløp i én kjøring. Tersklene settes av dere og kan justeres uten kodeendring.
- Kvitteringsmatch
- Agenten leser kvitteringen, ikke bare metadataene i utlegget. Hvis beløpet ikke stemmer, eller kvitteringen viser noe annet enn det som er kategorisert, blir det flagget. Det er typen feil et travelt menneske typisk overser.
- Regler på deres språk
- Deres godkjenningspolicy skrives på vanlig norsk, ikke som kode. "Alkohol til lunsj med kunde er greit, ikke ellers" funker direkte. Endringer i policyen krever ikke ny utrulling.
- Sporbarhet
- Hver beslutning loggføres, også dem som ble gjort av LLM-en på en gråsone. Hvis Tripletex svarer uklart, for eksempel ved nettverksfeil eller timeout, markeres utlegget som "uavklart" i morgenrapporten i stedet for å forsvinne stille. Audit kan alltid spore hvorfor hver godkjenning skjedde, og hva som ikke ble fullført.
- Sikkerhet
- Tilganger styres via Tripletex eget API. Agenten skriver aldri til andre systemer enn det den har spesifikk approve-tilgang til. Fritekst fra ansatte og kvitteringer er beskyttet mot prompt injection: instruksjoner og data holdes adskilt, og mistenkelig innhold eskaleres automatisk uten at språkmodellen ser det.
- Ingen lock-in
- Agenten kan kjøres i deres egen sky (Azure, GCP, AWS), on-prem, eller lokalt på egen maskin. LLM-en kan byttes (Azure OpenAI, OpenAI, andre) uten å berøre resten av løsningen. Dere eier dataflyten.
- Mennesker først
- Du kan når som helst slå av auto-godkjenning og bruke agenten som ren rapportkø. Da gjør den all jobben med å lese, klassifisere og rapportere, men trykker ikke godkjenn-knappen før et menneske gjør det.
Hvem dette er, og ikke er, for
Live demo først
30 minutter på video. Vi viser agenten kjøre mot testdata. Du ser hva som godkjennes, hva som eskaleres, og hvordan rapporten ser ut i Teams. Etter samtalen vet du om dette passer for dere.