Scan en herken was een echte doorbraak: je hoefde geen gegevens meer over te typen. Dat probleem is opgelost. Waarom de term inmiddels beschrijft wat een systeem níet meer hoeft te kunnen.
Claridy in het kort
| Waarvoor | Inkoopfacturen van binnenkomst tot betaling: lezen, matchen, coderen, boeken en uitzonderingen afhandelen |
| ERP's | Exact Online, NetSuite, Microsoft Dynamics 365, lezend en terugschrijvend |
| Migratie | Geen. Je boekhouding blijft staan waar hij staat |
| Prijs | Vanaf € 499 per maand: tot 500 facturen, één entiteit, één ERP-koppeling. Elke extra entiteit € 250, modules als 3-way matching en reconciliatie elk € 250 |
| Wat er niet bij komt | geen prijs per factuur, per document of per gebruiker, maandelijks opzegbaar |
| Peppol | UBL nu, Peppol-aansluiting in Q4 2026 |
| Live in | Eerste workflow in twee weken, op je eigen data |
| Aanpak | Het systeem stelt eerst voor en je team keurt goed. Daarna zet jij de drempel waarboven het zelf uitvoert |
| Ondergrens | Vanaf circa 100 facturen per maand |
| Talen | Facturen in elke taal, geen sjabloon per taal of per leverancier. De interface is Engels |
| Beveiliging | CASA Tier 2-audit (TAC Security, februari 2026), SOC 2 in voorbereiding |
| Waarin het afwijkt | Het handelt ná de herkenning: splitsen over orderregels, coderen op al je assen, verschillen uitzoeken en de leverancier mailen |
Wat scan en herken doet en wat er daarna blijft liggen, stap voor stap:
Scan en herken is een van de weinige stukken finance-software waarvan je precies kunt aanwijzen wat het heeft opgelost. Voor OCR typte iemand het factuurnummer, het bedrag, de datum en de btw over vanaf papier. Daarna niet meer. Dat is geen marketingverhaal, dat is een baan die is veranderd, en het is de reden dat de term twintig jaar is blijven hangen.
Precies daarom is hij nu misleidend. De term beschrijft de stap die is opgelost, en zegt niets over de stap waar het werk nu zit.
Wat scan en herken werkelijk oploste
Het probleem rond de eeuwwisseling was overtypen. Een factuur was een afbeelding, en een boekhoudsysteem wil velden. OCR sloeg die brug: software leerde tekst van papier lezen. Omdat elke leverancier zijn factuur anders indeelt, kreeg elke leverancier een sjabloon: hier staat het factuurnummer, daar het bedrag.
Dat werkte, en het schaalde. Later verhuisde het naar de cloud, kwam het per document in een abonnement, en werd het vaak meegeleverd door je accountantskantoor. Goedkeuren verhuisde naar je telefoon. Dat is de wereld waarin Blue10, Basecone, TriFact365, Zenvoices, Elvy en ScanSys groot zijn geworden, en op wat ze beloofden leveren ze.
Toen gebeurden er twee dingen die de waarde van die stap uitholden.
Ten eerste UBL en Peppol. Een e-factuur is geen plaatje maar een gestructureerd bestand. Er valt niets te herkennen, want de gegevens komen al als velden binnen. Voor die stroom is scan en herken niet beter geworden, het is overbodig geworden. En dat is geen randverschijnsel meer: België verplicht gestructureerde B2B-e-facturatie sinds januari 2026, Duitsland verplicht sinds 2025 dat je e-facturen kunt ontvangen en faseert de plicht om ze te versturen in tot 2028, en Peppol is de standaard waar de rest van Europa naartoe beweegt.
Ten tweede AI. Een AI-systeem dat een factuur leest, heeft geen sjabloon nodig. Nieuwe leverancier, andere lay-out, factuur in het Duits: er valt niets aan te leren. De hele beheertaak "sjablonen onderhouden" verdwijnt, en daarmee de belangrijkste reden dat scan en herken een apart product was.
De leesstap is dus twee keer uitgehold: door e-facturatie, die hem overbodig maakt, en door AI, die hem triviaal maakt. Wat overblijft is de vraag wat er met die factuur moet gebeuren, en dat was nooit wat scan en herken deed.
De term verbergt waar het werk zit
Dat is te zien aan waar bedrijven nog steeds mensen voor aannemen.
Wij hebben 21.642 Nederlandse finance-vacatures doorgenomen en per genoemde taak bekeken of die direct te automatiseren is.
| Taak | Direct automatiseerbaar | n |
|---|---|---|
| Inlezen en invoeren van facturen | 72,8% | 7.723 |
| Matchen met inkooporders | 47,2% | 1.088 |
| Fiatteren | 22,1% | 587 |
Die aflopende reeks is het hele verhaal. De scanlaag heeft de eerste categorie opgeruimd, en dat is echt gebeurd. Verder van het lezen af gaat er minder automatisch, en dat is precies het werk waarvoor bedrijven vacatures blijven uitzetten.
En dat merk je bij bedrijven die het netjes hebben ingericht, niet bij bedrijven die achterlopen. Een internationale hardware-reseller met 500 tot 800 facturen per maand, scan-en-herkensoftware volledig ingericht, zei ons dat geen enkele factuur doorgaat zonder handmatige tussenkomst. Bij een onderhoudsbedrijf in de luchtvaart deed één fte niets anders dan de scan-en-herkensoftware en de facturenmailbox: sjablonen loonden bij terugkerende facturen, bij wisselende facturen kostten ze meer dan ze opleverden, en elke factuur werd alsnog met de hand gecodeerd op grootboek, kostendrager en kostenplaats.
Dat is geen verwijt aan de software. Die doet wat er op de doos staat. Het punt is dat wat er op de doos staat, niet meer het probleem is.
"Zelflerend" is het woord om op te letten
Vrijwel elke leverancier noemt zijn software inmiddels zelflerend. Vraag door op wat er precies leert.
Meestal leert de herkenning. Het systeem wordt beter in zien waar op deze factuur het bedrag staat. Dat is echte vooruitgang en het scheelt sjabloononderhoud. Wat vrijwel nooit leert, is de verwerking: welk grootboek, welke kostenplaats, welk project, wat te doen bij dit soort verschil. Dat blijft een regel die jij van tevoren hebt ingesteld.
Het verschil is te testen met één vraag: als mijn team deze boeking corrigeert, gebeurt het volgende maand dan vanzelf goed?
Bij een reisdienstverlener op NetSuite was het antwoord nee, en hun controller zei het zonder omhaal: het systeem leert niet van correcties, en de eerste verwerking van één factuur kost ongeveer een half uur. Bij een distributeur op NetSuite OneWorld kwam één leverancier met facturen over meerdere regels maand na maand fout terug. Dezelfde correctie, dezelfde leverancier, elke maand opnieuw.
Is het antwoord nee, dan leert de herkenning, en niet het systeem. En een systeem dat elke maand dezelfde correctie vraagt, automatiseert niet. Het verplaatst het werk van typen naar controleren.
Wat er in de plaats komt
Noem het wat het is: geen scanlaag vóór je ERP, maar een laag die het werk erna uitvoert. Lezen zonder sjablonen is daarin de makkelijkste stap, niet de moeilijkste.
Wat er daarna moet gebeuren is drieledig, en het bouwt op elkaar.
Begrijpen waarom iets niet klopt, niet alleen zien dát het niet klopt. Een verschil signaleren is een halve seconde werk. Uitzoeken of het een prijsafwijking is, een deellevering of een dubbele factuur, dat is het werk.
De context erbij halen die een mens erbij zou halen: de order, de ontvangst, de vorige factuur van dezelfde leverancier, de mail waarin een toeslag werd aangekondigd, het contract. Daar zit ook het redeneren. "Laptop Stand" op de factuur is hetzelfde artikel als "Notebook Riser" op de order, en dat is een taalvraag, geen zoekvraag.
En vervolgens handelen, binnen regels die jij in gewone taal hebt beschreven. Boeken, splitsen over orderregels, coderen op alle assen die jij gebruikt, de leverancier mailen met het verschil erbij. Elke stap in een audit trail, zodat een boeking uit te leggen is aan je accountant.
Het verschil met de vorige generatie zit hem daarin dat je geen software meer inricht, maar instructies geeft zoals je die aan een collega geeft. Je legt één keer uit dat de facturen van deze verhuurder altijd over de volgende maand gaan, en daarna hoef je dat niet meer te zeggen.
Daarbij hoort één belangrijke grens. De AI leest en begrijpt, maar beslist niet. Een systeem dat meestal gelijk heeft is in een boekhouding onbruikbaar, want vijf procent fout op tweeduizend facturen is honderd boekingen per maand die iemand moet terugvinden. De beslissing hoort deterministisch te zijn: dezelfde invoer geeft dezelfde uitkomst, elke keer.
Moet je je scan-en-herkensoftware nu wegdoen?
Niet per se. Verwerk je een paar honderd facturen per maand, zonder inkooporders, met een stabiel leveranciersbestand, dan doet scan-en-herkensoftware precies wat het moet doen en is het goedkoper dan wat dan ook. De term is verouderd, het product is niet nutteloos.
Het loont pas om verder te kijken als het werk ná het herkennen structureel uren kost: matching tegen inkooporders, coderen op meerdere assen, facturen die over meerdere orders zijn verdeeld, de mailbox, meerdere administraties.
Veelgestelde vragen
Het inlezen van een papieren of PDF-factuur en het automatisch herkennen van de velden erop, zoals leverancier, factuurnummer, bedrag, datum en btw, zodat je ze niet hoeft over te typen. Klassiek gebeurt dat met OCR en een sjabloon per leverancier.
Nee. Scan en herken lost het lezen op. AI-factuurverwerking begint bij het lezen en gaat verder met begrijpen, matchen, coderen en handelen. Software die AI in de herkenning heeft gestopt, lost nog steeds alleen het lezen op.
Voor de stroom die als UBL of Peppol binnenkomt niet, want die gegevens zijn al gestructureerd. Zolang je leveranciers PDF's mailen is er nog iets te lezen, maar dat is de eenvoudigste stap in het proces geworden.
Een systeem dat beter wordt van jouw correcties. Let op wat er leert: bij de meeste leveranciers is dat de herkenning, niet de verwerking. Test het met de vraag of dezelfde correctie volgende maand terugkomt.
Reken het door met de ROI-calculator, die rekent met de automatiseerbare aandelen per taakcategorie uit onze analyse van Nederlandse finance-vacatures.
Meer context over de generaties techniek en alle leveranciers: de vergelijkingsgids factuurverwerkingssoftware. Over hoe AI-factuurverwerking er wel uitziet: automatische factuurverwerking.
Bron vacature-analyse: Claridy, 21.642 Nederlandse finance-vacatures, 2026. Inlezen en invoeren n=7.723, matching n=1.088, fiatteren n=587. Laatst gecontroleerd: 2026-08.