Nøglestrategier til at fjerne manuelle flaskehalse i back office-driften

Nøglestrategier til at fjerne manuelle flaskehalse i back office-driften

FlowFormas undersøgelse fra i år viser, at medarbejdere bruger omkring 15 timer om ugen på administrativt arbejde med lav værdi, og kun omkring halvdelen siger, at størstedelen af deres arbejdsdag går med opgaver, der rent faktisk betyder noget for forretningen. Økonomiteams indtaster tal, der allerede findes i et andet system. HR-medarbejdere jagter den samme godkendelse gennem tre forskellige indbakker, før nogen skriver under. Intet af dette er ligefrem nyt, men det er værd at spørge, hvorfor så meget af det stadig sker i 2026, når værktøjerne til at løse det meste af det har eksisteret i årevis.

Byg dit eget

Denne artikel ser på, hvor bremseklodserne i back office-teams egentlig opstår, hvad de nyeste data siger om, hvilke løsninger der er investeringen værd, og nogle praktiske skridt, der typisk holder, når nogen tjekker resultaterne et par måneder senere – og ikke kun ved pilotdemoen.

Hvor tiden egentlig forsvinder hen

Spørg en økonomichef, hvor ugen forsvinder hen, og svaret er sjældent ét stort systemnedbrud. Det er mindre end det.

En nødløsning, der blev indført under en systemmigrering for to eller tre år siden og aldrig blev ryddet op, fordi ingen havde tiden eller mandatet til at røre ved den.

Et godkendelsestrin, der eksisterer, fordi noget gik galt én gang for længe siden, og den løsning, der blev indført bagefter, aldrig blev fjernet, selvom det oprindelige problem ikke er opstået igen siden.

Et tal, som to afdelinger hver især beregner i deres egne regneark, hvorefter nogen hver måned bruger en eftermiddag på at finde ud af, hvorfor totalerne ikke stemmer overens.

Hvad det egentlig koster

EY har anslået, at automatisering af denne type gentagne back office-arbejde kan spare virksomheder et sted mellem 20 % og 60 % af de grundlæggende personaleomkostninger forbundet med opgaverne. Det faktiske tal afhænger dog meget af, hvor rodet udgangsprocessen er, og hvor meget af den der reelt er gentagende frem for skønsbaseret.

At standardisere processen på tværs af afdelinger, før noget værktøj kommer i spil, er typisk den del, der bliver sprunget over, og det er som regel også her, at enterprise-løsninger som DXC business process solutions bliver hentet ind – mindre som en enkeltstående løsning og mere som en måde at tvinge et fælles format igennem på tværs af teams, der i årevis stille og roligt har kørt deres egen version af den samme arbejdsgang.

Det er ikke et glamourøst udgangspunkt, og det optræder sjældent som et selvstændigt punkt på en projektplan, men at springe det over er en stor del af forklaringen på, at så mange automatiseringsprojekter ender med at automatisere netop den inkonsistens, de skulle fjerne.

Hvad de nyeste data rent faktisk viser

Der er meget støj lige nu om, hvad automatisering og AI kan gøre for driftsteams, og noget af det holder ikke, når de faktiske tal kommer frem. Gartners seneste prognose vurderer, at over 40 % af alle agentiske AI-projekter vil være lukket ned inden 2027. Årsagerne handler mindre om selve teknologien og mere om uklart investeringsafkast, svag governance omkring, hvem der egentlig står til ansvar, når en automatiseret beslutning går galt, og ældre systemer, der aldrig er designet til at give en autonom agent realtidsadgang til noget som helst.

Et meget omtalt MIT-studie fra sidste år viste, at 95 % af pilotprojekter med generativ AI i virksomheder ikke havde nogen målbar effekt på bundlinjen. Det er et ret markant tal for alle, der har fået lovet, at AI-agenter ville løse det meste af en afdelings arbejdsbyrde inden for et par kvartaler.

Hvor de reelle forhindringer ligger

Det, der dog ofte bliver udeladt af den samtale, er, at netop back office-automatisering er en af de kategorier, hvor afkastet faktisk er stabilt – primært fordi det underliggende arbejde er så gentagende og regelbaseret, at et værktøj kan udføre det uden konstant at skulle rettes.

Budgettet og opmærksomheden går typisk til pilotprojekter inden for salg og marketing i stedet, blandt andet fordi de er nemmere at demonstrere og får mere synlighed internt. Automatisering af økonomi og drift får som regel mindre anerkendelse, selv når det er den del, der rent faktisk leverer resultater. Det er et mønster, der er værd at have i baghovedet, før man antager, at det mest prangende værktøj på markedet også er det, man bør prioritere.

Integration med ældre systemer optager en stor del af tidsplanen i de fleste projekter. Næsten halvdelen af de virksomheder, der blev spurgt i år, sagde, at den reelle forhindring slet ikke var AI-modellen, men tilstanden af deres egne data – inkonsistent formatering, dubletter og information, der teknisk set findes et sted, men ikke er struktureret, så noget automatiseret kan bruge den pålideligt.

Og en hel del teams ender med at automatisere en proces, der allerede var i stykker, i stedet for at rette den først. Det kalder Deloittes trendrapport for 2026 for "workslop" – mere output, men uden ret meget reel fremgang bag det.

Byg dit eget

Et par skridt, der er værd at tage, før du køber noget

At kortlægge den faktiske proces – og ikke den, der er beskrevet i den dokumentation, der nu engang findes – er typisk det første skridt, der bliver sprunget over, når der er pres for at komme hurtigt i gang.

Den dokumenterede version stemmer sjældent overens med det, folk rent faktisk gør i hverdagen, nødløsninger inklusive, og hvis man følger en enkelt transaktion fra start til slut, viser det sig som regel, at den berører flere systemer, end nogen på teamet først regnede med.

Hvor som helst nogen indtaster data, der allerede findes i et andet system, er det som regel det første, der er værd at fjerne, før noget bliver automatiseret omkring det.

Standardisér før du automatiserer

Standardisering af inputformater betyder mere, end det ser ud til på en projektplan – primært fordi automatisering har en tendens til at forstærke den inkonsistens, der allerede findes, frem for at udjævne den. Et værktøj bygget oven på fem lidt forskellige formater fra fem regionale teams vil typisk enten bryde helt sammen eller – mere stille og værre – producere tal, der er forkerte i et stykke tid, før nogen opdager det.

Match værktøjet til opgaven

Når det er på plads, er formålet med værktøjet vigtigere end selve værktøjet. Afstemning af transaktioner og udfyldning af standardfelter er eksempler på regelbaserede opgaver med høj volumen, som RPA stadig håndterer til en lav omkostning.

En regelmotor blev aldrig designet til at håndtere mere rodede data, såsom scannede regninger eller kontrakter med uensartet formatering. Det er her, dokument-AI fra leverandører som Hyperscience eller de nyere ABBYY-løsninger tjener sine penge. Alt, der kræver reel dømmekraft, er som regel bedst at lade blive hos et menneske. Det er ikke et hul i det, der endnu ikke er automatiseret, men et bevidst valg.

Intet af det beviser noget uden en måde at se, om det virker. Et team skal tjekke gennemløbstid og fejlrater forholdsvis ofte – ikke genskabe et slide efter hukommelsen før et review. Et økonomiteam med et live dashboard, der følger andelen af touchless-behandling, kan opdage en defekt regel inden for en dag. Hvis tallene kun gennemgås hvert kvartal, kan den samme fejl gå ubemærket hen i uger eller måneder.

Få teamet til at stole på det

Tal har det med at gøre større indtryk end meddelelser her. Hvis et team i klare termer kan se, hvordan fejlrater eller behandlingstider har ændret sig efter en ændring, vejer det tungere end en e-mail, der forklarer, hvorfor den nye proces skulle være en forbedring.

Ledelsen har ærligt talt brug for det samme. Med Plectos ledelsesdashboard, der henter live tal ind, behøver ingen at gå ind til et møde og argumentere for, at automatiseringen betaler sig – dataene ligger der allerede og opdaterer sig selv.

Endnu en ting, der er værd at bygge ind fra starten, er en klar måde at markere undtagelser på. Uden en tydelig vej for de sager, der ikke passer ind i den nye proces, vil folk opfinde deres egne omveje, og de omveje bliver med tiden til et nyt rod, der skal redes ud senere.

Hvor det ender

Intet af dette er kompliceret i teorien. Kortlæg, hvordan arbejdet rent faktisk foregår, ryd op i inkonsistenserne, og automatisér de dele, der reelt er gentagende, frem for det hele på én gang.

Det er bagefter, det for det meste går galt – når værktøjet er live, og ingen rigtig tjekker, om det stadig gør det, det skulle, seks måneder senere. Ved at holde et dashboard gennem noget som Plecto foran teamet i stedet for at samle en rapport en gang i kvartalet fanger man typisk de små ting, før de vokser til noget, der tager meget længere tid at rette. Hvis disse problemer lyder bekendte for dit team, så book en gratis Plecto-demo eller start en gratis prøveperiode på to uger i dag.