Situation
Ett 18-personers IT-konsultbolag i Stockholm hanterade 40–60 leverantörsfakturor per vecka. Alla landade som PDF-bilagor i en delad inkorg. En ekonomiassistent och ibland juniora konsulter läste varje faktura manuellt, matade in datan i Fortnox och arkiverade originalfilen.
Tid per faktura: ~8 minuter Total tid per vecka: 12+ timmar Felprocent: ~8% (felaktig kontering, dubbelinmatning)
Utmaning
Systemet fungerade men skalades inte. Med växande antal leverantörer och projekt ökade administrationen snabbare än intäkterna. Ekonomiassistenten hade ingen tid för analys och rapportering — allt gick till inmatning.
Lösning
Vi designade ett Make.com-scenario med tre steg:
1. Dokumentextraktion med AI
Make.com triggas på inkommande Gmail med PDF-bilaga. Filen skickas till GPT-4o med en strukturerad prompt som extraherar leverantörsuppgifter, fakturanummer, datum, radposter och belopp i JSON-format.
Noggranhet på standardfakturor: 98,3%
2. Validering och routing
Leverantören matchas mot en godkänd-lista i Google Sheets. Okända leverantörer eller fakturor över tröskelvärdet triggar en Slack-notifiering för manuell granskning. Allt loggas automatiskt för revision.
3. Skapande i Fortnox + arkivering
Via Fortnox API skapas leverantörsfakturan med alla fält ifyllda och korrekt konterad. Original-PDF arkiveras i Google Drive med strukturerad mappstruktur (år/månad/leverantör).
Resultat
| Mätvärde | Före | Efter | |----------|------|-------| | Tid per faktura | 8 min | 45 sek | | Fel per månad | 4–6 | 0–1 | | Manuell tid/vecka | 12 h | 1.5 h | | Återbetalningstid | — | <6 veckor |
Lärdomar
Noggrann felhantering är avgörande. Varje steg har en fallback som loggar till Google Sheets och notifierar teamet — vilket innebär att inget går förlorat även om AI-extraktionen misslyckas på en ovanlig faktura.
Tröskelvärden och undantag (utländska leverantörer, kreditnotor) definierades tillsammans med ekonomiavdelningen i designfasen, vilket sparade mycket felsökningstid senare.