AI i indkøb og leverandørstyring for danske virksomheder

Spørg en tilfældig dansk virksomhed, hvad den bruger flest penge på efter lønninger, og svaret er næsten altid det samme: indkøb. Alligevel er det ofte det område, hvor overblikket er dårligst. Data ligger spredt i ERP-systemet, i regnskabet, i indbakker og i regneark, og »hvad køber vi egentlig af hvem?« er sværere at svare på, end det burde være.

Det er netop her, AI gør sin største forskel. Ikke som en fremtidsvision, men som konkrete værktøjer, der samler indkøbsdata, scorer leverandørrisiko, læser tilbud og automatiserer den administrative del af indkøbsprocessen. Denne guide gennemgår, hvad AI konkret kan i indkøb og leverandørstyring, hvilke værktøjer der findes, hvad det koster, hvordan det spiller sammen med CSRD og EU AI Act – og hvordan din virksomhed kommer i gang uden at overkomplicere det.

Hvorfor indkøb er modent til AI

Indkøb har tre egenskaber, der gør det til et næsten ideelt anvendelsesområde for AI. For det første er der store mængder struktureret data – fakturaer, ordrer, kontrakter og priser – som AI kan læse og finde mønstre i. For det andet er mange opgaver repetitive og regelbaserede: matche fakturaer mod ordrer, kategorisere udgifter, tjekke om et køb ligger inden for en aftale. For det tredje er der direkte penge på bordet: selv små forbedringer i priser, betalingsbetingelser eller aftaledisciplin går lige i bundlinjen.

For danske SMV'er er pointen ikke at bygge en stor indkøbsafdeling, men at give de få personer, der håndterer indkøb, et værktøj der arbejder som en usynlig analytiker: altid tændt, altid opdateret, aldrig træt af at gennemgå tal.

Spend-analyse: fundamentet

Hvis man kun må gøre én ting med AI i indkøb, er det spend-analyse. En spend-analyse er en systematisk gennemgang af, hvad virksomheden bruger penge på – fordelt på leverandører, kategorier, afdelinger og tid.

Udfordringen er, at indkøbsdata i praksis er rodede. Den samme leverandør optræder under tre forskellige stavemåder, udgifter er bogført på upræcise konti, og der findes ingen fælles kategorisering. Manuelt tager det uger at rydde op – og når man er færdig, er tallene forældede. AI vender den ligning:

• Automatisk kategorisering: AI klassificerer hver postering i en indkøbskategori (fx IT, transport, marketing, råvarer) baseret på leverandør, tekst og beløb.
• Leverandør-normalisering: AI genkender, at »Microsoft«, »Microsoft Danmark ApS« og »MSFT« er samme leverandør, og samler forbruget.
• Afsløring af maverick spend: AI markerer indkøb, der er foretaget uden for eksisterende aftaler – en klassisk kilde til spild.
• Løbende opdatering: Analysen kører kontinuerligt i stedet for som et årligt engangsprojekt.

Resultatet er et overblik, der næsten altid afslører overraskelser: at man har 40 leverandører i en kategori, hvor tre ville være nok, eller at et abonnement er blevet betalt i to år efter, at det burde have været opsagt. Det overblik er forudsætningen for alt det, der følger.

Leverandørstyring og risiko

Den anden store gevinst ligger i leverandørstyringen. Traditionelt vurderes leverandører én gang om året, hvis overhovedet. AI gør det muligt at overvåge kontinuerligt ved at samle signaler fra mange kilder til en samlet, opdateret risikoscore:

• Økonomisk sundhed: Regnskabstal og kreditvurderinger, så man advares, før en kritisk leverandør kommer i vanskeligheder.
• Leveringspræstation: Historik for leveringstid og reklamationer sammenholdt med aftaler.
• Geopolitisk og forsyningsrisiko: Nyheder, sanktionslister og geografisk koncentration i forsyningskæden.
• Bæredygtighed: Data om CO2-udledning, arbejdsforhold og certificeringer – stadig vigtigere med CSRD.

Værdien er ikke selve scoren, men tidlig varsling. Når AI opdager, at en nøgleleverandørs betalingsevne forværres, eller at en hel kategori afhænger af ét land, kan indkøbsafdelingen handle, mens der stadig er tid til at finde alternativer.

AI i selve indkøbsprocessen

Ud over analyse og risiko kan AI aflaste den daglige proces – ofte kaldet procure-to-pay (P2P) eller det bredere source-to-pay (S2P). Her er de mest modne anvendelser:

For de fleste danske virksomheder er fakturamatchning den hurtigste gevinst. Det er en tidskrævende, fejlbehæftet manuel opgave, og moderne regnskabs- og ERP-systemer kan i dag automatisere størstedelen af den med indbygget AI.

Værktøjer på det danske marked

Landskabet sprænder fra AI-funktioner i systemer, virksomheden allerede har, til dedikerede indkøbsplatforme. Valget afhænger af indkøbsvolumen og modenhed.

AI i eksisterende ERP og regnskab

De fleste SMV'er bør starte her. Microsoft Dynamics 365 Business Central, SAP, Visma, Uniconta og e-conomic har alle fået AI-funktioner til fakturahåndtering, kontoforslag og afvigelsesdetektion. For mange er dette rigeligt – funktionerne følger med licensen, og data er allerede i systemet.

Dedikerede indkøbsplatforme (S2P/P2P)

Når indkøbsvolumen bliver stor nok, giver en specialiseret platform mening. De internationale sværvægtere er SAP Ariba, Coupa, Ivalua, GEP og Jaggaer – alle med kraftige AI-funktioner til spend-analyse, leverandørstyring og forhandling. De er tænkt til mellemstore og store virksomheder.

Spend-analyse og lettere værktøjer

Mellem de to yderpunkter findes lettere, ofte hurtigere at implementere løsninger med fokus på spend-analyse og udgiftsstyring – herunder danske og nordiske udbydere samt udgiftsplatforme som Pleo, der bruger AI til at kategorisere og kontrollere medarbejderes køb. For projektbaseret indkøb findes desuden brancherettede værktøjer, fx til byggeri og produktion.

Indkøb, CSRD og ansvarlige forsyningskæder

En ny drivkraft bag AI i indkøb er bæredygtighedskrav. Med CSRD og kravene om rapportering af scope 3-udledninger – altså udledninger i værdikæden, herunder fra leverandører – skal mange virksomheder pludselig indsamle data, de aldrig før har haft styr på. Det er en enorm dataopgave, og AI er velegnet til at strukturere den:

• Indsamle og standardisere leverandørers CO2-data fra vidt forskellige formater.
• Estimere udledninger, hvor faktiske data mangler, ud fra branchegennemsnit.
• Flagge leverandører med høj risiko for dårlige arbejdsforhold eller manglende certificeringer.

Her mødes to dagsordener: bedre indkøb og lovpligtig rapportering. Den virksomhed, der bygger et godt datagrundlag om sine leverandører, løser begge dele på én gang. Bemærk dog, at Omnibus-forenklingen i 2026 har justeret, hvem der er omfattet af CSRD og hvornår – så tjek din virksomheds konkrete situation.

GDPR og EU AI Act i indkøb

Den gode nyhed er, at indkøb sjældent ligger i det tunge regulatoriske felt. De centrale anvendelser – spend-analyse, kategorisering, fakturamatchning, efterspørgselsprognoser – handler om data, ikke om mennesker, og falder derfor typisk i den laveste risikokategori under EU AI Act, uden særlige krav ud over almindelig transparens.

Man skal dog være opmærksom på to ting. For det første indeholder leverandørdata ofte personoplysninger – kontaktpersoner, og hos enkeltmandsvirksomheder er leverandøren en person. Så gælder GDPR. For det andet: bruger man AI til at vurdere kreditværdighed af fysiske personer, nærmer man sig højrisiko-området. Grundreglen er enkel: automatiser processer og analyse frit, men hold et menneske i de beslutninger, der væsentligt påvirker en anden part.

Hvad kan man forvente af gevinst?

Gevinsterne fordeler sig på tre typer. Tidsbesparelse er den mest umiddelbare: automatiseret fakturamatchning og attestation fjerner mange timers manuelt arbejde hver måned. Direkte besparelser kommer fra bedre spend-overblik: konsolidering af leverandører, bedre priser og færre køb uden for aftaler. Og risikoreduktion kommer fra tidlig varsling om leverandører i vanskeligheder.

Man skal dog være realistisk. AI-værktøjer i indkøb er kun så gode som de data, de fødes med. Er stamdata rodede, giver AI et hurtigere – men stadig upræcist – billede. Derfor er den første investering ofte i datakvalitet, ikke i det smarteste værktøj.

Seks skridt til at komme i gang

1. Saml og se dit spend

Start med en spend-analyse. Træk data fra ERP og regnskab, og lad et AI-værktøj kategorisere og normalisere. Overblikket alene afslører næsten altid hurtige gevinster.

2. Ryd op i stamdata

Ret dubletter i leverandørregisteret, ensret kategorier og luk døde aftaler. God datahygiejne er det, der afgør, om AI'en bliver pålidelig.

3. Automatiser fakturahåndteringen

Tag den hurtigste gevinst først. Slå AI-baseret fakturamatchning og attestation til i det system, I allerede har, før I overvejer nye værktøjer.

4. Opsæt leverandørovervågning

Etabler løbende risikoovervågning af jeres kritiske leverandører – økonomi, levering og, hvor relevant, bæredygtighed.

5. Byg CSRD-data ind fra starten

Er I omfattet af bæredygtighedsrapportering, så indsaml leverandørdata struktureret nu, i stedet for at haste det igennem senere.

6. Skaler til en platform, når det betaler sig

Først når indkøbsvolumen retfærdiggør det, investerer I i en dedikeret S2P/P2P-platform. Lad behovet – ikke teknologien – styre timingen.

De fem hyppigste fejl – og hvordan du undgår dem

1. At købe værktøjet før dataene er klar: AI på rodede stamdata giver hurtige, men forkerte svar. Ryd op først.
2. At starte for stort: En fuld S2P-platform er overkill for de fleste SMV'er. Start med spend-analyse og fakturamatchning.
3. At glemme maverick spend: Den største gevinst ligger ofte i de køb, der sker uden for aftalerne. Få dem frem i lyset.
4. At overse leverandørdata som personoplysninger: Kontaktpersoner og enkeltmandsleverandører er omfattet af GDPR. Tænk det ind.
5. At tro AI erstatter forhandleren: AI leverer indsigt og forslag – men relation og forhandling forbliver menneskeligt arbejde.