Bij de salarisadministratie lijken de gevaarlijkste AI-fouten correct

Salarisadministratie is een van de weinige bedrijfsprocessen waarbij elke fout een naam, een bedrag en een datum heeft. Daarom verdient AI in de salarisadministratie een zorgvuldiger gesprek, want de meeste discussies gaan over wat AI opspoort. De moeilijkere vraag is wat AI verandert wanneer niemand meekijkt.

Ik heb zeventien jaar in de financiële sector gewerkt, eerst als CFO en daarna aan de ontwikkeling van grensoverschrijdende salarisadministratie-infrastructuur. In die tijd heb ik geleerd automatisering als een ruil te zien: je geeft zichtbaar handmatig werk op en krijgt er onzichtbaar systeemgedrag voor terug.

Wat de regelgeving daadwerkelijk vereist

Volgens de EU AI-verordening is AI op de werkplek risicovol wanneer die helpt beslissen over iemand: wie wordt aangenomen, promotie krijgt of wordt ontslagen, hoe het werk wordt toegewezen, hoe iemands prestaties worden beoordeeld of hoe de arbeidsvoorwaarden veranderen. Deze beslissingen bepalen iemands baan en inkomen. Daarom moet het bedrijf dat de tool gebruikt de controle bij een mens houden en vastleggen hoe elke beslissing tot stand is gekomen. De salarisberekening valt standaard niet onder die categorie, omdat overeengekomen tarieven toepassen op goedgekeurde uren rekenwerk is. Het risico wordt wel hoog wanneer salarisgegevens worden gebruikt voor beslissingen over mensen, of wanneer een tool die als ‘salarisadministratie’ wordt verkocht daar ongemerkt zelf beslissingen over gaat nemen.

In de VS publiceerde het National Institute of Standards and Technology (NIST), een federale instantie die bekendstaat om het vaststellen van technische en beveiligingsnormen, al in 2023 een specifiek kader voor AI-risicobeheer dat organisaties gemakkelijk aan hun eigen omstandigheden kunnen aanpassen. Het biedt bedrijven een praktische cyclus in vier stappen, waarop ik hieronder terugkom.

Hoe ver AI vandaag veilig kan gaan in de salarisadministratie

Op het eerste gezicht lijkt AI in de salarisadministratie op een sneller paar handen. Maar de superkracht én de vloek van AI is de vlekkeloze, naadloze en verslavende automatisering. Zodra het systeem draait, is het moeilijk om alle manieren waarop het de uiteindelijke begunstigden beïnvloedt — mensen op het werk — te zien en te corrigeren. Daarom wordt AI in HR als risicovol beschouwd: AI heeft rechtstreeks invloed op het levensonderhoud, het succes op het werk en de toekomstige carrièrekansen van mensen.

De meeste tools voor salarisadministratie volgen een kort traject. Eerst controleren en bereiden ze gegevens voor: ze vergelijken, signaleren en stellen concepten op. Daarna beginnen ze aanbevelingen te doen, bijvoorbeeld door voor te stellen een uitbetaling tegen te houden of een factuur te laten controleren, terwijl een mens de beslissing neemt. In de derde stap, waarin de tool ingrijpt in iets dat iemands baan, status of inkomen beïnvloedt, moet de tool stoppen en de beslissing weer aan een mens overlaten. Het probleem is dat deze stappen in elkaar overlopen. Een waarschuwing over ongebruikelijke uren is in de eerste stap een onschuldige controle ter afstemming, maar in de derde stap een beoordeling van iemands prestaties. Het model verandert niet; het is het gebruik dat een mens van de uitvoer maakt dat verandert.

Waar AI daadwerkelijk bij helpt

Een positief resultaat van geautomatiseerde salarisadministratie is een forse vermindering van het aantal fouten — tot wel 78%, volgens Blair McQuillen van Ignite HCM, een adviesdienst voor salarisadministratie. Een AI-tool die fouten in de salarisadministratie helpt terugdringen, voert in wezen de volgende bewerkingen uit om systemen voor salarisadministratie te controleren en te corrigeren:

• Anomaliedetectie houdt in dat algoritmen voor machine learning de salarisadministratie vergelijken met historische gegevens om uitschieters in betalingen, dubbele invoer en ongebruikelijke inhoudingen aan het licht te brengen.
• Realtime gegevensvalidatie betekent dat AI zowel actuele personeelsgegevens bekijkt (bijvoorbeeld automatisch geregistreerde aanwezigheid) als bronsystemen (bijvoorbeeld urenstaten) en fouten door handmatig kopiëren en plakken signaleert.
• Voorspellende foutpreventie is erop gericht fouten op te sporen voordat de salarisadministratie definitief wordt verwerkt.
• Ook naleving van regelgeving kan tot op zekere hoogte worden geautomatiseerd met AI-agenten. Die houden toezicht op medewerkers en salarisberekeningen en waarschuwen HR direct, zelfs voordat er een kwartaalcontrole plaatsvindt. AI een rol geven bij de naleving als klokkenluider betekent dat de mogelijkheden ervan ondubbelzinnig worden vastgelegd en echte mensen bij de besluitvorming worden betrokken.
• Prognoses op basis van AI voorspellen hoe veranderingen binnen de organisatie of schommelingen op de markt de loonkosten en budgetten beïnvloeden.

Volgens het rapport van OpenLadger, een ingebedde boekhoud-API met AI, sloten bedrijven hun financiële administratie 19% sneller af en hielden ze zich 34% beter aan hun budget.

Wanneer de basislijn je fouten leert

De meeste AI voor salarisadministratie wordt verkocht op basis van continu leren. Na verloop van tijd leert het systeem hoe een normale salarisadministratie er voor jouw organisatie uitziet en vergelijkt het elke verwerkingsronde daarmee. Dat is echt nuttig, maar daar begint ook het stille falen.

Een systeem dat op basis van historische gegevens leert wat ‘normaal’ is, leert ook de fouten uit die gegevens. Stel dat een inhouding zes maanden lang verkeerd is toegepast. De detectietool signaleert die niet meer, omdat die na zes maanden met dezelfde fout niet langer ongebruikelijk lijkt.

Grensoverschrijdend werk maakt dit probleem nog scherper. Als je opdrachtnemers in veel landen betaalt, in verschillende valuta en via uiteenlopende betaalmethoden, is iets ‘ongebruikelijks’ vaak volkomen legitiem: een mijlpaal in een project, een overstap naar een andere betaalroute, een eenmalige opdracht of een nieuwe betalingscorridor. Een model dat is afgestemd op het terugdringen van fout-positieven zal na verloop van tijd ook de echte signalen gaan onderdrukken.

Wanneer een betaling wordt tegengehouden, gemarkeerd of aangepast, moet iemand uitleggen waarom: aan de opdrachtnemer die op het geld wacht, maanden later aan een auditor en uiteindelijk aan een toezichthouder.

Drie manieren om de salarisadministratie controleerbaar te automatiseren

1. Scheid de taken. Eén assistent die gegevens invoert, werknemers indeelt, lonen berekent, de naleving controleert en loonstroken verstuurt, is handig om aan te schaffen, maar lastig te controleren. Als de uitkomst niet klopt, kun je namelijk niet achterhalen in welke stap de fout is ontstaan. Sommige aanbieders van salarissoftware stappen al over op ontwerpen met meerdere AI-agenten, waarbij afzonderlijke onderdelen de urenstaten invoeren, werknemers indelen, lonen berekenen, de naleving controleren en communiceren. Elk onderdeel schrijft daarbij naar één gedeeld controlespoor. Zo’n opzet kost meer om samen te stellen, maar verdient die investering al terug zodra een toezichthouder voor het eerst vraagt hoe een beslissing tot stand is gekomen. Je kunt de keten stap voor stap nalopen.
2. Deel acties in op basis van omkeerbaarheid. Een model met een mens in de lus, dat inmiddels gangbaar is in HR-technologie, verdeelt geautomatiseerde acties in drie categorieën: automatisch uitvoeren, escaleren en blokkeren. Ik zou de categorieën indelen op basis van één criterium: wat het kost als het misgaat. Acties met een laag risico die omkeerbaar zijn, zoals herinneringen sturen, documenten opvragen en de opmaak controleren, kunnen zelfstandig worden uitgevoerd. Bij acties met een gemiddeld risico, zoals een betaling opschorten om verduidelijking te vragen of een factuur navragen, moet de AI het bewijsmateriaal voorbereiden en een persoon de beslissing nemen. Onomkeerbare acties en alles wat iemands bestaanszekerheid raakt, blijven buiten het bereik van machines: een samenwerking beëindigen, de status van een werknemer wijzigen of loon inhouden om redenen van naleving. Ik hanteer één toets: als achteraf blijkt dat deze actie verkeerd was, kunnen we die dan ongedaan maken voordat de betrokkene het merkt? Als het antwoord nee is, moet een mens goedkeuring geven.
3. Richt eerst de governance in, voordat je opschaalt. Het NIST AI Risk Management Framework dat ik eerder noemde, is opgebouwd rond vier functies: besturen, in kaart brengen, meten en beheren. Voor de salarisadministratie komen die neer op vier vragen. Wie is verantwoordelijk voor de uitkomst: de salarisadministratie, financiën, compliance of de leverancier? Volgens de AI-verordening liggen de verplichtingen van de gebruiksverantwoordelijke bij de organisatie die het systeem gebruikt. ‘De leverancier’ is dus geen mogelijk antwoord, hoeveel producten inmiddels ook het keurmerk ‘klaar voor de EU AI-verordening’ dragen. Welke van je tools gebruiken daadwerkelijk AI, gezien de hoeveelheid machinelearning die inmiddels is ingebouwd in software die als regelgebaseerd is aangeschaft? Hoe vaak overrulen mensen de AI? Dat cijfer zou ik het nauwlettendst volgen, want een bijna nulpercentage aan overrides betekent zelden dat het model foutloos is en vaak dat mensen de uitkomsten niet meer controleren. En wat is het terugvalscenario als het model tijdens de periodeafsluiting niet beschikbaar is of de uitkomst ervan niet langer betrouwbaar is? Weet iemand in het team dan nog hoe de salarisadministratie handmatig moet worden uitgevoerd? Voor HR- en salarisadministratieverantwoordelijken die AI op grote schaal willen inzetten, is het de moeite waard deze structuur vroeg op te zetten.

Het AI-tijdperk biedt bedrijven de kans om het minder zichtbare werk te doen: een inventaris van AI-tools, logboeken die de redenering vastleggen in plaats van alleen de uitkomsten, benoemde verantwoordelijken voor elke geautomatiseerde beslissing en meetwaarden over overrides die regelmatig worden geëvalueerd.

Tegen de tijd dat de verplichtingen voor systemen met een hoog risico van kracht worden, zullen auditors niet vragen: ‘Gebruikt u AI?’ Ze zullen vragen: ‘Laat me zien waarom deze betaling is uitgevoerd, tegengehouden of gewijzigd.’ Bedrijven die daar binnen enkele minuten antwoord op kunnen geven, zullen hun automatisering succesvol opschalen.