Email-agent voor debiteurenbeheer: €212k in één kwartaal

De debiteurenbeheerder opent maandagochtend om 08:30 haar spreadsheet. 1.840 openstaande facturen. Daarvan 312 ouder dan 60 dagen. 47 zelfs ouder dan 120. Ze heeft vier collega's en een koffie die al koud is. Voor vrijdag hebben ze met z'n vijven zo'n 320 telefoontjes gepleegd en misschien 600 mails verstuurd. De DSO zakt met twee dagen, of misschien geen.

Dit was de situatie waarmee een B2B-distributeur uit Breda (29 medewerkers) afgelopen september bij ons binnenkwam. Ze verkopen industrieel bevestigingsmateriaal en slijpmiddelen aan zo'n 4.000 actieve zakelijke klanten in de Benelux. Jaaromzet rond de €38M. DSO op 68 dagen. Het debiteurenteam kostte ongeveer €240.000 per jaar aan salaris en overhead. Drie van de vier mensen waren actief op zoek naar ander werk. Het werk, zeiden ze, was het slechtste deel van hun week.

Negen maanden later zit er nog één persoon op die functie. Zij is de teamlead, ze verdient meer dan voorheen, en ze besteedt het grootste deel van haar dag aan disputen en de incidentele escalatie. Al het andere, die ruim 1.800 maandelijkse aanmaningen, loopt via een email-agent die we bouwden rond hun Exact Online-grootboek. In Q1 van dit jaar hielp de agent €212.000 aan oude vorderingen binnen te halen. De DSO zakte naar 49 dagen. We willen je vertellen hoe het echt werkt, want het verrassende zat niet in de techniek.

De vorm van het werk

Voordat we ook maar één regel code schreven, zaten we vier dagen mee met het debiteurenteam. Twee dagen meekijken, twee dagen klokken. De interessante bevinding: bijna geen van het werk was denkwerk. Van de acht uur die elke medewerker per dag draaide, ging zo'n 70 minuten op aan oordeelsvorming (een betalingsregeling onderhandelen, beslissen wanneer leveringen stoppen, beslissen wanneer een dossier naar incasso gaat). De overige ruim zes uur was ophalen, opmaken, en wachten.

Ophalen zag eruit als: Exact openen, klantkaart zoeken, factuur zoeken, nummer kopiëren, bedrag kopiëren, vervaldatum kopiëren. Opmaken: plakken in een Outlook-template, aanhef aanpassen, PDF van de factuur eraan hangen. Wachten: mail versturen, twee tot vier dagen wachten, kijken of de klant heeft gereageerd, kijken of er betaald is, beslissen of je gaat bellen. En dan de spreadsheet, altijd weer die spreadsheet, met 1.800 regels en kleurcodering en zoekgeraakte notities.

Wat we klanten in deze positie altijd vertellen: als het werk van je team vooral ophalen en opmaken is, heb je geen debiteurenprobleem. Je hebt een context-assemblage-probleem. Het aanmanen zelf is de laatste 5%.

Wat we vervingen en wat we hielden

We hebben niet geprobeerd het oordeelswerk te automatiseren. We automatiseerden alles eromheen. De agent heeft vier taken: elke ochtend de lijst openstaande facturen uit Exact Online ophalen, elke factuur indelen in één van zes aanmaningsstatussen, in de juiste toon en taal de juiste mail opstellen en versturen, en reacties lezen om te bepalen of er een mens nodig is of dat de zaak vanzelf afgehandeld kan worden.

De teamlead doet de rest: disputen, betalingsregelingen, het besluit om leveringen te stoppen, afboekingen, dossiers naar incasso sturen. Ze krijgt elke ochtend om 09:00 een digest met de tien punten die om haar oordeel vragen. De andere 1.790 lopen al.

Hoe de agent het grootboek leest

Exact Online heeft een nette REST API. De agent haalt elk uur de lijst openstaande facturen op, plus de feed van gematchte betalingen. Per factuur berekent hij ouderdom in dagen, ouderdomscategorie, klantgeschiedenis (gemiddeld aantal dagen te laat over de afgelopen 12 maanden), klantrelatiestatus (lopende orders, recente disputen), en het laatste contactmoment met die klant, via welk kanaal dan ook.

Dat laatste veld is cruciaal. De agent verstuurt geen aanmaning als iemand binnen het bedrijf in de afgelopen 48 uur met die klant heeft gemaild of gebeld. Dat leerden we de harde weg in week twee van de pilot, toen de salesrep voor een grote klant op vrijdag een vriendelijk belletje had gepleegd, waarna de agent maandagochtend met een stugge Nederlandse herinnering aan kwam zetten. De klant was niet blij. Nu leest de agent eerst de gedeelde Microsoft 365-mailbox en de Aircall-CDR voordat hij wat dan ook opstelt.

De classificatie is rule-based, niet LLM-gedreven. Zes categorieën:

1. Pre-vervaldatum: vervalt over 0 tot 3 dagen. Zachte herinnering, vriendelijke toon, geen eis.
2. Net vervallen: 1 tot 14 dagen te laat. Eerste herinnering, neutraal.
3. Verouderd: 15 tot 45 dagen te laat. Steviger, betaalvoorwaarden herhaald, rekeningoverzicht erbij.
4. Vastgelopen: 46 tot 90 dagen te laat. Formele sommatie, met verwijzing naar de wettelijke rente onder de EU Late Payment Directive 2011/7/EU.
5. Pre-incasso: 91 tot 120 dagen te laat. Laatste aanmaning, betalingsregeling aangeboden, stop op leveringen aangekondigd.
6. Escalatie: meer dan 120 dagen. Agent verstuurt niets. Belandt in de menselijke wachtrij.

We hielden de classificatie bewust rule-based. Een LLM is goed in het schrijven van de mail. Hij is overbodig en onveilig om te beslissen wanneer je een account onder druk zet. Die beslissing moet controleerbaar en voorspelbaar zijn. Een junior accountant of de boekhouder van de klant kan de regels lezen en je vertellen in welke trap ze zitten.

Hoe de agent de mail schrijft

Dit was het onderdeel waarvan we dachten dat het lastig zou worden. Dat viel mee. De agent heeft zes templates, één per trap, met placeholders voor klantnaam, factuurnummers, bedragen, vervaldata, en de betaallink. De LLM raakt de mail alleen op drie plekken aan:

• Toonaanpassing op basis van klantgeschiedenis. Een klant van 12 jaar die elke maand op dag 38 betaalt krijgt warmere taal dan een nieuwe klant die twee betalingen achter elkaar miste.
• Taal. Nederlands, Frans, Duits, Engels, op basis van het klantenmaster. Klopt het master niet, dan wordt de reactie naar de teamlead getrieerd.
• Referenties. Heeft de klant drie maanden terug geschreven "gebruik a.u.b. ons inkoopordernummer 4477123 op de volgende factuur", dan staat dat nummer in de aanmaning.

De agent verzendt vanuit een echte mailbox (creditcontrol@), met een echt reply-to-adres. We doen ons nooit voor als een mens. De ondertekening noemt de teamlead, met een regel die zegt "deze herinnering is voorbereid door onze geautomatiseerde debiteurenassistent." Die zin was het idee van de teamlead. Ze wilde dat klanten wisten dat ze haar konden bellen als de mail niet klopte. In negen maanden hebben twee dat gedaan. Beide gesprekken werden betalingsregelingen.

De reply-loop

Ongeveer 38% van de aanmaningen krijgt een antwoord. De agent leest elk antwoord en deelt het in één van vijf intenties in: betaald (reconciliatie volgt), toezegging-tot-betalen (met datum), dispuut, kopieverzoek, overig.

"Betaald"-antwoorden worden gecheckt tegen de feed van gematchte betalingen in Exact. Komt de betaling binnen, dan sluit de thread. Komt hij niet binnen zeven dagen na de toegezegde datum binnen, dan heropent de agent de aanmaning één trap hoger. Een toezegging zet een herinnering. Verstrijkt de toegezegde datum zonder betaling, dan escaleert de agent één trap met een vriendelijk "we hadden X afgesproken, we hebben de betaling niet ontvangen, kunnen we Y afspreken."

Kopieverzoeken triggeren een automatische herzending van de factuur-PDF en het overzicht. Zo'n 11% van de antwoorden zijn kopieverzoeken. Vóór de agent kostte alleen deze categorie al zo'n 90 minuten per dag aan medewerkertijd.

Disputen en "overig" gaan naar de teamlead, met een korte samenvatting van wat de klant schreef en het advies van de agent. Ze accepteert het advies in zo'n 80% van de gevallen en schrijft het antwoord voor de andere 20% zelf.

De Q1-cijfers, met de rommelige randjes

We zijn niet dol op de marketingversie van deze cijfers, dus hier is de eerlijke.

Opgehaalde oude vorderingen: €212.000. Dit is de som van betalingen die in Q1 zijn ontvangen op facturen die bij aanvang van het kwartaal ouder waren dan 60 dagen. Niet alles is pure attributie aan de agent; een deel was sowieso wel binnengekomen. In Q1 2025 (dezelfde periode, zonder agent) was het cijfer €74.000. De delta van €138.000 is de voorzichtige lezing.

DSO: van 68 naar 49 dagen. Gestage daling door het kwartaal, met een vlakkere curve naar het eind toen de makkelijk inbare oude staart op raakte.

Bezetting: van 4 naar 1. Drie collega's stroomden door naar andere functies binnen het bedrijf (magazijncoördinatie, customer service, binnendienst sales). Geen ontslagen, wat de harde eis van de directeur was vanaf het begin.

Geannualiseerde besparing: rond de €185.000. Bespaard salaris en overhead, minus de running cost van de agent (ongeveer €1.400 per maand, vooral LLM-API en ons retainer).

Klanttevredenheid: niet slechter, mogelijk beter. De klant doet elk kwartaal een NPS. Die ging van 31 naar 38. Wij claimen die stijging niet voor de agent. We vermoeden dat het komt doordat kopieverzoeken nu binnen 90 seconden beantwoord worden in plaats van drie dagen.

Voor de macro-context: de meest recente Atradius Payment Practices Barometer zet de gemiddelde B2B-DSO in West-Europa in de hoge 50. Onze klant ging van boven het gemiddelde naar comfortabel eronder. Ze zijn niet uniek. Het werk is onsexy en reproduceerbaar.

Wat we niet automatiseerden

Dit lijstje is korter dan het geautomatiseerde, maar dit is de hele kern.

We automatiseren niet het besluit om leveringen te stoppen. Dat is een commerciële beslissing met gevolgen voor de salesrelatie. De agent markeert kandidaten; de teamlead en de salesrep beslissen samen.

We automatiseren geen afboekingen. Afboeken is een CFO-beslissing.

We automatiseren geen telefoontjes. In maart hebben we een voice-agent voor opvolgbelletjes getest. Technisch werkte het. De teamlead vroeg ons hem na twee weken terug te trekken. Haar redenering: "als een klant 90 dagen te laat is en wij hem bellen, dan heeft de relatie een menselijke stem nodig, ook als de boodschap stevig is." We waren het ermee eens. Sommige momenten zijn niet voor agents.

We automatiseren geen antwoorden op disputen. Zie de waarschuwing hierboven.

Wat we anders zouden doen

Twee dingen.

Ten eerste zouden we de check op recent menselijk contact inbouwen voordat we ook maar één testmail versturen. We bouwden het in week twee opnieuw en het kostte goodwill die we niet hoefden uitgeven.

Ten tweede zouden we de betaallink eerder integreren. De agent verstuurt nu een klantspecifieke betaallink in elke aanmaning, gegenereerd op basis van hun openstaande facturen. Ongeveer 14% van de betaalde reacties komt nu binnen via die link in plaats van een overboeking. Klanten die de link gebruiken betalen gemiddeld twee dagen sneller dan klanten die hem niet gebruiken. In de pilot hadden we dit nog niet. Dat had wel gemoeten.

De kleinste versie die je deze week kunt bouwen

Je hebt geen LLM nodig om te beginnen. Je hebt drie dingen nodig: een schone uitlees van je lijst openstaande facturen, een manier om te checken of iemand binnen je bedrijf de klant in de afgelopen 48 uur heeft aangeraakt, en één goed geschreven template per aanmaningstrap.

Kun je die drie dingen, dan draai je een debiteurenassistent uit een script en een cron job. De LLM maakt hem goed. Het pijpleidingwerk maakt hem veilig.

Toen we de email-agent voor de distributeur uit Breda bouwden, zat het lastige deel niet in het schrijven van aanmaningen. Het zat in het lezen van de gedeelde mailbox, de call log en het orderboek voordat je iets verstuurt. We hebben dat opgelost met een context-assemblage-laag die nu standaard onder elke andere AI-agent-bouw van ons zit. Verzuipt je debiteurendesk, dan is de eerste stap niet betere aanmaningen schrijven. Het is zorgen dat de agent weet wat jouw mensen al gedaan hebben.

Morgenochtend, voordat je iets anders doet: open je ouderdomsanalyse, sorteer op leeftijd, en tel hoeveel van de regels ouder dan 60 dagen een kopieverzoek hebben als laatste interactie. Is dat aantal boven de 10%, dan heb je de agent al terugverdiend.