Niet ieder loonverschil is een fout. Maar je moet wel weten waar het vandaan komt.
Iedere maand vergelijkt een salarisadministrateur de nieuwe salarisverwerking met de vorige. Welke bedragen zijn veranderd, welke mutaties verklaren dat en klopt het nettoloon dat uiteindelijk wordt uitbetaald?
Eén bronmutatie werkt alleen op veel meer plekken door dan je direct ziet. Een hoger brutoloon verandert ook pensioen, verzekeringen, afdrachten en nettoloon. Al die gevolgen moeten te herleiden zijn tot die ene wijziging.
Eén verantwoordelijkheid. Opnieuw opgebouwd.
Niet de hele functie. Dit is het afgebakende stuk werk dat opnieuw is gebouwd, met de uitkomst als vast punt en de bestaande werkwijze alleen als bron van bewijs en uitzonderingen.
Een veranderd loonbedrag herleiden tot de mutatie die het veroorzaakt, of het als onverklaard markeren.
Ieder materieel loonverschil is volledig verklaard voordat de salarisverwerking wordt geaccepteerd.
Dat ieder gevolg van één bronmutatie als een los verschil handmatig moest worden onderzocht.
Hielp de afhankelijkheden begrijpen en de controlemotor bouwen. De productiecontrole rekent zelfstandig terug naar de bron.
De salarisexpert beoordeelt of de bronmutatie inhoudelijk klopt en onderzoekt alleen wat onverklaard blijft.
In de praktijk daalde het handmatig te onderzoeken aantal mutaties met een factor twintig tot dertig.
Het wordt moeilijk zodra wijzigingen door elkaar lopen
Bij één medewerker met één wijziging is dat nog te volgen. Maar een cao-wijziging raakt tegelijk een grote groep. Daar kunnen per medewerker, afdeling of locatie nog andere mutaties bovenop komen. Een verhuizing, andere uren of een persoonlijke salariswijziging loopt dan door dezelfde berekening heen.
De vraag is niet alleen waar een bedrag veranderde. De vraag is of iedere verandering volledig wordt verklaard door de bronmutaties, of dat er onderweg iets anders is gebeurd dat niet klopt.
Van tienduizenden formule-elementen naar de absolute bron
Met AI analyseerden we de looncomponenten en berekeningen die nodig waren om verschillen terug te rekenen. Afhankelijk van de klant zijn dat honderden tot duizenden looncomponenten, opgebouwd uit tienduizenden formule-elementen.
Het doel was niet om de hele salarisfunctie vast te leggen. AI hielp de relevante afhankelijkheden vinden en een aparte controlemotor bouwen. Die zoekt bij iedere wijziging de absolute bron op en rekent terug of die bron het gewijzigde bedrag volledig kan verklaren. Lukt dat niet, dan stopt de controle bij het eerste onverklaarde verschil.
AI bouwde de controle. AI ziet de lonen niet
We ontwikkelden de controlemotor met dummydata. Nadat de werking vaststond, is de aparte tool rechtstreeks aangesloten op de echte salarisdata, zonder verbinding met AI.
Er gaat dus geen salarisregel of andere informatie van echte medewerkers naar een AI-dienst. AI hielp de logica begrijpen en de software bouwen; de productiecontrole draait zelfstandig in de omgeving van de klant.
Twintig tot dertig keer minder mutaties controleren
De controle brengt het aantal mutaties dat een salarisadministrateur handmatig moet onderzoeken terug met een factor twintig tot dertig. Alleen een verandering die niet volledig te verklaren is, vraagt nog om menselijk onderzoek.
Daarmee verandert het vak. De salarisadministrateur hoeft niet langer eindeloos te bevestigen wat logisch doorwerkt, maar onderzoekt de uitzonderingen waar vakkennis werkelijk nodig is.
Gebouwd met de mensen die het werk kennen
We trainen salarisadministrateurs eerst in het gebruik van AI. Daarna bouwen we dit soort controles samen en leren we hen hoe ze de software zelf onderhouden, uitbreiden en aanpassen wanneer looncomponenten of regels veranderen.
Zo blijft niet alleen de automatisering achter, maar ook de kennis om de volgende verbetering zelf te bouwen.
Hoeveel mutaties controleer jij alleen om te bevestigen dat ze logisch zijn?