Plinto rejser 2,9 mio. euro – AI-agenter skal fange fakturafejl i tide

Ifølge Plintos finansieringsmeddelelse fra 20. oktober 2026 har den københavnske startup rejst 2,9 mio. euro i en pre-seed-runde fra People Ventures og Emblem; virksomheden oplyser samtidig, at dens platform allerede gennemgår tusindvis af transaktioner dagligt. Kapitalen skal sætte fart på produktudviklingen og åbne nye markeder. Ambitionen er at finde fejl, mens en faktura eller betaling stadig kan standses eller rettes.

Runden blev ledet af People Ventures og Emblem med deltagelse fra business angels; stifterne er Nermina Suljevic, Jakob Nielsen og Sebastian Rehnby, og teknologidirektør Andreas Garnæs kommer ligesom dem fra Peakon, fremgår det af EU-Startups' omtale. Den nye finansiering går dermed til et produkt, der skal flytte økonomikontrol væk fra stikprøver og månedslukning og ind i den løbende behandling af transaktioner. For kunderne afhænger gevinsten af, om agenterne kan skelne reelle fejl fra udsving, som har en legitim forklaring.

Kontrollen begynder ved fakturaen

Plinto lægger et kontrollag oven på de systemer, virksomheden allerede anvender. I Plintos danske produktbeskrivelse indgår forbindelser til ERP-systemer, banker, dokumenter og samarbejdsværktøjer samt kontrol mod aftalte priser og dubletfakturaer. Det er forskellige datakilder med forskellige roller: Økonomisystemet registrerer posten, kontrakten fastlægger vilkårene, og en medarbejders svar kan afgøre, om en levering faktisk har fundet sted.

For en købsfaktura kan agenten derfor sammenholde prisen med den gældende aftale og lede efter en tidligere faktura med samme indhold. Mangler der bekræftelse på leveringen, kan den spørge indkøberen, før bogføringen fortsætter. Produktbeskrivelsens fakturaforløb er en illustration af arbejdsgangen, ikke dokumentation for, at enhver kunde har netop de kontroller slået til. Hvilke oplysninger agenten får adgang til, og hvor ajourførte de er, er afgørende for, om et fund kan bruges til en beslutning.

Et fund kan også kræve mere end en advarsel. Ved en forkert opkrævning kan næste handling være at kontakte leverandøren eller klargøre en rettelse, mens en manglende intern bekræftelse kræver svar fra den person, der kender leveringen. Denne forskel forklarer, hvorfor Plinto beskriver agenter frem for blot automatisk sortering af bilag: Systemet skal samle kontekst og føre sagen videre, men en registreret afvigelse er endnu ikke en bevist fejl.

Kundetallene viser aktivitet, ikke nettogevinst

Hos én kunde finder agenterne ifølge Vestbees omtale omkring 430 afvigelser om måneden i én del af forretningen; hos en anden blev en dubletfaktura med et lidt ændret leverandørnavn fanget inden for et minut. Mediet omtaler også betalende kunder og pilotprojekter inden for logistik, ejendomme, facilitetsservice og fødevareproduktion. Oplysningerne om fund og kunder stammer fra Plinto, og de fortæller ikke, hvor mange af de markerede poster der endte som bekræftede fejl.

En afvigelse kan være en for høj pris, en dublet eller en manglende leveringsbekræftelse, men den kan også afspejle en gyldig prisændring eller to forskellige leverancer med ens beløb. Et højt antal fund er derfor ikke det samme som et tilsvarende antal undgåede fejlbetalinger. Hvis medarbejderne skal undersøge mange falske alarmer, kan en del af tidsgevinsten ved automatiseringen forsvinde, selv om kontrollen finder sted tidligere.

Der er også forskel på at opdage et problem før betaling og på at få pengene tilbage efter betaling. Den første situation kan muligvis afværges med en pause, en rettet postering eller en ny faktura; den anden kræver kontakt til modparten og en efterfølgende afstemning. For Plintos model er timingen derfor central: En agent, der først reagerer efter bankens gennemførsel, leverer en anden værdi end en agent, der skaber et beslutningsgrundlag, mens betalingen stadig afventer.

Godkendelse og datakoblinger afgør grænsen

Jakob Nielsen forklarer i Tech Funding News' interview, at agenten efter kundens ønsker kan spørge brugeren, foreslå en handling eller udarbejde en besked til en leverandør, så “the human has control of what the AI does.” Den beskrivelse gør opsætningen vigtig: At foreslå en kreditnota, sende beskeden og ændre bogføringen er forskellige niveauer af handlefrihed. Den relevante grænse er, hvilke trin der altid venter på et menneskes godkendelse, og hvilke agenten selv må afslutte.

En forkert kobling mellem leverandørnavn, kontrakt og faktura kan give en falsk alarm, men kan også skjule en reel dublet. Forældede priser i aftalegrundlaget kan på samme måde få en korrekt opkrævning til at ligne en fejl. Når agenten henter data fra flere systemer, bliver registreringernes kvalitet og deres indbyrdes sammenhæng derfor lige så vigtig som selve AI-modellen. En brugbar kontrolhistorik må vise, hvilke vilkår der blev brugt, hvilke svar der kom fra mennesker, og hvilken handling der fulgte.

De offentliggjorte kundeeksempler giver endnu ingen sammenlignelig opgørelse over falske alarmer, rettede fejl eller penge sparet. Det næste konkrete bevis for løftet om løbende kontrol bliver derfor kundedata, som skiller fund fra bekræftede fejl og viser, om betalinger faktisk blev standset i tide. Uden den skelnen er det svært at vurdere, hvor meget af gevinsten der skyldes hurtigere opdagelse, og hvor meget arbejde der blot er flyttet til de medarbejdere, som skal godkende agentens forslag.

Læs også:

• Causa Prima rejser 20 mio. dollar – AI skal forhandle fakturaer
• Schneider køber PTC – ny gæld skal finansiere op til 17 mia. euro
• Finanstilsynet åbner for AI og tokenisering – men styringen skal følge med