Rozmawiałem niedawno z właścicielem firmy handlowej, który powiedział coś, co brzmiało jak dobry problem: „Sprzedaż rośnie, ale księgowość nie nadąża”. Dopiero po chwili dodał: „I nie wiem, czy zatrudnienie kolejnej osoby cokolwiek zmieni.”
To nie był problem braku rąk do pracy. Zespół pracował na pełnych obrotach, zdarzały się nadgodziny, a zamknięcie miesiąca i tak się przeciągało. Dyrektor finansowy raportował, że potrzebuje zwiększenia etatu. Właściciel pytał: „Ale rok temu mieliśmy podobny wolumen i dawaliśmy radę?” Odpowiedź brzmiała standardowo: „Teraz mamy więcej kontrahentów, więcej faktur, bardziej złożone rozliczenia.”
Prawda była prostsza i bardziej frustrująca: każda faktura wymagała ręcznego przepisania. Pięćset faktur miesięcznie, przy czasie 3–5 minut na dokument, oznacza od 25 do blisko 42 godzin pracy pochłoniętych przez czynność, która nie wymaga myślenia. Tylko uwagi i cierpliwości.
Pracownik księgowości otwiera PDF, przepisuje datę wystawienia, numer faktury, dane kontrahenta, pozycje, kwoty. Musi utrzymywać koncentrację, bo literówka w numerze konta czy przestawiona cyfra w kwocie to przyszły problem przy rozliczeniu. Po trzeciej godzinie takiej pracy uwaga naturalnie słabnie. Ten człowiek nie robi nic twórczego – wykonuje funkcję skanera z palcami.
Problem, który rośnie razem z biznesem
Najgorsze było to, że nie dało się tego procesu przyspieszyć bez zmiany metody. Jedyną opcją było zwiększenie liczby rąk do pracy. Dwie osoby przepisujące to wciąż przepisywanie, tyle że droższe.
Firma trafiła w typowy sufit. Albo ogranicza wzrost, albo zatrudnia coraz więcej osób do czynności nietwórczej. Marża na operacjach spada z każdym nowym klientem, bo koszt obsługi dokumentacyjnej rośnie wprost proporcjonalnie do wolumenu.
A błędy? Każda pomyłka przy przepisywaniu ma swój koszt. Prawdziwy problem jest głębszy niż sama literówka – błędy w danych księgowych odkrywane są zwykle z opóźnieniem. Przy zamknięciu miesiąca, przy kontroli, przy rekoncyliacji z kontrahentem. Główna księgowa zamyka miesiąc, bilans VAT nie zgadza się o 360 złotych. Zaczyna szukać. Po dwóch godzinach znajduje – ktoś wpisał 2 847 zamiast 2 487. Teraz trzeba skorygować zapis, przeliczyć deklarację, może wysłać korektę. Te dwie godziny to czas wykwalifikowanego specjalisty zmarnowany na szukanie igły w stogu siana.
Właściciel wiedział, że istnieją narzędzia do automatycznego czytania faktur. Może nawet widział demo. Ale ktoś z działu prawnego powiedział: „Te narzędzia wysyłają dane do chmury. Jeśli coś wycieknie, odpowiadamy my.” I temat umarł.
Co naprawdę stało za problemem
Naturalna pokusa brzmiała: weźmy najpotężniejszy dostępny model AI i każmy mu czytać faktury. GPT-4 świetnie radzi sobie z tekstem, więc poradzi sobie z fakturą.
Problem w tym, że każde wywołanie zewnętrznego modelu AI oznacza, że pełna treść faktury – z imieniem i nazwiskiem kontrahenta, jego adresem, numerem konta, czasem telefonem – opuszcza firmę i trafia na serwery amerykańskiej korporacji. Nawet jeśli dostawca deklaruje, że „nie przechowuje danych”, firma nie ma nad tym żadnej kontroli.
Kara za naruszenie RODO może sięgać 4% rocznego obrotu lub 20 milionów euro, w zależności co wyższe. Ale nawet bez kary – jeden publiczny incydent wycieku danych kontrahentów to utrata zaufania, która kosztuje więcej niż jakakolwiek grzywna.
Druga pokusa: maskowanie danych przed wysłaniem do AI. Wykryjmy dane osobowe, zamaskujmy je, wyślijmy tylko „bezpieczną” wersję. Testowaliśmy to podejście. Model wykrywający dane osobowe działa statystycznie – czasem się myli. Na dokumentach z literówkami OCR, na fakturach od zagranicznych kontrahentów z nietypowymi nazwiskami, na niestandardowych formatach – model przepuszczał dane, które powinien zamaskować.
Mogliśmy ustawić bardzo agresywne maskowanie – blokuj wszystko, co może być daną osobową. Efekt: ponad połowa dokumentów była blokowana jako „potencjalnie zawierająca niezamaskowane dane”. System, który blokuje połowę dokumentów, nie jest automatyzacją – jest dodatkową przeszkodą.
Nie da się mieć jednocześnie „prawie zawsze działającego wykrywania” i „gwarancji zero wycieków”. Te cele są sprzeczne.
Czego faktycznie potrzebowali
Klient chciał 100% automatyzacji dzięki AI. Faktycznie potrzebował czegoś innego: niezawodnego procesu, który gwarantuje brak wycieków i radzi sobie z większością dokumentów automatycznie, a resztę płynnie kieruje do człowieka.
Wizja „AI zrobi wszystko” brzmi atrakcyjnie, ale pomija realia. Dokumenty księgowe są różnorodne – czytelne i nieczytelne, standardowe i egzotyczne, kompletne i urwane w połowie skanu. Żaden system – ani człowiek, ani AI – nie osiągnie 100% poprawności na 100% dokumentów.
Realne pytanie nie brzmi „czy system osiąga 100%?”, tylko: co się dzieje z dokumentami, których system nie potrafi przetworzyć? Ile czasu kosztuje obsługa wyjątków? Czy proces jest przewidywalny?
Wybraliśmy rozwiązanie, które działa całkowicie lokalnie. Żadne dane z dokumentów nie trafiają na zewnętrzne serwery. Jest konstrukcyjna blokada – nie deklaracja proceduralna „obiecujemy, że nie wysyłamy”, tylko fizyczna niemożliwość „nie ma jak wysłać”.
W praktyce 56% dokumentów może zostać przetworzonych automatycznie, bez udziału pracownika, a pozostałe 44% trafia do weryfikacji wtedy, gdy system nie ma wystarczającej pewności co do poprawności odczytu. Przy 10 000 dokumentów miesięcznie oznacza to około 5 600 dokumentów, których pracownik nie musi już ręcznie przepisywać ani weryfikować.
Pozostałe 44% trafia do kolejki weryfikacji. Nie dlatego, że system „coś spartaczył” – dlatego, że nie ma pewności. Dokument jest nieczytelny, format niestandardowy, coś się nie zgadza matematycznie. System nie zgaduje – albo ma pewność, albo kieruje do człowieka.
Co się zmieniło w praktyce
Jeśli wcześniej pracownik spędzał sześć godzin dziennie na przepisywaniu dokumentów, teraz spędza około trzech godzin na weryfikacji tych wymagających uwagi. Pozostały czas może poświęcić na zadania wymagające myślenia – analizę, wyjaśnianie rozbieżności, kontakt z kontrahentami.
System matematycznie waliduje kwoty: sprawdza, czy netto plus VAT równa się brutto. Choć samo to równanie nie jest 100-procentowym gwarantem odczytu (np. przy symetrycznym błędzie separatorów dziesiętnych), stanowi ono potężną pierwszą linię obrony, która natychmiast wyłapuje i kieruje do weryfikacji większość prostych pomyłek.
Główna księgowa nie musi już szukać rozbieżności wynikających z literówek przy przepisywaniu. Jeśli bilans się nie zgadza, przyczyna leży gdzie indziej – błąd na fakturze źródłowej, błąd klasyfikacji. To zawęża obszar poszukiwań i przyspiesza diagnostykę.
Manager zespołu księgowego może planować obciążenie. Wie, że ze stu dokumentów około czterdziestu czterech trafi do kolejki weryfikacji. Może przydzielić odpowiednią ilość czasu. Nie ma niespodzianek w postaci „trzeba wszystko sprawdzić od nowa”.
Firma może z czystym sumieniem powiedzieć kontrahentom i audytorom: „Wasze dane są przetwarzane wyłącznie lokalnie. Nie opuszczają naszej infrastruktury.” To zamyka dyskusję o zgodności z RODO.
To nie był projekt wdrożenia AI ani transformacji cyfrowej. To była konkretna decyzja operacyjna: jak przetworzyć rosnący wolumen dokumentów bez proporcjonalnego wzrostu kosztów osobowych i bez narażania firmy na ryzyko regulacyjne. Skalowanie firmy wymaga skalowania procesów, nie liczby ludzi wykonujących te same czynności w kółko.
Zobacz powiązane case studies i analizy
Procesy, architektura i workflow powiązane z tematami poruszanymi w tym materiale – od integracji i realtime systems po automatyzacje operacyjne.