Umělá inteligence mění řadu zažitých procesů i díky efektivnímu vytěžování dat z dokumentů. O možnostech a  základních principech pojednával můj článek v minulém čísle. Pojďme se ale nyní podívat na praktické aspekty této technologie v oblasti účetnictví, finanční správy a auditu. Konkrétně na automatizované vytěžování dat z faktur a účtenek, které umožňuje ušetřit čas, peníze a lidské zdroje. Jak funguje tato technologie? Jaké jsou její výhody a omezení? A jaké jsou skutečné zkušenosti firem, které ji používají?

 

Jak to bývalo, nebo možná někde ještě je

Vytěžování faktur a účtenek bez využití AI bylo zdlouhavé a náročné. Buď bylo nutné ručně přepisovat data z papírových nebo digitálních dokumentů do elektronické podoby, což zvyšovalo riziko chyb a ztráty informací, nebo používat klasické systémy optického rozpoznávání znaků (OCR), které vyžadovaly vytváření a udržování specifických šablon pro každý typ faktury a dodavatele. To znamenalo, že jakákoli změna ve formátu nebo obsahu faktury vyžadovala aktualizaci šablony, což bylo časově i finančně nákladné. Bohužel si řada lidí myslí, že to je stále stejné a nepostřehli změnu, kterou přineslo využití umělé inteligence, přesněji její části pod označením strojové učení (Machine Learning, ML).

 

Nastupuje umělá inteligence a mění hru

Umělá inteligence na bázi strojového učení přináší několik významných změn oproti dřívějším metodám zpracování faktur a účtenek. Mezi ně patří především výrazně vyšší přesnost extrakce dat z různých typů a formátů dokumentů, bez nutnosti vytvářet a aktualizovat šablony pro každého dodavatele nebo zákazníka, či možnost adaptace a učení modelů na požadavky konkrétního klienta, což umožňuje zpracovat i nestandardní, složité nebo nové typy dokumentů. Současně je využití této technologie stále jednodušší a postupně i ekonomicky dostupnější než dříve. Na trhu je na výběr hned několik různých řešení, která se dají integrovat vašich systémů a to jak ERP, CRM či DMS a workflow. Tato řešení můžete dle počtu a citlivosti údajů pak buď využívat jako cloudovou službu, nebo je možné některé z nich nasadit i přímo ve vašem datovém centru. Poslední dobou tyto nástroje, ať již vlastní, nebo externí, začínají do svých systémů integrovat jak globální, tak lokální producenti ekonomických a účetních programů. Což mi ve finále přijde jako nejlogičtější varianta.

 

Nastavte si správná očekávání

Řešení tedy existují, ale rovnou si na rovinu řekněme, že dosáhnout 100% úspěšnosti není úplně reálné a plně automatizované zpracování faktur či účtenek je také zatím spíše snem. Vždy tam zatím bude muset být kontrola zkušeným účetním a případné doplnění, upřesnění. I tak má ale vytěžování smysl a velký přínos. Je totiž opravdu rozdíl mezi přepisováním celé faktury a opravou, či doplněním, jednoho nebo dvou údajů. Pokud tedy budeme brát AI jako nástroj odebírající dle praktických zkušeností zhruba 60-80% práce při zpracování těchto dokladů, budeme mít stále velice slušnou návratnost a k tomu zlepšení spokojenosti lidí, kteří nebudou muset dělat tolik rutinní práce. Další úspory času a zrychlení procesu se dají získat optimalizací před a po zpracování dokladů, například kontrola vůči objednávce, dopočítání a kontrola sazeb DPH, a pochopitelně optimálním napojením na schvalovací procesy. O tom ale třeba v některém z dalších článků.

 

Když 95 % není 95 %

Při diskusích o úspěšnosti vytěžování dat z daňových dokladů pomocí umělé inteligence se často setkávám s otázkou na procentuální úspěšnost. Někteří výrobci těchto nástrojů uvádějí číslo někde mezi 90 a 95 %. Lidé si pak často myslí, že jen 5 % faktur je pak potřeba ručně upravovat a zbytek je úplně v pořádku. Bohužel je to lehce zavádějící údaj. Často je toto číslo totiž vztaženo k úspěšnosti vytěžení všech políček/položek na faktuře, nebo dokladu. Je tedy lepší se ptát kolik procent faktur projde bez jediné chyby, kolik s jednou, se dvěma atd. Například 60 % faktur bez jediné chyby je už celkem slušný výsledek. Druhým aspektem je pak úspěšnost při porovnání vytěžování hlavičky faktury (dodavatel, datum vystavení, splatnosti, číslo objednávky, daňová tabulku, cena celkem …), kde bývá úspěšnost vcelku vysoká, a při vytěžování také všech položek na faktuře. Zde je, i díky „kreativitě“ autorů faktur, někdy problém poznat jednotlivé položky i při posouzení zkušeným člověkem. Tedy zákonitě je pak úspěšnost nižší a může ovlivnit celková čísla. Velmi ale záleží, zda je takto podrobné vytěžování vlastně potřeba. Často se setkávám s tím, že například menší firmy vůbec položky do účetnictví nepřenáší a u velkých je to zase naopak navázáno na konkrétní objednávku a tam už je struktura položek zadána a je naopak žádoucí ji dodržet jednotnou v rámci systému. Tak jako tak, je důležité vědět, jak jsou procenta úspěšnosti v konkrétním případě počítána a co je vlastně zadáním.

 

Způsoby zapojení AI do procesu

Dalším důležitým bodem ke zvážení v případě nasazování AI nástrojů pro vytěžování faktur či účtenek je způsob zapojení tohoto nástroje do celého procesu a navazujících SW – ať již ERP či jiných. Variant je řada, tak jako je řada firem, které o nasazení uvažují. V praxi se ale nejčastěji setkávám s následujícími čtyřmi:

  • Samostatný externí nástroj na vytěžování a zpracování. V tomto případě se nasadí ucelený nástroj, který zahrnuje celý proces příjmu, vytěžení, kontroly, případného schvalování, někdy i platby. Pak se výsledná data „jen“ přenesou do ekonomického/účetního software. Výhodou těchto řešení je kompaktnost a relativně rychlé nasazení. Často jsou to ale na druhou stranu řešení poskytovaná jako služba a bez možnosti úprav pro potřeby konkrétního klienta. Hodí se tak spíše pro menší společnosti.
  • Vytěžení a přenos do ekonomického systému. Druhou, relativně základní, variantou je situace, kdy se faktury/účtenky základní obslužnou aplikací pošlou na vytěžení a data jsou pak rovnou zaslána do ekonomického systému pro další zpracování, jako je kontrola či schvalování. Tato varianta bývá použita spíše jen v rámci pilotních nasazení.
  • Obslužná aplikace pro zpracování. Ve středně velkých společnostech se nejčastěji setkávám s variantou, kdy prim hraje procesní aplikace. Tedy příjem, kontrolu, zpracování a schvalování zajišťuje interní aplikace (například v rámci nějakého DMS, agendového řešení, či vytvořena v Low-code platformě používané v rámci společnosti). V tomto případě si v jednu chvíli tato aplikace zavolá AI nástroj pro konkrétní dokument a dostane zpět vytěžená data k dalšímu zpracování. No a na konci je opět přenos dat ERP/účetnictví pro finální zaúčtování a zpracování v rámci reportingu.
  • Všemu vládne ERP. Ve velkých společnostech se pak nejčastěji většina agend z této oblasti řeší přímo v ERP systému. Ten zajistí příjem dokumentu, zažádá si u interního či externího AI nástroje o vytěžení dat a pak již vše běží jako normálně, včetně schvalování, zaúčtování, reportingu. Výhodou je minimální narušení stávajících procesů a zvyklostí uživatelů, při současném zvýšení komfortu účetních a snížení jejich zatížení prostým přepisováním dat. Mohou se tak věnovat důležitějším agendám.

 

Zajímavé postřehy z praxe

Mohl bych se dále a podrobně rozepisovat o tom, jak AI v tomto případě vlastně funguje, jak probíhá učení modelů pro vytěžování, ale bylo by to ale obsáhlé a vydalo spíše na další článek. A tak si závěrem dovolím spíše přidat pár postřehů z praxe.

  • Prvním je skutečnost, že AI dokáže pozitivně (ale i negativně) překvapit – oproti očekávání totiž například celkem dobře vyčítá ručně psané účtenky, není tedy třeba se jich nějak výrazně bát.
  • Druhým postřehem pro nasazování těchto nástrojů je velmi velký význam opravdu dobrého UX pro kontrolu a úpravy vytěžených dat, musí to být velmi intuitivní a rychle ovladatelné, jinak s ním účetní týmy budou práci spíše bojkotovat.
  • Tyto modely jsou založeny na průběžném učení. Tedy pokud se setkáváme s doklady, které nejsou spolehlivě vyčteny, je vhodné je ručně (či automatizovaně) označit jako podklad pro doučení. Nicméně vlastní anotaci pro učení modelu nechte na proškolených osobách. Představa, že to v rámci své práci předpřipraví účetní při kontrole dokladu, není reálná. Z různých důvodů.
  • Někdy chyba AI není vlastně chyba AI. Proč? Protože někdy je doklad již chybně vystaven. A tak tam může být špatný výpočet, chybný údaj, případně je kreativita na straně vydavatele taková, že to nerozluští správně ani zkušený člověk.

 

I přes některá omezení, a stále ještě ne 100% přesnost, je vytěžování faktur a účtenek pomocí umělé inteligence jedním z často využívaných scénářů využití AI. Brzy snad už budou převažovat organizace, které faktury a účtenky nepřepisují. Budete mezi nimi i vy?