OCR i automatyczne przetwarzanie dokumentów: jak firmy odzyskują czas

Ręczne przepisywanie danych z dokumentów to jedna z najdroższych prac w firmie, bo zajmuje dużo czasu, a jej wynik ma zerową wartość dodaną, dopóki nie ma w nim błędu. Wtedy ma wartość ujemną. Automatyczne przetwarzanie dokumentów zdejmuje tę pracę z ludzi, pod warunkiem że jest dobrze zaprojektowane.

Czym różni się OCR od przetwarzania dokumentów przez AI?

OCR (optyczne rozpoznawanie znaków) zamienia obraz, na przykład skan faktury, w tekst. Sam w sobie nie wie jednak, co ten tekst znaczy. Widzi „1 250,00", ale nie wie, czy to kwota netto, brutto, czy numer konta.

AI dokłada rozumienie: rozpoznaje, który fragment to sprzedawca, które wiersze to pozycje, jaka jest stawka VAT i jak te dane przełożyć na strukturę Twojego systemu. Dopiero połączenie obu daje dane, z którymi da się pracować.

Przykład: audyt faktur w Medby

W Medby każdy potencjalny klient przesyłał fakturę zakupową, a zespół przygotowywał audyt: ile placówka zaoszczędziłaby, kupując produkty w Medby. Ręcznie oznaczało to odczytanie PDF-a albo skanu, identyfikację produktów, ilości i cen, porównanie z bazą liczącą dziesiątki tysięcy pozycji, wyszukanie zamienników i przygotowanie dokumentu w Excelu. Około 4 godzin na jeden audyt.

System, który zbudowaliśmy:

1. Przyjmuje faktury w dowolnej formie, PDF-y i skany, z OCR tam, gdzie trzeba.
2. Odczytuje pozycje: produkty, ilości, ceny i dostawców.
3. Dopasowuje je do katalogu. Jeśli produkt istnieje, przypisuje go bezpośrednio. Jeśli nie, szuka zamienników.
4. Generuje audyt w formacie identycznym z tym, który wcześniej przygotowywał pracownik.
5. Uczy się na korektach. Zespół ocenia dopasowania, a informacja wraca do systemu i poprawia kolejne wyniki.

Dlaczego skala danych zmienia architekturę?

Przy dziesiątkach tysięcy produktów nie da się „dać modelowi całej bazy". Byłoby to wolne, drogie i podatne na błędne dopasowania. Dlatego w Medby modele pracują na wcześniej ustrukturyzowanych i odfiltrowanych zbiorach, mechanizm wyszukiwania zawęża kontekst do najbardziej pasujących produktów, a wiele kroków wykonuje się równolegle. To właśnie te decyzje architektoniczne, a nie sam model, zdecydowały o czasie liczonym w minutach, a nie godzinach.

Nie każdy dokument trzeba skanować

Najlepsze OCR to takie, którego nie potrzebujesz. Jeśli dane istnieją w wersji ustrukturyzowanej, zawsze są pewniejsze niż odczyt z obrazu. W naszym panelu operacyjnym polskie faktury kosztowe pobieramy wprost z rządowego KSeF, jako dane prosto z Ministerstwa Finansów, a nie odczyt z PDF-a. AI wyciąga kwoty netto i VAT tylko z tego, czego w KSeF nie ma, czyli głównie z faktur zagranicznych, które przychodzą mailem.

Gdzie AI nie powinno liczyć?

Model językowy świetnie rozpoznaje, co jest czym, ale liczy kiepsko. Dlatego u nas obowiązuje zasada: model odczytuje, kod liczy. Dobrze to widać przy dopasowaniu płatności do faktur. Faktura na 18,00 EUR pojawia się na wyciągu jako 80,52 PLN, a 42 z 71 naszych faktur kosztowych były w obcej walucie. AI dopasowuje płatność tak, jak zrobiłby to człowiek: po kontrahencie i dacie. Przeliczenie kursem NBP z dnia płatności robi jednak kod i podaje modelowi gotowy wynik razem z odchyleniem w procentach.

Co, jeśli system nie jest pewny?

Zostawia pole puste i przekazuje sprawę człowiekowi. Fałszywe dopasowanie jest gorsze niż brak dopasowania, bo może po cichu zafałszować koszty albo odliczenie VAT, a nikt tego nie zauważy. W naszych systemach niepewność zawsze trafia do kolejki potwierdzeń, a jednoznaczne przypadki (ta sama kwota, ta sama waluta, dokładnie jedno dopasowanie po obu stronach) paruje osobny, prosty automat.

Gdzie automatyczne przetwarzanie dokumentów daje najwięcej?

• Faktury kosztowe i zakupowe: pozycje, kwoty, VAT, dopasowanie do płatności.
• Zamówienia od klientów przychodzące jako PDF albo mail.
• Analiza dokumentów sprzedażowych, jak audyty i porównania ofert.
• Formularze i wnioski o stałym wzorze.
• Transkrypty spotkań: w naszym panelu AI wyciąga z nich ustalenia, zadania i ryzyka, a zadania jednym kliknięciem stają się zgłoszeniami.

Na co uważać przy wdrożeniu?

1. Jakość wejścia. Pomięte skany, zdjęcia pod kątem i pismo odręczne obniżają skuteczność. Warto ustalić minimalną jakość dokumentów.
2. Dane wrażliwe. Faktury trzymamy w prywatnej strefie plików, dostępnej wyłącznie przez podpisane linki, które wygasają.
3. Treść dokumentu to dane, nie polecenia. Dokument albo mail może zawierać tekst próbujący zmanipulować AI. System musi go traktować wyłącznie jako materiał do odczytu.
4. Pomiar przed i po. Bez pomiaru czasu przed wdrożeniem nie udowodnisz zwrotu po nim.

Zobacz, jak realizujemy automatyczne przetwarzanie danych i dokumentów oraz automatyzację procesów. Jeśli chcesz sprawdzić, ile czasu odzyskasz na swoich dokumentach, umów bezpłatną konsultację.

Źródła

1. LUNOLAB, case study: automatyzacja audytu faktur w Medby.
2. LUNOLAB, case study: panel operacyjny firmy (KSeF, dopasowanie płatności).