AI w finansach firmy: co można automatyzować, a czego nie warto oddawać modelowi

Trzy koszyki: automatyzuję, nie oddaję, sprawdza człowiek

Trzy przykłady z wdrożeń

1. 1Parser sprawozdań z KRS – kilkanaście spółek jedną metodąPliki XML e-Sprawozdań mają jedną strukturę, ale trzy warianty (jednostka mała, inna, mikro) i różne noty. Skrypt wczytuje bilans, RZiS i przepływy, uzgadnia je i liczy czternaście wskaźników w pięciu modułach z ratingiem. Modelu językowego tu nie ma – to czysty kod, bo struktura jest znana. Efekt: analiza porównawcza kilkunastu spółek w godzinę zamiast w tydzień; te same wskaźniki, ta sama metodyka, zero przepisywania.
2. 2Kontroler ksiąg dla biura rachunkowego – sto reguł zamiast okaEksport z programu księgowego, plan kont i polityka rachunkowości jako dane wejściowe; około stu reguł (VAT i terminy, kontrahenci wobec białej listy, KSeF, kursy NBP, salda kont, które nie powinny mieć salda) i kilkaset testów. Model językowy pojawia się w jednym miejscu: przy niejasnym opisie księgowania proponuje klasyfikację, którą księgowa zatwierdza. Efekt: błędy widoczne przed zamknięciem miesiąca, księgowa pracuje nad wyjątkami, panel dla właściciela biura mówi, w której spółce co dziś nie przeszło.
3. 3Raport zarządczy z modelu – jedna liczba w trzech dokumentachSkrypt czyta model w Excelu (rachunek wyniku zarządczego, alokacja, płynność), buduje panel HTML, raport PDF i prezentację – po polsku i po francusku dla właściciela za granicą. Kontrole domknięcia (suma segmentów = RZiS, bilans się spina) zatrzymują publikację, gdy coś się nie zgadza. Model językowy pisze pierwszą wersję komentarza „co się zmieniło”; ja go poprawiam i podpisuję. Efekt: zamknięcie raportu z tygodnia do godziny, koniec z trzema wersjami tej samej marży.

Dlaczego model nie może liczyć

Model językowy przewiduje następny fragment tekstu. Dla „2 × 3” przewidzi „6”, bo widział to milion razy; dla „7,96 + 14,75 zdyskontowane przy 11,3 %” przewidzi coś, co wygląda na wynik – i będzie się mylił o kilka procent w sposób, którego nie widać. W wycenie kilka procent to kilkaset tysięcy złotych. Dlatego w moich narzędziach model nigdy nie zwraca liczby, która trafia do raportu: zwraca klasyfikację, propozycję albo tekst, a liczby liczy kod z testem. To nie jest ostrożność – to jest różnica między narzędziem a ryzykiem.

Lista kontrolna przed wdrożeniem

1. Który jeden raport zjada najwięcej godzin? Od niego zaczynasz – nie od „strategii AI”.
2. Czy dane wchodzą przez jedną bramę z walidacją i logiem? Jeśli nie, najpierw brama.
3. Gdzie są dane osobowe i wynagrodzenia – i czy model ma do nich dostęp? Ma nie mieć.
4. Które kontrole da się zapisać jako regułę z testem? Wszystkie takie idą do kodu, nie do modelu.
5. Kto podpisuje wynik? Jeśli odpowiedź brzmi „nikt, bo to automat”, wdrożenie jest niegotowe.
6. Czy jest rejestr pułapek i instrukcja odświeżania? Narzędzie ma przeżyć autora.

Usługa: automatyzacja finansów i AI