KRÓTKA ODPOWIEDŹ
Modele językowe z obsługą obrazu odczytują faktury i wyciągi bankowe bez pisania szablonu pod każdy format. Poprawnie zbudowany proces ma cztery etapy: odczyt dokumentu, wymuszenie ustalonej struktury danych (np. JSON ze schematem), automatyczna kontrola poprawności — sumy, daty, numery kont, NIP — i kolejka do ręcznego sprawdzenia dla pozycji o niskiej pewności. Bez etapu kontroli automat generuje błędy księgowe szybciej, niż człowiek je wyłapie.
- Stare OCR-y wymagały szablonu na każdy układ dokumentu; modele multimodalne nie.
- Wynik warto wymuszać jako strukturę z określonym schematem, nie jako swobodny tekst.
- Sumy kontrolne wyłapują większość błędnych odczytów bez udziału człowieka.
- Pozycje o niskiej pewności powinny trafiać do kolejki weryfikacji, a nie wprost do księgi.
- Każdy odczyt trzeba dowiązać do oryginalnego pliku i strony na potrzeby audytu.
Dlaczego stare OCR-y męczyły
Klasyczne narzędzia trzeba było uczyć każdego układu osobno: tu numer faktury, tu kwota, tu data. Wystarczyło, że dostawca zmienił szablon, i wszystko się sypało.
Model multimodalny patrzy na dokument tak jak człowiek: rozumie, że „Razem do zapłaty” to kwota końcowa, nawet jeśli stoi w innym miejscu niż zwykle.
Zaufanie buduje się na kontroli, nie na wierze
W systemie do wyciągów bankowych, który zbudowaliśmy dla biura rachunkowego, żadna pozycja nie wchodzi dalej, jeśli saldo początkowe plus operacje nie dają salda końcowego. To jedna prosta reguła, która wycina większość cichych błędów.
Do tego dochodzą sprawdzenia formatu: numer konta, NIP, data w zakresie okresu rozliczeniowego. Nudne, tanie, skuteczne.
Człowiek na końcu, ale tylko przy wątpliwościach
Celem nie jest wyeliminowanie człowieka, tylko oszczędzenie mu 95% klikania. Jeśli system pokazuje do sprawdzenia dwadzieścia pozycji zamiast dwóch tysięcy, robota z całego dnia robi się z pół godziny.
Ważne, żeby przy każdej pozycji dało się jednym kliknięciem zobaczyć oryginalny fragment dokumentu. Bez tego weryfikacja trwa dłużej niż ręczne przepisanie.