Jak malá účetní kancelář přestala ručně přepisovat 2 000 faktur měsíčně

Existuje zvláštní druh únavy, který pramení z přepisování čísel z papíru do kolonky na obrazovce — celý den, s vědomím, že by to měl dělat stroj. Kancelář z tohoto příběhu to věděla. Věděla to léta. Co jí chybělo, byla jasná představa, kde začít, kolik to bude stát a jestli to celé obstojí v neuspořádané realitě skutečných dodavatelských faktur. Tohle je poctivá verze toho, jak jsme to vyřešili — včetně částí, které napoprvé nefungovaly.

Krátká poznámka, než začneme. Jde o skutečný projekt, ale klient nás požádal o zachování anonymity, což je u účetní práce běžné. Proto tu není název firmy ani logo. Čísla jsou zaokrouhlená a slouží k ilustraci tvaru výsledku, ne k ohromení falešnou přesností. Pokud vůbec, zaokrouhlovali jsme spíš konzervativně. Smyslem případové studie není chlubení — jde o to, aby další člověk se stejným problémem viděl, co to obnáší, ještě než zvedne telefon.

Situace: čtyři lidé a hromada papíru

Klientem je malá účetní a daňová kancelář — čtyři lidé, jeden z nich majitel. Vedou účetnictví zhruba šedesáti malým firmám: řemeslníci, pár restaurací, něco z maloobchodu, hrstka jednočlenných poradenství. Denní chleba. Takový typ kanceláře, který zná každého klienta křestním jménem a přesto na konci roku dostane krabici od bot plnou účtenek.

Úzkým hrdlem byly přijaté faktury — konkrétně dodavatelské faktury, které klienti předávali k zaúčtování. Kanceláří protékalo zhruba 2 000 faktur měsíčně. Některé přicházely jako PDF e-mailem. Spousta dorazila jako fotky z mobilu, mírně nakřivo, občas s palcem v rohu. Zarputilá menšina stále chodila na papíře a skenovala se. Každou jednu musel přečíst člověk a zadat do účetního systému: název dodavatele, číslo faktury, datum, částka bez DPH, DPH, celková částka, správná nákladová kategorie.

Dva ze čtyř zaměstnanců trávili přesně tímhle velkou část týdne. Nebyla to náročná práce. Byla to práce vytrvalá a byla důvodem, proč kancelář nemohla přibírat nové klienty bez nabírání lidí. A hůř — právě tady bydlely chyby: přehozená číslice tady, špatná sazba DPH tam, drobné omyly, jejichž dohledání zabralo později hodinu.

Co jsme záměrně neudělali

Před tou dobrou částí trochu zdrženlivosti. Kancelář za námi přišla napůl v očekávání, že jí prodáme novou účetní platformu — vytrhneme, co má, přemigrujeme všechny, přeškolíme tým, celý cirkus. Rozmluvili jsme jí to. Její stávající systém fungoval dobře; problém nebyl systém, ale zadávání dat, které ho krmilo. Vyměnit fungující nástroj kvůli opravě nefungujícího procesu je klasická, drahá chyba.

Také jsme se nepokoušeli zautomatizovat všechno naráz. Pokušení v projektu, jako je tenhle, je honit se za sto procenty — každá faktura, každý mezní případ, zcela bez zásahu člověka. Právě těch posledních 5 % je místo, kde automatizační projekty umírají. Proto jsme vědomě natáhli čáru: rutinní, poslušné faktury vyřídit automaticky a ty divné poslat člověku. K té čáře se ještě vrátíme, protože je to nejdůležitější rozhodnutí celého projektu.

Co jsme skutečně postavili

Systém má tři pohyblivé části a žádná z nich není exotická. Chytrost je v tom, jak do sebe zapadají a kam jsme se rozhodli umístit člověka.

Jedna schránka na všechno

Nejdřív jedno místo, kam faktury dopadají. Zřídili jsme vyhrazenou e-mailovou adresu a jednoduchou stránku pro nahrávání. Klienti své faktury přeposílají, nebo vyfotí a nahrají, a všechno se sbíhá do jedné fronty. Konec hrabání se ve čtyřech osobních schránkách zaměstnanců. Zní to triviálně. Odstranilo to celou kategorii chaosu "kam se ta faktura poděla" hned první den, ještě než se čehokoli dotkla umělá inteligence.

Čtení faktury

Zadruhé extrakce. Každý příchozí doklad přečte model umělé inteligence, který vytáhne důležitá pole: dodavatele, číslo faktury, datum, částku bez DPH, sazbu a částku DPH, celkovou částku, měnu a nejlepší odhad nákladové kategorie podle dodavatele a položek. Právě tahle část skutečně potřebovala moderní AI — starší OCR umělo přečíst text z čistého PDF, ale rozpadlo se na nakřivo vyfocené vybledlé účtence z termopapíru. Dnešní modely s viděním si s tou neuspořádaností poradí mnohem lépe, což je přesně důvod, proč se tenhle projekt vyplatilo dělat teď a ne před pěti lety.

Vědět, kdy si není jistý

Zatřetí — a tuhle část lidé podceňují — systém hlásí, jak moc si je jistý každým polem, a křížově kontroluje matematiku. Rovná se opravdu částka bez DPH plus DPH celkové sumě? Je sazba DPH platná pro zemi tohoto klienta? Je dodavatel někdo, koho už jsme viděli? Když všechno sedí, faktura proteče rovnou do stavu připraveného ke kontrole. Když je něco špatně — součet nesedí, dodavatel je nový, rozmazané pole si model není jistý — je označena a odeslána člověku s podezřelým polem zvýrazněným.

Nasazení: paralelní běh, záměrně

Nepřepnuli jsme vypínač a neodešli. První tři týdny systém běžel vedle starého ručního procesu. Zaměstnanci faktury dál zadávali obvyklým způsobem, ale zároveň viděli, co produkuje automatizace — bok po boku. To udělalo dvě věci. Umožnilo nám to odchytit mezní případy na skutečných fakturách s nulovým rizikem — když se systém spletl, člověk to stejně zadával správně. A vybudovalo to důvěru. Tým mohl sledovat, jak má ta věc pravdu, znovu a znovu, ještě než po něm někdo chtěl, aby se na ni spoléhal.

1. 1
   Týdny 1–3: stínový režim

   Automatizace běžela na každé faktuře, ale nic neměnila. Zaměstnanci pracovali jako obvykle a porovnávali výsledky. Ladili jsme extrakci a prahy jistoty proti skutečným, neuspořádaným fakturám.
2. 2
   Týdny 4–6: člověk kontroluje vše, nepřepisuje nic

   Zaměstnanci přešli na kontrolu výstupu systému místo přepisování od nuly — potvrzovali zelená pole, opravovali jantarová. Mnohem rychlejší než psaní a stále plně pod dohledem.
3. 3
   Od 7. týdne dál: jisté faktury se účtují samy, lidé řeší výjimky

   Jakmile chybovost automaticky schválených faktur zůstala pod dohodnutým prahem, čisté faktury se účtovaly automaticky. Úkolem týmu se stalo řešení označené menšiny — těch skutečně záludných.
4. 4
   Průběžně: poznámka 'když se to porouchá'

   Za systém odpovídá jeden konkrétní člověk a existuje krátký písemný postup, co dělat, kdyby kvalita extrakce někdy klesla — přejít na ruční zadávání, komu zavolat. Nudné, a přesně proto nikdo nepanikaří.

Ta fáze paralelního běhu je částí, kterou týmy chtějí přeskočit kvůli úspoře času, a je to část, kterou přeskočit nesmíte. Je to rozdíl mezi nástrojem, kterému lidé věří, a nástrojem, který lidé potichu obcházejí. Nikdy jsme nelitovali pár týdnů běhu navíc; litovali jsme, když jsme to neudělali.

Co se pokazilo — protože něco se pokazí vždycky

Případová studie bez problémů je prodejní leták. Tady realita zatlačila zpět. Prvním překvapením byly duplicitní faktury. Klienti, jelikož jsou lidé, přeposílali stejnou fakturu dvakrát — jednou jako PDF, o týden později jako fotku z mobilu. Raný systém vesele zpracoval obě. Přidali jsme kontrolu duplicit, která porovnává podle dodavatele, čísla faktury a částky a označí pravděpodobné opakování dřív, než se dostane do účetnictví.

Druhým byly dobropisy a částečné vratky, které vypadají skoro přesně jako faktury, ale znamenají opak. Model občas přečetl dobropis jako běžnou fakturu se zápornou celkovou částkou, což je technicky správně a prakticky nebezpečné. Naučili jsme systém rozdíl rozpoznat a v případě nejistoty raději označit než hádat. Když je cena špatného odhadu vysoká, správný tah je vždy označit.

Třetí nebyla vůbec chyba — byl to zvyk. Pár týdnů si jedna zaměstnankyně vedla soukromou tabulku "pro jistotu", potichu duplikovala práci, kterou teď dělal systém. Ne tak úplně z nedůvěry, spíš ze svalové paměti. Všimli jsme si toho jen proto, že čísla vypadala příliš úhledně. Krátký, upřímný rozhovor to vyřešil. Stojí za zapamatování: nejtěžší částí automatizace je málokdy technologie. Je to člověk, který se pouští starého způsobu.

Výsledky po půl roce

Tady musíme být opatrní a poctiví. Tohle jsou čísla této kanceláře, zaokrouhlená, a vaše výsledky se budou lišit podle skladby faktur a výchozího bodu. Ale směr a hrubý řád jsou reprezentativní pro to, co tenhle druh automatizace dělá.

Titulkem, na kterém majiteli záleželo, nebyl ušetřený čas — byla to kapacita. Kancelář odmítala nové klienty, protože tým byl na zadávání dat na maximu. Po půl roce zhruba stejní čtyři lidé zvládali znatelně větší portfolio klientů, aniž by někdo pracoval déle a aniž by přibrali dalšího člověka. Automatizace nenahradila člověka. Vrátila kanceláři ekvivalent jednoho a namířila ho na práci, která skutečně vydělává.

Snížení chybovosti znamenalo víc, než se čekalo, taky. Odhalit špatně zadanou částku DPH v únoru je otravné; odhalit ji při roční závěrce je opravdu drahé odpoledne. Protože systém kontroluje vlastní počty a označuje pochybné případy, chyby, které dřív proklouzly v 16 hodin rušného dne, většinou přestaly proklouzávat úplně.

Fungovalo by to i pro vaši kancelář?

Pravděpodobně, pokud se vaše situace podobá té jejich. Vzorec, který dělá automatizaci faktur smysluplnou, je jednoduchý: výrazný objem dokladů přicházejících v různých formátech, které dnes přepisuje člověk. Pokud zpracováváte pár faktur týdně, neobtěžujte se — ruční práce je levnější než nasazení. Ale někde v nízkých stovkách měsíčně se výpočet tvrdě obrací ve prospěch automatizace.

• Zpracováváte stovky až tisíce faktur nebo dokladů měsíčně.
• Přicházejí ve smíšených formátech — PDF, fotky, skeny — ne v jednom úhledném toku.
• Skuteční lidé dnes čtou a znovu přepisují stejná pole, pořád dokola.
• Váš stávající účetní systém je v pořádku; úzkým hrdlem je zadávání dat, které ho krmí.
• Radši byste rozšiřovali portfolio klientů, než abyste nabírali lidi jen kvůli udržení kroku s administrativou.

A stejný přístup se dobře přenáší i daleko za účetnictví. Všude, kde člověk čte strukturované informace z dokladů a znovu je přepisuje — dodací listy, objednávkové formuláře, žádosti, smlouvy — platí stejný třídílný vzorec: jedno místo příjmu, AI extrakce se skórováním jistoty a člověk, který řeší jen výjimky. Faktury jsou jen nejčastějším místem, kde se tahle bolest projeví.

Časté otázky