AI/ML 
Rozwój oprogramowania 
Firmy tracą co roku istotną część przychodu przez możliwe do uniknięcia straty na wierzytelnościach , bo procesy monitowania reagują za późno i komunikują się zbyt jednolicie. Skala problemu w Polsce jest konkretna i potwierdzona z kilku niezależnych źródeł: według danych BIG InfoMonitor i KRD, na koniec listopada 2025 r. zaległości płatnicze polskich przedsiębiorstw przekroczyły 46,2 mld zł — wzrost o blisko 2 mld zł r/r, przy średnim opóźnieniu płatności sięgającym 53 dni (dane NBP/Szybki Monitoring). Raport Coface Polska odnotował w 2025 r. rekordowe 6566 niewypłacalności przedsiębiorstw — wzrost o 17,7% r/r. Badanie Intrum EPR 2026 wskazuje, że 63% firm w Polsce uznaje opóźnione płatności za jedno z kluczowych wyzwań biznesowych, a najbardziej dotknięte branże to budownictwo (zaległości 5,8 mld zł), transport i przemysł przetwórczy. Sztuczna inteligencja adresuje ten problem bezpośrednio: VM.PL rozwija indywidualne systemy ML dla zarządzania wierzytelnościami — prognozę prawdopodobieństwa spłaty, risk-scoring oparty na AI, zautomatyzowaną komunikację monitową dobraną do kanału i wsparcie samoobsługowe dłużników oparte na LLM — zgodnie z RODO, według metodyki 4D.
Ile kosztuje nieefektywna windykacja — i gdzie AI daje realną dźwignię?
Regułowa windykacja działa na sztywnych interwałach i niezróżnicowanych stopniach eskalacji: dłużnik o wysokiej gotowości do spłaty jest traktowany tym samym tonem co chroniczny nieregulujący płatności. Efekt: podwyższone ryzyko odejścia wypłacalnych klientów i przegapione okazje odzysku w przypadkach, które dałoby się jeszcze uratować.
| Kryterium | Regułowa (klasyczna) | Rozwiązanie AI VM.PL |
| Ocena ryzyka | Sztywne kategorie dłużników (dobry/średni/zły) | Dynamiczny scoring ML w czasie rzeczywistym z wyjaśnieniem SHAP |
| Interwał monitowy | Stały harmonogram (np. +14 dni) | Optymalizowany przez ML wg prawdopodobieństwa spłaty i profilu dłużnika |
| Kanał komunikacji | Pismo lub e-mail ryczałtowo | Automatyczny dobór kanału: e-mail, SMS, portal klienta – zgodnie z profilem odbiorcy |
| Eskalacja | Sztywna, oparta na czasie | Oparta na scoringu: szybciej przy wysokim ryzyku, łagodniej przy niskim |
| Wyjaśnialność decyzji | Logika regułowa zrozumiała wewnętrznie | Wartości SHAP wspierają wyjaśnianie wyników modelu; zgodność z RODO zależy od całego procesu przetwarzania i wykorzystania scoringu |
VM.PL nie rozwija platformy SaaS trenowanej na generycznych danych branżowych. Model ML jest trenowany wyłącznie na historycznych danych płatniczych konkretnej firmy — bez vendor lock-in, bez transferu danych do usług zewnętrznych.
Jak VM.PL prognozuje payment probability i risk-scoring?
Model payment probability prognozuje dla każdej otwartej wierzytelności prawdopodobieństwo wpływu płatności — typowo dla horyzontów 30, 60 i 90 dni. Klasyfikacja ryzyka odbywa się automatycznie i dynamicznie: zachowanie płatnicze, wzorce kontaktu i struktura wierzytelności wchodzą do modelu równocześnie.
| Metoda ML | Zastosowanie | Wymóg danych |
| XGBoost / LightGBM | Prawdopodobieństwo spłaty (binarne lub wieloklasowe), obliczanie risk-score | Historyczne dane płatnicze, struktura wierzytelności, min. 12 miesięcy |
| Koszty windykacji i postępowań prawnych | Eskalacja oparta na scoringu ogranicza liczbę spraw przekazywanych do zewnętrznych firm windykacyjnych lub kancelarii. Wcześniejsze zawieranie porozumień zmniejsza koszty późniejszych etapów | Opłaty windykacyjne wynoszą zwykle 15-25% wartości należności. Każda sprawa zatrzymana wcześniej oznacza bezpośrednie oszczędności |
Przygotowanie danych: pipeline oparty na Python 3.11+, Apache Kafka dla aktualizacji strumieniowych, pgvector/PostgreSQL 16 jako feature store, z automatyczną walidacją schematu i obsługą braków danych. Feature engineering przekształca dane surowe w cechy istotne dla prognozy — wskaźniki RFM (Recency/Frequency/Monetary) z historii płatności, wskaźniki odpowiedzi na poszczególne kanały kontaktu, wektory wieku wierzytelności, indeksy sezonowe. VM.PL definiuje w fazie Definition katalog cech dokumentujący, dlaczego każda cecha wchodzi do modelu — zgodnie z RODO i gotowy do audytu.
Jak VM.PL kalibruje modele scoringowe?
Model payment probability zwraca dla każdej wierzytelności wartość prawdopodobieństwa między 0 a 1 — konsekwencja biznesowa zależy od tego, gdzie ustawiony jest próg decyzyjny (cut-off). To nie decyzja techniczna, tylko biznesowa: surowy próg oznacza więcej wczesnych eskalacji, ale też więcej błędnie eskalowanych, wypłacalnych klientów (fałszywe alarmy); szeroki próg oznacza mniej fałszywych alarmów, ale przegapione momenty odzysku u realnie niewypłacalnych dłużników.
| Parametr | Opis | Konsekwencja biznesowa |
| Precision (precyzja) | Odsetek przypadków sklasyfikowanych jako wysokie ryzyko, które faktycznie kończą się niewypłacalnością | Wysoka precyzja = mniej błędnych eskalacji; wypłacalni klienci nie są niepotrzebnie surowo traktowani |
| Recall (czułość) | Odsetek faktycznych niewypłacalności poprawnie zidentyfikowanych przez model | Wysoki recall = mniej przegapionych przypadków; wyższa skuteczność odzysku, ale więcej fałszywych alarmów |
| F1-Score | Średnia harmoniczna precyzji i czułości — ogólna jakość modelu | Nie rośnie automatycznie: VM.PL optymalizuje wg celu biznesowego (odzysk vs. utrzymanie relacji) |
| Próg decyzyjny (cut-off) | Granica decyzyjna: od jakiego wyniku wierzytelność jest eskalowana lub trafia do ręcznej weryfikacji | Ustalany wspólnie z firmą w fazie Definition — nie dyktowany przez sam model |
Proces kalibracji: VM.PL kalibruje modele scoringowe na bazie historycznych testów (walidacja typu walk-forward na rzeczywistych szeregach czasowych) i ustala próg decyzyjny wspólnie z zespołem windykacji. W bieżącej eksploatacji system MLOps monitoruje, czy jakość modelu pozostaje stabilna — wykrycie dryfu scoringu uruchamia retraining.
Jak działa zautomatyzowana komunikacja monitowa z doborem kanału?
System ML dobiera dla każdego dłużnika automatycznie optymalny kanał komunikacji (e-mail, SMS, list, portal samoobsługowy), najkorzystniejszy moment wysyłki i odpowiedni ton — na bazie indywidualnego profilu reakcji.
Efekt jest widoczny na trzech poziomach. Skuteczność odzysku rośnie, bo dłużnicy reagujący na kanał cyfrowy nie otrzymują już listownego monitu — koszty kanału spadają, szybkość reakcji rośnie. System może przedstawiać klientom z tymczasowymi trudnościami płatniczymi warianty rozłożenia należności na raty, które zostały wcześniej zdefiniowane i zatwierdzone przez wierzyciela. Logika eskalacji staje się inteligentna, bo opiera się na scoringu ML: wysoka klasa ryzyka uruchamia wcześniejsze etapy, a niska klasa ryzyka pozostaje dłużej w samoobsłudze cyfrowej, bez zbędnego niepokojenia klientów, którzy i tak zapłacą.
Wsparcie samoobsługowe dłużników oparte na LLM uzupełnia proces monitowy: asystent LLM może działać lokalnie z wykorzystaniem Ollama lub vLLM albo korzystać z Azure OpenAI zabezpieczonego przez Private Endpoint. W wariancie on-premise dane o wierzytelnościach i korespondencja nie opuszczają infrastruktury firmy. W wariancie Azure komunikacja odbywa się bez korzystania z publicznego punktu końcowego usługi — odpowiada na pytania o otwarte wierzytelności, oferuje rozłożenie na raty i klasyfikuje przychodzące wiadomości dłużników dla zespołu obsługi. Operacje systemu są rejestrowane, a dane wykorzystywane do trenowania i testowania modeli mogą być pseudonimizowane. W komunikacji z dłużnikiem system wykorzystuje wyłącznie dane niezbędne do identyfikacji sprawy i realizacji danego etapu procesu.
Jak wygląda cykl życia wierzytelności — od miękkiej windykacji po postępowanie sądowe?
Windykacja to nie jednolity proces — to system etapowy o różnych celach, kosztach i prawdopodobieństwach sukcesu na każdym etapie. Systemy AI muszą znać ten system etapowy i świadomie nim sterować: zbyt wczesna eskalacja szkodzi relacji z klientem, zbyt późna zwiększa ryzyko niewypłacalności.
| Etap | Charakterystyka i cel | Wsparcie AI (VM.PL) |
| Early-stage (0–30 dni po terminie) | Najwyższe prawdopodobieństwo odzysku, najniższe koszty, priorytet utrzymania relacji | Samoobsługa cyfrowa: asystent LLM, propozycja rat, link płatniczy — brak listu czy telefonu przy niskim risk-score |
| Mid-stage (30–90 dni po terminie) | Prawdopodobieństwo odzysku spada, intensywność komunikacji rośnie, aktualne stają się opcje odroczenia | Dobór kanału oparty na scoringu: e-mail, SMS lub list wg profilu reakcji; LLM oferuje odroczenie lub ugodę; rozpoznawanie sentymentu w korespondencji |
| Late-stage (powyżej 90 dni po terminie) | Rozwiązanie polubowne jako ostatni krok przed postępowaniem sądowym lub przekazaniem do windykacji zewnętrznej | ML klasyfikuje kwalifikację do przekazania zewnętrznej firmie windykacyjnej vs. dalszy proces wewnętrzny; automatyczne przekazanie sprawy z pełnym protokołem |
| Elektroniczne postępowanie upominawcze (EPU) / egzekucja komornicza | Wysokie koszty, nieodwracalne dla relacji z klientem | ML minimalizuje liczbę spraw trafiających na ten etap dzięki wczesnej detekcji i interwencji |
W Polsce roszczeń pieniężnych można dochodzić przez elektroniczne postępowanie upominawcze prowadzone przez Sąd Rejonowy Lublin-Zachód w Lublinie. Minimalna opłata od pozwu wynosi 30 zł, a dla wartości przedmiotu sporu powyżej 20 tys. zł do 2 mln zł wynosi 1,25% wartości roszczenia. W 2025 roku średni czas oczekiwania na nakaz zapłaty wynosił 49 dni, przy czym czas konkretnej sprawy zależy od jej złożoności i aktualnego obciążenia sądu. Sąd wydaje nakaz, jeżeli roszczenie nie budzi wątpliwości. Po skutecznym doręczeniu nakazu pozwany może wnieść sprzeciw. Jeżeli tego nie zrobi w wymaganym terminie, nakaz może się uprawomocnić i po nadaniu klauzuli wykonalności stanowić podstawę egzekucji. Jeśli dłużnik nie wniesie sprzeciwu, nakaz uprawomocnia się automatycznie i otwiera drogę do egzekucji komorniczej. EPU sprawdza się najlepiej przy prostych, niekwestionowanych roszczeniach pieniężnych — nie przy sprawach spornych, które trafiają do zwykłego postępowania.
Przekazanie sprawy: gdy wierzytelność osiąga próg late-stage bez reakcji, system automatycznie generuje kompletny pakiet przekazania dla zewnętrznej firmy windykacyjnej lub kancelarii prawnej — historię korespondencji, uzasadniony wartościami SHAP risk-score i pakiety danych zgodne z RODO.
Jak VM.PL spełnia RODO art. 22 przy zautomatyzowanym profilowaniu dłużników?
Art. 22 RODO przyznaje osobie prawo do niepodlegania decyzji opartej wyłącznie na zautomatyzowanym przetwarzaniu, jeżeli decyzja wywołuje wobec niej skutki prawne lub w podobny sposób istotnie na nią wpływa. Zastosowanie tego przepisu zależy od konkretnej roli systemu, stopnia automatyzacji i konsekwencji podejmowanej decyzji. Samo wysłanie standardowego przypomnienia o płatności nie musi automatycznie stanowić decyzji objętej art. 22.
Cztery zabezpieczenia zgodne z art. 22 RODO w projektach windykacyjnych VM.PL: wyjaśnialność SHAP jako obowiązkowy element — wartości SHAP mogą wskazywać, które cechy miały największy wpływ na wynik scoringu. Są one jednym z elementów wyjaśnialności, ale nie zastępują opisu logiki procesu, wersjonowania modelu, rejestrowania danych wejściowych, zastosowanych progów oraz ostatecznej decyzji człowieka.; human-in-the-loop dla decyzji krytycznych — dla decyzji wywołujących skutki prawne (przekazanie do windykacji zewnętrznej, wniesienie EPU) VM.PL wdraża obowiązkowy krok ręcznego zatwierdzenia — system AI rekomenduje, człowiek decyduje; dokumentacja profilowania — VM.PL może dostarczyć klientowi techniczny opis profilowania, obejmujący wykorzystywane kategorie danych, cechy modelu, przepływy danych, okresy retencji i zastosowane zabezpieczenia. Informacje te mogą wspierać klienta w prowadzeniu rejestru czynności przetwarzania oraz ocenie skutków dla ochrony danych; decyzje scoringowe są przechowywane na poziomie pseudonimizowanym, powiązanie z konkretną osobą następuje dopiero przy uzasadnionym interesie dostępowym.
Jak VM.PL integruje AI-windykację z ERP i systemami billingowymi?
Istniejące systemy ERP i billingowe pozostają niezmienione. VM.PL rozwija warstwę API w Java/Spring Boot lub Node.js/NestJS, która łączy się przez REST-API lub podłączenie do bazy danych z SAP FI-AR, Microsoft Dynamics 365 Finance, Oracle Financials i systemami billingowymi specyficznymi dla branży. Warstwa AI jest w pełni odwracalna — warstwa AI jest projektowana jako odseparowany komponent z mechanizmem rollbacku. Czas i zakres powrotu do poprzedniej wersji zależą od architektury integracji, sposobu zapisu wyników oraz wpływu modelu na procesy produkcyjne.
Szczegóły techniczne: Azure DevOps/Pipelines dla CI/CD z automatycznymi testami przed każdym wdrożeniem. Cel wdrożenia: Azure Container Apps. Możliwe jest wdrożenie on-premise albo w odpowiednio zabezpieczonym środowisku Azure. W wariancie on-premise dane nie opuszczają infrastruktury firmy. W wariancie Azure dostęp do usług może być realizowany przez prywatne punkty końcowe, bez publicznego udostępnienia interfejsów.
W jakich branżach VM.PL wdraża AI-windykację?
Architektura ML jest identyczna niezależnie od branży — różni się natomiast struktura wierzytelności, profile dłużników i wymogi zgodności.
Podstawa prawna i umowa powierzenia przetwarzania: VM.PL zawiera z każdym klientem umowę powierzenia przetwarzania danych zgodną z art. 28 RODO. Podstawa prawna przetwarzania należności, najczęściej art. 6 ust. 1 lit. b (realizacja umowy) lub lit. f (uzasadniony interes), jest analizowana i dokumentowana już podczas fazy Discovery.
| Branża | Typowa struktura wierzytelności | Szczególne wymogi |
| Ubezpieczenia | Składki z znanymi terminami płatności, sezonowe niewypłacalności, klienci z długą historią danych | Zgodność z nadzorem KNF, RODO art. 22 przy decyzjach polisowych, wyjaśnialność dla zarządzania odwołaniami |
| Energetyka / usługi komunalne | Wysoki udział gospodarstw domowych, szczyty sezonowe (rozliczenie roczne), masowe wierzytelności niskokwotowe | Automatyzacja AI szczególnie skuteczna przy niskich kwotach jednostkowych; dane z liczników inteligentnych jako dodatkowa cecha prognostyczna |
| E-commerce / BNPL | Wysoka zmienność, krótkie terminy płatności, szerokie spektrum profili dłużników; kup-teraz-zapłać-później zwiększa strukturalne ryzyko niewypłacalności | Scoring w czasie rzeczywistym w punkcie zakupu, integracja z backendem sklepu, wykrywanie anomalii pod kątem fraudów |
| Fintech / faktoring | Sprzedaż przeterminowanych portfeli wierzytelności, ocena całych portfeli, nie pojedynczych przypadków | Model scoringu portfelowego, symulacja Monte Carlo dla scenariuszy niewypłacalności, wyjaśnialność SHAP dla wyceny portfela |
| Zarządzanie nieruchomościami | Zaległości czynszowe z komponentem społecznym, wierzytelności wspólnot mieszkaniowych, niska liczba spraw, wysoka istotność jednostkowej kwoty | Obowiązkowe łagodne podejście komunikacyjne, integracja z doradztwem w sprawie odroczeń, RODO przy szczególnie wrażliwych danych |
Czym VM.PL różni się od gotowych platform windykacyjnych?
VM.PL rozwija indywidualne systemy ML dla konkretnych danych płatniczych firmy — nie generyczna platforma SaaS, bez vendor lock-in. Głębia branżowa obejmuje ubezpieczenia, energetykę i usługi komunalne, e-commerce, fintech/faktoring oraz zarządzanie nieruchomościami — to nie oferta generycznego dostawcy IT, tylko rozwiązania budowane z myślą o specyfice konkretnego sektora, gdzie wyjaśnialność oparta na SHAP jest standardem, nie opcją dodatkową. RODO by design przekłada się na pseudonimizację, konfigurowalne terminy usuwania, umowę powierzenia przetwarzania i opcję on-premise, z architekturą zgodną z art. 22 i obowiązkowym human-in-the-loop dla kroków wywołujących skutki prawne. Kod źródłowy należy w całości do klienta, bez bieżących opłat licencyjnych za rozwiązania własne VM.PL — przenaszalny do wewnętrznego zespołu w każdej chwili. MLOps działa tu jako stały tryb pracy, nie jednorazowy projekt: monitoring dryfu scoringu, automatyczne wyzwalacze retreningu, przeglądy progu decyzyjnego i aktualizacje zgodności to ustrukturyzowana, ciągła usługa — system nie zostaje sam sobie po starcie produkcyjnym.
Jak wygląda proces wdrożenia (4D)?
Żaden model ML bez zwalidowanego wyniku. VM.PL zaczyna każdy projekt windykacyjny od audytu dostępności danych — historii płatności, jakości danych, zgodności z RODO. Dopiero potem powstaje Concept Document z konkretną oceną wykonalności i podstawą decyzji Go/No-Go.
| Faza | Aktywności | Rezultat | Czas trwania |
| Discovery | Audyt danych o wierzytelnościach, ocena RODO (w tym art. 22), walidacja przypadku użycia, projekt klas ryzyka, modelowanie ROI | Concept Document (Go/No-Go) | 1–2 tygodnie |
| Definition | Architektura ML, katalog cech, projekt progu decyzyjnego, plan integracji kanałów, koncepcja SHAP, projekt interfejsów ERP | Architecture Blueprint | 1 tydzień |
| Delivery | Trenowanie modelu, pipeline ETL, warstwa API, integracja z ERP, testy przez Azure Pipelines, odbiór | Produkcyjny system ML | 6–12 tygodni |
| Direction | Monitoring MLOps, wykrywanie dryfu scoringu, cykle retreningu, aktualizacje zgodności, przeglądy progu decyzyjnego | Roadmapa rozwoju | ciągle |
Pierwszy model payment probability z podłączeniem do ERP jest zwykle gotowy do wdrożenia w 8–15 tygodni (suma faz Discovery–Delivery).