AI/ML 
Rozwój oprogramowania 
KSeF ujednolicił format faktur, ale nie cały proces ich obsługi. Dopasowanie do zamówień, opis merytoryczny, akceptacja i kontrola nadal wymagają pracy pracowników. To właśnie te czynności można usprawnić dzięki sztucznej inteligencji.
Firmy codziennie przetwarzają faktury, umowy, formularze, listy przewozowe i dokumentację techniczną. Ręczne wprowadzanie danych, klasyfikowanie dokumentów i wyszukiwanie informacji zajmują czas, który można przeznaczyć na zadania wymagające wiedzy specjalistycznej. AI do organizacji dokumentów pozwala połączyć rozpoznawanie tekstu (OCR), automatyczną klasyfikację, ekstrakcję danych i inteligentne wyszukiwanie w jeden proces.
VM.PL projektuje rozwiązania dopasowane do dokumentów i procesów konkretnej organizacji. Korzystamy z metodyki 4D, uwzględniamy wymagania RODO i możliwości integracji z istniejącymi systemami DMS oraz ERP. Dzięki temu wdrożenie nowych funkcji nie musi oznaczać wymiany oprogramowania, z którego firma już korzysta.
Czym jest AI do organizacji dokumentów i co obejmuje?
AI do organizacji dokumentów wykorzystuje rozpoznawanie tekstu, przetwarzanie języka naturalnego (NLP) i modele uczenia maszynowego do porządkowania, analizowania i wyszukiwania dokumentów firmowych.
Rozwiązanie może wspierać pięć obszarów:
| Funkcja AI | Zastosowanie | Korzyść dla firmy |
| OCR i rozpoznawanie tekstu | Odczytywanie skanów, plików PDF i zdjęć dokumentów | Ograniczenie ręcznego przepisywania danych |
| Klasyfikacja NLP | Rozpoznawanie faktur, umów, formularzy i listów przewozowych | Kierowanie dokumentów do właściwych procesów i miejsc przechowywania |
| Ekstrakcja danych | Wyodrębnianie kwot, dat, danych kontrahentów i zapisów umownych | Przekazywanie danych do ERP lub DMS bez ręcznego wypełniania pól |
| Wyszukiwanie semantyczne | Wyszukiwanie informacji według znaczenia zapytania | Szybsze odnajdywanie informacji w dokumentacji |
| Kontrola zgodności | Nadzorowanie terminów przechowywania, uprawnień i wymaganych kontroli | Mniejsze ryzyko pominięcia obowiązków związanych z dokumentacją |
Poszczególne funkcje można wdrażać etapami, zaczynając od procesów, które generują najwięcej pracy ręcznej lub błędów. W przypadku działu księgowości może to być obsługa faktur zakupowych, a w dziale prawnym analiza umów i kontrola terminów wypowiedzenia.
Ważnym elementem projektu jest także ustalenie zasad przechowywania dokumentów. Przykładowo ustawa o rachunkowości określa okresy przechowywania dokumentacji księgowej. System powinien uwzględniać odpowiednie terminy oraz ograniczenia dotyczące usuwania danych, zamiast stosować jedną regułę do wszystkich plików.
Jak działa AI do organizacji dokumentów – OCR, klasyfikacja, ekstrakcja i wyszukiwanie?
Przetwarzanie dokumentów można podzielić na cztery etapy. Ich dokładny przebieg zależy od rodzaju dokumentacji, wykorzystywanych systemów oraz poziomu automatyzacji, jaki firma chce osiągnąć.
Krok 1. Digitalizacja i rozpoznawanie tekstu
System wykorzystuje OCR do odczytywania treści ze skanów, plików PDF i zdjęć. Rozpoznaje tekst, tabele oraz pola formularzy, a następnie przygotowuje dane do dalszej analizy.
Dokumenty ustrukturyzowane, takie jak faktury XML pobrane z KSeF, nie wymagają OCR. Ich dane można odczytać bezpośrednio z pliku.
Krok 2. Automatyczna klasyfikacja dokumentów
Model NLP analizuje zawartość dokumentu i przypisuje go do właściwej kategorii, np. faktury, umowy, listu przewozowego lub formularza.
Na podstawie tej klasyfikacji system może skierować plik do odpowiedniego folderu, działu lub obiegu akceptacji. Dokumenty, których nie udało się jednoznacznie sklasyfikować, trafiają do weryfikacji przez pracownika.
Krok 3. Ekstrakcja i przekazywanie danych
System wyodrębnia informacje potrzebne w dalszych procesach biznesowych, np. kwoty, daty, dane dostawców, terminy płatności czy okresy obowiązywania umów.
Dane mogą następnie trafić przez API do systemu ERP lub DMS. Przed automatycznym zapisaniem informacji można zastosować reguły walidacji i progi wymagające zatwierdzenia przez pracownika.
Krok 4. Wyszukiwanie i analiza dokumentacji
Wyszukiwanie semantyczne pozwala odnajdywać informacje na podstawie znaczenia zapytania, a nie wyłącznie identycznych słów.
Pracownik może zapytać system:
„Które umowy z dostawcami wygasają w przyszłym kwartale?”
Model wyszukuje odpowiednie dokumenty, analizuje zawarte w nich informacje i przygotowuje odpowiedź. W zależności od architektury rozwiązania odpowiedź może zawierać odnośniki do dokumentów źródłowych, umożliwiające sprawdzenie poprawności informacji.
Jak VM.PL przygotowuje modele AI do pracy z dokumentami firmowymi?
Dokumenty różnią się strukturą, jakością i zakresem informacji. Innego podejścia wymaga klasyfikowanie faktur zakupowych, a innego rozpoznawanie klauzul w wielostronicowych umowach.
Dlatego przed wdrożeniem analizujemy rzeczywiste dokumenty firmy oraz wymagania dotyczące ich przetwarzania.
Trzy etapy przygotowania modelu
1. Przygotowanie i oznaczanie danych
Wspólnie z zespołem klienta określamy kategorie dokumentów oraz informacje, które system powinien rozpoznawać. Następnie przygotowujemy reprezentatywny zbiór przykładów.
W projektach klasyfikacji dokumentów spotyka się orientacyjne założenie 50–200 oznaczonych przykładów na kategorię. Jest to jednak rynkowy punkt odniesienia, a nie potwierdzony wynik projektów VM.PL ani uniwersalne minimum. Zapotrzebowanie na dane zależy od ich różnorodności, jakości oraz wybranej metody uczenia.
2. Rozwój i walidacja modelu
Model jest testowany na dokumentach niewykorzystanych podczas przygotowania lub trenowania. Sprawdzamy poprawność klasyfikacji, ekstrakcji danych oraz przypadki, w których system popełnia błędy.
Jeśli pewność rozpoznania jest niewystarczająca, dokument może zostać przekazany do ręcznej kontroli.
3. Doskonalenie na podstawie nowych dokumentów
W trakcie użytkowania system może zbierać informacje o błędach i poprawkach wprowadzanych przez pracowników. Po ich weryfikacji dane te mogą służyć do dalszego doskonalenia modelu, np. w procesie active learning.
Jakiej dokładności można oczekiwać?
W materiałach rynkowych spotyka się orientacyjne przedziały dokładności klasyfikacji na poziomie 95–99% dla dokumentów o powtarzalnej strukturze oraz 85–95% dla dokumentów bardziej zróżnicowanych. Nie są to wyniki potwierdzone dla wdrożeń VM.PL ani gwarancja osiągnięcia takich parametrów. Rzeczywista dokładność zależy między innymi od jakości dokumentów, liczby kategorii, dostępnych danych oraz sposobu oceny wyników.
Prognozę dokładności dla konkretnych dokumentów przygotowujemy po fazie Discovery, a docelowe parametry potwierdzamy w testach na reprezentatywnej próbce danych klienta.
Jak VM.PL projektuje obsługę faktur w KSeF?
Od 1 lutego 2026 r. odbieranie faktur przez KSeF jest obowiązkowe dla podatników objętych tym systemem. Obowiązek wystawiania faktur wprowadzono etapowo:
- 1 lutego 2026 r. – dla przedsiębiorców, których sprzedaż wraz z VAT przekroczyła 200 mln zł w 2024 r.
- 1 kwietnia 2026 r. – dla pozostałych przedsiębiorców objętych obowiązkiem, z uwzględnieniem wyjątków.
- 1 stycznia 2027 r. – dla najmniejszych przedsiębiorców korzystających z przejściowego zwolnienia, których miesięczna sprzedaż dokumentowana fakturami nie przekracza 10 tys. zł brutto.
KSeF zapewnia ujednolicony format faktury. Dokument jest dostępny jako plik XML o ustalonej strukturze, dlatego numer faktury, kwoty, VAT i dane stron można odczytać bez wykorzystania OCR.
Największy potencjał zastosowania AI pojawia się na kolejnych etapach obsługi faktury: podczas dopasowywania do zamówień, dekretacji, kontroli rozbieżności i kierowania dokumentów do akceptacji.
Pięć etapów projektowanej obsługi faktur
1. Pobranie faktur
Integracja z API KSeF lub modułem KSeF wykorzystywanym w ERP umożliwia automatyczne pobieranie faktur zakupowych. System przekazuje je do dalszego przetwarzania wraz z informacjami potrzebnymi do identyfikacji dokumentu.
2. Dopasowanie do zamówień
Dane z faktury są porównywane z zamówieniem oraz dokumentem przyjęcia towaru (PZ) w ERP. Takie podejście, określane jako weryfikacja trójstronna, pozwala sprawdzić zgodność zamówionych, dostarczonych i zafakturowanych pozycji. Faktury zgodne z ustalonymi regułami trafiają do akceptacji, natomiast rozbieżności przekraczające określony próg są kierowane do weryfikacji.
3. Opis merytoryczny i dekretacja
Model analizuje pozycje faktury oraz historię wcześniejszych księgowań i na tej podstawie proponuje opis merytoryczny, miejsce powstawania kosztów (MPK) oraz odpowiednie konto księgowe. Księgowość zatwierdza lub poprawia propozycję. Zatwierdzone poprawki mogą zasilać kolejne propozycje, pod warunkiem wdrożenia odpowiedniego mechanizmu uczenia i kontroli jakości.
4. Kontrola dokumentów i płatności
System może wykrywać duplikaty faktur, nietypowe kwoty, korekty bez powiązanej faktury pierwotnej oraz rozbieżności dotyczące rachunków kontrahentów.
Jedną z projektowanych kontroli jest weryfikacja rachunku bankowego na białej liście podatników VAT, tam gdzie ma ona zastosowanie, przed zatwierdzeniem płatności.
5. Obsługa dokumentów spoza KSeF
Faktury od zagranicznych kontrahentów, paragony, dokumenty przewozowe i załączniki mogą trafiać do tego samego procesu. W przypadku plików nieustrukturyzowanych system wykorzystuje OCR i ekstrakcję danych.
Dzięki temu księgowość może pracować w jednym obiegu, niezależnie od formatu dokumentu.
Zakres rozwiązania zależy od wykorzystywanego ERP oraz sposobu, w jaki firma obecnie obsługuje KSeF. W fazie Discovery ustalamy możliwości integracji i wymagania biznesowe, zanim rozpoczniemy prace programistyczne.
Jak AI wspiera zarządzanie umowami?
Zarządzanie umowami wymaga analizy zapisów, kontrolowania terminów oraz sprawdzania, czy dokumenty zawierają odpowiednie klauzule. Gdy firma obsługuje setki lub tysiące umów, ręczne wyszukiwanie tych informacji może zajmować wiele godzin.
System AI może wspierać cztery obszary:
- Ekstrakcja i klasyfikacja klauzul
Model identyfikuje zapisy dotyczące terminów wypowiedzenia, ograniczeń odpowiedzialności, zakazów konkurencji, właściwości sądu czy automatycznego przedłużenia umowy. Informacje mogą zostać zapisane w ustrukturyzowanej bazie.
- Monitorowanie terminów
System odczytuje daty zakończenia umów, okresy wypowiedzenia i terminy wymaganych działań. Następnie może przekazywać je do kalendarza oraz wysyłać powiadomienia odpowiedzialnym pracownikom.
- Wykrywanie potencjalnie ryzykownych zapisów
Model może wskazywać niestandardowe klauzule, np. nietypowe wyłączenia odpowiedzialności, krótkie terminy wypowiedzenia czy brak wymaganych postanowień SLA.
- Wyszukiwanie informacji w umowach
Pracownik może zadać pytanie dotyczące całego zbioru dokumentów, np.:
„Które umowy z dostawcami przewidują automatyczną indeksację cen?”
System wyszukuje odpowiednie zapisy i przedstawia wyniki do weryfikacji.
AI wspiera analizę i porządkowanie informacji, ale nie zastępuje oceny prawnej. Decyzje dotyczące interpretacji zapisów i ryzyka prawnego pozostają po stronie uprawnionych specjalistów.
Czy trzeba wymieniać istniejący DMS? Jak AI obsługuje dokumenty wielojęzyczne?
Wdrożenie AI do organizacji dokumentów nie musi wiązać się z wymianą systemu DMS lub ERP. Rozwiązanie można zaprojektować jako dodatkową warstwę integracyjną współpracującą z SharePoint, Microsoft 365, systemami własnymi oraz oprogramowaniem finansowo-księgowym.
W przypadku faktur zakupowych integracja może obejmować między innymi SAP FI-AP, Microsoft Dynamics 365 Finance lub inny wykorzystywany system ERP. Zakres wymiany danych zależy od dostępnych interfejsów, uprawnień i sposobu realizacji procesu.
Możliwości techniczne integracji analizujemy na etapie Discovery i Definition, aby ograniczyć ryzyko problemów podczas wdrożenia.
Przetwarzanie dokumentów w różnych językach
Firmy współpracujące z zagranicznymi kontrahentami otrzymują umowy, faktury, listy przewozowe i korespondencję w wielu językach.
System może obsługiwać takie dokumenty na trzech poziomach:
- Ekstrakcja danych – odczytywanie określonych pól, np. numerów faktur, dat, kwot i danych kontrahentów, z uwzględnieniem języka i formatu dokumentu.
- Klasyfikacja i wyszukiwanie wielojęzyczne – identyfikowanie typu dokumentu oraz odnajdywanie informacji także wtedy, gdy pytanie jest zadane w innym języku niż treść źródłowa.
- Tłumaczenie dokumentów – opcjonalne tłumaczenie wybranych treści z zachowaniem możliwości weryfikacji przez pracownika, szczególnie przy dokumentach istotnych prawnie.
W zależności od wymagań dotyczących bezpieczeństwa danych możemy projektować rozwiązania wykorzystujące modele językowe dostępne przez Azure AI Foundry w prywatnym środowisku Azure albo modele uruchamiane lokalnie.
Dobór architektury zależy od rodzaju dokumentów, wymaganej funkcjonalności oraz zasad bezpieczeństwa obowiązujących w organizacji.
Czym VM.PL różni się od gotowych platform SaaS do organizacji dokumentów?
Gotowe narzędzia do zarządzania dokumentami mogą być wystarczające, gdy firma potrzebuje standardowych funkcji OCR, klasyfikacji czy wyszukiwania.
Rozwiązanie tworzone na zamówienie ma uzasadnienie przede wszystkim wtedy, gdy proces obejmuje niestandardowe reguły, specyficzną dokumentację lub rozbudowane integracje z istniejącymi systemami.
W takich projektach VM.PL koncentruje się na:
- Dopasowaniu do rzeczywistych dokumentów – projektujemy modele i reguły przetwarzania z uwzględnieniem struktury oraz jakości danych klienta.
- Integracji z ERP i DMS – system współpracuje z dotychczasowym oprogramowaniem oraz obiegiem dokumentów.
- Bezpieczeństwie danych – architektura uwzględnia kontrolę dostępu, zasady przechowywania dokumentów, RODO i wymagania branżowe.
- Obsłudze dokumentów wielojęzycznych – jedno rozwiązanie może analizować dokumenty w kilku językach.
- Możliwości dalszego rozwoju – system można rozszerzać o kolejne rodzaje dokumentów, procesy i integracje.
Decyzję o budowie rozwiązania dedykowanego poprzedzamy analizą jego opłacalności w porównaniu z dostępnymi narzędziami.
W jakich branżach można wykorzystać AI do organizacji dokumentów?
Mechanizmy rozpoznawania, klasyfikacji i analizy dokumentów mogą znaleźć zastosowanie w wielu sektorach. Różnią się jednak rodzaje przetwarzanych danych, wymagania dotyczące ich ochrony oraz sposób zatwierdzania decyzji.
| Branża | Typowe dokumenty i procesy | Szczególne wymagania |
| Ubezpieczenia | Polisy, zgłoszenia szkód, ekspertyzy i korespondencja | RODO, wymagania regulacyjne, kontrola dostępu i możliwość weryfikacji decyzji |
| Kancelarie prawne | Umowy, orzeczenia, pisma procesowe, akta klientów | Tajemnica zawodowa, wysokie wymagania poufności; rozwiązania lokalne (on-premise) są często preferowane, ale nie stanowią bezwzględnego wymogu prawnego |
| Przemysł i produkcja | Listy przewozowe, certyfikaty jakości, rysunki techniczne i protokoły serwisowe | Wielojęzyczność, integracja z ERP, kontrola wersji dokumentacji |
| Ochrona zdrowia | Dokumentacja medyczna, wyniki badań, wypisy i formularze | RODO, w tym art. 9, kontrola dostępu, szczególne zasady przechowywania dokumentacji |
Przykładowo w przedsiębiorstwie produkcyjnym system może łączyć dokumenty dostaw z zamówieniami, ułatwiać wyszukiwanie certyfikatów jakości i porządkować dokumentację techniczną.
Z kolei w kancelarii prawnej priorytetem może być szybkie wyszukiwanie zapisów umownych oraz zapewnienie odpowiedniego poziomu ochrony poufnych informacji.
Jak liczymy opłacalność wdrożenia AI do organizacji dokumentów?
Opłacalność wdrożenia zależy od liczby przetwarzanych dokumentów, czasu potrzebnego na ich obsługę, kosztów pracy oraz zakresu czynności, które można zautomatyzować.
Dlatego kalkulację rozpoczynamy od analizy aktualnego procesu, zamiast zakładać jednakowy poziom oszczędności dla każdej firmy.
| Obszar analizy | Co uwzględniamy? |
| Koszt obecnego procesu | Liczba dokumentów, czas ręcznego przetwarzania, weryfikacji i archiwizacji oraz koszt pracy |
| Potencjał automatyzacji | Czynności możliwe do zautomatyzowania oraz udział dokumentów wymagających kontroli |
| Koszt wdrożenia | Discovery, projekt architektury, przygotowanie modeli, integracje i testy |
| Koszty utrzymania | Infrastruktura, wykorzystanie modeli, monitoring, aktualizacje i wsparcie |
| Koszt obsługi wyjątków | Czas pracowników przeznaczony na dokumenty wymagające korekty lub zatwierdzenia |
| Ograniczenie liczby błędów | Potencjalne oszczędności wynikające z mniejszej liczby poprawek, duplikatów i nieprawidłowości |
Na podstawie tych danych szacujemy koszt przetworzenia jednego dokumentu przed wdrożeniem i po wdrożeniu oraz przewidywany okres zwrotu inwestycji.
Przykładowo, jeśli firma obsługuje miesięcznie kilka tysięcy faktur, w pierwszej kolejności sprawdzamy, ile czasu zajmują pobranie dokumentu, dopasowanie do zamówienia, dekretacja i akceptacja.
Następnie określamy, które czynności można przejąć przez system, a które nadal wymagają udziału księgowości.
Wynikiem analizy jest prognoza opłacalności oparta na danych konkretnej organizacji, a nie na uśrednionych obietnicach oszczędności.
Jak wygląda proces wdrożenia AI do organizacji dokumentów w VM.PL?
Decyzja o inwestycji w rozwiązanie zapada dopiero po potwierdzeniu jego wykonalności oraz ocenie uzasadnienia biznesowego. VM.PL realizuje projekty według metodyki 4D, która pozwala uporządkować prace od analizy potrzeb po rozwój działającego rozwiązania.
Cztery etapy współpracy
| Etap | Zakres prac | Rezultat |
| Discovery | Analiza dokumentów, wolumenu, jakości danych, obecnych procesów, wymagań bezpieczeństwa i potencjału automatyzacji | Ocena wykonalności i wstępna kalkulacja opłacalności |
| Definition | Projekt architektury, zasad klasyfikacji, integracji oraz obiegu akceptacji | Dokumentacja rozwiązania i plan wdrożenia |
| Delivery | Przygotowanie modeli, budowa integracji, testy i uruchomienie rozwiązania | System gotowy do wykorzystania w uzgodnionym zakresie |
| Direction | Monitoring jakości, analiza błędów, aktualizacje i rozwój funkcjonalności | Utrzymanie oraz dalsze doskonalenie systemu |
Czas realizacji ustalamy po analizie zakresu projektu. Zależy on między innymi od liczby typów dokumentów, dostępności danych, stopnia skomplikowania integracji i wymagań dotyczących bezpieczeństwa.
W przypadku obsługi faktur istotne jest również to, czy firma korzysta już z integracji KSeF w swoim ERP, czy taki mechanizm trzeba dopiero przygotować.