Jak AI czyta fakturę — od zdjęcia w warsztacie do zapisu w księdze

Robisz zdjęcie pomiętej faktury ze stacji, telefonem, w słabym świetle, jedną ręką. Po kilku sekundach dokument jest zaksięgowany. Co się dzieje pomiędzy?

To nie jest magia i warto wiedzieć, jak to działa — bo z tej wiedzy wynika, czemu można ufać, a czego trzeba pilnować.

Krok 1: obraz staje się tekstem i strukturą

Pierwsza rzecz to odczyt. Klasyczny OCR rozpoznaje litery i cyfry, ale sam z siebie nie wie, że „1 234,56” obok słowa „Razem” jest kwotą brutto, a ten sam ciąg cyfr w tabeli to cena jednostkowa.

Współczesne modele rozumieją układ dokumentu: gdzie jest nagłówek, gdzie tabela pozycji, gdzie podsumowanie, gdzie dane sprzedawcy. Dzięki temu z faktury wychodzi nie „ściana tekstu”, tylko zestaw pól: sprzedawca, NIP, numer dokumentu, data wystawienia, data sprzedaży, pozycje, stawki, kwoty.

Tu też pojawiają się pierwsze problemy praktyczne, znane każdemu, kto skanował dokumenty:

• paragon z drukarki termicznej, który wyblakł po dwóch tygodniach w schowku,
• zdjęcie pod kątem, z cieniem w połowie dokumentu,
• faktura ze zszywką przez pole z kwotą,
• dwie faktury na jednym zdjęciu.

Dobry system radzi sobie z pierwszymi trzema i mówi wprost, gdy nie daje rady — zamiast wpisać liczbę, której nie widzi.

Krok 2: walidacja, czyli tania weryfikacja prawdy

To najbardziej niedoceniany etap i to on decyduje o jakości. Odczytane dane da się sprawdzić czysto matematycznie i słownikowo, bez żadnej „inteligencji”:

• suma kontrolna NIP — NIP ma cyfrę kontrolną, więc literówka w numerze wychodzi natychmiast,
• arytmetyka dokumentu — netto plus VAT musi równać się brutto, a suma pozycji sumie faktury; niezgodność oznacza błędny odczyt (albo błędną fakturę),
• zgodność stawki VAT z kwotą — 23% od 1 000 zł to 230 zł i nic innego,
• status kontrahenta — NIP można sprawdzić w wykazie podatników VAT,
• wykrycie duplikatu — ta sama faktura wrzucona drugi raz (klasyk: raz zdjęciem, raz mailem) musi zostać rozpoznana, zanim podwoi koszt.

Jeśli dokument przejdzie te testy, prawdopodobieństwo, że dane są poprawne, jest bardzo wysokie. Jeśli nie przejdzie — system ma twardy powód, żeby zapytać.

Krok 3: klasyfikacja, czyli jedyne miejsce dla osądu

Teraz pytanie: czym właściwie jest ten dokument? Paliwo, materiał, narzędzie, usługa obca, telefon, ubezpieczenie? Czy to koszt firmowy w całości, w części, czy wcale?

To zadanie, w którym model językowy jest naprawdę dobry, bo opiera się na wzorcach: nazwa sprzedawcy, treść pozycji, kontekst branży, historia Twoich poprzednich decyzji. I to jest właściwe miejsce na AI — rozpoznanie i kategoryzacja, nie rachunki.

Tu też pojawia się granica opisana szerzej w osobnym wpisie: czego AI nie zrobi za Ciebie. Z faktury za paliwo nie wynika, do którego auta tankowałeś. Dobry system zapyta raz i zapamięta regułę.

Krok 4: liczby — i tu AI odchodzi od stołu

Najważniejsza zasada w całym procesie: kwot podatku nie liczy model językowy.

Model językowy generuje tekst, który jest statystycznie prawdopodobny. To fantastyczna właściwość przy rozumieniu dokumentu i beznadziejna przy liczeniu podatku, gdzie potrzebna jest odpowiedź poprawna, a nie prawdopodobna, i identyczna za każdym razem.

Dlatego w poprawnie zbudowanym systemie po klasyfikacji przejmuje deterministyczny silnik: bierze zaksięgowane kwoty, stosuje reguły z przepisów (stawki, limity, proporcje) i wylicza zaliczkę, VAT i składki. Ta sama sytuacja zawsze daje tę samą liczbę, a każdą można rozłożyć na czynniki.

Praktyczny test dla dowolnego narzędzia: poproś o rozbicie kwoty na kroki. Jeśli dostaniesz ścieżkę „przychód → koszty → dochód → stawka → zaliczka”, liczy silnik. Jeśli dostaniesz zgrabny akapit bez możliwości sprawdzenia — liczy model, i to jest problem.

Krok 5: zapis i ślad

Na końcu dokument trafia do księgi, a razem z nim ślad decyzji: co odczytano, jak sklasyfikowano, na jakiej podstawie i z jaką pewnością. Ten ślad jest wart tyle samo co sam zapis — bo pozwala cofnąć decyzję, wyjaśnić ją przy kontroli i wychwycić powtarzalny błąd.

Księga, w której widać tylko wynik, ale nie widać drogi, jest nie do obrony w rozmowie z urzędem.

Gdzie to się najczęściej sypie

Uczciwie, z praktyki:

• dokumenty nieczytelne — wyblakłe paragony to numer jeden,
• faktury zagraniczne w nietypowym układzie i walucie,
• korekty — dokument, który odnosi się do innego dokumentu,
• faktury zbiorcze z pozycjami o różnym charakterze (część kosztem, część nie),
• dokumenty, które nie są fakturami — umowy, oferty, potwierdzenia przelewu wrzucone „na wszelki wypadek”.

W każdym z tych przypadków właściwą reakcją systemu jest pytanie, nie zgadywanie.