Jak automatizovat vytěžování faktur: 5 otázek, které si firma má položit

Nejdřív: co vlastně chcete automatizovat

„Automatizace faktur“ znamená pro každou firmu něco jiného. Někde je to přepis do ERP. Jinde kontrola proti objednávce. Jinde schvalovací tok mezi třemi odděleními. Než si začnete vybírat nástroje, ujasněte si, co konkrétně chcete zautomatizovat - a především, kde v dnešním procesu lidé ztrácejí nejvíc času.

Typické scénáře, které do sebe bývají směšované:

• Extrakce dat z PDF - hlavičkové údaje, položky, DPH, IČO, DIČ, číslo účtu.
• Validace proti objednávce - souhlasí dodané položky, ceny, množství, podmínky?
• Kontrola formálních náležitostí - DUZP, sazby DPH, povinná pole, duplikáty.
• Rozúčtování - rozpad na střediska, zakázky, projekty.
• Schvalovací workflow - routing na správné lidi podle limitu a kategorie.
• Import do účetního systému nebo ERP.

Tohle nejsou synonyma. Každý krok má jinou technologii, jiné riziko a jinou návratnost. Než začnete hledat řešení, udělejte si inventář toho, kde dnes konkrétně vzniká manuální práce a v jakém objemu.

Otázka 1: V jakých formátech faktury přicházejí?

Od tohoto se odvíjí celá architektura řešení. Tři kategorie:

• Strukturované formáty (ISDOC, XML, EDI). Data už jsou strojově čitelná. Extrakce je triviální, řeší se jen mapping a validace. Pokud dostáváte všechny faktury takhle, AI vlastně nepotřebujete.
• Textové PDF. Generované z účetního systému dodavatele. AI extrakce funguje s vysokou přesností, typicky 95 %+ na klíčových polích.
• Skenované PDF nebo foto. Potřeba OCR vrstva před extrakcí. Přesnost klesá, čas zpracování roste. Vyžaduje kvalitnější model a robustní validaci.

Udělejte si reálný průzkum: ze 100 faktur minulého měsíce - kolik je v které kategorii? Podle toho se rozhodne, jestli potřebujete lehký nástroj, nebo robustní workflow s OCR a validační vrstvou.

Otázka 2: Máte objednávkový systém, se kterým se dá porovnávat?

Nejcennější část vytěžování faktur není samotná extrakce. Je to párování proti objednávce a dodacímu listu. Tam vznikají skutečné chyby - nesprávné množství, přefakturované ceny, položky, které nebyly objednány.

Pokud vaše firma objednává přes systém (ERP, nákupní portál), workflow může:

• automaticky najít objednávku podle reference na faktuře;
• porovnat položku po položce (kód, množství, cena);
• zvýraznit odchylky, které musí řešit člověk;
• faktury bez odchylek připravit k hromadnému potvrzení, ostatní eskalovat.

Pokud objednávkový systém nemáte nebo je mimo digitalizované prostředí, je to velké omezení - workflow dokáže extrahovat, ale nedokáže validovat proti pravdě. Pak je lepší začít tím, že se zavede strukturovaný objednávkový proces, a teprve potom na něj nasadit AI.

Otázka 3: Kam mají data putovat a v jakém formátu?

Tohle je otázka, kterou projekty často podceňují. Extrahovat faktury umí dnes spousta nástrojů. Dostat data do ERP tak, aby s nimi systém uměl pracovat, je jiná liga.

Každý ERP má vlastní importní formát, vlastní číselníky, vlastní pravidla. Pokud dodavatel AI nástroje vyřeší jen extrakci a integraci nechá na vás, dostanete Excel, se kterým stejně musí někdo ručně pracovat - a úspora padne.

Než si vyberete řešení, zjistěte:

• Jaký formát ERP skutečně importuje? (XML, CSV, API, ISDOC?)
• Jaké číselníky používá? (kódy středisek, kategorie, sazby DPH)
• Co ERP vyžaduje jako povinná pole a co se doplňuje automaticky?
• Kdo bude odpovědný za údržbu mappingu mezi fakturou a ERP?

Tohle je typické místo, kde AI extrakce sama o sobě nestačí - potřebujete workflow, který umí výstup normalizovat, mapovat a integrovat. Viz detail use-case vytěžování faktur.

Otázka 4: Kdo bude validovat a jak?

AI nikdy nebude bezchybná. Vždy bude existovat podíl faktur, kde si model není jistý, nebo kde reálně chybí data. Rozhodující otázka: kdo výjimky řeší a jak rychle?

Dobře navržené workflow rozděluje faktury do tří košů:

1. Hromadné potvrzení. Data jsou kompletní, validace proti objednávce projde, QA score je vysoké. Operátor takové faktury potvrdí hromadně jedním krokem a export do ERP schválí.
2. Operátor potvrzuje. Data jsou předvyplněná, jedno upozornění - drobná odchylka v ceně, chybějící doplňkové pole. Operátor jedním kliknutím potvrdí nebo opraví.
3. Eskalace. Závažná odchylka, chybějící objednávka, nesrovnalost v DPH. Jde na seniorního účetního nebo vedoucí nákupu.

Bez tohoto rozdělení se z „automatizace“ stává jen přesun manuální práce o jeden krok dál. U dobře ohraničeného procesu se pak operátor může dotýkat jen menší části faktur - zbytek workflow zpracuje samo nebo připraví k rychlému potvrzení.

Otázka 5: Kde data fyzicky běží a kdo je vidí?

Faktury jsou citlivá data - obchodní vztahy, ceny, podmínky. V některých odvětvích (advokacie, zdravotnictví, státní správa) mohou interní, smluvní nebo regulatorní pravidla omezovat, kam data smí putovat a kdo je smí zpracovávat.

Než podepíšete smlouvu s SaaS poskytovatelem, zjistěte:

• Kde fyzicky běží servery? (EU region? ČR?)
• Jak dlouho se data ukládají a kde?
• Jsou data použita k tréninku modelů?
• Jakou máte zpracovatelskou smlouvu?
• Máte právo data kdykoliv smazat?

U firem s přísnými compliance požadavky může dávat smysl lokální nasazení AI modelu nebo privátní cloud - jak k tomu přistupujeme, popisujeme na stránce Lokální modely. Vybírejte poskytovatele, který umí jasně popsat datové toky, retenci a varianty nasazení, i kdybyste přísnější variantu nyní nepotřebovali.

Co z toho plyne

Vytěžování faktur není „AI feature“, je to provozní proces, do kterého AI vstupuje jako jedna z komponent. Úspěch závisí stejně tolik na integraci, validaci, workflow a compliance jako na samotném modelu.

Pokud si před výběrem nástroje odpovíte na těchto pět otázek, budete o krok napřed většiny konkurentů ve srovnávacím tendru - a hlavně dostanete řešení, které reálně doručí, co slibuje.

Stejný princip aplikujeme u všech dokumentových workflow. Podívejte se na případovou studii Favex, kde Inovai Atesty zpracovaly přes 10 000 atestů a operátor místo přepisování jen kontroluje - a tentýž přístup teď přenášíme na faktury.