Számlák és banki tételek feldolgozása AI modellekkel

Évek óta teszteljük az AI-megoldásokat könyvelési és pénzügyi feladatokon. Minden új modell megjelenése után újra lefuttatjuk a régebbi teszteket, és írunk hozzájuk újakat, hogy lássuk, mire képesek.

A legutóbbi alkalommal egy kis könyvelési rendszert raktunk össze, hogy megnézzük, mennyire boldogulnak az LLM-ek a könyvelés legalapvetőbb feladataival.

Miből állt a teszt?

Amikor nekiálltunk, kerestünk olyan könyvelőszoftvert, amelyben ezt a fajta AI-alapú működést kontrolláltan ki tudtuk volna próbálni, de nem találtunk ilyet. Ezért összeraktunk egy nagyon egyszerű saját rendszert, ami épp annyit tud, amennyi a teszthez kellett: főkönyvi számlák, partnerek, bejövő számlák és banki tranzakciók rögzítése, a tranzakciók és számlák közötti kiegyenlítésekkel együtt.

A modell minden feladatnál megkapta a kitalált cég profilját, a számlatükör aktuális változatát, a feladat leírását és a könyvelendő számlát vagy banki tételt. A számlatükröt az AI maga is alakíthatta, ha úgy ítélte meg, és az így módosított változat ment tovább a következő feladatra.

A feladatok között szerepelt például ÁFA-levonhatóság megítélése és egyéb, könyvelési döntést igénylő kérdések is, de a teszt szándékosan szűk területre korlátozódott. A célunk az volt, hogy megnézzük, mennyi háttérinformációt kell a modell számára biztosítani ahhoz, hogy a kijelölt feladatokon megfelelően használja az eszközöket, és strukturált választ adjon vissza.

Három dolgot vizsgáltunk részletesen. Az eszközöket, amelyekkel a modell adatokat tudott lekérni a rendszerből. A háttérinformációt, amelyből megértette a cég sajátosságait, az adott feladatot és a kivételes esetek kezelését. És a strukturált adatformátumot, amelyben a modell válaszait a rendszer közvetlenül fel tudta dolgozni.

Mit csináltak a modellek?

A bejövő számláknál egy összetett feladat várt a modellre. Először el kellett döntenie, hogy van-e a számlatükörben megfelelő főkönyvi számla, vagy létre kell hoznia egy újat. Ezután következett a Tartozik és Követel oldal megállapítása, az ÁFA levonhatóságának eldöntése, és azoknak a tételeknek az azonosítása, amelyek különleges kezelést igényelnek, például a telefonszámla 20%-os magánhasználata, vagy a személygépjármű bérleti díjának 50%-os ÁFA-levonhatósága.

A banki tranzakcióknál más volt a fókusz. Itt a modellnek meg kellett keresnie, hogy melyik partnertől érkezhetett az adott utalás, és melyik számlához tartozhat. Néhány életszerű nehezítést is beletettünk a szintetikus bankszámlakivonatba: előfordult, hogy a közleményben nem szerepelt számlahivatkozás, hogy a partner kerekítve utalt, vagy hogy túlfizetés történt. A feladat leírásában megadtuk, hogyan kezelje ezeket a helyzeteket, hogy ne csak találgasson.

Ezeket a feladatokat a legtöbb modell megoldotta, ami nem meglepő, hiszen minden támpontot megkaptak a feladatleírásban és a hozzá tartozó háttérinformációkban. Ez életszerű is: egy valódi könyvelőprogramba épített AI-megoldásnál is részletes leírások kísérnék az elvégzendő feladatokat, mivel a modellek a tanítás során viszonylag kevés információt kapnak a magyar számviteli szabályokról.

A teszt egyik legfontosabb tanulsága, hogy a modell önmagában csak egy része a rendszernek. Legalább annyira számít, hogy az adatok olyan formátumban jussanak el hozzá, amit a szoftver is megért, hogy az eszközök azt adják vissza, amire a feladathoz ténylegesen szükség van, és hogy a könyvelőszoftver a háttérben úgy tárolja az információkat, hogy utólag ember és modell is végig tudja követni, mi miért történt. Ha ezek közül bármelyik hiányzik, egy erősebb modell sem fog belőle stabil könyvelési folyamatot csinálni.

Kell mellé egy olyan adatgyűjtő és feldolgozó réteg is, amely összeszedi a szükséges adatokat, egységes formába rendezi őket, és a modell számára értelmezhető módon adja tovább. Ez működhet egy könyvelőszoftveren belül, vagy egy külön platformban is.

A gyakorlatban viszont ez a réteg sem teljesen önálló. Továbbra is embereken múlik, hogy megújítják-e a banki hozzáféréseket, feltöltik-e a hiányzó dokumentumokat, jó adatokat adnak-e meg, és időben pótolják-e azt, ami a rendszerből hiányzik. Ha ezek nem működnek, az AI sem fog stabilan működni.

Még ha minden összetevő rendben is működik, a végén egy embernek kell ellenőriznie az eredményt. A hatóságok előtt nem lesz védhető magyarázat az, hogy "a modell tévedett".

Egy kevés tételt kezelő, kiszámíthatóan működő cégnél, ahol ritkák a kivételek és a partnerek utalásai jól beazonosíthatók, egy AI-alapú megoldás elvben működhetne.

A gond az, hogy a piacon lévő könyvelőprogramokban már ma is sok olyan automatizmus van, amely gyorsítja és segíti az ilyen tételek feldolgozását. Bankszámlaszám alapján megtalálják a partnert, a közlemény alapján pedig sokszor a számlát is.

Az ismétlődő esetekre a felhasználó külön szabályokat is beállíthat, például hogy egy adott partner számlái mindig ugyanarra a főkönyvi számra kerüljenek. Ezek a megoldások kiszámíthatóak, gyorsak, és nincs minden egyes tételnél külön modellhasználati költségük.

A reálisabb irány inkább az lenne, hogy a meglévő szabályok és automatizmusok kezelik az egyszerű eseteket, és az AI csak ott kapcsolódik be, ahol ezek elakadnak. Ilyenkor is inkább javaslatot adna, amit a könyvelő ellenőriz.

Költségek és karbantartás

Egy ilyen rendszer nem fix havi díjas előfizetésként működik, mint ahogyan sokan a ChatGPT-nél megszokták. Az API-n keresztül használt modellek a feldolgozott adatmennyiség alapján számolják el, mennyibe kerül egy-egy feladat elvégzése, és ahogy nő a partnerek, a számlák, a számlatükör, valamint a háttérinformációk mérete, úgy nő minden egyes feladat költsége is.

A cégprofilok karbantartása is folyamatos figyelmet igényel. Ami az egyik cégnél nem elszámolható költség vagy reprezentáció, a másiknál lehet a tevékenységhez közvetlenül kötődő, tipikus beszerzés. Minden cégnek megvannak a saját sajátosságai, amelyeket hozzá kell adni a cégprofilhoz, különben a modell feltételezésekkel dolgozik, és ugyanazt a hibát újra és újra elkövetheti.

Egy ponton túl a modellnek átadott háttérinformáció és feladatleírás maga is egyfajta természetes nyelven megírt szabálykönyvvé válik. Ez azonban nem ugyanaz, mint egy könyvelőprogramba beépített szabály. Egy kódolt szabály gyorsan lefut, nincs extra költsége, és ugyanarra az adatra ugyanazt az eredményt adja vissza. Az AI-alapú feldolgozás ehhez képest lassabb, pénzbe kerül, és ugyanarra a kérdésre nem garantáltan pontosan ugyanazt a választ adja. Egy egyértelműen leírható kivételt (például hogy egy adott partner számlája mindig ugyanarra a főkönyvi számra kerül) ezért érdemes inkább a könyvelőprogramba szabályként beépíteni, mint újabb bekezdésként a promptba írni.

Adatvédelem

Az ügyféladatok kezelésénél kiemelt figyelmet kell fordítanunk arra, milyen szolgáltatókkal dolgozunk együtt, mivel a feldolgozás során érzékeny adatokat adunk át harmadik fél számára. Ehhez a vállalkozás tájékoztatása és beleegyezése is elengedhetetlen.

Több szolgáltatónál elérhető olyan API-alapú használat, ahol a feldolgozott adatokat nem használják fel a modellek tanítására, de ezt mindig az adott szolgáltató feltételei alapján kell ellenőrizni. Ahol lehetséges, Zero Data Retention megállapodást is érdemes kötni, amely biztosítja, hogy a feldolgozott adatokat egyáltalán ne tárolják.

A saját alkalmazásainkban szigorúan ügyelünk arra, hogy a kezelt vállalkozások adatai semmilyen módon ne keveredjenek egymással: sem a modell számára átadott adatok között, sem a felhasználói felületen, sem a háttérfolyamatokban, sem a hibabejelentéseknél. Biztosítani kell, hogy a modellek csak azokhoz az adatokhoz férjenek hozzá, amelyekhez az adott felhasználó egyébként is hozzáférhetne.

Összegzés

Az AI-t ma inkább az adatkinyerésben, az előfeldolgozásban, a riportálásban és az adatelemzésben látjuk hasznosnak. Ezeknél a feladatoknál az adat már valamilyen formában rendelkezésre áll, és a modell nem könyvelési döntést hoz, hanem abban segít, hogy az információ gyorsabban kereshetővé, rendezhetővé és értelmezhetővé váljon. A saját riportálási és adatelemzési megoldásainkról külön bejegyzésben írunk.

A könyvelés ennél jóval összetettebb folyamat, és mi most csak a legegyszerűbb részét teszteltük, azt a részt, amelyben a ma elérhető könyvelőprogramok beépített automatizmusai már most is sokat segítenek. Egyelőre nem látjuk világosan, hol adna érdemi többletet az AI ebben a folyamatban. A modelleket a szokásos módon tovább teszteljük, és a saját tesztrendszerünket is fejlesztjük, hogy legközelebb egy teljes évnyi adatmennyiségen nézhessük meg, mire jutnak. Ha közben megjelenik olyan könyvelőszoftver, amelyben ezt érdemben ki tudjuk próbálni, azt is megnézzük.

Clement Weaver: Technológia a számok mögött, szakértelem a Te oldaladon.

Ha kérdésed van az AI könyvelési felhasználásával vagy a teszteléssel kapcsolatban, írj nekünk az info@clementweaver.com címre!

Meglévő ügyfeleinknek a megszokott csatornákon segítünk. Csatlakozz hozzánk – szolgáltatásainkat és árainkat ide kattintva nézd meg!