Způsoby automatizace zpracování dokumentů

Faktura dorazí e-mailem, smlouva leží ve sdílené složce, objednávka přijde jako příloha a údaje se pak ručně přepisují do účetního systému, CRM nebo interní aplikace. Právě tady dávají způsoby automatizace zpracování dokumentů největší smysl. Ne proto, aby firma „měla AI“, ale aby člověk netrávil čas hledáním údajů, opravováním překlepů a hlídáním kroků, které lze popsat jasnými pravidly.

Automatizace dokumentů není jedna funkce ani jeden nástroj. Je to navazující proces: dokument přijmout, rozpoznat jeho typ, získat potřebná data, ověřit je, předat do správného systému a zachovat dohledatelnou stopu. U menšího objemu stačí jednoduché řešení. Jakmile ale dokument ovlivňuje platbu, smluvní vztah nebo rozhodnutí, vyplatí se navrhnout celý tok pečlivěji.

Kde se ruční zpracování dokumentů skutečně prodražuje

Nejviditelnější náklad je ruční přepis. Ten ale bývá jen začátek. Problém vzniká také ve chvíli, kdy dokument dorazí na špatnou adresu, někdo jej přehlédne, data neodpovídají objednávce nebo se nedá dohledat, kdo změnu provedl.

Časté jsou faktury přepisované do účetnictví, přijaté objednávky zakládané do ERP, životopisy převáděné do personálního systému, předávací protokoly nebo formuláře od zákazníků. V každém z těchto případů se opakuje podobný vzorec: vstup není jednotný, ale výstup být jednotný musí.

Před rozhodnutím o automatizaci je dobré změřit realitu. Kolik dokumentů měsíčně přichází, odkud, v jakých formátech, jaká pole z nich tým potřebuje a kolik výjimek nastává? Proces s desítkami dokumentů měsíčně a častými nestandardními případy může potřebovat hlavně lepší formulář a pořádek ve schvalování. U stovek či tisíců podobných dokumentů už dává vlastní automatizace obvykle výrazně lepší ekonomiku.

Způsoby automatizace zpracování dokumentů podle typu vstupu

1. Strukturovaný vstup je lepší než následné čtení PDF

Nejlevnější dokument je ten, který vůbec nemusíte strojově číst. Pokud má partner nebo zákazník možnost zadat údaje do webového formuláře, portálu či zákaznické aplikace, přicházejí data rovnou v použitelné podobě.

Typickým příkladem je žádost, objednávka nebo reklamace. Místo e-mailu s volným textem lze vytvořit řízený formulář s povinnými poli, výběrem z hodnot a kontrolou formátu. Systém může hned ověřit IČO, duplicitu objednávky nebo dostupnost položky. Dokument v PDF pak může vzniknout až jako výstup pro archivaci či podpis.

Tento přístup není vhodný pro vše. Fakturu od dodavatele nebo smlouvu připravenou druhou stranou neovlivníte. Kde ale proces vlastníte, vyplatí se začít úpravou vstupu, ne nasazením složitého rozpoznávání.

2. OCR pro skeny a obrazové dokumenty

OCR převádí obraz dokumentu na text. Je užitečné pro naskenované faktury, papírové formuláře, přílohy poslané jako fotografie nebo starší archivy. Samotné OCR však neví, co je číslo faktury, splatnost nebo celková částka. Pouze poskytne text a často i souřadnice, kde se na stránce nachází.

Kvalita výsledku závisí na vstupu. Čistě vytvořené PDF s dobře čitelným textem je výrazně jednodušší než fotografie z telefonu se stínem, ohnutým papírem a rukou psanou poznámkou. Proto má smysl ukládat i původní soubor a počítat s tím, že některé dokumenty vyžadují lidskou kontrolu.

3. Vytěžování konkrétních údajů z opakovaných dokumentů

Pokud firma z dokumentu potřebuje několik jasných polí, následuje po OCR takzvané vytěžování dat. Systém hledá například dodavatele, datum vystavení, variabilní symbol, položky objednávky, rodné číslo nebo číslo smlouvy, podle konkrétního procesu a oprávněného účelu práce s daty.

U dokumentů s ustálenou šablonou mohou dobře fungovat pravidla založená na pozici, klíčových slovech nebo formátu hodnoty. Například datum má očekávaný tvar a číslo objednávky odpovídá známému vzoru. Takové řešení bývá čitelné a snadno se ladí.

Jakmile ale dokumenty přicházejí od mnoha partnerů a každý používá jinou podobu, samotná pravidla rychle narazí. Tehdy dává smysl kombinovat rozpoznávání layoutu, klasifikaci dokumentů a modely, které dokážou hledat význam pole v kontextu. Neznamená to ale, že mají rozhodovat bez kontroly.

4. AI pro různorodé podklady a práci s obsahem

Modely pracující s textem dokážou dokument zařadit, vytáhnout údaje do předem definované struktury, porovnat ho s interními podklady nebo připravit návrh odpovědi. Využití najdou hlavně tam, kde podklady nemají jednotnou šablonu: ve smlouvách, přílohách obchodních případů, e-mailové komunikaci nebo dokumentaci k požadavkům zákazníků.

Je potřeba rozlišovat mezi extrakcí a rozhodováním. Model může navrhnout, že smlouva obsahuje automatické prodloužení nebo nestandardní sankci. Pokud však takový závěr spouští právní, finanční či personální krok, musí existovat jasná pravidla a odpovědná osoba. AI je v tomto toku dobrý pomocník pro přípravu a třídění, ne neviditelný schvalovatel.

Automatizace nekončí získáním dat

Nejčastější chyba je postavit proces, který z PDF vytáhne tabulku, ale dál už data nechá v e-mailu nebo exportu. Hodnota vzniká až propojením na systémy, kde firma skutečně pracuje.

Po vytěžení může aplikace založit záznam v interním systému, přiřadit dokument ke konkrétní zakázce, spustit schvalování, upozornit odpovědnou osobu nebo připravit export pro účetnictví. Každý krok by měl mít stav: přijatý, zpracovaný, čeká na kontrolu, schválený, zamítnutý nebo odeslaný. Bez stavů se automatizace mění v černou skříňku, které tým nedůvěřuje.

U citlivých dat je nutné vyřešit také oprávnění. Účetní nemusí vidět všechny přílohy obchodního případu a obchodník nepotřebuje přístup k osobním údajům uchazečů. Systém by měl uchovávat auditní záznamy: co přišlo, jaká data se získala, kdo je opravil a kam byla odeslána.

Kontrola výjimek je součást návrhu, ne selhání

Dobře navržené řešení nehoní stoprocentní automatizaci za každou cenu. Místo toho rozpozná, kdy si není jisté. Pokud se částka na faktuře neshoduje se součtem položek, dokument chybí o povinný údaj nebo systém nedokáže určit dodavatele, předá případ člověku ve frontě ke kontrole.

Tato fronta musí být praktická. Kontrolující má vidět původní dokument, navržená data, důvod označení a související záznamy. Oprava by neměla znamenat otevření pěti systémů. Čím jednodušší je vyřešit výjimku, tím ochotněji tým automatizaci přijme.

Zároveň se vyplatí sledovat, proč výjimky vznikají. Pokud se stále opakuje stejný dodavatel, chybějící pole nebo nejednoznačný formát, je lepší upravit pravidlo, integrační tok nebo domluvit kvalitnější vstup. Tak se proces postupně zlepšuje na reálných datech, nikoli podle předpokladů z úvodního workshopu.

Jak postupovat při návrhu vlastního řešení

Začali bychom jedním konkrétním tokem, který má dostatečný objem a jasný dopad. Například přijetí faktury od okamžiku doručení po předání do účetnictví nebo zpracování objednávky po vytvoření zakázky. Nejdřív je potřeba popsat současný stav včetně výjimek, nikoli jen ideální postup.

Pak přichází výběr techniky podle dokumentů. Pro digitální PDF může stačit parsování textu a ověřovací pravidla. Pro skeny je nutné OCR. Pro smlouvy od různých protistran může být vhodná kombinace vytěžování, klasifikace a kontroly specialistou. Technologie se má řídit procesem, ne naopak.

V Nextrey stavíme takové toky jako součást produkční aplikace, ne jako izolovaný skript, o který se po spuštění nikdo nestará. To znamená napojení na existující systémy, správu uživatelů, historii změn, monitoring chyb a prostor pro další úpravy. První verze nemusí řešit všechny typy dokumentů. Musí ale bezpečně obsloužit vybraný proces od vstupu po výstup.

Nejlepší začátek obvykle není otázka „jakou AI použít?“. Je to konkrétnější otázka: který dokument dnes zdržuje zkušené lidi, jaké rozhodnutí z něj potřebují udělat a kdy má systém bez váhání předat případ člověku? Odpověď na ni ukáže, co má smysl automatizovat a co zatím nechat v rukou týmu.