AI dokumentumfeldolgozás a gyakorlatban: útmutató a bevezetéshez

A dokumentumfeldolgozás automatizálása három kérdésen áll: milyen dokumentumok érkeznek, mennyi kézi munkaidőt visznek el, és mi történik velük a beérkezés után. Egy fuvarozó ügyfelünknél a havi kb. 2000 beszállítói számla feldolgozása 3 napról 4 órára csökkent; egy nagy logisztikai vállalatnál havonta kb. 8000 számla fut át a rendszeren, 340 beszállítótól. Ez az útmutató azt a döntési utat írja le, amit ezek a projektek végigjártak.

Sorra vesszük, melyik dokumentumtípussal érdemes indulni, mikor elég az OCR és mikor kell modell, hogyan illeszkedik a rendszer az ERP mellé, milyen mennyiségnél térül meg, és mennyibe kerül. Minden szakaszhoz tartozik egy külön cikk, ami a kérdést részletesen kibontja.

Melyik dokumentumtípussal érdemes indulni?

A megtérülést a mennyiség és az egy dokumentumra jutó kézi munkaidő együtt dönti el, ezért azzal a típussal érdemes kezdeni, ahol ez a kettő a legnagyobb. A legtöbb cégnél ez a beszállítói számla: nagy mennyiségben érkezik, minden darab rögzítést és megrendelés-egyeztetést kér, és a ráfordított idő jól mérhető. A számlákra saját logika épül — egyeztetés a megrendelésekkel, szállítói törzsadat, rögzítés az ERP-ben —, ezt az AI-alapú számlafeldolgozás oldalon írtuk le.

A sorban utána ezek jönnek:

• Szerződések. A rendszer kinyeri a feleket, az összegeket, a határidőket és a felmondási záradékot. A feldolgozott állományból kereshető tudásbázis is épülhet: egy biztosítónál 12 000 dokumentumra építettünk ilyet, és a munkatársak 78%-a használta az első hónapban.
• Megrendelések. Tételsorok és pénznem — a számla-egyeztetés másik oldala, ezért a kettő együtt többet hoz, mint külön-külön.
• Beérkező levelezés. A csatolt dokumentumok osztályozása és a megfelelő folyamathoz irányítása.
• Űrlapok és munkalapok. Stabil, saját elrendezés — ide gyakran a sablonalapú feldolgozás is elég.

OCR vagy LLM végezze a kinyerést?

Az OCR képből szöveget csinál: karaktereket olvas le a beszkennelt oldalról. Azt önmagában nem tudja, hogy melyik szám a végösszeg és melyik a számlaszám — ezt a hagyományos rendszerekben elrendezésenként rögzített sablonok mondják meg. Az AI-alapú kinyerés a tartalomból dolgozik: értelmezi, amit lát, így a korábban nem látott elrendezéseket is kezeli.

Ha a dokumentumaid kevés, stabil formátumban érkeznek, a sablonalapú OCR olcsóbb és kiszámíthatóbb. Sok forrás és változó elrendezés mellett a sablonok karbantartása lesz a szűk keresztmetszet — ott AI kell. A hibaprofil is más: a sablon hibája jól látszik, az AI ritkábban téved, de magabiztosan, ezért köré validáció és kivételkezelés épül. A teljes döntési utat az OCR vagy AI a dokumentumfeldolgozáshoz? cikkben írtuk le.

Hogyan illeszkedik a rendszer az ERP mellé?

A rendszer a meglévő ERP mellé épül, a nyilvántartás az ERP-ben marad. A lánc négy lépés: beérkezés, adatkinyerés, egyeztetés, rögzítés. A kapcsolat API-n megy, ha az ERP ad rá felületet, és RPA platformmal (Blue Prism, UiPath, Power Automate), ha nincs dokumentált interfész — csere és leállás nélkül.

A gyakorlatban két dolog dönti el a bevezetés sikerét: hova kerülnek a jóváhagyási pontok, és milyen állapotban van a törzsadat. A részleteket az AI számlafeldolgozás és ERP-integráció cikkben szedtük össze; azt pedig, hogy a folyamat melyik lépésére való modell és melyikre szabályalapú automatizálás, az AI vagy RPA a számlafeldolgozásban cikkben jártuk körbe.

Milyen mennyiségnél térül meg?

Nincs egyetlen darabszám, ami fölött biztosan megéri. Négy változó dönt együtt: a havi mennyiség, az egy dokumentumra jutó kézi perc, a hibajavításra fordított idő és a hónap végi csúcs. Az automatizálás után a kézi munka egy része megmarad — a megtakarítást a kézi órák nagy részére számold, mert a kivételek ellenőrzése kézi munka marad.

46+ lezárt projektünk alapján a tipikus megtérülési idő 6-12 hónap. A képletet és a számítás lépéseit a Hány számlánál éri meg az AI számlafeldolgozás? cikkben írtuk le — a saját adataiddal egy délelőtt alatt végigszámolható.

Mit mutat egy éles rendszer 12 hónap után?

Egy nagy logisztikai vállalatnál havonta kb. 8000 számla érkezik 340 beszállítótól. A teszt pontosságunk 94% volt; valódi számlákon az első heti pontosság 71%. A rendszert ezért három szintre építettük át: a számlák 78%-a teljesen automatikusan fut át, 15%-ánál a kolléga csak a megjelölt mezőket nézi át — átlagosan 45 másodperc —, 7%-a pedig kézi feldolgozásra megy, előre kitöltött mezőkkel.

A 12 hónap tanulságait — sablonváltozások, szkennercsere, tizedeselválasztó-hiba — a 100 000 számla feldolgozásának tanulságai cikkben írtuk meg. A rövid változat: a pontosság szállítónként nagyon eltér, és a rendszer értékét a tiszta emberi átadás adja, a 99%-os automatizáció hajszolása helyett.

Mennyibe kerül?

A belépő szint az AI felmérés: 500 000 Ft + ÁFA-tól. Az eredmény egy írásos terv költség- és megtérülés-becsléssel, amivel akkor is tudsz dolgozni, ha máshogy folytatod. Egy dokumentumfeldolgozó rendszer jellemzően 12–32 millió Ft; hogy a sávon belül hol landol a projekt, azt a mennyiség, a beszállítói kör változatossága, a formátumok, az ERP-kapcsolat és a futtatási környezet dönti el. A tényezőket az AI számlafeldolgozás áráról szóló cikkben vettük sorra.

KKV-ként pályázati forrást is bevonhatsz — a lehetőségeket és a megkötéseket az Elszámolható-e az AI a DIMOP pályázatban? cikkben írtuk le.

Hogyan indulj el?

A felmérés után egy pilot a saját dokumentumaidon 2-3 hét alatt elkészül; a bevezetés a legtöbb projektnél 6-12 hét. Az EU AI Act szerinti kockázati besorolást a projekt elején elvégezzük, és a szükséges dokumentációt is elkészítjük. Ha az adatoknak a cégnél kell maradniuk, on-premise vagy privát felhőben telepítünk; a forráskód, a modellek és az adatok a tieitek maradnak.

A rendszer működését, a bevezetés lépéseit és a gyakori kérdéseket az AI dokumentumfeldolgozás oldalon gyűjtöttük össze. Elmondod, milyen dokumentumok érkeznek és mennyi időt visznek el — mi megmondjuk, mit lehet velük kezdeni. Ha nincs megtérülő use case, azt is megmondjuk.