Biuro księgowe — AI w klasyfikacji dokumentów (case study 11 osób)

Biuro księgowe z Poznania (11 osób, 312 obsługiwanych firm, 4 200 faktur miesięcznie) to przykład wdrożenia AI, które nie zmieniało strategii firmy — po prostu skróciło najbardziej powtarzalną pracę o 68%. Bez fajerwerków, bez restrukturyzacji, bez zwolnień. Ten artykuł to pełne case study: architektura, koszty, ROI, błędy które popełniliśmy po drodze.

Punkt wyjścia

Średnia faktura wymagała: skanowanie (jeśli papier), OCR ręczny dla pól trudnych, klasyfikacja konta księgowego, weryfikacja kontrahenta w bazie, wprowadzenie do systemu. Czas: 3,8 min przy doświadczonej osobie, 6-9 min przy juniorze. Wąskie gardło: jedna osoba "od OCR" + cztery księgowe walczące o jej czas.

Cele wdrożenia

• Skrócić czas faktury o min. 50%.
• Wyeliminować "wąskie gardło OCR".
• Utrzymać poziom błędów <0,5%.
• Pełna ścieżka audytu zgodna z interpretacjami KIS.
• Dane wrażliwe nie opuszczają biura (prywatna instancja RedAI).

Architektura

Prywatna instancja RedAI w biurze. Pipeline:

1. Skan/PDF faktury wpada do folderu wejściowego (lub przez WebDAV z aplikacji biura).
2. OCR (Claude vision dla skanów, parsing dla PDF-ów elektronicznych).
3. Ekstrakcja pól (NIP, kwoty, daty, pozycje) — strukturyzowany prompt Claude Sonnet 4.5.
4. Klasyfikacja konta księgowego — Bielik 2.3 lokalnie, RAG z bazą 18 000 wzorców.
5. Weryfikacja kontrahenta — match po NIP w lokalnej bazie + API GUS.
6. Wstępne wprowadzenie do systemu księgowego (Comarch Optima przez API).
7. Księgowa otrzymuje dashboard z fakturami "do akceptacji" — klika OK/edytuj.
8. Wszystkie decyzje AI logowane: model, prompt-hash, timestamp, użytkownik.

Wyniki po 4 miesiącach produkcji

Finanse

• Wdrożenie: 64 000 zł (jednorazowo).
• Utrzymanie: 3 800 zł/mies. (prywatna instancja, support).
• API zewn. (Claude Sonnet): 480 zł/mies.
• Oszczędność nadgodzin: 66 h/mies. × 75 zł/h = 4 950 zł/mies.
• Dodatkowa przepustowość: +1 800 faktur/mies. × 4,2 zł/szt. (avg cena) = 7 560 zł/mies.
• ROI: 5 miesięcy, potem 8 230 zł/mies. nadwyżki.

Co poszło źle (i czego nas to nauczyło)

Tydzień 1-2 — błędy NIP

Pierwsza wersja źle parsowała NIP, gdy w fakturze były polskie znaki w pobliżu (np. "Nr ident. podat. NIP: ..."). Naprawa: lepszy regex + Claude jako fallback. Lekcja: testuj na realnych dokumentach, nie syntetycznych.

Tydzień 3 — Comarch Optima API rate limits

Rate limit Comarcha to 60 req/min. Przy 91 fakturach/osoba × 4 osoby aktywnie = przekraczamy. Wprowadziliśmy queue z backpressure. Lekcja: zewnętrzne API mają twarde limity, projektuj pod nie.

Tydzień 6 — niespodzianka GDPR

Audyt wykazał, że logi promptów zawierały numery NIP. Po konsultacji z prawnikiem zmieniliśmy: logi mają tylko hash promptu, nie treść. Decyzje AI zapisujemy w skróconej formie. Lekcja: logi promptów to dane osobowe.

Co dalej w tym biurze

1. Pobieranie faktur z KSeF (od 2026 obowiązkowe) — gotowe do przełączenia.
2. AI w komunikacji z klientami biura (asystent e-mail).
3. Automatyczne księgi przychodów dla ryczałtu (część klientów).
4. Migracja embedding-modelu na voyage-3 (test pokazał +4 pp recall).

Lessons learned dla innych biur

• Nie obiecuj klientom biura "AI zrobi wszystko". Obiecaj szybszy zwrot.
• Trening na realnych dokumentach klienta = miesiąc bezpiecznego shadow modu.
• Ścieżka audytu od dnia 1 — nie da się dorobić wstecz.
• Prywatna instancja to nie tylko bezpieczeństwo — to argument sprzedażowy do twoich klientów.

Podsumowanie

To wdrożenie nie zmienia branży, ale zmienia konkretne biuro. 11 osób, więcej obsłużonych firm, mniej nadgodzin, lepsza marża. Replikujemy ten pipeline u kolejnych klientów — schemat się sprawdza w biurach od 5 do 30 osób. Pokażemy wam architekturę dla biura księgowego waszej skali — demo trwa 45 min.