Jak wyciągnąć dane z umów bez ręcznego przepisywania – OCR i AI w małej firmie

Dane są, tylko zamknięte w dokumentach

To jedna z najczęstszych obiekcji, jakie słyszymy od właścicieli małych i średnich firm. I jest w pełni zrozumiała. Informacje potrzebne do automatyzacji – strony umowy, kwoty, terminy, etapy, kary – istnieją. Tyle że są zapisane w dokumentach, a nie w systemie, z którym może pracować automatyzacja.

Policzmy. Ręczne przepisanie jednej umowy do tabeli to średnio 15 minut. Przy jednej umowie to nie problem. Przy 500 umowach to 125 godzin, czyli ponad trzy tygodnie pracy jednej osoby, która w tym czasie nie robi nic innego.

Dlatego wiele firm odkłada automatyzację „na później”. Niepotrzebnie. Więcej o tym, ile czasu firmy tracą na takie ręczne czynności, piszemy w artykule Ile godzin firma traci na ręczne procesy.

Ile czasu to naprawdę kosztuje – rachunek

Poniższa tabela porównuje dwa podejścia. Założenia: ręczne przepisanie jednej umowy to średnio 15 minut, a sprawdzenie danych odczytanych przez AI – od 1 do 3 minut. Dzień pracy liczymy jako 8 godzin.

Warto zwrócić uwagę na jeszcze jedną różnicę. Ręczne przepisywanie to praca ciągła, której nie da się zrobić „przy okazji”. Weryfikację można rozłożyć na krótkie bloki: kilkanaście umów dziennie, bez wyłączania osoby z bieżących obowiązków.

Do tego dochodzi jakość. Przy wielogodzinnym przepisywaniu rośnie ryzyko pomyłek: przestawionej cyfry w kwocie, złej daty, pominiętego etapu. Przy weryfikacji człowiek ma przed sobą gotowe dane i dokument obok, więc jego zadaniem jest wyłapanie błędu, a nie wpisanie wszystkiego od zera.

Klasyczny OCR a OCR z AI

OCR (ang. Optical Character Recognition) to rozpoznawanie tekstu ze skanu lub zdjęcia. Klasyczny OCR zamienia obraz strony w tekst, który da się skopiować. Nie wie jednak, co ten tekst znaczy. Nie odróżni kwoty wynagrodzenia od kwoty kary umownej, a daty podpisania od terminu końcowego.

Połączenie OCR z modelem AI zmienia to podejście. AI czyta dokument podobnie jak człowiek: rozumie kontekst i potrafi wskazać, gdzie jest wynagrodzenie, kto jest stroną umowy, jakie są etapy i kiedy mija termin. Nie potrzebuje też sztywnego szablonu dla każdego wzoru umowy, co jest szczególnie ważne w firmach, które przez lata używały różnych wzorów.

W praktyce: klasyczny OCR daje tekst, OCR z AI daje dane gotowe do wpisania w konkretne pola systemu.

Jakie dokumenty da się tak przetworzyć

Jakie dane wyciągać z umowy

Najczęstszy błąd na starcie to chęć wyciągnięcia z umowy wszystkiego. Każde dodatkowe pole to dłuższa weryfikacja. Dlatego proponujemy podział na dwie grupy.

Zacznij od tych pól

• strony umowy (nazwa firmy, NIP),
• numer i data zawarcia umowy,
• przedmiot umowy – krótko, jednym zdaniem,
• wynagrodzenie netto i stawka VAT,
• termin końcowy,
• etapy i ich terminy (jeśli umowa je przewiduje),
• termin płatności.

Dodaj później, jeśli są potrzebne

• kary umowne (za co i w jakiej wysokości),
• warunki wypowiedzenia,
• klauzula waloryzacyjna,
• zabezpieczenia (np. gwarancja, kaucja),
• osoby kontaktowe po obu stronach,
• informacja o aneksach.

Dobra zasada: wyciągaj tylko te pola, które posłużą do konkretnej automatyzacji lub raportu. Jeśli nikt nie będzie z nich korzystał, nie warto ich weryfikować.

Jak to wygląda w praktyce

Efekt: praca zespołu zmienia się z „przepisz 500 umów” na „sprawdź 500 umów”. Zamiast 15 minut przepisywania, od jednej do kilku minut sprawdzania na dokument. 500 umów to od jednego do trzech dni pracy zamiast ponad trzech tygodni.

Jeśli zastanawiasz się, gdzie takie dane mogą później żyć, zobacz artykuł Własny system operacyjny MŚP: Airtable, Make i AI.

Przykład: jedna umowa od skanu do systemu

Weźmy przykładową umowę serwisową na 12 miesięcy. Dane poniżej są fikcyjne, ale układ odpowiada temu, co widzi osoba weryfikująca.

Weryfikacja takiej umowy to przejrzenie ośmiu pól z dokumentem otwartym obok. Większość wartości jest poprawna i wystarczy je zatwierdzić. Uwaga człowieka potrzebna jest w miejscach, gdzie łatwo o pomyłkę: kwota miesięczna czy łączna, data podpisania czy data projektu, umowa główna czy aneks.

Po kliknięciu „Zatwierdzone” automatyzacja zakłada rekord umowy w systemie, łączy go z kartą klienta i – jeśli tak ustalimy – od razu tworzy przypomnienie o zbliżającym się końcu umowy.

Human in the loop – dlaczego człowiek zostaje w procesie

Human in the loop oznacza, że człowiek zostaje w procesie w tych miejscach, gdzie liczy się decyzja. To zasada, którą stosujemy w każdym wdrożeniu.

AI się myli. Źle zeskanowana strona, nietypowy zapis kwoty, aneks dopięty na końcu dokumentu – każda z tych sytuacji może dać błędny odczyt. Dlatego nie udajemy, że jest inaczej. AI wykonuje żmudną część pracy, a człowiek odpowiada za to, co trafia do systemu.

Takie podejście daje dwie korzyści:

• błędy są wyłapywane, zanim trafią do raportów, przypomnień czy faktur,
• zespół ufa danym w systemie, bo wie, że każdy rekord ktoś zatwierdził.

Krok zero – co dalej z danymi

Odczyt umów nie jest celem samym w sobie. To krok zero. Dopiero gdy dane z dokumentów są w jednym miejscu, można zbudować to, na czym firmie naprawdę zależy:

• przypomnienia o zbliżających się terminach i etapach,
• kontrolę płatności i rozliczeń,
• raporty dla zarządu: przychody planowane, zagrożone terminy, obciążenie zespołu,
• automatyczne zadania dla osób odpowiedzialnych za kolejne etapy.

Bez uporządkowanych danych żadna z tych automatyzacji nie ma na czym działać. Dlatego zanim cokolwiek zbudujemy, warto zmapować proces – piszemy o tym w artykule Mapowanie procesów przed automatyzacją.

Kiedy to nie ma sensu

Najczęstsze błędy

Harmonogram wdrożenia

Typowe wdrożenie trwa do 3–4 tygodni.

FAQ

Podsumowanie