СитуациятаThe situation
Кантората вече имаше подреден документопоток (вижте предишното ни решение) — документите пристигаха на едно място, класифицирани по клиент и тип. Но същинската работа оставаше ръчна: за всяка фактура и всеки ред от банково извлечение счетоводителят избираше сметки, основание и период. При десетки клиенти това са хиляди еднотипни решения месечно — 80% от които се повтарят от месец на месец.The firm already had an ordered document flow (see our earlier case) — documents arrived in one place, classified by client and type. But the real work stayed manual: for every invoice and every bank statement line, an accountant chose accounts, grounds and period. Across dozens of clients that's thousands of near-identical decisions a month — 80% of them repeating month after month.
Ограничението беше желязно: клиентски ведомости, ЕГН-та и заплати не бива да минават през външни AI услуги. Каквото и да внедрим, трябваше да раздели чувствителното от масовото.One constraint was iron-clad: client payrolls, personal IDs and salaries must not pass through external AI services. Whatever we deployed had to separate the sensitive from the routine.
Какво направихмеWhat we did
1. Двумоделна архитектураTwo-model architecture — локален Llama обработва всичко с лични данни; обезличените документи отиват към GPT за по-сложните случаи.a local Llama handles everything containing personal data; anonymised documents go to GPT for the harder cases.
2. Предложение за всяка операцияA suggestion for every entry — агентът предлага статия, сметки и основание — и показва защо: „както предишните 11 фактури от този доставчик“.the agent proposes the entry, accounts and grounds — and shows why: “same as the previous 11 invoices from this supplier”.
3. Разчитане на банкови извлеченияBank statement matching — редовете се съпоставят с фактури и заплати по суми, контрагенти и свободен текст — включително „развален“ текст от преводите.lines are matched to invoices and payroll by amount, counterparty and free text — including the mangled text of bank transfers.
4. Групово одобрениеBatch approval — повтарящите се, високо-уверени предложения се одобряват накуп; вниманието отива само при отклоненията.recurring, high-confidence suggestions are approved in bulk; attention goes only to the outliers.
5. Агентът пита, не гадаеThe agent asks, it doesn't guess — при липсващ документ или необичайна операция агентът формулира въпрос към клиента — готов за изпращане с един клик.on a missing document or unusual transaction the agent drafts a question to the client — ready to send in one click.
Нито едно осчетоводяване не минава без човешко одобрение — и точно затова кантората прие системата. AI поема повторяемостта и паметта („как го водим при този клиент“), а счетоводителят остава професионалната преценка и отговорността. Разделянето локален/облачен модел свали и последното възражение — за данните.Not a single posting goes through without human approval — which is exactly why the firm embraced the system. AI takes the repetition and the memory (“how we book this for this client”), the accountant keeps the professional judgement and the responsibility. The local/cloud model split removed the last objection — about data.
РезултатътThe result
Приключването на типичен клиент падна от пет дни на два. Новите колеги стават продуктивни за седмици, защото системата им показва как кантората осчетоводява всеки повтарящ се случай. А въпросите към клиентите — доскоро отлагани до края на месеца — сега тръгват в деня, в който документът липсва.Closing a typical client dropped from five days to two. New hires become productive in weeks, because the system shows them how the firm books every recurring case. And client queries — previously postponed to month-end — now go out the day a document is missing.
Какво не проработи от първия пътWhat didn't work the first time
Първият модел предлагаше твърде уверено и там, където не трябваше — при еднократни, нетипични операции. Решението не беше по-умен модел, а по-честен праг: под 90% увереност предложението се маркира визуално и не влиза в груповото одобрение. И още нещо: опитахме агентът да пише и месечните отчети към клиентите — текстовете бяха верни, но безлични, и кантората ги върна на хората. Отчетът е отношение, не само числа.The first model was overconfident exactly where it shouldn't be — on one-off, atypical transactions. The fix wasn't a smarter model but an honest threshold: below 90% confidence the suggestion is visually flagged and excluded from batch approval. One more thing: we tried having the agent write the monthly client reports too — the texts were correct but soulless, and the firm gave them back to people. A report is a relationship, not just numbers.
По темата: Автоматизация на счетоводни процеси и Автоматизация на банковото равнение. Подходът ни към AI — на страницата услуга AI интеграция.Related reading: Automating accounting processes and Automating bank reconciliation. Our AI approach — on the AI Integration service page.