AI számlafeldolgozás a gyakorlatban: így működik élesben

A bejövő számlák kezelése az a munka, amit minden cégben csinál valaki, és sehol nem szereti senki: e-mailből lementeni, átgépelni, ellenőrizni, továbbküldeni a könyvelőnek. Ez a cikk azt mutatja meg, hogyan néz ki ugyanez a folyamat mesterséges intelligenciával, méghozzá nem elméletben: az itt leírt megoldás a német entsorgo hulladékkezelési platformon fut élesben, egy országos partnerhálózat számláin.

Miért nem elég a hagyományos OCR?

A számlafeldolgozás automatizálása nem új ötlet: OCR-alapú (szövegfelismerő) rendszerek régóta léteznek. A gyakorlati bajuk, hogy sablonfüggők: amíg a számla szabályos, gépelt PDF, addig jól mennek, de egy telefonnal fotózott, gyűrött, kézzel ráírt megjegyzéses vagy szokatlan elrendezésű számlánál elakadnak, és minden új szállítói formátumhoz tanítani kell őket. A nagy nyelvi modellek (LLM) itt hoznak áttörést: nem sablont keresnek, hanem ÉRTIK a dokumentumot, ezért az első, sosem látott formátumú számlából is kinyerik a szállítót, a tételeket, az összegeket és a határidőket.

Hogyan épül fel egy éles rendszer?

Az AI önmagában kevés; a megbízható működést a köré épített folyamat adja. Nálunk így néz ki a lánc:

• Beérkezés: a számlák e-mailben vagy feltöltéssel érkeznek, minden dokumentum azonosítót kap, és semmi nem veszhet el.
• Adatkinyerés: az LLM a számlából strukturált adatot készít egy rögzített séma szerint: szállító, számlaszám, dátumok, tételek, nettó, áfa, bruttó.
• Szabályalapú ellenőrzés: az AI kimenetét nem hisszük el vakon. Külön, hagyományos kód ellenőrzi, hogy a tételek összege kiadja-e a végösszeget, stimmel-e az áfa-számtan, valós-e az adószám formátuma.
• Párosítás: a rendszer a számlát hozzárendeli a megrendeléshez vagy szerződéshez, és összeveti a várt összeggel.
• Eltéréskezelés: ami nem egyezik (más összeg, ismeretlen tétel, gyanús duplikátum), az emberi jóváhagyó sorba kerül, minden mást a rendszer magától enged tovább.
• Átadás a könyvelésnek: a jóváhagyott tételek könyvelésre kész formában, exporttal vagy API-n keresztül mennek tovább.

A kulcsszó a human-in-the-loop: az ember nem eltűnik a folyamatból, hanem oda kerül, ahol tényleg dönteni kell. A rutinmunkát viszi a gép, a kivételeket az ember.

Mit tapasztaltunk élesben?

Az entsorgónál a szállítói partnerhálózat számláit dolgozza fel így a rendszer. A kézi rögzítés nagy részét kiváltotta, és ezzel együtt eltűntek az átgépelési hibák is; az adminisztrációt végző kollégák ideje a kivételekre és az ügyfelekre szabadult fel. A tapasztalatunk szerint közepes számlaforgalomnál (havi több száz számla) az automatizálás jellemzően heti több munkaórát vált ki, nagyobb volumennél ennél többet.

Mire figyelj, mielőtt bevezeted?

• Hallucináció-kockázat: az LLM tévedhet, ezért kötelező a szabályalapú utóellenőrzés, a bizonytalansági küszöb (ami alatt automatikusan emberhez kerül a számla), és az, hogy minden kinyert adat mellett visszakereshető legyen az eredeti dokumentum.
• Adatvédelem: a számla üzleti és személyes adatokat tartalmaz. Tisztázni kell, hol fut a modell, milyen adatfeldolgozói szerződés van mögötte, és hogy az adataidon tanul-e a szolgáltató (jó válasz: nem).
• Integráció: a rendszer annyit ér, amennyire illeszkedik a meglévő könyvelési folyamathoz. A cél nem egy újabb sziget, hanem az, hogy a könyvelőd kész, ellenőrzött adatot kapjon.
• Szabályozási környezet: a kimenő oldalon a NAV Online Számla adatszolgáltatás már ma is szigorú (erről szól a fejlesztői útmutatónk), az e-számlázás pedig EU-szinten a strukturált formátumok felé tart (a részletek az e-számla 2026 cikkünkben). Aki most épít folyamatot, annak érdemes eleve gépi feldolgozásra terveznie.

Mennyibe kerül, és mikor térül meg?

Őszinte válasz: a volumentől és az integrációk számától függ. A jó hír, hogy nem kell egyben megvenni a teljes rendszert: mi minden projektet pilottal kezdünk, egy szűk számlakörön, mérhető cél mellett (feldolgozási idő, hibaarány, kézi munkaóra). Ha a pilot számai nem igazolják a folytatást, azt is kimondjuk. A megtérülés tipikusan ott jön, ahol havi több száz számla fut át a cégen, vagy ahol a számlarögzítés szűk keresztmetszet a zárásnál.

Ha szeretnéd látni, mit jelentene ez a te számláidon, kérj egy konzultációt: hozz 10-20 vegyes minőségű számlát, és megmutatjuk rajtuk élőben. A szolgáltatás részletei az AI számlafeldolgozás oldalunkon találhatók.