Automatizace DATEV-EXTF
Německá daňová kancelář s přibližně patnácti zaměstnanci trávila měsíčně několik člověkodnů přípravou dokladů pro DATEV. Postavili jsme OCR a klasifikační pipeline, která automaticky zpracovává vstupní i výstupní doklady, předem přiřazuje DPH a generuje čistý export DATEV-EXTF. Účetní už jen kontroluje výjimky.
Výchozí situace
Kancelář se stará o klienty střední velikosti, mezi nimi několik e-commerce firem s vysokým objemem dokladů — stovky až tisíce dokladů na klienta měsíčně. Příprava probíhala klasicky: doklady přicházejí e-mailem nebo přes klientský portál, vizuální kontrola, ruční přepis nebo poloautomatické pořízení, ruční přiřazení účtu a protiúčtu, ruční klasifikace DPH a teprve potom export do DATEV. Na klienta tak připadal jeden až dva pracovní dny čistého pořizovacího času měsíčně. Při dvaceti srovnatelných klientech to dělalo opravdu znatelný objem práce, který bylo třeba každý měsíc znovu odpracovat ve stresu před uzávěrkou. Kancelář navíc už nějakou dobu nedokázala nabírat nové klienty stejného profilu — pořizování bylo úzkým hrdlem.
Řešení
Postavili jsme pipeline, která přijímá doklady e-mailem nebo nahráním, provádí OCR do strukturovaných polí (datum, číslo dokladu, vystavitel, brutto, netto, sazba DPH, země), klasifikuje transakci a převádí ji do formátu DATEV-EXTF. Klasifikační logiku jsme společně s účetní kalibrovali v několika iteracích: které kombinace účet–protiúčet pro které typy dokladů, kdy se uplatňuje BU klíč 240 pro intrakomunitární dodávky, jak nakládat s obchodem do třetích zemí. OCR využívá Claude Vision, klasifikace běží v Langflow, data jsou v PostgreSQL na naší infrastruktuře Hetzner ve Frankfurtu. Volitelně nabízíme on-premise variantu — někteří klienti kanceláře mají obzvlášť přísné požadavky na nakládání s daty. Celé řešení je v souladu s GDPR (čl. 28 — zpracovatelská smlouva s kanceláří jako správcem) a běží výhradně v EU, bez transferů mimo Evropský hospodářský prostor.
Výsledek
Většina dokladů dnes prochází pipeline automaticky. Účetní kontroluje pouze označené výjimky — nové typy dokladů, neobvyklé částky, chybějící povinná pole. Měsíční čas přípravy na klienta výrazně klesl. Kancelář interně mluví o zhruba sedmdesátiprocentní úspoře času v kroku pořízení; toto číslo se vztahuje pouze k samotnému pořizování, nikoli k celé měsíční uzávěrce. Důležitější než procenta je ale druhý efekt — kancelář mohla v průběhu roku přijmout několik nových e-commerce klientů, aniž by musela nabírat další účetní. GDPR-konformní díky německému hostingu, on-premise varianta pro klienty s vyššími nároky.
Co jsme se naučili
Tři poznatky z tohoto projektu. Zaprvé: DATEV-EXTF je mechaničtější, než se na první pohled zdá, jakmile jednou poctivě zdokumentujete účetní logiku konkrétní kanceláře. První týden jsme strávili prakticky jen tím, že jsme s účetní verbálně rekonstruovali domácí logiku SKR03 — tyto hodiny se později stokrát vyplatily. Zadruhé: OCR není nikdy stoprocentní. První verze pipeline jsme stavěli s příliš velkou důvěrou v Vision-modely a museli jsme se vrátit a celý kontrolní mezikrok přepracovat. Pipeline musí být od začátku stavěna s vědomím, že výjimky existují, a workflow musí tyto výjimky elegantně vést do lidské kontroly, aniž by vzbuzovalo frustraci. Zatřetí: klienti kanceláře reagují na „AI v účetnictví“ velmi různě. Naučili jsme se, že on-premise varianta není jen technická vlastnost, ale často to, co kancelář potřebuje, aby si udržela své konzervativnější klienty.
Podobný problém?
Napište nám pár vět, odpovíme do jednoho pracovního dne.
Poptat projekt