AI dla CFO – 8 procesów finansowych, w których sztuczna inteligencja najszybciej się zwraca

Dział finansów jest dobrym miejscem na pierwsze projekty AI, bo większość pracy ma postać liczb i dokumentów, a efekt łatwo zmierzyć. Nie każdy proces nadaje się jednak na początek. O kolejności decydują trzy pytania.

Pierwsze: ile razy w miesiącu powtarza się ta czynność? Drugie: czy potrzebne dane są już w systemie księgowym, ERP albo KSeF, czy ktoś musi je dopiero zebrać? Trzecie: czy umiesz dziś zmierzyć, ile czasu lub pieniędzy ten proces kosztuje?

Tabela poniżej porządkuje osiem procesów według tych kryteriów. Pierwsze trzy zwykle spełniają wszystkie trzy warunki od razu. Pozostałe dają dużą korzyść, ale wymagają lepszych danych albo dłuższego przygotowania.

Jeszcze niedawno pierwszym projektem AI w finansach było zwykle rozpoznawanie tekstu z faktur (OCR, czyli zamiana skanu lub PDF-u na dane, które program może przeczytać). W 2026 r. sytuacja się zmieniła. Od 1 kwietnia 2026 r. większość krajowych faktur kosztowych od firm przychodzi przez KSeF jako uporządkowane dane, więc nikt nie musi ich już przepisywać.

Rozpoznawanie tekstu nadal się przydaje, ale tylko dla części dokumentów: faktur zagranicznych, paragonów, faktur od firm korzystających jeszcze z wyjątku przejściowego i dokumentów, które nie są fakturami. Jeśli dostawca proponuje Ci dziś projekt „OCR wszystkich faktur kosztowych”, zapytaj, ile takich dokumentów naprawdę zostało w Twojej firmie.

Praca przesunęła się więc z wpisywania na decydowanie. Ktoś nadal musi wskazać konto księgowe, miejsce powstania kosztu, projekt i zamówienie, którego dotyczy faktura. Właśnie w tym miejscu AI daje dziś największą korzyść.

Dekretacja to przypisanie faktury do konta księgowego i miejsca powstania kosztu. W firmie, która dostaje kilkaset faktur miesięcznie, zajmuje ona księgowym wiele godzin. Większość faktur od stałych dostawców dekretuje się co miesiąc tak samo, więc AI może zaproponować dekret na podstawie wcześniejszych decyzji.

Księgowa nie traci kontroli: widzi propozycję i zatwierdza ją albo poprawia. Faktury nietypowe, np. od nowego dostawcy albo z nową pozycją, system odkłada do ręcznej decyzji. Z czasem udział propozycji przyjętych bez poprawek pokazuje, jak dobrze działa rozwiązanie.

Policz korzyść na własnych danych według poniższego wzoru. Przykład jest hipotetyczny, a wszystkie założenia możesz zastąpić swoimi.

Faktura rzadko czeka dlatego, że ktoś nie chce jej zatwierdzić. Czeka, bo prośba utknęła w skrzynce mailowej, kierownik jest na urlopie albo nikt nie wie, kto ma podpisać. Automatyczny obieg rozwiązuje te problemy, zanim w ogóle pojawi się AI.

Narzędzie takie jak Power Automate wysyła prośbę o akceptację do właściwej osoby w Microsoft Teams, przypomina o terminie i przekazuje sprawę zastępcy. AI dokłada jedno: na podstawie treści faktury i historii proponuje, kto powinien ją zatwierdzić, gdy nie wynika to wprost z zamówienia.

Korzyść widać w dwóch miejscach. Mniej faktur jest płaconych po terminie, a więc mniej odsetek i rekompensat dla dostawców. Księgowość przestaje też tracić czas na przypominanie kierownikom o podpisach.

Średni czas spływu należności (DSO, od ang. days sales outstanding) mówi, po ilu dniach klienci średnio płacą za faktury. Każdy dzień oznacza konkretną kwotę zamrożoną u klientów. Weźmy hipotetyczną firmę z rocznym obrotem 80 mln zł: dzienna sprzedaż to około 219 tys. zł.

Skrócenie średniego czasu spływu o 5 dni uwalnia więc około 1,1 mln zł gotówki. Jeśli firma finansuje się kredytem obrotowym oprocentowanym na 7% rocznie, to około 77 tys. zł mniej odsetek w roku. To nie jest obiecany wynik, tylko sposób liczenia – podstaw własny obrót i oprocentowanie.

AI pomaga tu na trzy sposoby. Wskazuje klientów, którzy według historii płatności najpewniej się spóźnią. Przygotowuje przypomnienia dopasowane do sytuacji, od uprzejmego maila po stanowcze wezwanie. Podpowiada handlowcowi, że jego klient ma zaległość, zanim przyjmie kolejne zamówienie.

Druga strona gotówki to zobowiązania. Część dostawców daje rabat za szybką zapłatę, tzw. skonto, np. 2% za przelew w ciągu 10 dni zamiast 30. Kto z niego nie korzysta, za fakturę na 100 tys. zł płaci 2 tys. zł więcej w zamian za 20 dni dłużej z gotówką na koncie.

W przeliczeniu na rok to koszt około 36% (2% × 365 dni / 20 dni), zwykle wyraźnie wyższy niż oprocentowanie kredytu obrotowego. Inne faktury można bezpiecznie zapłacić w ostatnim dniu terminu.

AI może co tydzień przygotować propozycję harmonogramu przelewów: co zapłacić wcześniej, żeby zdobyć rabat, a co w terminie, żeby zachować gotówkę. Decyzję zostawiasz człowiekowi, ale przestaje on liczyć wszystko ręcznie w arkuszu.

Przy okazji warto zautomatyzować sprawdzanie rachunków na białej liście VAT przed każdym przelewem powyżej 15 000 zł. To prosta reguła. Przelew na rachunek spoza listy oznacza utratę kosztu podatkowego i wspólną odpowiedzialność za nierozliczony VAT dostawcy, chyba że w ciągu 7 dni zawiadomisz urząd skarbowy.

Tradycyjna kontrola polega na sprawdzaniu wybranej próbki dokumentów. AI może przejrzeć wszystkie transakcje i wskazać te, które odbiegają od normy. Nie rozstrzyga, czy doszło do nadużycia, tylko podsuwa przypadki do sprawdzenia.

Typowe przykłady są wymienione poniżej. Efekt trudno przewidzieć z góry, bo zależy od tego, ile błędów jest dziś w Twoich danych. Dlatego dobrze zacząć od jednorazowego przeglądu ostatnich 12 miesięcy i dopiero na tej podstawie zdecydować o stałym rozwiązaniu.

W wielu firmach prognoza gotówki to arkusz Excela aktualizowany ręcznie raz w tygodniu. Model AI może uczyć się na historii płatności klientów, sezonowości i planie zakupów, a potem pokazać kilka scenariuszy, np. co się stanie, gdy największy klient zapłaci miesiąc później.

To projekt trudniejszy niż poprzednie. Potrzebujesz co najmniej roku spójnych danych o płatnościach, a w firmach z silną sezonowością lepiej dwóch lat. Przed startem zapisz, jak bardzo dzisiejsza prognoza różni się od wykonania – bez tej liczby nie ocenisz, czy nowa jest lepsza.

Przygotowanie miesięcznego pakietu raportów zajmuje zespołowi finansów zwykle kilka dni. Gdy zarząd pyta o szczegół, np. o przyczynę spadku marży w jednym regionie, ktoś musi wrócić do danych i przygotować odpowiedź na kolejny dzień.

Narzędzia takie jak Copilot w Power BI pozwalają zadać takie pytanie zwykłym językiem i dostać wykres lub krótką analizę. AI może też napisać pierwszy szkic komentarza do odchyleń, który analityk tylko sprawdza.

Warunek jest jeden, ale twardy: dane muszą być uporządkowane i jednoznacznie opisane. Jeśli „marża” w dwóch raportach liczona jest inaczej, AI poda pewnym tonem złą odpowiedź. W wielu firmach większość pracy w tym projekcie to porządkowanie danych, a nie samo AI.

Zamknięcie miesiąca to dziesiątki drobnych zadań wykonywanych przez kilka osób w ustalonej kolejności. AI może pilnować listy zadań i przypominać o zaległych krokach. Może też wskazać konta, których saldo odbiega od poprzednich miesięcy, i przygotować szkic wyjaśnień dla zarządu.

Ten projekt ma sens dopiero wtedy, gdy procedura zamknięcia jest spisana. Jeśli każdy miesiąc wygląda inaczej, najpierw ustal jedną kolejność kroków. Sama lista zadań w narzędziu do zarządzania pracą często skraca zamknięcie, zanim pojawi się AI.

Bezpieczna kolejność to trzy etapy z decyzją po każdym z nich. Najpierw dekretacja i akceptacja faktur, bo dają szybki, mierzalny efekt i porządkują dane. Potem należności, płatności i kontrola nieprawidłowości. Na końcu prognozy, raporty i zamknięcie miesiąca, które korzystają z danych uporządkowanych wcześniej.

Uczciwie trzeba też powiedzieć, kiedy taki projekt się nie zwróci. Sytuacje wymienione poniżej nie oznaczają rezygnacji z AI na zawsze, tylko konieczność usunięcia przeszkody przed startem.