Agent Copilot Studio do porównywania umów z dostawcami płatności

Spółka fintech obsługująca e-commerce w 4 krajach UE współpracowała z 7 dostawcami płatności (Stripe, Adyen, PayU, Mollie, plus lokalni operatorzy). Każda z umów to dokument na 60–90 stron z różnymi modelami opłat: interchange++, blended, tiered pricing, opłaty stałe per transakcja, opłaty per kategoria MCC, chargeback fees, FX margin, opłaty refund. Każdy dostawca wpisuje to po swojemu.

Co kwartał zespół finansowy (CFO + 1 controller) negocjował warunki z połową bazy dostawców — albo z inicjatywy dostawcy (zmiana cennika), albo własnej (próba wynegocjowania niższej stawki). Analiza propozycji nowej umowy w porównaniu z aktualną zajmowała 8 godzin per umowa. Przy 3–4 negocjacjach kwartalnie to ponad 30 godzin — prawie cały tydzień pracy controllera tylko na same porównania, zanim doszedł do faktycznych negocjacji.

Dodatkowy problem: dane transakcyjne z wewnętrznej platformy orkiestracji płatności firmy nie były podpinane do analizy umów. Controller miał umowę w PDF i sumaryczne dane w Excelu, ale ręczne sprawdzanie, jaki realny koszt firma poniosłaby przy nowych warunkach na podstawie wolumenu z ostatnich 3 miesięcy, było żmudne i podatne na błędy.

Pierwsze 2 tygodnie: warsztaty z CFO i controllerem, stworzenie słownika strukturalnego opłat (28 typów opłat, 12 modeli cenowych, mapowanie wszystkich klauzul używanych przez 7 dostawców). Bez tego słownika nawet najlepszy model językowy gubi się w specyfice fintech — terminy interchange++ i blended pricing brzmią podobnie, ale ekonomicznie są zupełnie inne.

Build trwał 4 tygodnie. Microsoft Copilot Studio jako agent dostępny w Teams: controller wrzuca PDF nowej umowy, agent zwraca po 2 minutach strukturalną reprezentację (model cenowy, opłaty per kategoria, klauzule specjalne, ryzyka). Azure OpenAI w tle parsuje umowę i porównuje ze strukturalną wersją obecnej umowy z SharePointa. Integracja z wewnętrzną platformą płatności firmy: agent sięga do API platformy, pobiera realny wolumen transakcji z ostatnich 3 miesięcy podzielony per kraj, per kategoria MCC, per typ płatności. Następnie symuluje koszt firmy przy proponowanych warunkach vs. aktualnych.

Ostatnie 1,5 tygodnia to pilot na 3 dostawcach (Stripe, Adyen, PayU) z weryfikacją wyników przez controllera. Agent generuje tabelę różnic: dla każdej kategorii transakcji pokazuje aktualny koszt, nowy koszt, delta w EUR/mc, delta % oraz flag z największymi zmianami. Controller akceptuje lub koryguje. Po 3 cyklach tuningu agent osiągnął 96% trafność w identyfikacji kluczowych zmian — pozostałe 4% to specyficzne klauzule wymagające komentarza prawnego.

Po wdrożeniu CFO i controller wykonują tę samą pracę kwartalną w pół dnia zamiast tygodnia. Czas zaoszczędzony przesunął się na właściwą pracę: rozmowy z dostawcami, ekspertyzy prawne klauzul nietypowych, modelowanie scenariuszy na przyszły rok. Controller zauważa, że jakość rekomendacji dla CFO jest znacząco wyższa, bo ma czas na drugą i trzecią iterację analizy zamiast zatrzymywać się na pierwszej z braku czasu.

Realny efekt finansowy w pierwszym roku po wdrożeniu: 5-cyfrowa oszczędność w EUR z lepiej wynegocjowanych warunków. Agent ujawnił szczegóły, które wcześniej umykały: jeden z dostawców powoli podnosił opłatę FX margin co kwartał o nieduży %, kumulując znaczącą podwyżkę w cyklu 12-miesięcznym. Drugi miał klauzulę minimum monthly volume fee, której firma nie była świadoma — agent wyciągnął ją z 73-stronicowej umowy i wpisał na tabelę różnic.

Niespodziewany efekt: dostawcy zaczęli traktować firmę jak negocjatora wyższego poziomu. Pojawianie się na call'u z konkretną tabelą scenariuszy gotową na bazie własnych danych transakcyjnych znacznie zmieniło dynamikę rozmów. Dwóch dostawców zaproponowało lepsze warunki sami, bez próby renegocjacji.