Skuteczność OCR faktur z AI mierz na własnym, ręcznie oznaczonym zbiorze dokumentów o różnej jakości. Porównuj wynik z wartościami referencyjnymi osobno dla NIP, dat, numerów faktur, kwot i pozycji, a raport uzupełnij o czas, koszt oraz liczbę przypadków wymagających kontroli człowieka. Confidence score pomaga ustawiać reguły, lecz nie zastępuje testu.
Co mierzyć w OCR faktur z AI
Najbardziej użyteczny pomiar nie kończy się na pytaniu, czy system „odczytał fakturę”. Trzeba sprawdzić, które wartości zostały rozpoznane poprawnie. W praktyce raport dla OCR faktury powinien obejmować 5 niezależnych grup: NIP sprzedawcy i nabywcy, daty, numery faktur, kwoty oraz pozycje.
Zakres pól warto oprzeć na art. 106e ust. 1 ustawy o podatku od towarów i usług. Przepis wymienia między innymi datę wystawienia, kolejny numer faktury, dane i adresy stron, numery identyfikacyjne podatnika i nabywcy, datę dostawy lub wykonania usługi, nazwę towaru lub usługi, ilość, cenę jednostkową netto, wartość sprzedaży netto, stawkę podatku, kwotę podatku i kwotę należności ogółem.
Oznacza to, że osobno oceniasz na przykład NIP sprzedawcy i NIP nabywcy, a nie tylko obecność sekcji z danymi stron. W przypadku dat warto rozdzielić datę wystawienia, sprzedaży lub wykonania usługi oraz termin płatności. Przy kwotach należy sprawdzać co najmniej wartości netto, VAT i brutto.
Modele komercyjne pokazują, jak szeroki może być zakres automatyzacji. Azure Document Intelligence Invoice Model zwraca kluczowe pola i pozycje faktury w ustrukturyzowanym formacie JSON, a Google Invoice Parser wyodrębnia między innymi numer faktury, nazwę dostawcy, kwotę faktury, kwotę podatku, datę faktury, termin płatności i pola pozycji faktury.
Jak przygotować test faktur o różnej jakości
Test powinien odzwierciedlać dokumenty, które rzeczywiście trafiają do firmy, a nie wyłącznie czytelne pliki demonstracyjne. Podziel próbę według źródła: cyfrowy PDF, skan, zdjęcie wykonane telefonem oraz dokument z szumem, przekrzywieniem albo słabym kontrastem. Każda kategoria może ujawnić inny problem z automatycznym odczytywaniem faktur.
Przed wysłaniem dokumentów do narzędzia przygotuj wartości referencyjne. Dla każdego pola zapisz poprawną wartość ręcznie, najlepiej w ujednoliconym formacie, ale bez usuwania informacji, które system powinien odczytać. Zdecyduj wcześniej, czy spacje w NIP są ignorowane, jak traktujesz przecinek i kropkę dziesiętną, które formaty dat uznajesz za równoważne oraz jak rozliczasz zaokrąglenia kwot.
Te zasady muszą być takie same dla wszystkich badanych faktur. Jeśli uznasz dwa różne formaty zapisu za tę samą datę, nie możesz zmienić tej reguły dopiero po obejrzeniu wyniku. W przeciwnym razie trafność będzie zależeć od interpretacji osoby oceniającej, a nie od działania modelu.
Warto zachować także informację o typie pliku, liczbie stron i jakości obrazu. AI do analizy PDF pozostaje odrębnym zadaniem dokumentowym, a ocenę faktur nadal wykonuj na osobnym zbiorze referencyjnym. Model dobrze radzący sobie z tekstem ogólnym nie musi równie dobrze rozpoznawać tabel, stawek VAT i numerów identyfikacyjnych.
Microsoft wskazuje, że skuteczność zależy od rzeczywistego wdrożenia i zaleca reprezentatywny pilotaż albo proof of concept. To ważniejsze niż sama deklaracja obsługi języka: model faktur Azure obsługuje obecnie 27 języków, ale ta liczba nie jest wynikiem skuteczności na konkretnej grupie polskich dokumentów.
Jak policzyć trafność
Podstawowy wzór jest prosty: trafność pola = liczba poprawnych odczytów ÷ liczba wszystkich wartości referencyjnych × 100%. Licz mianownik osobno dla każdej kategorii. Jeżeli w zbiorze znajduje się 100 wartości NIP, wynik tej kategorii zależy od tego, ile z tych 100 wartości odpowiada zapisowi referencyjnemu zgodnie z wcześniej ustalonymi zasadami.
Nie sumuj bezrefleksyjnie wszystkich pól do jednej oceny. Wynik dla kwot może być wysoki, a wynik dla pozycji wyraźnie niższy. Zbiorcza liczba ukryłaby tę różnicę i nie wskazałaby, gdzie potrzebna jest korekta procesu albo dodatkowa kontrola.
Pozycje faktury licz jako poprawne wiersze, a nie wyłącznie jako obecność tabeli. Wiersz powinien zawierać zgodne elementy, takie jak nazwa towaru lub usługi, ilość, cena jednostkowa, wartość oraz właściwa stawka, zgodnie z przyjętą definicją poprawności. Jeżeli system rozpozna tabelę, ale pomyli ilość albo kwotę, nie traktuj całego wiersza jako poprawnego.
| Kategoria pola | Liczba pól referencyjnych | Poprawne odczyty | Trafność | Czas przetwarzania | Koszt usługi |
|---|---|---|---|---|---|
| NIP sprzedawcy i nabywcy | n | do uzupełnienia po teście | poprawne odczyty ÷ n × 100% | zmierzyć od wysłania pliku do odpowiedzi API | według cennika wybranej usługi |
| Daty wystawienia, sprzedaży i płatności | n | do uzupełnienia po teście | poprawne odczyty ÷ n × 100% | zmierzyć osobno dla każdego pliku | według cennika wybranej usługi |
| Numery faktur | n | do uzupełnienia po teście | poprawne odczyty ÷ n × 100% | zmierzyć osobno dla każdego pliku | według cennika wybranej usługi |
| Kwoty netto, VAT i brutto | n | do uzupełnienia po teście | poprawne odczyty ÷ n × 100% | zmierzyć osobno dla każdego pliku | według cennika wybranej usługi |
| Pozycje faktury | n | do uzupełnienia po teście | poprawne wiersze ÷ n × 100% | zmierzyć osobno dla każdego pliku | według cennika wybranej usługi |
| Google Document AI Invoice Parser | 1 count = do 10 stron | nie dotyczy bez własnego testu | nie podano w cenniku | nie podano w otwartej dokumentacji cenowej | 0,10 USD za 1 count; 0,08 USD za 1 count w wariancie 3-letnim |
Wiersze dotyczące trafności, czasu i poprawnych odczytów trzeba wypełnić na podstawie własnego testu; za poprawny odczyt uznaj wartość zgodną z ręcznie oznaczoną wartością referencyjną, z wcześniej ustalonymi zasadami dla formatów dat, separatorów dziesiętnych, spacji w NIP oraz zaokrągleń kwot.
Raportuj również liczbę dokumentów skierowanych do ręcznej kontroli. System, który ma wysoką trafność, ale często wymaga poprawiania wyniku, może dawać mniejszą oszczędność czasu niż rozwiązanie o nieco niższej trafności i lepszych regułach kierowania wyjątków.
Confidence score a rzeczywista skuteczność
Confidence score jest sygnałem zwracanym przez model, a nie niezależnym dowodem poprawności. Azure podaje wartości pewności w zakresie od 0 do 1 dla rozpoznanych słów i mapowań klucz–wartość. Przykładowo wynik 0,82 oznacza szacowaną poprawność na poziomie 82% dla danego rozpoznania.
Nie należy automatycznie przyjmować, że wartość 0,80 albo 0,90 jest właściwym progiem akceptacji. Ustal próg na podstawie własnego pilotażu: porównaj confidence z faktycznymi błędami dla NIP, dat, kwot i pozycji, a następnie sprawdź, ile poprawnych dokumentów trafia niepotrzebnie do kontroli oraz ile błędnych przechodzi bez interwencji.
Istotne jest również to, czego dotyczy pewność. Wysoki wynik dla rozpoznania pojedynczych słów nie musi oznaczać poprawnego przypisania kwoty do pola „VAT” ani prawidłowego powiązania komórek tabeli z pozycją faktury. Dlatego confidence analizuj razem z trafnością pola i wynikiem kontroli referencyjnej.
W obiegu dokumentów należy osobno oceniać transkrypcję spotkań AI. Dla faktur konsekwencje błędu obejmują przede wszystkim dane kontrahenta, kwoty i informacje podatkowe.
Czas i koszt przetwarzania
Zmierz czas od chwili wysłania pliku do otrzymania odpowiedzi API. Rejestruj go osobno dla każdego dokumentu, ponieważ skan, zdjęcie i cyfrowy PDF mogą różnić się zarówno jakością, jak i liczbą stron. W raporcie warto zachować średni czas, ale nie zastępować nim wyników pojedynczych faktur.
Koszt licz według rzeczywistego modelu rozliczeń. Google podaje dla Document AI Invoice Parser cenę 0,10 USD za 1 count, przy czym 1 count obejmuje do 10 stron. W wariancie zniżkowym 3-letnim cena wynosi 0,08 USD za 1 count.
Przy cenie 0,10 USD za 1 count i założeniu dokumentu jednostronicowego koszt nominalny wynosi orientacyjnie 0,01 USD za stronę. To tylko przeliczenie pomocnicze, ponieważ Google rozlicza count obejmujący do 10 stron. Do całkowitego kosztu procesu mogą dojść opłaty za przechowywanie, integrację, ponowne przetwarzanie i pracę osoby poprawiającej wynik, jeśli występują w wybranym wdrożeniu.
Porównuj więc nie tylko cenę pojedynczego wywołania, lecz koszt poprawnego obiegu jednej faktury. Jeżeli tani model częściej przekazuje dokument do ręcznej weryfikacji, jego koszt operacyjny może być wyższy niż wskazuje cennik API.
Czy dane można automatycznie zaksięgować
AI do odczytywania faktur może zasilić obieg zobowiązań, system finansowo-księgowy albo rejestr dokumentów, ale przekazanie danych dalej powinno zależeć od reguł walidacyjnych. Sprawdź format NIP, zgodność sum, relację netto–VAT–brutto, stawki VAT, daty oraz kompletność pozycji. Wynik bez wymaganych pól powinien trafić do kolejki wyjątków.
Reguły nie muszą oznaczać ręcznego przepisywania każdej faktury. Można automatycznie przekazać dokument spełniający ustalone warunki do dalszego obiegu, a pozostałe przypadki skierować do kontroli człowieka. Takie podejście pozwala mierzyć nie tylko trafność OCR, lecz także odsetek dokumentów przechodzących bez korekty oraz liczbę błędów wykrytych przed księgowaniem.
OCR nie zastępuje weryfikacji księgowej ani odpowiedzialności podatnika za prawidłowość ujęcia dokumentu; przy automatycznym księgowaniu należy zapewnić walidację, ślad audytowy i kontrolę człowieka zgodnie z procedurami rachunkowymi firmy.
Kontrola człowieka jest szczególnie istotna przy NIP, kwotach, stawkach VAT i pozycjach faktury. Sam confidence score, wyrażany w zakresie od 0 do 1, nie jest dowodem poprawności księgowej, a prawidłowo rozpoznany tekst nie przesądza jeszcze, czy dokument został właściwie zakwalifikowany w księgach.
Czytaj również: chatbot FAQ z AI.
Powiązany temat: firmowa baza wiedzy RAG.
Najczęstsze pytania
Czy AI potrafi odczytać fakturę?
Tak. Modele fakturowe potrafią wyodrębniać pola nagłówkowe i pozycje, ale skuteczność trzeba potwierdzić na własnych fakturach, zwłaszcza gdy dokumenty są skanami lub zdjęciami.
Jak sprawdzić skuteczność OCR faktur?
Przygotuj ręcznie oznaczony zbiór referencyjny, podziel faktury według jakości, porównaj wynik pole po polu i policz trafność osobno dla NIP, dat, numerów, kwot i pozycji. Raportuj również czas, koszt oraz odsetek przypadków skierowanych do kontroli ręcznej.
Czy dane z OCR można automatycznie zaksięgować?
Można je przekazać do dalszego obiegu, lecz automatyczne księgowanie powinno być poprzedzone walidacją formatów, zgodności sum, NIP-u i stawek VAT oraz ścieżką akceptacji człowieka. Sam confidence score nie jest dowodem poprawności księgowej.
Źródła
- Ustawa o podatku od towarów i usług, art. 106e i art. 106j — Dziennik Ustaw / ISAP, 2024, Dz.U. 2024 poz. 361
- Invoice data extraction – Document Intelligence — Microsoft Learn, 2026, Document Intelligence v4.0
- Transparency note for Document Intelligence — Microsoft Learn, 2026, Confidence values and evaluation guidance
- Document AI pricing — Google Cloud, 2026, Invoice Parser pricing
- Processor list – Invoice Parser — Google Cloud Documentation, 2026, INVOICE_PROCESSOR
Tekst został utworzony przy pomocy sztucznej inteligencji (modeli językowych).
