AI i ugovori: kako vestacka inteligencija automatizuje unos finansijskih podataka iz ugovora u racunovodstvo

Jedan dobavljacki ugovor moze da sadrzi cenu na jednoj strani, valutu
u prilogu, dinamiku rata u tabeli, indeksaciju u posebnoj klauzuli i rok
za otkazivanje automatskog obnavljanja pri samom kraju dokumenta. Kada
racunovodja sve to rucno prenosi u tabelu ili ERP, problem nije samo
utroseno vreme. Dovoljan je jedan promasen datum ili pogresno procitan
iznos da se finansijska evidencija udalji od onoga sto je zaista
ugovoreno.

AI moze da skrati put od dokumenta do upotrebljivih podataka, ali ne
tako sto samostalno „razume sve” i odmah knjizi transakcije. Pouzdaniji
model rada je jednostavniji: masina cita i predlaze, covek proverava i
odobrava, a poslovni sistem prima samo potvrdjena polja.

Kako izgleda
tok od PDF ugovora do racunovodstva

Proces pocinje ugovorom, najcesce u PDF formatu. Ako PDF sadrzi samo
skenirane slike, prvo je potreban OCR. Izbor i kvalitet OCR obrade mogu
bitno uticati na krajnju tacnost, jer lose prepoznat broj, datum ili
raspored tabele postaje los ulaz za svaki naredni korak [1].

AI potom pretrazuje tekst i predlaze strukturisana polja: ugovorne
strane, iznose, valute, datume pocetka i isteka, rokove placanja,
dinamiku rata, indeksaciju, penale, automatska obnavljanja i druge
obaveze. Ironclad, na primer, dokumentuje izdvajanje strana, datuma i
finansijskih uslova, dok Evisort navodi datume isteka, uslove
obnavljanja, rasporede placanja, obaveze i kljucne klauzule [3]
[4]
[5]
[6].

Nije svaki podatak unapred podrzan u svakom alatu. Za specificne
odredbe, kao sto su slozena indeksacija ili posebna formula penala, mogu
biti potrebna prilagodjena polja i modeli. Kira Systems omogucava
obucavanje sistema za prepoznavanje sopstvenih klauzula i podataka, a
Ironclad podrzava prilagodjene AI osobine i klauzule [7]
[8]
[9]
[10].

Sledi najvazniji korak: covek poredi predlozena polja sa izvornim
pasusom, tabelom ili prilogom. Tek posle potvrde podaci ulaze u registar
ugovora, Excel tabelu ili, preko konektora i API-ja, u ERP ili
racunovodstveni sistem. Ironclad u tu svrhu predvidja potvrdu i oznake
pouzdanosti, dok Kira Systems podrzava izvoz rezultata u Excel [2] [12] [3]
[4].

Neposredna, gotova integracija sa Excelom ili konkretnim ERP-om
razlikuje se prema proizvodu i kupljenom paketu. Zato su u praksi cesti
izvoz strukturisanih podataka, REST API i automatizovani tok rada.
Ironclad nudi veze sa sistemima kao sto su Coupa i Salesforce, kao i API
pristup, dok Evisort povezuje ugovorne podatke sa skladistima
dokumenata, CRM, ERP i sistemima nabavke [13] [14]
[5].

Optimisticna
perspektiva: vise vremena za posao koji zahteva prosudjivanje

Najveca prilika nije samo brze prepisivanje. Kada se ugovori pretvore
u strukturisane podatke, racunovodja moze lakse da vidi koji rokovi
dospevaju, koje se obaveze ponavljaju i koji ugovori se automatski
obnavljaju. Ironclad podrzava dodeljivanje vlasnika obavezama i pracenje
rasporeda placanja i datuma obnavljanja, dok Evisort prikazuje ugovorne
podatke kroz podesive preglede [22]
[23]
[42] [24].

To moze da smanji rutinski rad i oslobodi vreme za proveru
odstupanja, kontrolu faktura, planiranje novcanih tokova i razgovor sa
rukovodstvom. Microsoft Copilot je posebno koristan kada su podaci vec
izvezeni u Excel: moze da prepozna vrste kolona, popuni nedostajuce
vrednosti, preoblikuje tabele, pomogne pri usaglasavanju i analizi
odstupanja [29]
[30]
[31].

Ipak, Copilot nije zamena za sistem upravljanja ugovorima. Njegova
dokumentovana finansijska uloga jeste da radi u Excelu i Outlooku i da
povezuje produktivno okruzenje sa sistemima kao sto su Dynamics 365
Finance, Business Central i SAP [30]
[31]
[32]
[34].
Drugim recima, specijalizovani alat izvlaci ugovorne podatke, a Copilot
moze da pomogne u njihovom ciscenju, analizi i proveri.

Pesimisticna
perspektiva: greske, poslovi i privatnost

Automatizacija rutinskog unosa menja sadrzaj racunovodstvenih
poslova, posebno uloga koje se oslanjaju na prepisivanje i standardnu
obradu dokumenata. Dostupni nalazi ipak ne podrzavaju jednostavan
zakljucak da ce racunovodje nestati. Usvajanje AI je neujednaceno, a
dokazi o ukupnom uticaju na zaposlenost ostaju mesoviti [43]
[44]
[45].

Neposredniji rizik jeste preterano poverenje. Istrazivanja pokazuju
da modeli mogu da propuste postojecu klauzulu, a greske se mogu odnositi
upravo na brojeve, rokove i obaveze [35] [36]. U racunovodstvu je
to posebno opasno: uredno popunjena tabela moze izgledati ubedljivo i
kada je izvorni ugovor pogresno protumacen.

Postoji i pitanje privatnosti. Ugovori mogu sadrzati osetljive
poslovne podatke, pa pre slanja dokumenata treba proveriti prava
pristupa, mesto cuvanja, uslove koriscenja podataka i da li dobavljac
koristi sadrzaj za obucavanje modela. NIST medju rizicima generativne AI
izdvaja neovlasceno otkrivanje podataka, uverljivo netacne rezultate i
pristrasnost ka automatizovanom odgovoru [38]
[39].
Zbog toga ljudska kontrola nije privremena smetnja, vec sastavni deo
odgovornog procesa [41].

Prakticni saveti za
uvodjenje

1. Pocnite jednom vrstom ugovora. Izaberite dokumente
   sa slicnom strukturom i jasno odredite koja finansijska polja zaista
   koristite.
2. Napravite kontrolni uzorak. Rucno potvrdite
   ugovorne strane, iznose, valute, datume, rokove, rate, obnavljanja i
   obaveze, pa rezultate uporedite sa AI izlazom.
3. Merite po polju, ne samo po dokumentu. Datum moze
   biti tacan, a indeksacija pogresna. Ukupna ocena lako sakrije opasne
   vrste gresaka [36].
4. Zadrzite dokaz uz svako polje. Osoba koja proverava
   podatak treba da vidi izvorni pasus ili tabelu, a ne samo AI
   sazetak.
5. Proverite integracije pre kupovine. Utvrdite da li
   paket nudi gotov konektor, izvoz u Excel ili REST API. Nemojte
   pretpostaviti da naziv ERP sistema automatski znaci potpunu razmenu svih
   potrebnih polja.
6. Definisite odgovornost. Odredite ko odobrava
   podatke, ko resava izuzetke i ko prati kasnije izmene ugovora.
7. Merite stvarnu ustedu. U pilot ukljucite OCR,
   proveru coveka, ispravke i prenos u racunovodstvo. Marketinsko vreme
   obrade nije isto sto i ukupno vreme zavrsenog procesa.

Uravnotezen
zakljucak: automatizacija sa kontrolnom tackom

Kira Systems, Luminance, LegalOn, Ironclad, Evisort i DocuSign
Insight pokrivaju razlicite delove ugovornog procesa: od dubinske
analize i pregleda klauzula do upravljanja tokom odobravanja, obavezama
i povezivanja sa poslovnim sistemima [2] [15]
[3]
[14]
[46].
Izbor zato treba da pocne od konkretnog problema, a ne od obecanja da
jedan alat radi sve.

Ne postoji univerzalna stopa tacnosti ili ustede vremena koju svako
preduzece moze bezbedno da preuzme. Rezultat zavisi od vrste ugovora,
kvaliteta skena i OCR obrade, jezika, konfiguracije, slozenosti klauzula
i kvaliteta ljudske provere [1] [37] [35]. Najbolja mera nije
broj iz promotivnog materijala, vec interni pilot sa sopstvenim
dokumentima.

Dobro uvedena AI ne uklanja racunovodju iz procesa. Ona pomera
kontrolnu tacku: umesto da covek rucno prepisuje svaki podatak, on
proverava izvor, resava izuzetke i odobrava ono sto ulazi u poslovne
knjige. Upravo u toj kombinaciji brzine masine i profesionalne
odgovornosti coveka nalazi se najrealnija vrednost automatizacije
ugovora.

References

1. https://arxiv.org/html/2510.19334v1
2. https://kirasystems.com/
3. https://ironcladapp.com/resources/articles/contract-data-extraction
4. https://ironcladapp.com/journal/contract-data/contract-data-extraction
5. https://www.evisort.com/resource/case-study-plug-power
6. https://learn.evisort.com/lp/contract-management/
7. https://kirasystems.com/blog/scaling-and-amplifying-legal-work-part-3/
8. https://kirasystems.com/company-announcements/intralinks-partners-with-kira-diligence-engine/
9. https://ironcladapp.com/product-video-library/automate-contract-data-extraction-with-custom-ai-properties
10. https://support.ironcladapp.com/hc/en-us/articles/12947738534935-Ironclad-AI-Overview
11. https://ironcladapp.com/resources/articles/machine-learning-in-contract-management
12. https://kirasystems.com/clauses/
13. https://legal.ironcladapp.com/
14. https://www.evisort.com/blog/evisort-intelligent-dashboarding-for-contracts
15. https://www.luminance.com/legal-contract-management-software/
16. https://www.luminance.com/legal-ai-software/
17. https://www.luminance.com/analyze/
18. https://www.luminance.com/legal-ai-glossary/
19. https://www.luminance.com/files/brochures/Diligence-AI%20for%20Automated%20Contract%20Review-2024.pdf
20. https://gitnux.org/best/legal-document-analysis-software/
21. https://legal.toolsinfo.com/tool/kira-systems-litera
22. https://ironcladapp.com/resources/articles/contract-obligation-tracking
23. https://support.ironcladapp.com/hc/en-us/articles/31128326700183-Obligations-Overview
24. https://www.evisort.com/blog/transform-your-contract-repository-into-a-smart-contract-database-using-ai
25. https://www.evisort.com/resource/evisort-demo-automation-hub-and-advanced-search
26. https://www.docusign.com/solutions/industries/accounting-tax
27. https://www.docusign.com/solutions/departments/procurement
28. https://worldmetrics.org/best/contract-intelligence-software/
29. https://learn.microsoft.com/en-us/copilot/finance/welcome
30. https://learn.microsoft.com/en-us/dynamics365/release-plan/2024wave2/finance-supply-chain/microsoft-copilot-finance/
31. https://www.microsoft.com/en-us/dynamics-365/blog/it-professional/2025/10/20/empowering-finance-with-an-ai-assistant-in-microsoft-365-copilot/
32. https://learn.microsoft.com/en-us/dynamics365/release-plan/2024wave1/finance-supply-chain/microsoft-copilot-finance/
33. https://www.microsoft.com/en-us/microsoft-365/blog/2024/02/29/introducing-microsoft-copilot-for-finance-transform-finance-with-next-generation-ai-in-microsoft-365/
34. https://learn.microsoft.com/en-us/dynamics365/release-plan/2024wave1/finance-supply-chain/microsoft-copilot-finance/use-copilot-finance-additional-native-erp-support
35. https://arxiv.org/html/2508.03080v1
36. https://arxiv.org/html/2606.18021v1
37. https://arxiv.org/html/2605.05532
38. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
39. https://airc.nist.gov/docs/NIST.AI.600-1.GenAI-Profile.ipd.pdf
40. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
41. https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/
42. https://www.evisort.com/platform/platform-overview
43. https://ifs.org.uk/publications/why-has-neet-rate-risen-understanding-trends-and-drivers-using-administrative-data
44. https://ifs.org.uk/publications/how-do-you-identify-good-manager
45. https://ifs.org.uk/news/piecing-together-productivity-puzzle
46. https://www.legalontech.com/ai-contract-review-software