Dobavljacki cenovnici i katalozi proizvoda retko stizu u jednom
urednom formatu. Jedan dobavljac salje Excel tabelu, drugi digitalni
PDF, treci skenirani katalog, a veliki partneri mogu koristiti EDI ili
XML poruke. Zaposleni u nabavci i racunovodstvu zatim pronalaze sifre
artikala, cene i kolicinske pragove, uskladjuju ih sa internim oznakama
i unose promene u ERP ili novu Excel tabelu.
Savremeni AI alati mogu da preuzmu najveci deo tog rutinskog rada.
Oni primaju dokumente, izdvajaju podatke, tumace tabele, povezuju
dobavljacke i interne sifre, proveravaju rezultate i pripremaju
azuriranje evidencija. Cilj nije da se nekontrolisano menja svaka cena
koju je model prepoznao, vec da se eliminise rucno odrzavanje
standardnih stavki, dok se ljudska paznja usmerava na izuzetke i
poslovno znacajne promene.
Od dokumenta do
kontrolisane promene cene
Automatizacija pocinje prijemom cenovnika iz elektronske poste,
portala, skladista dokumenata ili integracionog sistema. Dokument se
klasifikuje prema dobavljacu, formatu i vrsti sadrzaja, a zatim se
upucuje odgovarajucem toku obrade.
Kod skeniranog PDF-a prvo se poboljsava citljivost slike. Ispravljaju
se nagib i perspektiva, smanjuje sum i odvajaju elementi poput pecata,
potpisa ili rukom pisanih oznaka koji mogu da poremete citanje. OCR
zatim pretvara sliku u tekst, dok prepoznavanje strukture tabele
utvrdjuje redove, kolone, zaglavlja i spojene celije.
Samo citanje teksta nije dovoljno. Sistem mora da razume da odredjeni
broj predstavlja jedinicnu cenu, a ne kolicinu ili sifru proizvoda. Tu
se koriste NLP, modeli koji uzimaju u obzir raspored dokumenta i
multimodalni modeli koji istovremeno posmatraju tekst i vizuelnu
strukturu stranice. Rezultat se pretvara u unapred definisanu semu, na
primer: dobavljac, dobavljacka sifra, naziv, interna sifra, cena,
kolicinski prag i uslov ponude.
Nakon ekstrakcije dolaze normalizacija i validacija. Dobavljacka
sifra mora biti povezana sa internim SKU zapisom. Nova cena moze se
uporediti sa prethodnom cenom, ugovorom, narudzbenicom i maticnim
podacima. Tek kada su mapiranje i provere uspesni, promena se salje u
ERP, racunovodstvenu evidenciju ili kontrolisanu Excel tabelu.
Nisu svi formati jednako
zahtevni
Skenirani PDF je najzahtevniji jer sistem najpre mora da procita
sadrzaj, pa da rekonstruise njegov raspored i protumaci znacenje. Greska
u OCR-u moze pretvoriti jednu cifru u drugu, a pogresno prepoznata
kolona moze povezati cenu sa pogresnim artiklom. Tabele bez ivica,
visestruke stranice, rotiran tekst i losi snimci dodatno povecavaju
rizik.
Digitalni PDF sa tekstualnim slojem obicno zahteva manje obrade
slike, ali slozena tabela i dalje mora biti pravilno rekonstruisana.
Excel je blizi strukturisanim podacima, mada nazivi kolona, skriveni
redovi, vise listova i razliciti rasporedi zahtevaju mapiranje i
proveru.
EDI i XML su u pravilu najpogodniji za automatizaciju zato sto vec
sadrze strukturisane, masinski citljive elemente. Njima obicno nije
potreban OCR, a potreba za AI tumacenjem je manja nego kod skeniranog
PDF-a. Ipak, to ne znaci da su spremni za neposredan unos. Dobavljacko
polje i dalje mora biti povezano sa odgovarajucim ERP poljem, spoljne
sifre sa internim siframa, a poslovna pravila moraju odrediti koje se
promene prihvataju, odbijaju ili salju na proveru.
Optimisticna
perspektiva „boomer”: vise vremena za posao koji zahteva procenu
Za racunovodstvo i nabavku najveca korist nije samo brze citanje
dokumenata. Vrednost nastaje kada se prekine lanac ponovljenog
prekucavanja iz PDF-a u Excel, iz Excel-a u ERP i zatim u dodatne
kontrolne evidencije.
Automatizacija moze da skrati put od prijema cenovnika do
raspolozive, proverene promene. Azurnije nabavne cene olaksavaju
poredjenje ponuda, uskladjivanje narudzbenica i kontrolu odstupanja.
Standardizovani izlaz omogucava da se podaci razlicitih dobavljaca
posmatraju kroz istu strukturu, umesto kroz desetine razlicitih
tabela.
Dobitak postoji i u kontroli. Svaki izdvojeni podatak, provera, rucna
ispravka i odobrena promena mogu se evidentirati. Zaposleni vise ne
moraju da pregledaju svaku rutinsku stavku, vec mogu da se bave
nepoznatim siframa, neuobicajenim poskupljenjima, ugovornim odstupanjima
i odnosima sa dobavljacima. U toj perspektivi AI nije zamena za strucno
rasudjivanje, vec filter koji odvaja rutinu od odluka.
Pesimisticna
perspektiva „doomer”: manje unosa znaci i manje tradicionalnih
zadataka
Ista tehnologija moze smanjiti potrebu za poslovima koji se pretezno
svode na prepisivanje, formatiranje i rucno uskladjivanje cenovnika. Ako
organizacija automatizaciju posmatra samo kao priliku za smanjenje broja
zaposlenih, moze izgubiti prakticno znanje ljudi koji prepoznaju
problematicnog dobavljaca, sumnjivu sifru ili neuobicajenu strukturu
popusta.
Postoje i tehnicki rizici. OCR moze pogresno procitati cifru, sistem
moze izgubiti vezu izmedju reda i kolone, a generativni model moze
ponuditi podatak koji ne postoji u dokumentu. Visoka prosecna tacnost ne
znaci mnogo ako je greska nastala upravo u kriticnom polju jedinicne
cene ili sifre artikla.
Dodatni rizici su neovlasceni pristup finansijskim dokumentima,
nedovoljan revizijski trag, zavisnost od jednog tehnoloskog dobavljaca i
automatsko sirenje pogresne cene kroz vise sistema. Posebno je opasna
automatizacija bez upravljanja promenama: model, mapa polja ili ERP
pravilo mogu biti izmenjeni, a da korisnici ne znaju da se promenio
nacin obrade.
Praktican plan za
racunovodstvo i nabavku
Pocnite od jednog dobavljaca ili jedne grupe ponavljajucih cenovnika.
Za pilot koristite stvarne, neuredne dokumente, ukljucujuci losije
skenove i neuobicajene tabele. Unapred odredite koja polja moraju biti
potpuno pouzdana.
Definisite jedinstvenu ciljnu semu i vlasnike podataka. Nabavka treba
da odredi znacenje cena i uslova, racunovodstvo kontrole, a odgovorni za
ERP pravila upisa. Ocistite maticne sifre pre automatizacije, jer AI ne
moze pouzdano popraviti neurednu internu evidenciju samo na osnovu
cenovnika.
Merite tacnost po polju, udeo dokumenata bez rucne intervencije, broj
izuzetaka i pogresna automatska odobrenja. Velike promene cena,
nepoznate sifre, novi dobavljaci i podaci niske pouzdanosti treba
automatski da idu na ljudsku proveru.
Uvedite razdvajanje ovlascenja, zapis svake izmene, mogucnost
vracanja prethodne verzije cenovnika i redovne provere integracije.
Zahtevajte izvoz u otvorenim formatima kao sto su JSON, CSV ili XML kako
biste smanjili zavisnost od jednog resenja.
Najrealniji cilj nije sistem bez ljudi, vec sistem bez nepotrebnog
prekucavanja. AI moze da obavi prijem, citanje, strukturisanje i veci
deo provera, ali odgovornost za poslovna pravila i znacajne promene mora
ostati jasno dodeljena. Tako automatizacija cenovnika postaje
kontrolisana promena procesa: manje rutine, bolji trag podataka i vise
vremena za odluke koje zaista zahtevaju iskustvo.