Uvod
Racunovodje tradicionalno istrazuju odstupanja pomocu filtera, pivot
tabela, poredjenja sa budzetom i razgovora sa odgovornim rukovodiocima.
Taj postupak ostaje vazan, ali postaje spor kada preduzece ima veliki
broj troskovnih centara, konta, dobavljaca i mesecnih transakcija.
Masinsko ucenje ne ukida taj posao. Ono moze da suzi polje istrage tako
sto automatski grupise slicne centre i oznaci one koji se ponasaju
neuobicajeno.
K-means, DBSCAN i hijerarhijsko klasterovanje mogu da posluze kao
analiticki sloj izmedju glavne knjige i racunovodstvene provere. Njihov
rezultat nije presuda da je trosak pogresan, vec lista prioriteta: koje
centre, periode ili obrasce prvo pregledati.
Kako algoritmi grupisu
troskovne centre
K-means je koristan kada finansijski tim zeli unapred odredjen broj
grupa. Troskovni centri mogu se predstaviti prema strukturi rashoda,
ucestalosti knjizenja, kretanju iznosa i odstupanju od plana. Algoritam
zatim povezuje centre sa slicnim profilima. Ako se jedan administrativni
centar nadje u grupi sa operativnim jedinicama zbog neuobicajeno visokih
troskova odredjene vrste, racunovodja dobija signal za proveru.
Slabost K-means pristupa jeste to sto broj grupa mora biti izabran, a
rezultat zavisi od pripreme podataka. Lose definisane promenljive mogu
proizvesti matematicki uredne, ali poslovno besmislene grupe.
DBSCAN polazi od gustine podataka. Umesto da svaki troskovni centar
obavezno smesti u neku grupu, moze da izdvoji izolovane tacke. To ga
cini pogodnim za trazenje centara ili transakcija koje nemaju dovoljno
slicnih suseda. Takav nalaz moze ukazati na nepravilan obrazac rashoda,
ali i na potpuno opravdanu jednokratnu nabavku. Izbor parametara je
presudan, posebno kada pojedine poslovne jedinice prirodno imaju mnogo
gusce ili redje transakcije.
Hijerarhijsko klasterovanje prikazuje odnose na vise nivoa.
Racunovodja moze prvo videti veoma slicne centre, a zatim kako se oni
spajaju u sire grupe. To je korisno kada formalna organizaciona
struktura ne odrazava stvarnu strukturu potrosnje. Nedostatak je
slozenije tumacenje, narocito kod velikog broja stavki.
Od Excela do kontrolne table
Praktican tok rada pocinje izvozom podataka iz racunovodstvenog
sistema u uredjenu Excel tabelu. Potrebno je usaglasiti sifre troskovnih
centara, konta, periode i dobavljace, ukloniti duplikate i jasno
odvojiti stvarni trosak od budzeta. Ovaj korak je vazniji od izbora
algoritma: AI zasnovan na neusaglasenim sifarnicima samo ubrzava
proizvodnju nepouzdanih rezultata.
Python in Excel omogucava da se analiza izvede unutar radne sveske
funkcijom =PY(). Dostupne biblioteke kao sto su pandas,
NumPy, Matplotlib i seaborn mogu se koristiti za obradu podataka i
vizuelni pregled grupa. Copilot u Excelu moze da generise, objasni i
umetne Python kod, sto naprednu analizu priblizava korisnicima bez
dubokog programerskog iskustva.
Ipak, Python kod se izvrsava u Microsoft Cloud okruzenju, zahteva
internet i ne moze neposredno da upravlja makroima, VBA kodom,
postojecim grafikonima ili PivotTables objektima. Postoje i razliciti
nivoi racunarske snage i mesecna ogranicenja, dok napredniji rezimi mogu
zahtevati dodatnu licencu. Radna sveska zato treba da bude projektovana
tako da rezultati analize budu jasno vraceni u tabelu koju racunovodja
moze da pregleda.
Za sire izvestavanje, rezultati se mogu preneti u Power BI. Tokom
2025. Copilot je dobio samostalni interfejs za razgovor sa podacima,
filtrirane sazetke i mogucnosti pripreme semantickog modela za AI. Ali
nazivi polja, opisi mera, fiskalna pravila i prava pristupa moraju biti
unapred definisani. Bez toga, prirodni jezik samo prikriva pogresnu
poslovnu logiku.
Kod velikih i regulisanih sistema, Azure Machine Learning omogucava
prilagodjene modele, upravljanje njihovim zivotnim ciklusom,
verzionisanje i kontrolu pristupa. Organizacije ne bi trebalo da
planiraju novu zavisnost od posebnog Azure AI Anomaly Detector servisa,
jer je njegovo povlacenje najavljeno za 1. oktobar 2026. Alternative su
prilagodjeni modeli u Azure Machine Learning, Microsoft Fabric i
odgovarajuci otvoreni projekti.
Optimisticni
boomer pogled: vise vremena za pravi racunovodstveni posao
Optimisticni pogled polazi od toga da klasterovanje uklanja zamorne
korake, a ne profesionalnu odgovornost. Umesto rucnog pregledanja svakog
centra, racunovodja prvo dobija kratku listu odstupanja. Vreme se moze
preusmeriti na proveru ugovora, razgovor sa rukovodiocima, objasnjenje
uzroka i preporuke za ustedu.
Najveca vrednost nije samo u pronalazenju jednog velikog troska.
Algoritam moze da otkrije niz malih, ponavljajucih obrazaca koji
pojedinacno prolaze neprimeceno, ali zajedno ukazuju na skrivenu
neefikasnost. Specijalizovane FP&A platforme dodatno automatizuju
pracenje pokazatelja i razlaganje odstupanja na cenu, obim i miks.
Spreadsheet-native resenja, poput Aleph i Datarails, zadrzavaju poznat
Excel tok, dok platforme kao Anaplan, Workday Adaptive Planning, Pigment
i Drivetrain podrzavaju sire planiranje i povezivanje sa poslovnim
sistemima.
Pesimisticni
doomer pogled: neprozracna automatizacija i zamena poslova
Pesimisticni scenario nije bez osnova. Ako rukovodstvo posmatra AI
samo kao nacin za smanjenje broja zaposlenih, automatizacija moze
potisnuti pocetne analiticke poslove bez stvaranja dovoljno novih uloga.
Postoje i projekcije da ce AI preuzeti veliki deo prilagodjene
finansijske analize do 2029, ali takve procene treba tretirati kao
projekcije, a ne kao izvestan ishod.
Veci neposredni rizik jeste lazno poverenje. Klaster moze oznaciti
opravdan trosak kao anomaliju ili prevideti problem koji se uklapa u
istorijski obrazac. Model moze biti neproziran, a los sifarnik,
nepotpuni podaci ili pogresno definisana mera mogu kontaminirati ceo
rezultat. Dodatni troskovi infrastrukture, licenci, strucnjaka i
uskladjenosti mogu pretvoriti AI inicijativu u trajno opterecenje ako
korist nije merena.
Prakticni saveti za
racunovodje
- Pocnite jednim jasno definisanim slucajem, kao sto je mesecno
izdvajanje neuobicajenih troskovnih centara. - Pre modela usaglasite sifarnike, periode, konta i poslovne
definicije. - Uporedite K-means, DBSCAN i hijerarhijski prikaz, umesto da prvi
rezultat prihvatite kao najbolji. - Za svaku oznacenu anomaliju sacuvajte podatke, razlog izdvajanja,
nalaz racunovodje i konacnu odluku. - U Power BI model unesite jasne opise mera i pravila pristupa.
- Merite ustedjeno vreme, broj korisnih upozorenja i stvarno
potvrdjene uzroke, a ne samo broj AI upita. - Zadrzite coveka u procesu odobravanja i finansijskog
izvestavanja.
Uravnotezen zakljucak
Usvajanje ovih alata tokom 2025–2026. raste, ali ostaje neravnomerno.
Neke velike organizacije prosiruju pilote, dok druge ogranicavaju
primenu zbog troskova, upravljanja podacima i nepoverenja u tacnost.
Objavljene procene usteda vremena i povrata ulaganja nisu dovoljne da
dokazu korist u svakom preduzecu.
Najrealniji put nije potpuno autonomno racunovodstvo, vec
kontrolisana saradnja. Algoritam pronalazi grupu i odstupanje;
racunovodja utvrdjuje poslovni razlog, dokumentuje dokaz i preuzima
odgovornost za odluku. Upravo ta kombinacija brzine masinske analize i
ljudske provere moze pretvoriti klasterovanje iz zanimljivog
eksperimenta u pouzdan alat za upravljanje troskovima.