AI w księgowości 2026: co działa, co nie

Rynek jest pełen haseł: "AI zrewolucjonizuje księgowość", "AI-first accounting", "zapomnij o ręcznej klasyfikacji". Rzeczywistość w kwietniu 2026 jest chłodniejsza. Część zastosowań AI w księgowości już działa i daje wymierną oszczędność czasu. Część nie działa — a marketing udaje, że działa. Rozróżnienie tych dwóch obszarów decyduje o tym, czy wdrożenie AI w biurze rachunkowym, kancelarii podatkowej albo dziale controllingu będzie przewagą czy kosztownym błędem.

Co AI naprawdę robi dziś (kwiecień 2026)

Poniższa tabela pokazuje rzeczywistą dojrzałość wybranych zastosowań AI w księgowości, na podstawie danych z pilotaży w polskich biurach rachunkowych, kancelariach podatkowych i działach controllingu, porównania wyników modeli językowych (GPT-4, Claude, Gemini, modele lokalne 7B-70B) na zadaniach księgowych oraz ograniczeń strukturalnych (brak polskich korpusów, zmienność przepisów). Typowa dokładność odnosi się do scenariuszy produkcyjnych, nie do idealnych warunków labowych.

Zastosowanie	Dojrzałość	Typowa dokładność	Ryzyko
OCR faktur papierowych i PDF	Wysoka	95-98%	Niskie
Klasyfikacja opisów pozycji	Wysoka	80-92%	Średnie (błędna kategoria kosztu)
Dekretacja (konto księgowe)	Średnia	70-85%	Wysokie (korekta w JPK)
Detekcja anomalii (duplikaty, wartości odstające)	Wysoka	90-95%	Niskie
Interpretacja VAT (odliczenie, zwolnienie)	Niska	50-70%	Bardzo wysokie (korekta + kara)
Generowanie sprawozdań GUS	Niska	60-75%	Wysokie (niezgodność z instrukcją)
Komunikacja z klientem (chatbot)	Średnia	n/a	Średnie (błędna informacja)

Ogólna reguła: im zadanie bliższe rozpoznaniu wzorca w danych (OCR, klasyfikacja, anomalie), tym AI działa lepiej. Im zadanie bliższe interpretacji prawa i decyzji z odpowiedzialnością finansową — tym gorzej. Ta linia podziału utrzyma się przez następne 2-3 lata, niezależnie od tempa rozwoju modeli, ponieważ problemem nie jest moc obliczeniowa, tylko brak audytowalnego źródła pewności w generatywnych modelach.

Gdzie AI świeci — trzy konkretne zastosowania

OCR faktur papierowych i PDF-ów

Odczyt faktury ze skanu papierowego lub pliku PDF to dziś "solved problem" — modele OCR połączone z klasyfikatorem pól (dostawca, numer, daty, NIP, netto, VAT, brutto) osiągają dokładność 95-98% na typowych fakturach kontrahentów polskich. Biura rachunkowe używające OCR wypełniają fakturę w systemie księgowym w 10-20 sekund zamiast 2-3 minut ręcznego przepisywania. To różnica wydajności 6-10-krotna na jednej operacji, co w skali biura z tysiącem faktur miesięcznie oznacza oszczędność 30-50 godzin pracy.

Paradoks 2026: KSeF stopniowo eliminuje ten problem. Faktury krajowe od podatników czynnych trafiają już bezpośrednio w strukturze FA(3) — czytelnej dla maszyn bez OCR. Struktura FA(3) ma jasno zdefiniowane pola, które można zmapować na pola systemu księgowego bez rozpoznawania obrazu. OCR pozostaje potrzebny dla faktur zagranicznych (WNT, import usług), paragonów, dokumentów historycznych i wybranych wyjątków. Z perspektywy 5 lat rola OCR w polskiej księgowości będzie marginalna.

Klasyfikacja nieustrukturyzowanych opisów

Faktura z opisem "Usługa IT" bez dalszego kontekstu wymaga decyzji: czy to konsulting (konto 402), licencja software'owa (konto 300 amortyzacja lub 402 usługi), wynajem infrastruktury (402), czy rozwój wewnętrzny (konto 641 prace rozwojowe). Reguły na słowach kluczowych pokrywają 60-70% przypadków. AI — klasyfikator trenowany na historycznych decyzjach kontrahentów — dokłada dodatkowe 15-25%, podnosząc automatyzację do 80-92%. Dla biura z 1200 fakturami miesięcznie to różnica między 200 fakturami do ręcznej obsługi a 100 fakturami — redukcja o połowę.

Kluczowa mechanika: model uczy się na parach (opis pozycji + dostawca) → (kategoria kosztu). Po miesiącu pracy kontrahenci się powtarzają, wzorce się krystalizują, dokładność rośnie. Więcej o tej technice w artykule automatyczna kategoryzacja faktur.

Detekcja anomalii

Statystyczna warstwa na danych historycznych. Model zna "normalny" poziom kosztu energii dla oddziału Poznań (8-12 tys. zł miesięcznie), "normalny" zakres faktur od kontrahenta X (3-8 tys. zł). Kiedy pojawia się faktura za 120 tys. zł od tego samego kontrahenta — flaga. Kiedy ten sam numer faktury przychodzi drugi raz — flaga. Kiedy nowy dostawca wystawia fakturę od razu na wysoką kwotę — flaga do weryfikacji zamówienia.

Detekcja anomalii w 2026 roku jest dojrzała, bo bazuje na prostych regułach statystycznych, nie na generatywnych modelach. Fałszywe alarmy — typowo 3-5% — kierowane są do kontrolera lub dyrektora finansowego do manualnej weryfikacji. Każda flaga to pytanie, nie decyzja, więc koszt błędu jest niski. To jedno z najbardziej wartościowych zastosowań AI w controllingu, bez ryzyka po stronie halucynacji.

Gdzie AI zawodzi — trzy konkretne obszary

Interpretacja prawa podatkowego

Pytanie: "Czy mogę odliczyć VAT od faktury za obiad z klientem na kwotę 400 zł?" ma subtelną odpowiedź, zależną od kontekstu (spotkanie biznesowe vs reprezentacja, zapisy w polityce firmy, art. 88 ust. 1 pkt 4 ustawy o VAT). Model językowy da odpowiedź pozornie sensowną, ale bez źródła pewności. Gorzej — często halucynuje numery artykułów, podaje nieaktualne progi, miesza polskie przepisy z amerykańskimi lub niemieckimi, na których był intensywniej trenowany.

Znane zjawisko: ChatGPT cytujący "art. 88 ust. 2 pkt 3" ustawy o VAT, który nie istnieje. Claude podający próg "od 1 stycznia 2025 r.", który został zmieniony dwa lata wcześniej. Gemini wyjaśniający zasady split payment z fragmentem tekstu, który w rzeczywistości opisuje brytyjski reverse charge. Dla doradcy podatkowego to niedopuszczalne — odpowiedź klienta oparta na wymyślonym przepisie to odpowiedzialność zawodowa. Dla wątpliwości interpretacyjnych źródłem prawa są wyłącznie ustawa, rozporządzenia i interpretacje ogólne oraz indywidualne MF.

Decyzje krawędziowe

Leasing operacyjny czy finansowy — różnica między dwoma klasyfikacjami to kilkaset tysięcy złotych w ciągu życia umowy. Wymaga analizy umowy (okres, wartość rezydualna, kto przejmuje ryzyko), porównania z MSSF 16 i polską ustawą o rachunkowości. AI patrzy na fakturę jednomiesięczną i nie widzi pełnej umowy. Odpowiedź 51% za "operacyjnym" i 49% za "finansowym" jest dla modelu tym samym co 99% vs 1% — dla firmy różnica jest miażdżąca.

Inne przykłady: faktura od podmiotu, który utracił status czynnego podatnika VAT w trakcie miesiąca (sprawdzenie w białej liście podatników), faktura z obowiązkowym split payment przy progu 15 000 zł brutto i pozycją z załącznika 15, faktura z WNT w walucie od podmiotu unijnego. Każda z tych sytuacji ma pułapki, które człowiek z doświadczeniem widzi, a model uogólnia z ryzykiem błędu.

Audit trail i obrona decyzji

Biegły rewident przy audycie rocznym pyta: "Dlaczego faktura X jest zaklasyfikowana do kategorii Y?" Odpowiedź "bo model tak ocenił z prawdopodobieństwem 87%" nie broni się. Audyt wymaga śladu decyzyjnego: która reguła zadziałała, jaki człowiek zatwierdził, na podstawie jakiego dokumentu. Generatywne modele językowe są z natury niedeterministyczne — to samo pytanie może dać różne odpowiedzi, a model nie potrafi wyjaśnić, dlaczego akurat tak odpowiedział.

Rozwiązanie produkcyjne: AI jako warstwa propozycji, nie decyzji. Każda sugestia modelu jest logowana razem z wejściem (opis pozycji, dostawca, historyczne wzorce) i ludzką akceptacją (kto, kiedy, z jaką korektą). Ślad decyzyjny ma człowieka na końcu, nie model. Przy audycie audytor widzi: "AI zaproponował kategorię X na podstawie opisu Y, księgowa zaakceptowała 2026-03-14, data i podpis". To jest obronne.

Ryzyka, o których vendorzy AI milczą

Dane w chmurze zewnętrznego dostawcy. Każde wysłanie faktury do ChatGPT, Claude, Copilota lub dowolnego SaaS AI to przekazanie danych klienta do procesora w rozumieniu RODO (art. 28). Dla biura rachunkowego oznacza to konieczność umowy powierzenia z dostawcą i zgody klienta. Dla kancelarii podatkowej, radcowskiej lub adwokackiej — w grę wchodzi tajemnica zawodowa (art. 37 ustawy o doradztwie podatkowym, art. 6 ustawy o radcach prawnych), która nie dopuszcza przekazywania danych klienta zewnętrznemu podmiotowi bez wyraźnej zgody. Więcej w artykule KSeF a bezpieczeństwo danych.

Brak deterministyczności. Ten sam prompt puszczony dwa razy do modelu językowego może zwrócić różne odpowiedzi. Dla procesów, gdzie wymagana jest 100% powtarzalność (audyt, kontrola KAS, zewnętrzny przegląd), to dyskwalifikująca wada. Rozwiązanie: logowanie wszystkich wejść i wyjść, fiksowanie wersji modelu, stosowanie AI jako warstwy sugestii, nie decyzji.

Model bias. LLM-y są trenowane głównie na danych anglojęzycznych, z dużym udziałem korporacyjnym i amerykańskim. Polska księgowość, polskie formularze, polska specyfika (KSeF, ZUS, RODO w polskiej interpretacji) są w modelach niedoreprezentowane. Model może preferować rozwiązania stosowane w dużych korporacjach nad te typowe dla mikroprzedsiębiorców. Dla biur rachunkowych obsługujących głównie JDG i sp. z o.o. w segmencie MŚP — ryzyko błędnych ogólnych rekomendacji.

Halucynacje w faktach. Model wymyśla numery ustaw, daty obowiązywania, progi kwotowe, nawet nazwy instytucji. W doradztwie podatkowym to niedopuszczalne. Każda liczba z AI musi być sprawdzona przez człowieka w źródle prawnym, zanim trafi do klienta.

Vendor lock-in. Jeśli AI działa wyłącznie przez chmurę dostawcy, to uzależnienie od jego cen (zmieniają się co 6-12 miesięcy), dostępności (awarie API zdarzają się), polityki prywatności (zmiany ToS bez zgody użytkownika) i mocy obliczeniowej (limity na token/minutę). Dla biura, które wdrożyło cały workflow na GPT-4, zmiana dostawcy to koszt i ryzyko, że jakość klasyfikacji spadnie.

Brak jurysdykcji polskiej. Większość LLM-ów jest trenowana z opóźnieniem 12-18 miesięcy od zmian w polskich przepisach. Zmiany w KSeF z lutego 2026 (nowe oznaczenia w JPK) pojawiają się w modelach pod koniec 2026 lub początek 2027. KSeF a JPK_V7 — to szczegóły, których model globalny po prostu nie zna.

Pytania, które musisz zadać vendorowi AI w 2026

Jeśli rozważasz narzędzie z AI dla księgowości, poniższy checklist pomaga przeciąć marketing. Odpowiedzi "tak, oczywiście, pełna automatyzacja" sygnalizują, że vendor nie rozumie ograniczeń własnej technologii — albo rozumie, ale liczy, że klient nie zapyta.

• Jaki procent decyzji wymaga akceptacji człowieka? Jeśli vendor deklaruje <5%, to narzędzie jeszcze nie jest gotowe do pełnej automatyzacji w polskich realiach. Realistyczne wartości: 15-30% dla klasyfikacji kosztów, 50-70% dla dekretacji, 100% dla interpretacji VAT.
• Czy dane wychodzą z mojej infrastruktury? Jeśli tak — problem z RODO i tajemnicą zawodową. Jeśli nie (model lokalny) — nie ma przekazania, zgoda klienta nie jest wymagana. Zapytaj wprost, gdzie fizycznie są serwery obsługujące model.
• Czy model działa offline? Desktop-only oznacza pełną niezależność od połączenia i dostępności dostawcy. Cloud-only oznacza uzależnienie i ryzyko RODO. Hybryda (offline + opcjonalna chmura) bywa kompromisem.
• Jak wygląda audit trail? Każda decyzja AI musi mieć zapisane: wejście (co model zobaczył), wyjście (co zaproponował), akceptację człowieka (kto, kiedy). Bez tego audyt roczny i kontrola KAS są nie do obrony.
• Na czym model był trenowany? Dane publiczne EN (słabo dla PL)? Polskie faktury (dobrze)? Aktualne 2026 czy dane sprzed zmian w KSeF? Zapytaj o datę ostatniego cut-offa treningu.
• Kto ponosi odpowiedzialność za błąd AI? W 99% umów SaaS AI — użytkownik. Vendor ogranicza swoją odpowiedzialność do wartości miesięcznego abonamentu. Przeczytaj paragraf o odpowiedzialności uważnie.
• Czy AI robi sugestie, czy podejmuje decyzje? Human-in-the-loop vs autonomia. Dla księgowości jedyne bezpieczne podejście to sugestia + akceptacja człowieka. Autonomia AI w dekretacji to ryzyko karne (art. 62 KKS) i korekty JPK.
• Ile kosztuje przy skalowaniu? Koszt per faktura (np. 0,10 zł za klasyfikację × 10 000 faktur = 1000 zł/mies.) czy ryczałt? Przy wysokich wolumenach model per-request bywa 5-10× droższy od ryczałtu.

Cztery realistyczne scenariusze użycia AI w księgowości 2026

Biuro rachunkowe — AI jako asystent wstępnej klasyfikacji

Biuro obsługujące 50-200 klientów. AI klasyfikuje przychodzące faktury wstępnie (kategoria kosztowa, sugerowane konto, oznaczenia GTU dla sprzedaży), księgowa akceptuje lub koryguje. Oszczędność czasu 30-50% na operacji klasyfikacji, ale nie 100% — każda faktura przechodzi przez oko człowieka. Reguły pokrywają rutynę, AI dokłada trudniejsze przypadki, człowiek rozstrzyga krawędzie. Architektura bezpieczna, jeśli AI działa lokalnie. Szczegóły w artykule KSeF dla biura rachunkowego.

Controlling — AI do detekcji anomalii

Dział controllingu w firmie z obrotami 50-500 mln zł. AI monitoruje strumień faktur kosztowych i flaguje anomalie (kwota 10× typowa dla kontrahenta, nowy dostawca przy dużej fakturze, duplikat, niezgodność MPK z opisem). Controller dostaje listę 5-15 faktur tygodniowo do manualnej weryfikacji, zamiast przeglądać wszystkie 1200. Detekcja anomalii działa na regułach statystycznych, nie na halucynacjach modelu językowego — ryzyko niskie, wartość wysoka.

Kancelaria podatkowa — AI tylko lokalnie

Doradca podatkowy, radca, adwokat. Tajemnica zawodowa wyklucza wysyłanie danych klienta do zewnętrznego dostawcy AI. Jedyne dopuszczalne scenariusze: AI działa lokalnie na komputerze kancelarii (model na ~7-70B parametrów) albo dane klienta są anonimizowane przed wysłaniem do chmury (usunięcie NIP, nazw, kwot, pozostaje tylko struktura). Dla większości zastosowań anonimizacja jest bardziej kosztowna niż lokalne uruchomienie modelu. Więcej w artykule KSeF dla kancelarii podatkowej.

Firma jednoosobowa — AI jako pomoc w rozumieniu

Mikroprzedsiębiorca, samozatrudniony. AI (ChatGPT, Claude) jako wyjaśnienie pojęć (co to jest split payment, jak działa odwrotne obciążenie, czym się różni kwartalny VAT od miesięcznego). Nie jako doradca podejmujący decyzje. Każdą decyzję z konsekwencjami finansowymi potwierdź z księgową lub doradcą podatkowym. AI to wikipedia, nie kancelaria.

Przykłady narzędzi w 2026

Krótka mapa rynku. Przegląd neutralny — każde z podejść ma swoje zastosowanie w zależności od tego, kim jesteś i jakie masz wymogi prawne.

• Cloud-first konsumencki (Copilot w Excelu, ChatGPT, darmowe / Pro plany Claude). Ogólne modele w chmurze z domyślnym retention'em i trenowaniem na rozmowach (opcja opt-out bywa ukryta). Mocne dla analiz ad-hoc i nauki, ale regularna praca z fakturami klientów wpada w konflikt z RODO i tajemnicą zawodową. Dane kontrahentów nie powinny tam trafiać bez anonimizacji i zgód.
• Enterprise plany AI z zerową retencją (Claude for Work / Teams / Enterprise, ChatGPT Enterprise, Microsoft 365 Copilot z EU Data Boundary). Te same modele, ale z umową zakazującą trenowania na danych klienta, retention = 0 i możliwością wyboru jurysdykcji. To minimum dla biur rachunkowych i kancelarii, które chcą używać AI w chmurze. Uwaga: nawet przy tych umowach faktura nadal wychodzi do dostawcy przez sieć — dla tajemnicy zawodowej lepiej anonimizować przed wysłaniem, a bezpieczniej trzymać pełne dane lokalnie.
• Programy księgowe z wbudowanym AI (wybrane produkty Comarch, Symfonia, Saldeo). AI jako warstwa nad klasycznym systemem księgowym. Sprawdź, co realnie robi model: OCR? Klasyfikacja? Sugestie dekretowe? Gdzie dane są przetwarzane (Polska, UE, USA)? Marketing często wyprzedza funkcje.
• Dedykowane tax-AI (np. Blue Dot Capital, AppZen). Specjalistyczne modele dla większych firm z międzynarodową ekspozycją. Skupione na VAT recovery, zgodności z przepisami w wielu jurysdykcjach. W Polsce pojedyncze wdrożenia, głównie w korporacjach 500+ osób.
• Pianista — desktop, dane lokalnie, reguły plus opcjonalne AI. Aplikacja desktopowa (Windows, macOS). Pobiera faktury z KSeF i klasyfikuje po oddziałach, liniach biznesowych, MPK i typach kosztów — głównie na regułach i słownikach kontrahentów, z AI jako opcjonalną warstwą sugestii dla opisów nietypowych. Dane nigdy nie wychodzą z komputera, pełny audit trail każdej decyzji klasyfikacyjnej, multi-NIP (jeden certyfikat, wiele firm — istotne dla biur rachunkowych i kancelarii). Dla firm wymagających tajemnicy zawodowej (doradcy podatkowi, kancelarie) albo niemogących wystawić zgody na chmurę AI — to często najprostsza droga, żeby w ogóle wdrożyć automatyzację klasyfikacji, zamiast rezygnować z niej „dla świętego spokoju”. Szczegóły na stronie głównej Pianisty, porównanie z programami chmurowymi w Pianista vs Saldeo SMART.
• Claude + MCP nad lokalną bazą faktur. Zaawansowany wariant dla zespołów technicznych: Claude Desktop (Pro, Team, Enterprise) pyta o dane przez Model Context Protocol — pełne faktury zostają lokalnie, do chmury idą tylko wyniki konkretnych zapytań. Opisane osobno w Claude, MCP i KSeF.
• Własne skrypty + API (Python + OpenAI, Anthropic, lokalny Ollama). Dla zespołów technicznych z programistami. Ryzyko RODO jeśli dane lecą do chmury zewnętrznej. Lokalne Ollama z modelem Llama 3 lub Qwen2 rozwiązuje to, ale wymaga kompetencji ML w zespole.

Co zrobić w najbliższych 6 miesiącach

Rozsądna mapa wdrożenia, jeśli dziś jesteś w punkcie zerowym. Cztery kroki, bez rewolucji:

1. Zmapuj procesy w twojej księgowości pod kątem dwóch cech: wysoka liczba powtarzalnych decyzji oraz niska stawka błędu. To kandydaci do automatyzacji. Procesy ze zmienną logiką i wysoką stawką błędu (interpretacja VAT, decyzje o kosztach niemożliwych do odliczenia) — zostaw człowiekowi.
2. Zacznij od reguł, nie od AI. Słowniki kontrahentów, proste warunki na słowach kluczowych, mapowanie NIP na kategorię — pokrywają 70-80% klasyfikacji, są szybkie, tanie, weryfikowalne, audytowalne. AI dokłada się do reszty, nie zastępuje bazy.
3. Pilotaż AI na jednej kategorii, nie na całym workflow. Np. klasyfikacja pozycji faktur kosztowych dla jednego klienta przez 2 miesiące. Mierz dokładność, czas akceptacji, liczbę błędów wymagających korekty. Dopiero potem skaluj.
4. Zawsze human-in-the-loop dla decyzji z konsekwencjami prawnymi lub finansowymi. Dekretacja, akceptacja kosztu, oznaczenia w JPK, podpis pod sprawozdaniem — człowiek. AI pomaga, ale nie podpisuje.
5. Dokumentuj błędy AI. Przy każdej korekcie propozycji modelu zapisuj: jaka pozycja, jaka sugestia, jaka korekta, dlaczego. Ta lista to surowiec do dotrenowania modelu lub do podjęcia decyzji o wymianie narzędzia.

Pytania i odpowiedzi

Czy AI może wypełnić JPK_V7 za mnie?

Nie w sensie pełnej autonomii. AI może wstępnie sklasyfikować pozycje faktur, zaproponować rodzaj transakcji (K_10, K_11, K_19, K_20), zasugerować oznaczenia GTU i procedury (MPP, TP). Sama dekretacja i akceptacja pliku JPK_V7 wymaga decyzji człowieka — księgowej lub doradcy podatkowego. Błąd w JPK oznacza korektę i w praktyce pytanie z urzędu, więc akceptacja końcowa nie może opierać się na ocenie prawdopodobieństwa przez model. AI skraca pracę przygotowawczą o 30-50%, nie eliminuje jej.

Czy ChatGPT może doradzić w sprawie VAT?

Nie do podejmowania decyzji. Model językowy uogólnia treści, na których był trenowany, nie zna specyfiki twojej firmy i nie ma dostępu do bieżącego stanu prawnego. Halucynuje numery artykułów, daty obowiązywania progów, interpretacje. W praktyce: używaj do nauki i zrozumienia pojęcia, a każdą konkluzję weryfikuj z aktualną ustawą o VAT i, dla sprawy z konsekwencjami finansowymi, z doradcą podatkowym. Decyzja oparta wyłącznie na ChatGPT nie broni się przy kontroli KAS — organ nie uznaje modelu jako źródła prawa.

Czy AI zastąpi księgową w horyzoncie 5 lat?

Nie. Zmniejszy pracę manualną o 30-50% na zadaniach powtarzalnych — OCR, wstępna klasyfikacja, flagowanie anomalii. Zadania wymagające interpretacji prawa, rozmowy z klientem, decyzji w sytuacjach krawędziowych pozostają przy człowieku. Rynek zmierza w stronę człowiek + AI, nie AI zamiast człowieka. Biura, które wdrożą AI jako warstwę pomocniczą, zyskają przewagę kosztową nad biurami, które tego nie zrobią — ale księgowa z kompetencją podatkową nadal jest niezbędna.

Czy muszę pytać klienta o zgodę na użycie AI?

Tak, jeśli dane klienta wychodzą poza twoją infrastrukturę do dostawcy AI. RODO (art. 28) wymaga umowy powierzenia z każdym procesorem, a dla kancelarii podatkowych i biur rachunkowych dochodzi tajemnica zawodowa (art. 37 ustawy o doradztwie podatkowym). Wysłanie faktury klienta do ChatGPT, Claude lub Copilota to przekazanie danych zewnętrznemu podmiotowi — wymaga zgody i umowy DPA. Jeśli AI działa lokalnie, na twoim komputerze, nie ma przekazania danych i zgoda nie jest wymagana.

Czy AI dobrze zna polskie prawo podatkowe?

Słabo. Duże modele językowe (ChatGPT, Claude, Gemini) są trenowane głównie na danych angielskojęzycznych i globalnych. Polskie przepisy pojawiają się w modelach z opóźnieniem 12-18 miesięcy. Zmiany takie jak KSeF, slim VAT, limit 10 000 zł/mies., oznaczenia w nowym JPK — model może znać ogólnie, ale w szczegółach halucynuje. Dla pracy na polskim prawie lepsze są modele dotrenowane lokalnie na polskich przepisach albo AI jako wyszukiwarka w aktualnej ustawie, nie jako doradca.

Czy lokalne modele AI są gorsze od ChatGPT?

Dla zadań ogólnych — tak, są mniejsze i mniej wiedzą. Dla zadań wąsko-specjalistycznych po dotrenowaniu — nie, często lepsze. Lokalny model 7B-70B parametrów wytrenowany na wzorcach faktur polskich kontrahentów klasyfikuje kategorie kosztowe z dokładnością porównywalną do GPT-4, a dane klienta nie opuszczają komputera. Dla kancelarii podatkowych i biur rachunkowych obowiązanych tajemnicą zawodową to rozwiązanie jedyne zgodne z przepisami.

Czy AI w Pianiście działa offline?

Tak. Pianista to program desktopowy — model klasyfikacji jest uruchamiany lokalnie na komputerze użytkownika, bez komunikacji z serwerami dostawcy AI. Faktury i dane klientów nie opuszczają maszyny, reguły klasyfikacji i historyczne decyzje są zapisane w lokalnej bazie. To konstrukcja spełniająca wymogi tajemnicy zawodowej i RODO, istotna dla kancelarii i biur rachunkowych obsługujących kilkuset klientów.

Jak sprawdzić, czy AI nie halucynuje?

Trzy testy. Pierwszy: poproś o źródło — jeśli model nie podaje lub podaje bez linku, nie ufaj. Drugi: zadaj to samo pytanie dwa-trzy razy w osobnych sesjach; jeśli odpowiedź się rozjeżdża, to sygnał niepewności modelu. Trzeci: dla decyzji podatkowej weryfikuj ręcznie w ustawie, interpretacjach ogólnych MF i aktualnych komunikatach KIS. Dla klasyfikacji faktur — sprawdź spójność na reprezentatywnej próbce (50-100 faktur) przed puszczeniem modelu na cały miesiąc.

Dalej w temacie

Artykuły, które rozwijają wątki z tego tekstu:

• Automatyczna kategoryzacja faktur — techniki klasyfikacji rodzajowej, gdzie reguły kończą się, a AI zaczyna
• KSeF a bezpieczeństwo danych — TLS, RODO, tajemnica zawodowa, dlaczego chmura nie zawsze pasuje
• KSeF dla kancelarii podatkowej — obsługa KSeF bez chmury, z zachowaniem tajemnicy zawodowej
• KSeF dla biura rachunkowego — multi-NIP, uprawnienia, pipeline klasyfikacyjny
• KSeF dla controllingu — analiza kosztów, detekcja anomalii, MPK
• Jak wybrać program do KSeF — kryteria oceny narzędzi

Źródła prawne i techniczne: ustawa o VAT z 11 marca 2004 r. (art. 88 — ograniczenia odliczenia, art. 106 — zasady wystawiania faktur), ustawa o doradztwie podatkowym z 5 lipca 1996 r. (art. 37 — tajemnica zawodowa), Rozporządzenie RODO (UE) 2016/679 (art. 28 — umowa powierzenia, art. 32 — bezpieczeństwo przetwarzania), interpretacje ogólne i indywidualne MF, biała lista podatników VAT, dokumentacja techniczna KSeF.