AI pro účetní v ČR: kontrola dokladů, párování položek a auditní stopa bez chaosu

Účetnictví je dnes pod tlakem ze dvou stran: objem dokladů roste a zároveň se zpřísňuje dohled nad tím, kdo co zaúčtoval, schválil a opravil. Právě tady dává AI v české firmě smysl. Ne jako „autonomní účetní“, ale jako vrstva nad rutinními kroky: vytěžení údajů z faktur a účtenek, kontrola formálních náležitostí, párování bankovních pohybů s doklady, návrh zaúčtování a průkazná auditní stopa.

Dobře postavené řešení šetří čas hlavně tam, kde dnes lidé ručně přepisují data, dohledávají variabilní symboly, porovnávají částky nebo zjišťují, proč se doklad zastavil ve schvalování. Špatně postavené řešení naopak jen urychlí chyby, které se v účetnictví vracejí v podobě oprav, neuznaných nákladů nebo problémů při auditu.

V tomto článku se držím české reality: účetní doklady v PDF a e-mailu, tuzemské DPH, interní schvalování, bankovní výpisy a návaznost na ERP nebo účetní software. Pokud řešíte širší přehled nástrojů pro kancelářskou automatizaci, hodí se i přehled na aivyber.cz/ai-nastroje. Pro související práci s dokumenty pak dává smysl navázat na přehled v sekci Umělá inteligence na AIVýběr.

1. Kde AI v účetnictví skutečně funguje: vytěžení, validace a směrování dokladů

První rozumné nasazení AI není v účtování samotném, ale ve vstupu. Typický proces vypadá takto: dodavatelská faktura přijde e-mailem nebo přes sken, systém z ní vytěží IČO, DIČ, datum uskutečnění zdanitelného plnění, datum splatnosti, měnu, základ daně, sazbu DPH, celkovou částku, číslo dokladu a případně položky. Následně provede základní validaci a pošle dokument do správného schvalovacího toku.

Reálně použitelné služby v této oblasti jsou například Microsoft 365 Copilot pro práci s dokumenty a e-maily, Azure AI Document Intelligence pro vytěžování strukturovaných údajů z dokladů, Google Document AI nebo Amazon Textract. Samotné účetní workflow pak často zajišťují DMS a ERP platformy, které tyto služby napojují přes API.

Co dělat: Začněte jedním konkrétním typem dokladu, ideálně přijatou fakturou v PDF. Nastavte povinné pole, která se musí vytěžit s dostatečnou jistotou: dodavatel, číslo dokladu, datum, celková částka, měna, DPH. Vše pod předem stanoveným prahem jistoty posílejte k ruční kontrole.

Pro koho: Pro firmy, které měsíčně zpracují alespoň desítky až stovky přijatých faktur a mají opakující se dodavatele. U velmi malého provozu s několika doklady týdně se návratnost často rozplyne v nastavování procesu.

Kdy to nepoužívat: Pokud máte velký podíl nestandardních dokumentů, například smíšené podklady bez jednotného formátu, rukou psané účtenky nízké kvality nebo cizojazyčné přílohy s tabulkami, které se mezi dodavateli zásadně liší. V takovém případě nejprve standardizujte vstup.

Praktický dopad je jednoduchý: účetní nepřepisuje data z PDF do systému, ale kontroluje výjimky. To je kvalitativně jiná práce. Navíc systém může hned při vstupu zkontrolovat, zda číslo faktury už v systému neexistuje, zda DIČ odpovídá formátu a zda sedí aritmetika mezi základem, DPH a celkem.

Orientační cena: cloudové vytěžování dokumentů se obvykle účtuje po stránkách nebo po transakcích. U velkých poskytovatelů se ceny liší podle typu modelu a objemu; v praxi jde orientačně o jednotky až nižší desítky korun za desítky až stovky stran měsíčně, u vyšších objemů méně. Nad cenou za API je nutné připočítat integraci, workflow a správu výjimek, což bývá ve firemním provozu často dražší než samotné vytěžování.

2. Kontrola dokladů není jen OCR: co musí systém ověřit před zaúčtováním

OCR a extrakce dat jsou jen začátek. Skutečná hodnota vzniká až v kontrolách. U přijaté faktury systém musí odlišit tři úrovně: formální správnost dokladu, věcnou správnost a účetní správnost. AI pomůže hlavně v prvních dvou, ale pravidla musí dodat firma.

Formální kontroly

Sem patří ověření, že doklad obsahuje identifikaci dodavatele, odběratele, datum vystavení, datum plnění, číslo dokladu, základ daně, sazbu a výši DPH tam, kde je relevantní. Dále kontrola duplicity podle kombinace dodavatel + číslo dokladu + částka, případně kontrola bankovního účtu proti internímu seznamu ověřených účtů dodavatelů.

Věcné kontroly

Tady už AI porovnává obsah dokladu s kontextem. Například zda faktura odpovídá objednávce, zda cena za licenci nepřekročila sjednaný rámec nebo zda fakturované období navazuje na předchozí měsíc. V této vrstvě je užitečný model, který umí pracovat s textem v e-mailu, přílohou a interní objednávkou zároveň.

Účetní kontroly

Zde je potřeba opatrnost. Systém může navrhnout středisko, zakázku, syntetický účet nebo předkontaci podle historie, ale konečné schválení by mělo zůstat člověku alespoň do chvíle, než máte dostatečně přesná data o úspěšnosti. U DPH, přeshraničních plnění nebo neobvyklých kombinací nákladů je ruční zásah vhodný prakticky vždy.

Co dělat: Seznamte kontroly do tří vrstev a u každé určete, zda má být blokující, varovná nebo pouze informativní. Například chybějící datum plnění je blokující, podezřelá odchylka ceny proti objednávce varovná, návrh účtu informativní.

Pro koho: Pro účetní oddělení, která dnes řeší vysoký počet oprav po zaúčtování, časté vracení dokladů mezi schvalovateli a nejasnou odpovědnost za chyby.

Kdy to nepoužívat: Pokud nemáte interně sjednocené minimální požadavky na schválení a zaúčtování. AI neumí nahradit chybějící firemní pravidla; bez nich jen rychleji reprodukuje nejednotnou praxi.

Praktické pravidlo: nechtějte po jednom modelu, aby „poznal správné účetnictví“. Mnohem lépe funguje kombinace vytěžení dat, sady pevných kontrol a teprve nad tím jazykový model pro vysvětlení anomálie nebo návrh dalšího kroku.

3. Párování bankovních položek a dokladů: nejrychlejší místo pro měřitelný přínos

Pokud máte hledat oblast, kde AI a automatizace přinesou rychlý efekt, je to párování plateb. Důvod je prostý: data z banky jsou pravidelná, pravidla párování se opakují a výsledek lze dobře měřit. Systém porovnává variabilní symbol, částku, datum, protiúčet, text transakce a vazbu na očekávanou pohledávku nebo závazek.

Moderní nástroje umějí řešit i neúplné nebo špinavé vstupy. Když chybí variabilní symbol, model zkusí identifikovat číslo faktury z textu platby, tolerovat malou odchylku částky kvůli bankovnímu poplatku nebo spárovat více plateb k jedné faktuře. Přesto je nutné držet hranici, za kterou rozhoduje člověk.

Co dělat: Zaveďte tři koše výsledků: automaticky spárovat, navrhnout ke kontrole, nespárovat. Do plně automatického párování pouštějte jen případy, kde sedí alespoň dva nezávislé identifikátory, například variabilní symbol a částka, případně číslo faktury v textu a přesná částka.

Pro koho: Pro firmy s větším počtem opakovaných plateb, záloh, splátek nebo pravidelných úhrad od stálých odběratelů. Velmi dobře to funguje i u e-commerce a služeb s vysokým počtem menších plateb.

Kdy to nepoužívat: U výjimečných, právně citlivých nebo sporných plateb, kde samotná shoda částky nic nedokazuje. Typicky vratky, zápočty, přeplatky po reklamacích nebo platby, u nichž se vede obchodní spor.

Důležité je měřit nejen procento spárovaných položek, ale i chybovost automatických párů. V účetnictví je lepší 75 % spolehlivě navržených párů než 95 % agresivního párování, které pak generuje opravy. Praktický KPI bývá čas zpracování bankovního výpisu, počet položek v koši „k ručnímu dořešení“ a podíl nesprávně automaticky spárovaných transakcí.

Orientační cena: pokud párování běží jako součást ERP nebo účetního systému, bývá naceněno v rámci licence modulu. U samostatných integrací počítejte orientačně od nižších desítek tisíc korun za základní implementaci výše, podle počtu bank, formátů výpisů a napojení na účetní agendu.

4. Auditní stopa: bez ní je „chytrá automatizace“ provozní riziko

V každé firmě dříve nebo později přijde otázka: kdo rozhodl, proč se doklad zaúčtoval právě takto a z čeho návrh vznikl. Bez auditní stopy nemáte dobrou odpověď pro auditora, interní kontrolu ani vedení. Auditní stopa přitom není jen log změny pole v databázi. U AI musíte uchovat i kontext rozhodnutí.

Prakticky to znamená zaznamenat minimálně:

zdroj dokumentu a jeho verzi,
vytěžená pole a míru jistoty,
aplikovaná pravidla a jejich výsledek,
uživatele, který doklad schválil nebo opravil,
čas každého kroku,
model nebo službu, která návrh vytvořila, včetně verze, pokud je dostupná,
důvod manuální výjimky.

Pokud používáte cloudové AI služby, je nutné si pohlídat i to, jak dlouho se data uchovávají, zda se používají pro trénink modelů a v jakém regionu jsou zpracovávána. U podnikových tarifů bývají podmínky odlišné od veřejných chatovacích služeb. Například Microsoft a Google u firemních nabídek standardně zdůrazňují oddělení zákaznických dat a správu v rámci enterprise prostředí, ale konkrétní nastavení se liší službu od služby a je potřeba ověřit ho v dokumentaci a smlouvě.

Co dělat: Zaveďte povinný log pro každý automatický krok a minimální sadu metadat, která se uloží k dokladu. Nestačí vědět, že „to navrhla AI“; potřebujete vědět jak a s jakou jistotou.

Pro koho: Pro firmy s interním auditem, externím auditorem, ISO procesy, regulovaným odvětvím nebo víceúrovňovým schvalováním nákladů.

Kdy to nepoužívat: Nepoužívejte generativní AI pro rozhodování o účetním zápisu v prostředí, kde nedokážete uchovat vstup, výstup a důvod rozhodnutí. Bez vysvětlitelné stopy je takový provoz zbytečně riskantní.

Dobré pravidlo z praxe: pokud by účetní nebo auditor nedokázal za šest měsíců rekonstruovat, proč byl doklad zpracován konkrétním způsobem, proces není připravený na produkci.

5. Jak vybrat nástroj pro českou firmu: nerozhoduje jen přesnost, ale i napojení a správa výjimek

Výběr nástroje se často zbytečně zúží na otázku, který model má nejlepší OCR. Jenže v praxi rozhodují jiné věci: jak snadno dostanete data do ERP, jak funguje schvalovací workflow, jak se řeší výjimky, kdo nastaví pravidla pro DPH a zda systém umí pracovat s češtinou, českými doklady a evropským provozem dat.

U podnikových scénářů obvykle připadá v úvahu tato kombinace:

Microsoft 365 + Azure AI Document Intelligence + Power Automate pro firmy, které už stojí na Microsoft ekosystému a chtějí zpracovávat e-maily, přílohy a schvalování v jednom prostředí.
Google Document AI + Workspace pro firmy s dokumentovým provozem v Google prostředí a silným důrazem na klasifikaci dokumentů.
AWS Textract tam, kde už běží podnikové integrace na AWS a tým zvládne silněji technické nasazení.

Samotné vytěžení ale zpravidla nestačí. Potřebujete i vrstvu pro workflow, ERP konektor a správu výjimek. Pokud toto dodavatel neumí doložit na konkrétním procesu, nekupujete řešení pro účetnictví, ale jen dílčí technologii.

Co dělat: Při výběru chtějte pilot na vašich dokladech. Ne na ukázkovém datasetu dodavatele. Změřte přesnost povinných polí, počet výjimek, rychlost zpracování, chybovost párování a dostupnost auditního logu.

Pro koho: Pro střední a větší firmy, které mají interní IT nebo spolehlivého integrátora a chtějí nástroj napojit na reálný schvalovací a účetní proces.

Kdy to nepoužívat: Pokud od nástroje očekáváte okamžitou náhradu účetního oddělení nebo bezúdržbové fungování bez průběžného ladění. U dokladových procesů to takto nefunguje ani u velmi dobrých technologií.

Orientační ceny: Microsoft 365 Copilot se v podnikové sféře pohybuje v řádu desítek USD za uživatele a měsíc, Azure AI Document Intelligence se účtuje podle objemu zpracování, Power Automate podle typu licence a toku. U celkového projektu tedy počítejte odděleně s licencemi, integrací, testováním a podporou. U menšího pilotu se můžete vejít do nižších stovek tisíc korun, u robustního provozu s ERP integrací je rozpočet výrazně vyšší. Jde o orientační údaje; přesná cena závisí na objemu dokumentů a architektuře.

6. Praktické scénáře z české firmy: kde AI šetří čas a kde jen vytváří iluzi pokroku

Scénář A: Přijaté faktury od stálých dodavatelů

Firma přijímá 800 faktur měsíčně od zhruba 120 dodavatelů. U 70 % z nich se struktura dokladů opakuje. Nasazení vytěžení a schvalovacího workflow obvykle přinese rychlejší zápis do systému, méně přepisování a lepší dohledatelnost stavu dokladu.

Co dělat: Vytvořte seznam top 20 dodavatelů podle objemu a na nich pilotujte. Získáte rychle dost dat pro ladění a současně vysoký podíl dokladů.

Pro koho: Pro služby, výrobu i distribuci, kde faktury chodí pravidelně a existuje objednávková nebo smluvní vazba.

Kdy to nepoužívat: Pokud většina dokladů přichází jako nekvalitní skeny z mobilu nebo jako vícestránkové přílohy bez jasné faktury. Nejdřív zaveďte pravidla pro formát vstupu.

Scénář B: Cestovní náhrady a účtenky zaměstnanců

Tady AI zvládne vytěžení částky, data, měny a obchodníka z účtenky, případně rozpozná kategorii výdaje. Problémem však bývá kvalita fotografií, chybějící kontext a složitější daňové posouzení.

Co dělat: Používejte AI pro předvyplnění formuláře a kontrolu formálních chyb, ne pro finální daňové rozhodnutí.

Pro koho: Pro firmy s větším počtem obchodníků, servisních techniků a manažerů na cestách.

Kdy to nepoužívat: U zahraničních cest s kombinací měn, diet, vedlejších výdajů a neobvyklých dokladů. Tam má smysl lidská kontrola i nadále.

Scénář C: Párování inkas a plateb od odběratelů

Vysoký přínos je u pravidelných úhrad, předpisů a opakovaných odběratelů. Dobře nastavený systém snižuje počet neidentifikovaných plateb a zrychluje uzávěrku.

Co dělat: U každé automatické shody evidujte důvod párování a procento jistoty, abyste mohli zpětně ověřit chybné případy.

Pro koho: Pro firmy s častými bankovními pohyby a opakovanou fakturací.

Kdy to nepoužívat: U ručně dohadovaných zápočtů a sporů, kde bankovní pohyb bez obchodního kontextu nestačí.

7. Limity a rizika: kde AI v účetnictví naráží

Největší problém není to, že model občas nepozná text. Největší problém je falešná jistota. Systém vytěží pole, vypadá sebevědomě a uživatel přestane kontrolovat. Přesně tady vznikají chyby, které pak stojí víc času než původní ruční práce.

Mezi typické limity patří:

nekonzistentní vstupy – rozdílné formáty dokladů, skeny nízké kvality, ruční poznámky, otočené stránky,
slabý kontext – doklad bez objednávky, bez vazby na smlouvu nebo bez historie dodavatele,
daňové výjimky – přeshraniční plnění, reverse charge, kombinovaná plnění, opravné doklady,
nedostatečná governance – nikdo neurčí, co je automatické pravidlo a co musí schválit člověk,
právní a bezpečnostní otázky – nejasný režim práce s osobními údaji, region zpracování nebo retention politika.

Co dělat: Stanovte červené zóny, kde AI smí jen navrhovat: DPH výjimky, zahraniční doklady, opravy minulých období, neobvyklé částky, nové typy dodavatelů a vše bez dostatečné historie.

Pro koho: Pro CFO, hlavní účetní a interní audit, kteří nesou odpovědnost za správnost procesu, ne jen za rychlost.

Kdy to nepoužívat: Pokud firma není schopna pravidelně vyhodnocovat chybovost a aktualizovat pravidla. Bez průběžné správy se kvalita procesu časem zhorší.

Důležitá věc pro českou praxi: AI nenahrazuje znalost účetní a daňové legislativy. Může pomoci s tříděním, návrhem a kontrolou, ale odpovědnost za účetní případ zůstává na firmě a jejích odpovědných osobách.

8. Jak nasadit AI bez chaosu: doporučený postup po krocích

Nejúspěšnější projekty nezačínají velkou vizí, ale úzkým pilotem s jasnou metrikou. Doporučený postup vypadá takto:

Zmapujte proces – odkud doklad přichází, kdo ho kontroluje, kde vznikají prodlevy a opravy.
Vyberte jeden tok – například přijaté faktury v PDF z e-mailu.
Určete povinná pole a pravidla – co se musí vytěžit, co blokuje, co je jen varování.
Nastavte lidskou kontrolu výjimek – kdo řeší nejisté případy a do jaké doby.
Měřte – přesnost vytěžení, počet oprav, čas zpracování, chybovost automatických rozhodnutí.
Rozšiřujte až po stabilizaci – další typ dokladu, další dodavatelé, párování banky, návrhy předkontace.

Co dělat: Před spuštěním si napište stop podmínky. Například: pokud chybovost automatického párování přesáhne 1 %, vrací se daná větev do režimu „návrh ke kontrole“.

Pro koho: Pro firmy, které chtějí zavádět AI řízeně a obhájit výsledek před vedením i auditorem.

Kdy to nepoužívat: Pokud vedení chce „rychlou AI vrstvu na všechno“ bez změny procesu, bez vlastníka a bez metrik. To je spolehlivá cesta ke zklamání.

Praktický výsledek dobře vedeného pilotu nebývá bombastický, ale je cenný: méně ručního přepisu, kratší doba od přijetí faktury po schválení, méně nejasných plateb a lepší dohledatelnost rozhodnutí.

FAQ

Může AI sama účtovat přijaté faktury?

Může navrhovat zaúčtování podle historie a pravidel, ale samostatné plně automatické účtování je vhodné jen u velmi stabilních, opakovaných případů s jasnými kontrolami. U výjimek by měl rozhodovat člověk.

Je použití cloudové AI slučitelné s požadavky na bezpečnost dat?

Ano, ale jen pokud ověříte smluvní podmínky, region zpracování, režim uchování dat, přístupová práva a to, zda se data nepoužívají k tréninku mimo podnikový režim. To se musí posoudit službu od služby.

Jak poznám, že má projekt ekonomický smysl?

Sledujte čas zpracování dokladu, počet ručních oprav, počet nespárovaných plateb a rychlost uzávěrky. Pokud je objem dokladů malý nebo jsou vstupy velmi nejednotné, návratnost může být slabá.

Jaká je rozumná úspěšnost vytěžení?

Záleží na typu dokladu a kvalitě vstupu. U opakujících se faktur v digitální podobě lze dosáhnout vysoké úspěšnosti u základních polí. U účtenek z mobilu, složitých tabulek a nestandardních dokumentů bude přesnost nižší a je potřeba více ruční kontroly.

Má smysl generativní AI typu chatbot pro účetní oddělení?

Ano, ale spíše pro vysvětlení výjimek, práci s interní dokumentací, shrnutí neshod nebo asistenci při dohledávání informací. Není vhodné spoléhat na ni jako na jediný zdroj pro daňové nebo účetní rozhodnutí.

Závěr

AI v účetnictví české firmy dává největší smysl tam, kde je hodně opakujících se dokladů, pravidelných kontrol a předvídatelných plateb. Nejrychlejší přínos přináší vytěžení údajů, validace formálních náležitostí, směrování do schvalování a párování bankovních položek. Největší chyba je chtít přeskočit procesní základ a pořídit si „chytrou vrstvu“, která nemá pevná pravidla, výjimky a auditní stopu.

Jestli chcete zavádět AI bez chaosu, nezačínejte vizí plně autonomního účetnictví. Začněte jedním tokem, jednou sadou pravidel a jedním měřitelným cílem. V účetnictví totiž nevyhrává ten, kdo automatizuje nejvíc kroků, ale ten, kdo přesně ví, kde automatizace končí a kde musí rozhodnout člověk.

Doporučený AI stack pro realizaci

Vyber si nástroje podle rozpočtu a úrovně automatizace. Níže je přímý přehled služeb pro realizaci projektu.

Služba	Popis služby	Nabídka
NordVPN	VPN služba pro ochranu soukromí a bezpečné připojení.	Otevřít nabídku
Semrush	SEO a marketingová platforma pro analýzu a růst návštěvnosti.	Otevřít nabídku
Make	Pokročilá vizuální automatizace workflow a integrací.	Otevřít nabídku
Hostinger	Webhosting a domény pro rychlé spuštění webu.	Otevřít nabídku
Fiverr	Marketplace pro freelancery a externí specialisty.	Otevřít nabídku
Adobe	Kreativní nástroje pro grafiku, video a digitální obsah.	Otevřít nabídku
Canva	Online design nástroj pro grafiku, prezentace a sociální sítě.	Otevřít nabídku
Jasper	AI nástroj pro marketingové texty a obsahové kampaně.	Otevřít nabídku