Computer vision pro účtenky: jak funguje

Sedíš nad hromadou pomuchlaných účtenek z benzínky a říkáš si: jak tohle někdy dostanu do účetnictví? Fleky od kávy, šikmý tisk, půlka textu pryč. Klasika. A přesto z toho Doklad.ai během pár vteřin vytáhne DPH, částku i dodavatele. Jak? Computer vision pro účtenky. Přesně.

Skenování účtenky — živá ukázka

Nahrávání účtenky...

Extrahovaná data:

Dodavatel:—

Datum:—

Částka:—

DPH:—

Kategorie:—

Co vlastně znamená „computer vision pro účtenky“ a proč tě to má zajímat?

Computer vision pro účtenky je kombinace OCR, strojového učení a chytrých pravidel, která z fotky nebo PDF vyextrahuje strukturovaná data. Ne jen text. Smysluplná pole: datum, IČO, variabilní symbol, základ a DPH, měna, položky, platební metoda. Proč tě to zajímá? Protože místo přepisu a kontrol můžeš účtenky prostě vyfotit, zkontrolovat návrh a potvrdit. Hotovo.

Tip: Foť účtenky hned na místě. Čerstvá účtenka = čitelná účtenka. Vyhneš se vybledlým páskům z termopapíru, které po týdnu mizí jak ranní mlha.

Jak AI čte papírové doklady krok za krokem?

AI v Doklad.ai neprojíždí účtenku jen jedním OCR. Je to vícestupňová pipeline, která kombinuje počítačové vidění, NLP a účetní logiku.

1) Příprava obrazu: zarovnání, odšumění, kontrast

Detekce hran účtenky a perspektivní korekce (aby z šikmé fotky vznikl rovný obdélník)

Odstranění šumu, zvýšení kontrastu, binarizace pro slabý tisk

Segmentace tmavých fleků a stínů, aby OCR nečetl „artefakty“ jako nuly

2) OCR: rozpoznání textu, čísel a symbolů

Moderní OCR modely naučené na českých i vícejazyčných účtenkách

Detekce více fontů, dotisků, teček a čárek u čísel

Zvládnutí termotisků, nízké kvality i přetržených řádků

3) Detekce struktur: logické zóny účtenky

Rozvržení do bloků: hlavička, tělo, součty, patička

Vytěžení tabulky položek (název, množství, cena, sazba DPH)

Chytré spojování rozdělených řádků a přenosů přes okraj

4) Sémantika: pochopení významu dat

Rozpoznání dodavatele přes IČO, DIČ, názvy a známé vzory

Normalizace dat: formáty datumu, měny, VS/SS/KS

Validace DPH pomocí kontrolních součtů (základ + sazba = DPH = celkem)

5) Účetní logika: návrh předkontace a párování

Mapování k nákladovým kategoriím (PHM, kancelář, stravné…)

Detekce platební metody (hotově/kartou) z textu i QR kódu

Přiřazení k projektu nebo zakázce podle klíčových slov

6) Učení z tvojí praxe: personalizace

Tvoje opravy = nové pravidlo. Příště trefa napoprvé.

Dodavatelé a sazby se „naučí“ preferované účty a výchozí DPH

Lepší výsledky s každou další účtenkou

Co všechno umíme z účtenky vytáhnout a jak přesně to je?

Nejde jen o „text“. Důležitá je přesnost a jistota modelu. Když si AI není jistá, zvýrazní pole k ruční kontrole. Férově.

Dodavatel: název, IČO, DIČ, adresa

Datum vystavení a datum úhrady (když je uvedeno)

Částky: základ, DPH, celkem; sazby 21/12/10 % i reverse charge detekce textem

Měna a kurz (z textu, symbolů a kontextu)

Položky: název, množství, jednotka, jednotková cena, sazba DPH

Platební metoda: hotově, karta, převod; poznáno z textu a částí bloku

Identifikátory: EET/účtenka ID, VS/SS, číslo dokladu

Tip: Když fotíš vícestránkový doklad, vyfoť i stranu se součty. Bez nich ti to AI nepustí do účetnictví, protože neprojde kontrolní součet.

Je computer vision lepší než „obyčejné“ OCR? Tady je srovnání

Řešení	Co dělá	Přesnost na reálných účtenkách	Umí položky	Návrh předkontace	Učení z oprav	Náklady/čas
Ruční přepis	Píšeš do políček	Vysoká, ale pomalá a chybovost roste s únavou	Ano (ručně)	Ano (ručně)	Ne	Pomalé, drahé na lidský čas
Jednoduché OCR	Převede obraz na text	Nízká–střední, nerozumí layoutu	Ne	Ne	Ne	Rychlé, ale hodně ručních zásahů
Computer vision + AI (Doklad.ai)	Rozumí layoutu a kontextu	Vysoká, validuje součty a sazby	Ano (automaticky)	Ano (návrh)	Ano	Rychlé, škálovatelné, méně chyb

Jasně, nic není stoprocentní. Ale moderní computer vision pro účtenky posouvá extrakci z „textu“ na „data připravená k zaúčtování“. To je ten rozdíl.

Jak docílíme přesnosti, i když je účtenka pomačkaná nebo šikmá?

Šikovná kombinace robustních modelů a sanity checků. A pár vychytávek z praxe.

Robustní modely

Trénink na reálných českých dokladech: čerpací stanice, restaurace, hobby markety, e‑shopy

Augmentace: mačkání, šum, stín, nízké DPI, zkreslení, různé tiskárny

Detekce vícejazyčných šablon (CZ, SK, EN, DE) a různých symbolů měn

Sanity checky a validace

Kontrolní součet: základ + DPH = celkem, tolerance u zaokrouhlení

Shoda sazeb v položkách vs. rekapitulace DPH

Shoda IČO/DIČ s rejstříky a známými dodavateli (pokud se připojíš)

Když se model „sekne“, nezakecáme to

Pole se sníženou jistotou zvýrazníme k potvrzení

Navrhneme dvě varianty rozpoznání, ty zvolíš správnou

Oprava se uloží, příště už to trefíme

Co z toho máš v účetnictví konkrétně ty?

Tři věci: rychlost, méně chyb a lepší přehled.

Zpracuješ 50 účtenek za 10 minut. Bez heroických výkonů.

Zmizí opakované překlepy v částkách a DPH.

Položky máš v nákladových kategoriích, reporty dávají smysl.

Předkontace tě postrčí správným směrem. Ne diktát, návrh.

Párování plateb je rychlejší, protože identifikátory i částky sedí.

Jak to celé zapadne do tvého workflow v Doklad.ai?

1) Zachyť účtenku

Mobilem přes aplikaci, nebo nahraj PDF/obrázek

Můžeš poslat i e‑mailem na svou sběrnou adresu

2) AI vytěží data a navrhne předkontaci

Uvidíš přehledově vyplněná pole

Nejistá pole máš označená k potvrzení

3) Zkontroluj a potvrď

Projdi součty, kategorii a DPH

U položek uprav kategorie, pokud chceš detailnější analytiku

4) Zaúčtuj a spáruj

Tlačítko „Zaúčtovat“ a je to v deníku

Platby se spárují přes variabilní symbol, číslo dokladu nebo částku

Bezpečnost a soukromí: co se děje s tvými doklady?

Hele, účetní data jsou citlivá. Tečka. Proto:

Šifrování v klidu i při přenosu

Přístupová práva po uživatelích a firmách

Auditní logy na změny a přístupy

Modely učíme na anonymizovaných vzorcích a se souhlasem

Možnost smazání zdrojového obrazu po vytěžení (volitelné)

Kdy AI září a kdy je lepší lidské oko?

AI vítězí

Standardní retail účtenky, pokladní pásky, doklady z e‑shopu

Jasné součty, standardní sazby DPH, čitelné položky

Opakující se dodavatelé a šablony

Pozor, chce to kontrolu

Ručně psané doklady nebo extrémně vybledlý tisk

Složitá vícestránková vyúčtování s korekcemi

Exotické měny a kombinace s dobropisy na jedné stránce

Tip: U komplikovaných dokladů si zapni „přísnější validaci“. Systém pak bez potvrzení neprojde položky ani součty. Méně rizika, o chlup víc kliků.

Integrace: účtenky nejsou ve vzduchoprázdnu

Import bankovních výpisů pro rychlé párování

Propojení s e‑shopem a e‑mailem pro automatické chytání PDF účtenek

Exporty do formátů pro daňové poradce a účetní (XML/ISDOC/CSV)

API pro vlastní automatizace (schvalování, projekty, schránky)

Praktické scénáře, kde ti computer vision pro účtenky ušetří hodiny

Firemní karty

Každý kolega má kartu, každý má i povinnost fotit účtenky. AI je spáruje s pohybem na účtu, navrhne kategorii „Reprezentace“ vs. „Stravné“ podle textu. Ty jen kontroluješ.

PHM a cestovky

Tankování, myčka, dálniční známky. Model pozná PHM a přiřadí do „Silniční doprava“ s odpovídající sazbou DPH. Cestovní příkazy? Účtenku jen připojíš k jízdě.

Kancelář a drobný materiál

Hobby market, elektro, papírnictví. Položková extrakce ti umožní mít přesné kategorie a hlídat rozpočet. Fajn na cash flow.

Nejdůležitější metriky: co si hlídat, když hodnotíš kvalitu

Přesnost polí (precision) na IČO, DPH, částce celkem

Recall u položek (kolik jich zachytíme správně)

Confidence score a procento polí vyžadujících potvrzení

Míra automatického zaúčtování (kolik dokladů projde „na jeden klik“)

Průměrný čas zpracování na doklad

Časté mýty o OCR a účtenkách, které ti ušetří nervy

„OCR je OCR, všude stejné.“ Není. Rozdíl je v layoutovém a sémantickém porozumění.

„Stačí mi text, čísla doplním.“ A pak trávíš čas laděním zaokrouhlení a DPH.

„AI si vymýšlí.“ Ne u nás. Když si není jistá, ptá se. Když chybí součet, neprojde.

Jak rychle to rozběhneš v praxi? Mini‑checklist

Připrav si přístup pro kolegy a role (kdo může zaúčtovat)

Zapni automatické odesílání účtenek z e‑mailu

V appce povol „návrh předkontace“ a „učení z oprav“

Projdi první týdenem: 100 účtenek = kvalitní personalizace

Nastav pravidla pro projekty a kategorie podle oddělení

Co říká praxe po 15 letech v účetnictví

Když firmy přejdou z ručního přepisu na computer vision pro účtenky, první měsíc šetří hlavně čas. Druhý měsíc klesají chyby v DPH. A třetí měsíc se konečně dívají na reporty, které dávají smysl. Protože data jsou čistá a položky sedí. No a to je přesně to, co chceš.

Závěr: Computer vision pro účtenky ti uvolní ruce

Papírky už nemusí vládnout tvému času. Computer vision pro účtenky v Doklad.ai vytěží data, navrhne předkontaci a pomůže spárovat platby. Ty uděláš finální klik a jdeš dělat byznys. Chceš vidět, jak to běží na tvých dokladech? Nahraj pár účtenek a zkus to.

Časté otázky

Jak přesně AI rozpozná DPH na pomačkané účtence?

Kombinujeme OCR s detekcí layoutu a validací součtů. Pokud rekapitulace DPH chybí nebo nesedí, pole označíme k potvrzení a nepustíme doklad do zaúčtování bez kontroly. U rozmazaných částek navrhujeme dvě varianty.

Umí systém vytěžit i položky, ne jen celkovou částku?

Ano. Rozpoznáváme tabulky položek, množství, jednotky a sazby DPH. Když jsou položky rozdělené přes řádek, model je spojuje a kontroluje vazbu na rekapitulaci DPH, aby součty seděly.

Co když je účtenka v angličtině nebo ze Slovenska?

Podporujeme vícejazyčné šablony a měny. Dodavatele identifikujeme přes IČO/DIČ, případně názvy a vzory. U SK účtenek se zvlášť hlídá formát DIČ a sazby.

Jak funguje učení z mých oprav?

Každá tvoje oprava se uloží jako signál. Model i pravidla si pamatují kategorie, sazby a chování pro stejného dodavatele. Příště ti nabídneme lepší návrh předkontace i rozdělení položek.

Je možné účtenky rovnou spárovat s platbou z banky?

Ano. Párujeme podle částky, datumu a identifikátorů (VS/číslo dokladu). U karetních transakcí pomáhá i text z účtenky a popisu transakce. Neshody systém zvýrazní k ručnímu dořešení.

Co když nechci, aby se moje doklady používaly k tréninku AI?

Můžeš to vypnout v nastavení. U nás je trénink na anonymizovaných datech a jen se souhlasem. Data zpracováváme v souladu s právními požadavky a můžeš požádat o smazání zdrojových obrázků po vytěžení.

Computer vision pro účtenky — jak AI čte papírové doklady