AI ve zpracování nabídek dealerské sítě

O klientovi

Výchozí situace

Klient operuje v segmentu, kde klíčovou roli hraje rychlá odezva na poptávky. Nabídky přicházejí z rozsáhlé dealerské sítě a každý dealer posílá dokumenty v jiné podobě — strukturovaná PDF, Word formuláře, exporty z interních systémů, skenované obrázky, fotografie ze smartphonu. Různý počet stran, odlišný vizuální layout, několik jazyků.

Proces zpracování byl plně ruční. Operátor otevřel dokument, přečetl ho, identifikoval klíčové parametry (obchodní podmínky, technické specifikace, cenu, termíny) a přepisoval je do interního systému. Na jeden dokument obvykle padlo 10–15 minut, někdy více u složitějších případů. Při vyšších stovkách dokumentů měsíčně se proces stal úzkým hrdlem obchodního procesu.

Vedení zvažovalo dvě cesty: najmout další operátory, nebo automatizovat. Specializované OCR nástroje narážely na variabilitu vstupních dokumentů — nízké rozlišení skenů, fotografie, různé layouty, cizí jazyky. Klient hledal cestu, která by tuto variabilitu zvládla bez potřeby každý typ dokumentu samostatně konfigurovat.

Jaký byl problém

• Různorodost vstupů — od strukturovaných PDF po mobilní fotografie, mnoho jazyků, odlišné layouty
• Časová náročnost — 10–15 minut na dokument při vyšších stovkách měsíčně znamenalo značné nároky na administrativní kapacitu
• Pomalejší odezva na poptávky — dokud nebyla nabídka zpracovaná, firma nemohla reagovat
• Tlak na nábor — alternativou bylo najímat další lidi, což byla drahá a pomalá cesta
• Specializované OCR nástroje nestačily — konfigurace pro každý typ vstupu by znamenala nekonečný seznam výjimek
• Bezpečnost dat — ve finančním sektoru je nutné přesně vědět, kam data putují a kdo k nim má přístup

Co jsem udělal

Spolupráce proběhla v pěti fázích. Výsledné řešení je postavené na LLM modelu s vlastní orchestrací — přístup, který umožňuje zachytit variabilitu vstupů způsobem, jaký specializované OCR nástroje nezvládají.

1. Zmapování procesu a typologie dokumentů (1 týden)

Prošel jsem skutečný proces zpracování s obchodním a administrativním týmem. Zaznamenal jsem:

• Všechny typické podoby dokumentů a jejich četnost
• Jaká data se z nich extrahují (17 klíčových polí v různých kategoriích)
• Jaká validační pravidla používají operátoři, často intuitivně
• Kde jsou hraniční a chybové stavy — nejasné formáty, chybějící data, cizí jazyky

2. Posouzení technických variant (1 týden)

Porovnal jsem čtyři přístupy:

• Specializované OCR+AI nástroje (Rossum, ABBYY, Hypatos)
• Azure AI Document Intelligence / AWS Textract
• LLM s vlastní orchestrací (ChatGPT, Claude, Gemini)
• Hybridní řešení

Pro tento use case se jako nejvhodnější ukázal přístup založený na LLM — právě kvůli schopnosti moderních LLM zpracovat vizuálně různorodé vstupy bez nutnosti konfigurovat každý layout samostatně.

3. Bezpečnostní rámec a právní posouzení (2 týdny)

Ve finančním sektoru je bezpečnostní rámec kritická fáze. Společně s interním IT, compliance a právním oddělením jsme řešili:

• Kde zpracovávat data — výběr enterprise verzí LLM služeb s garancí, že data nejsou použita k trénování
• Datové toky — cesta dokumentu od přijetí, přes zpracování, po archivaci
• Šifrování a ochrana — in-transit i at-rest
• Audit trail — záznam, co kdy bylo zpracováno jakým modelem
• GDPR a bankovní tajemství — explicitní posouzení všech osobních a citlivých dat

4. Pilotní implementace (3 týdny)

Pilot byl postaven jako orchestrátor, který:

• Převzal dokument z incoming kanálu
• Rozpoznal formát a případně OCR-oval skeny nebo fotografie
• Předal obsah LLM se strukturovaným promptem pro extrakci 17 klíčových polí
• Aplikoval validační pravidla (typy dat, rozsahy, konzistence)
• Označil nejasné případy pro lidskou kontrolu
• Zapsal data do navazujícího systému

Pilot běžel paralelně s ručním procesem po dobu 3 týdnů. Výsledky jsme denně porovnávali.

5. Nasazení a předání (2 týdny)

Po vyladění promptu, validačních pravidel a orchestrace přešel proces do produkčního provozu. Lidská kontrola zůstala zachována, ale u většiny dokumentů se zkrátila na validaci, ne na celé zpracování.

Co klient dostal

• Posouzení technických variant — strukturovaná analýza čtyř přístupů s doporučením
• Bezpečnostní rámec — co a kam posílat, jak archivovat, jak auditovat
• Procesní mapu nového zpracování — role, kontroly, eskalace při chybách
• Funkční orchestrační řešení postavené na LLM s kompletní dokumentací
• Prompty a validační pravidla k 17 klíčovým extrahovaným polím
• Provozní runbook — jak řešit chyby, monitoring kvality, aktualizace při změnách formátu
• Metriky pro sledování — kvalita extrakce, míra zásahu operátora, průměrná doba zpracování

Jaký to mělo přínos

Průměrná doba zpracování jednoho dokumentu klesla na zhruba 1 minutu — z původních 10–15 minut. Proces se zrychlil 10–15× při zachování kvality a lidské validace u nejasných případů. Firma nemusela najímat žádné další administrativní kapacity, přestože objem dokumentů dále rostl.

Kromě přímého zrychlení přineslo řešení tři méně zjevné, ale stejně důležité efekty.

Kratší reakce na poptávky. Obchodní tým mohl reagovat rychleji, což v prostředí, kde se obchody rozhodují během dnů, má přímý dopad na konverzní poměr a objem uzavřených obchodů.

Uvolnění administrativních kapacit. Bez nutnosti najímat další lidi se kapacita posunula k práci s vyšší přidanou hodnotou — komplexnější případy, individuální klienti, strategická podpora obchodu.

Standardizace dat na výstupu. Přestože vstupy byly neuvěřitelně různorodé, výstup z orchestračního procesu má jednotnou strukturu. To usnadnilo další navazující analýzy a reporting.

Poznámka z praxe

U projektů tohoto typu hraje klíčovou roli volba technologického přístupu. Kdybych klientovi doporučil specializované OCR řešení, narazili bychom na nekonečné množství výjimek, které by řešení nezvládlo — mobilní fotografie, odlišné jazyky, nestrukturované nabídky. LLM modely s obrazovými schopnostmi tuto variabilitu zvládají přirozeně, protože nečtou jen layout, ale pracují s obsahem. Zároveň je přístup založený na LLM náročnější na bezpečnost, řízení a dohled — proto u finančního klienta zabrala tato část projektu téměř stejně času jako samotná implementace. Zkratka v bezpečnostním rámci by v tomto segmentu byla neakceptovatelná.

O kterou službu šlo

Projekt zkombinoval konzultaci nad AI use-case, porovnání dodavatelských a technologických variant, bezpečnostní rámec a návrh funkčního orchestračního procesu. V katalogu služeb je nejblíž tématu AI ve firmách.