Vinster:
- Möjlighet att konvertera fritext och fakturadata till en tabell strukturerad enligt ett fast schema
- Möjlighet att ställa in repeterbara uppmaningar för utgiftskategorisering, tillbakaberäkning av moms och upptäckt av anomalier
- Möjlighet att verifiera extraherade finansiella fält med momslikhet och totala konsistenskontroller
En av de uppgifter som redovisningsteam lägger mest tid på är att organisera utspridda utgifts- och fakturadata i organiserade tabeller. En faktura bifogad till ett e-postmeddelande, ett foto på ett kvitto som skickats från WhatsApp, en fritextutgiftsnota som "Ankara mötesmåltid + taxi 840 TL"... De ska alla hamna på samma plats: en rad strukturerad med kategorier, belopp, moms (Value Added Tax), datum och leverantörsfält.
Artificiell intelligens (AI) är mycket kraftfull i denna transformation av "fri text till struktur". Men i finansiell data är det oacceptabelt att ens en krona går fel. Så i den här enheten kommer vi att lära oss två saker tillsammans: att få AI att producera data enligt ett fast schema (förutbestämd lista med fält) och att validera utdata med aggregerade konsistenskontroller.
Varför är "schema" så viktigt?
Schema är när du berättar i förväg vilka fält som kommer att finnas i varje rad, i vilken ordning och i vilket format. Om du inte tillhandahåller ett schema, producerar modellen ett annat format för varje faktura. Att sedan kombinera dem till en enda tabell skulle vara svårt utan att korrigera manuellt. Om du tillhandahåller ett schema kommer resultatet att vara både konsekvent och verifierbart.
Ett bra utgiftsdiagram innehåller följande fält: datum, leverantör, beskrivning, kategori, momsbelopp (bas), momssats, momsbelopp, summa inklusive moms, dokumentnr.
Tips: Definiera alltid numeriska fält med "punkt/komma"-konventionen. Att säga "Skriv beloppen i formatet 1234.56, utan tusentalsavgränsaren" kommer att undvika timmar av formateringsmardröm när du exporterar till Excel senare.
Steg för steg: Från fritext till tabell
- Fixa schemat. Skriv fältnamn, ordning och format.
- Ge kategorilistan. Be modellen att välja från din lista, att inte hitta på kategorier i hennes huvud.
- Gör en osäkerhetsregel. Låt honom lämna området som han inte är säker på tomt och sätt ett "check"-tecken.
- Verifiera momslogik. Låt modellen kontrollera ekvationsbasen + moms = totalt.
- Korskontrollera summan. Stämmer summan av alla rader med din kontrollsumma?
Svag prompt / Stark prompt
Svag uppmaning: Förvandla följande utgifter till ett bord: - Ankara mattaxi 840 - pappersvaror 300 inklusive moms - hotell 2 nätter 3600
Detta ger en utdata med kategori inkonsekvent, moms blandad, format olika på varje rad.
Kraftfull uppmaning:Konvertera följande fritextavgifter till en tabell EXAKT enligt detta schema:Fält (i denna ordning): datum | leverantör | beskrivning | kategori |bas | moms_rate | moms_belopp | totalt | notRegler:- Endast kategori från följande lista: [Resa, Boende, Mat, Papper, Transport, Övrigt]- Skriv beloppen i formatet 1234.56 (ingen tusentalsavgränsare).- Om "moms ingår" anges, beräkna basen och momsen tillbaka; Om du inte känner till momssatsen, skriv "skattebekräftelse" i anteckningsfältet och lämna det tomt. - Ange lika skattebas + VAT_amount = totalt i varje rad; Om den inte tillhandahåller det, skriv "MÖTER INTE" i anteckningsfältet. - Lämna fältet du inte är säker på, lägg till "check" i anteckningen.
Denna prompt beräknar tillbaka basen för pappersvaror inklusive moms till 250 och moms till 50, flaggar artiklar med tvetydiga priser och ger en ren utdata som kan kombineras till en enda tabell.
moms Tillbaka Beräkningslogik
Att hitta beskattningsunderlaget från ett belopp inklusive moms är en ofta nödvändig procedur inom redovisning. Formel: bas = totalt / (1 + hastighet). Till exempel, för 300 TL inklusive 20 % moms, basen = 300 / 1,20 = 250, moms = 50. Om du uttryckligen ger denna formel till modellen, minskar felmarginalen.
transaktion
formel
Prov (20 %)
Exklusive moms → ingår
totalt = bas × (1 + hastighet)
250 × 1,20 = 300
moms ingår → bas
bas = totalt / (1 + hastighet)
300 / 1,20 = 250
momsbelopp
vat = totalt − bas
300 − 250 = 50
kontroll
bas + moms = totalt
250 + 50 = 300
Arbeta med Fakturafoto och OCR-utskrift
Utgifter från fältet kommer ofta som ett kvittofoto eller PDF-faktura. Tekniken som extraherar text från dessa bilder kallas OCR (Optical Character Recognition). Visuella AI-verktyg kan göra jobbet, men OCR-utgången är alltid felaktig: ett kommatecken kan läsas som en punkt, "5" kan förväxlas med ett "S", en siffra i beloppet kan gå förlorad. Ta därför aldrig med belopp från OCR direkt i bokföringen.
Extrahera följande fält från denna fakturabild och skriv dem EXAKT i följande schema:datum | leverantör | tax_no | bas | moms_rate | momsbelopp | totalRegler:- Skriv "OLÄST" i något fält som du inte kan läsa eller är osäker på, gissa inte.- base + vat_amount = check total; Om inte, markera "CHECK". - Ange beloppen i formatet 1234,56.
Det är en kritisk säkerhetsregel att inte få någon att gissa det osäkra området. Om modellen fyller i en siffra med "mest sannolikt" anger posten felet tyst. Flaggan "OLÄST" låter människan gå tillbaka till originaldokumentet och bekräfta det.
Tips: I OCR-utskriften är den totala mängden vanligtvis det mest tillförlitliga fältet att läsa eftersom det är skrivet med stort teckensnitt. Om skatteunderlaget + moms = total ekvation inte håller kan du hitta i vilket område felet ligger genom att gå tillbaka från denna ekvation.
Detektering av avvikelser och dubbletter av poster
AI översätter inte bara; Den hittar också misstänkta föremål. Till exempel nästan samma summa från samma leverantör två gånger på samma dag, eller en ovanligt stor kostnad för kategorin.
I utgiftstabellen nedan, markera följande avvikelser och skriv orsaken:1) Möjlig dubblettpost (samma leverantör + liknande belopp + senaste datum)2) Belopp som är större än 3 gånger kategorigenomsnittet3) Momssats som skiljer sig från den förväntade för kategorin Markera bara och skriv orsaken; ta inte bort eller ändra några rader.
Varning: AI:s "det här kan vara repetitivt" varning är en ledtråd, inte ett beslut. De två posterna kan faktiskt vara två olika tjänster. Beslutet att ta bort eller slå samman tas alltid av människor; Modellen fångar bara din uppmärksamhet.
Minifodral
Fall 1 — Stack med 300 marker. En redovisningsexpert omvandlade en 300-raders fritextlista över månadsslut till en tabell på cirka 15 minuter med diagrammet. Jobbet, som tog 4 timmar när det gjordes manuellt, reducerades till 40 minuter med verifiering. Vinsten är inte bara hastighet; kategorikonsistensen ökade också.
Fall 2 — Fångade dubbel betalning. Anomaliprompten flaggade att en faktura på 4 720 TL till en leverantör skrevs in två gånger med två olika dokumentnummer. Granskningen visade att det ena var ett utkast och det andra var en slutgiltig faktura, och båda var förfallna till betalning. Utan AI skulle det bli dubbel betalning.
Fall 3 — Momsfälla. Modellen tilldelade 20 % moms på köp av baslivsmedel; varan var i den lägre skattesatsgruppen. Tack vare "prisbekräftelse"-regeln markerades, verifierades och korrigerades raden av expertkällan. Lärdom: Lämna inte momssatsen till modellen, bekräfta den från listan eller dokumentet.
Vanliga misstag
- Översätta data utan att tillhandahålla ett schema. Varje rad kommer i ett annat format, att kombinera kräver manuell korrigering.
- Lämnar inte kategorilistan. Modellen passar sina egna kategorier; rapporteringen blir inkonsekvent.
- Att inte ha kontrollerat momslikhet. skattebas + moms = rader som inte summerar till summan läggs tyst in i tabellen.
- Att missförstå en anomalivarning för ett beslut. "Kan upprepas" är en början; Människan fattar beslutet att radera.
- Hoppa över kontrollsumman. Att förlita sig på utdata utan att jämföra summan av raderna med en känd kontrollmängd.
Sammanfattningsvis
- Vid bearbetning av fritextkostnads-/fakturadata med AI är det mest tillförlitliga sättet att begära utdata enligt ett fast schema.
- Att tillhandahålla en lista över kategorier och förtydliga formateringsregler (punkt/komma, tusentalsavgränsare) håller utdata konsekvent och överförbar.
- Ge uttryckligen tillbaka beräkningsformeln för moms till modellen och kontrollera likheten mellan skatteunderlag + moms = totalt i varje rad.
- AI är kraftfull på att flagga dubbletter och avvikande poster, men beslutet att ta bort/sammanfoga tas alltid av människan.
- Korsvalidering av radsummorna med en känd kontrollsumma säkrar hela jobbet.
Applikationsuppgift
Förbered en blandad lista över utgifter (faktiska eller prov) på minst 10 rader; medvetet inkludera en dubblettpost och en vara med fel momssats. Konvertera den till en tabell med den kraftfulla promptmallen och kör sedan anomaliprompten. Kontrollera om modellen fångar de två fällorna du sätter och kontrollera manuellt momslikheten i tre rader.
checklista
- [ ] Jag definierade ett fast schema med fältnamn, ordning och format.
- [ ] Jag gav kategorilistan till modellen, jag lät den inte göra upp.
- [ ] Jag lade till regeln för numeriskt format (punkt/komma, ingen tusentalsavgränsare).
- Jag kontrollerade [ ] skattebasen + moms = total jämlikhet.
- [ ] Jag lät göra en anomali/duplicerad skanning och fattade besluten som människa.
- [ ] Jag jämförde radsumman med en känd kontrollsumma.