Agent AI finansów: cash flow 30/60/90 dni (i gdzie trzeba go pilnować)

Dlaczego nie zaczynam od budowania modelu prognozującego płynność

W większości firm, z którymi rozmawiamy, nie zaczynałbym od wdrażania agenta, który "przewidzi płynność firmy". Najpierw sprawdziłbym, czy ktoś w tej firmie codziennie rano loguje się do trzech kont bankowych, przepisuje salda do excela i porównuje z listą zobowiązań z systemu księgowego. Jeśli tak, to właśnie tam jest pierwsza automatyzacja, nie w zaawansowanej prognozie, a w odebraniu komuś 20-30 minut dziennie na czynności, które nie wymagają myślenia, tylko dyscypliny.

Prognoza cash flow przychodzi jako krok drugi, kiedy dane już płyną do jednego miejsca automatycznie. Budowanie modelu prognostycznego na danych, które i tak trzeba będzie ręcznie poprawiać, bo wyciąg bankowy nie jest podłączony, to odwrócenie kolejności, które kończy się tym, że agent generuje raporty, których nikt nie sprawdza, bo i tak trzeba je zweryfikować ręcznie.

Co agent AI realnie robi, dzień po dniu

Konkretnie, bez marketingowego owijania, agent finansowy w firmie, którą wdrażaliśmy w tym modelu, ma trzy zadania. Nie dziesięć, trzy. I to jest celowe, bo im więcej zadań na raz, tym trudniej zaufać wynikom.

Monitoring salda w czasie rzeczywistym

Agent łączy się przez API z kontami bankowymi firmy (zwykle 2-4 rachunki: operacyjny, VAT, czasem konto oszczędnościowe) i co kilka godzin sprawdza stan. Jeśli saldo spada poniżej ustalonego minimum operacyjnego, na przykład równowartości dwutygodniowych kosztów stałych, dostaje sygnał i przechodzi do kolejnego kroku, czyli sprawdzenia, co jest tego przyczyną: zaplanowana płatność, zaległa faktura od klienta, czy po prostu normalna fluktuacja w cyklu miesiąca.

Prognoza cash flow na 30, 60 i 90 dni

To jest serce całego rozwiązania. Agent bierze dane o należnościach i zobowiązaniach z systemu księgowego, terminy płatności z faktur w KSeF i historyczne wzorce płatności klientów (kto płaci w terminie, kto regularnie o 10-15 dni później) i na tej podstawie buduje trzy scenariusze: optymistyczny, realistyczny i pesymistyczny. Dla horyzontu 30 dni ta prognoza jest zwykle dokładna w granicach kilku procent, bo większość zdarzeń jest już "w systemie". Dla 90 dni to już bardziej kierunek niż liczba, i trzeba to komunikować użytkownikowi jasno, nie jako gotowy fakt.

Alert o zbliżającym się zatorze płatniczym

Najbardziej praktyczna funkcja. Jeśli agent widzi, że za 12 dni na koncie zabraknie środków na pokrycie wynagrodzeń i jednocześnie trzy duże faktury od klientów mają termin płatności dopiero za 20 dni, to nie czeka do dnia zera. Wysyła wiadomość (e-mail, Slack, czasem SMS do właściciela) z konkretną treścią: ile brakuje, kiedy, i które płatności od klientów mogłyby to pokryć, jeśli wpłyną szybciej. To samo dotyczy przypomnień o fakturach, które same nie wysyłają się do klientów, agent monitoruje terminy i uruchamia przypomnienia zanim dojdzie do realnej zaległości, co szerzej opisujemy przy automatyzacji faktur, bo to w praktyce ten sam mechanizm zastosowany po stronie przychodów.

Skąd agent bierze dane i dlaczego to nie jest jeden klik

Największy mit o agentach finansowych to przekonanie, że wystarczy "podłączyć AI do konta bankowego". W praktyce działające wdrożenie opiera się na trzech źródłach danych, które trzeba połączyć osobno:

• Wyciąg bankowy przez API banku (większość polskich banków korporacyjnych to udostępnia) albo, gdy API nie jest dostępne lub jest zbyt ograniczone, przez automatyczny import plików MT940/CSV.
• System księgowo-ERP jako źródło zobowiązań, należności i planu płatności, zwykle przez API dostawcy systemu.
• KSeF jako źródło faktur sprzedażowych i kosztowych w ustrukturyzowanej formie, co od momentu obowiązkowego wejścia KSeF w życie staje się najbardziej wiarygodnym i najszybciej dostępnym źródłem danych o terminach płatności, bo dane trafiają tam praktycznie w momencie wystawienia faktury, nie po zaksięgowaniu.

Technicznie to zwykle n8n jako warstwa integracyjna, pociągająca dane z API banku i księgowości, normalizująca je do jednego formatu i przekazująca do modułu, który liczy prognozę i odpowiada za logikę alertów. Wybieramy n8n nie dlatego, że jest modny, ale dlatego, że pozwala zobaczyć każdy krok przepływu danych, co jest kluczowe, kiedy trzeba wytłumaczyć właścicielowi firmy, czemu prognoza akurat tak wygląda. Dla biur rachunkowych, które obsługują wielu klientów na raz, ten sam mechanizm da się powielić per klient, o czym piszemy przy automatyzacji biura rachunkowego.

Gdzie agent faktycznie się myli przy prognozowaniu płynności

To jest ta część, którą większość artykułów o "AI w finansach" pomija, bo ładniej brzmi obrazek idealnie precyzyjnej prognozy. W praktyce prognoza cash flow myli się regularnie w dwóch sytuacjach i warto o nich wiedzieć zanim zaczniesz traktować liczby z raportu jako wyrocznię.

Sezonowość. Jeśli firma handlowa ma gorący kwartał przed świętami i martwy sezon w styczniu i lutym, model oparty głównie na ostatnich kilku miesiącach może wyciągnąć linię prostą w złym kierunku. Dobrze skonfigurowany agent powinien brać dane z poprzednich lat w tym samym okresie, nie tylko trend z ostatnich 60 dni, ale wymaga to historii danych, której na starcie wdrożenia często po prostu nie ma. Pierwsze 2-3 miesiące działania agenta to w praktyce kalibracja, nie gotowa prognoza produkcyjna.

Nietypowe wpłaty i wydatki. Zwrot VAT, jednorazowa dotacja, spłata pożyczki wspólnika, duża faktura korygująca, przedpłata od klienta na projekt, który jeszcze się nie zaczął, agent widzi te zdarzenia jako "wpływ" albo "wypływ" bez kontekstu, czy się powtórzy. Jeśli nie ma reguły, która odróżnia zdarzenia cykliczne od jednorazowych, prognoza na kolejny miesiąc potraktuje jednorazowy zwrot VAT jako nowy, stały element i pokaże fałszywie optymistyczny obraz. W praktyce rozwiązujemy to tak, że każda transakcja powyżej ustalonego progu (np. 20 tys. zł) trafia do krótkiej listy do ręcznego oznaczenia przez księgową: cykliczne czy jednorazowe. To piętnaście sekund pracy człowieka, które ratuje jakość prognozy na kolejne tygodnie.

Jest jeszcze trzeci, mniej oczywisty problem: agent nie wie, czego nie wie. Jeśli klient zapowiedział telefonicznie, że zapłaci wcześniej albo później niż w umowie, a nikt tego nie wpisał do systemu, prognoza tego nie uwzględni. To nie jest wada technologii, to po prostu granica tego, co da się wyciągnąć z danych transakcyjnych bez komunikacji między ludźmi.

Dlaczego decyzję o windykacji i inwestycji zostawiamy człowiekowi

To jest moment, w którym trzeba mieć zdanie, nie tylko wyważać "z jednej strony, z drugiej strony". Agent może wykryć zator płatniczy, policzyć prognozę i wysłać przypomnienie o fakturze. Nie powinien samodzielnie decydować, że klienta z 20-dniowym opóźnieniem trzeba oddać do windykacji, ani że nadwyżkę gotówki z dobrego kwartału należy przelać na depozyt czy zainwestować w zapasy. Te decyzje mają kontekst, którego żaden model nie ma: relację z klientem, historię negocjacji, plany firmy na kolejny kwartał, apetyt na ryzyko właściciela.

Praktyczna reguła, którą stosujemy przy wdrożeniach: agent może automatycznie wysłać pierwsze i drugie przypomnienie o płatności, ale trzeci kontakt z klientem, bardziej stanowczy, zawsze wymaga zatwierdzenia przez osobę odpowiedzialną za relacje z klientem. Różnica między automatycznym mailem a telefonem od właściciela firmy jest realna, i nie chcemy jej zacierać tylko dlatego, że "da się to zautomatyzować".

Jak to wdrożyć bez zatrudniania analityka finansowego

Wdrożenie takiego agenta nie wymaga działu finansowego ani zespołu data science. Wymaga za to porządku na wejściu, bo jakość prognozy jest wprost proporcjonalna do jakości danych, które do niej wpadają.

Zaczynamy zwykle od audytu: jakie konta bankowe firma ma, czy bank udostępnia API czy trzeba działać na plikach, jaki system księgowy jest w użyciu i czy ma otwarte API, czy firma już korzysta z KSeF czy dopiero się przygotowuje. Na tej podstawie buduje się przepływ w n8n, który łączy te źródła. Potem przez 4-6 tygodni agent działa w trybie "tylko obserwacja i raportowanie", bez wysyłania alertów na szeroką skalę, żeby można było porównać jego prognozy z tym, co faktycznie się wydarzyło, i skalibrować progi (co dla jednej firmy jest normalną fluktuacją, dla innej już sygnałem alarmowym). Dopiero po tym okresie uruchamiamy pełne alerty i automatyczne przypomnienia.

Koszt takiego wdrożenia jest zwykle niższy niż pół etatu analityka finansowego rocznie, a efekt jest inny niż zastąpienie człowieka: agent nie zastępuje myślenia o finansach, tylko usuwa czas, który wcześniej szedł na zbieranie danych do tego myślenia. Właściciel firmy albo księgowa dostają gotowy obraz sytuacji każdego ranka, zamiast spędzać na jego budowaniu godzinę.

Częste pytania