Od numeru NIP do gotowego raportu
Punkt wyjścia
Dane są publicznie dostępne, ale rozsiane po wielu źródłach.
Rejestry, biała lista VAT, beneficjenci rzeczywiści, powiązania, sprawozdania finansowe w PDF-ach z KRS. Każde źródło trzeba było otworzyć osobno. Kilka godzin pracy analityka na jeden raport, a jakość zależała od tego, kto go pisał.
Co zbudowaliśmy
Trzy roboty i jeden model.
Pierwszy robot sprawdza NIP i pyta wszystkie źródła naraz, a odpowiedzi układa w jedną całość — z możliwością ponowienia w dowolnym momencie, aby sprawdzić, czy dane się nie zmieniły. Drugi czyta sprawozdania finansowe, liczy wskaźniki rentowności, płynności i zadłużenia oraz rysuje wykresy do PDF-a.
Trzeci przekazuje zebrane dane i dokumenty do modelu LLM. Model pisze ocenę kondycji finansowej, opis struktury właścicielskiej, listę ryzyk i wnioski. Raport powstaje w tle, a użytkownik otrzymuje kompletny efekt.
Na koniec
Model dostaje dane, nie szuka ich.
Model ma wąskie zadanie i pracuje tylko na dokumentach danej firmy. Danych nie szuka sam, dostaje je od robotów. Dzięki temu raport można pokazać klientowi bez sprawdzania każdego zdania, zabezpieczając się przed halucynacjami modeli AI.
Efekty
Raport, który wcześniej zajmował pół dnia.
Nazwy firmy nie podajemy. Liczby pochodzą z audytu i pomiaru procesu u klienta.