Pravidla vs. učící se systémy: proč vyhrává kombinace

Samotná pevná pravidla ani samotné učící se systémy automatizaci účetnictví nevyřeší. Pravidla jsou spolehlivá u termínů, formátů podání a limitů, ale lámou se na výjimkách z praxe. Učící se vytěžování zvládne volný text a nepořádek reálných dokladů, ale nese nejistotu. Funguje až kombinace: pravidla pro kritické kroky, učení pro objem a člověk, který výsledek schvaluje.

Dva přístupy k automatizaci účetnictví

Automatizovat účetní práci lze dvěma zásadně odlišnými způsoby.

Deterministické systémy postavené na pravidlech fungují jako rozhodovací strom: "pokud je dodavatel X a částka do Y, zaúčtuj na účet Z". Stejný vstup vede vždy ke stejnému výstupu. To je obrovská výhoda pro audit: kdykoli umíš doložit, proč systém rozhodl tak, jak rozhodl. Nevýhoda: pravidla někdo musí napsat, udržovat a při každé změně legislativy nebo interních postupů ručně přepsat.

Učící se systémy se místo výčtu podmínek učí z příkladů. Dokážou přečíst fakturu, kterou nikdy neviděly, vytáhnout z ní dodavatele, částky, sazby DPH a navrhnout zaúčtování podle toho, jak se podobné doklady účtovaly dřív (jak vytěžování faktur technicky funguje a jakou má OCR reálnou přesnost, rozebíráme samostatně). Zvládnou volný text, různé formáty, překlepy i pomačkanou účtenku. Nevýhoda: výstup je pravděpodobnostní odhad. Systém může být v 95 % případů přesný, ale u konkrétního dokladu nikdy nemáš stoprocentní garanci.

Proč samotná pravidla nestačí

Na papíře vypadá systém pravidel neprůstřelně. V praxi naráží na to, že účetnictví je plné výjimek. "Pokud je odběratel neplátce DPH, vystav doklad bez daně." "Pokud jde o reklamní vzorek do stanovené hodnoty, účtuj jinam než běžný dárek." "Pokud je to záloha, ne konečná faktura..." Každá taková výjimka přidává další větev rozhodovacího stromu a další místo, kde se dá udělat chyba.

Horší je, co se stane, když přijde případ, se kterým nikdo nepočítal. Systém postavený čistě na pravidlech má dvě možnosti a obě jsou špatné:

• Tvrdě selže: doklad zůstane viset, někdo ho musí ručně dohledat a vyřešit. Při desítkách dokladů denně se z automatizace stává fronta výjimek.
• Tiše sáhne po nejobecnějším pravidle: doklad projde, zaúčtuje se "nějak" a chyba se ukáže až při závěrce nebo kontrole. To je nebezpečnější varianta, protože o problému nikdo neví.

A ruční alternativa v tabulkách není bezpečný přístav. Výzkum Raymonda Panka z University of Hawaii, který shrnuje audity provozních firemních tabulek, došel k tomu, že chybu obsahovalo 94 % auditovaných tabulek. Excel s ručním přepisováním tedy není bezchybný standard, se kterým by se automatizace měla srovnávat.

Proč samotné učení nestačí

Opačný extrém, nechat všechno na učícím se systému, v účetnictví taky neobstojí. Existují kroky, kde není prostor pro "pravděpodobně správně":

• Podání a formáty výkazů. Kontrolní hlášení nebo přiznání musí mít přesnou strukturu. Buď je formát validní, nebo podání neprojde. Tady nechceš odhad, ale deterministickou šablonu.
• Termíny. Lhůta buď dodržená je, nebo není. Připomínka termínu musí vyjít z kalendáře povinností, ne z odhadu.
• Limity a sazby. Registrační limity, sazby daně, hranice pro paušály: to jsou tvrdá čísla daná zákonem, která se do systému zapisují jako pravidla, ne jako naučený vzor.

Že opatrnost není přehnaná, ukazuje průzkum State of Indirect Tax in the AI Era 2026 společnosti Fonoa mezi 176 vedoucími pracovníky v oblasti nepřímých daní: 92 % daňových týmů už nějakou formu strojového učení používá, ale 57,4 % respondentů by si nebylo jistých, že dokáže rozhodnutí podpořené takovým systémem obhájit před správcem daně. Jen třetina organizací má přitom formální proces lidské kontroly výstupů. Nejsilnějším prediktorem důvěry při auditu nebyl podle průzkumu konkrétní nástroj, ale to, zda za výstupem stojí definovaný proces.

Jinými slovy: problém není učící se systém sám o sobě, ale jeho nasazení bez pravidel a bez člověka v roli schvalovatele. Jak reálně probíhá kontrola z finančního úřadu a co při ní musíš doložit, jsme popsali v článku jak probíhá kontrola finančního úřadu.

Vítězí kombinace: pravidla, učení a člověk

Prakticky použitelná automatizace účetnictví skládá oba přístupy dohromady a každému dává roli, ve které je silný:

1. Pevná pravidla pro kritické kroky: formáty podání, termíny, zákonné limity, matematické kontroly (základ + DPH = celkem), povinné náležitosti dokladu.
2. Učící se vytěžování pro objem: čtení faktur a účtenek, rozpoznání dodavatele, částek a sazeb, návrh kategorie a předkontace podle historie.
3. Člověk jako poslední instance: účetní nebo podnikatel výsledek vidí, může ho opravit a schvaluje ho. Každá oprava zároveň systém učí, takže stejnou chybu příště nenavrhne.

Kde v cestě dokladu patří který přístup, shrnuje tabulka:

Rozdělení rolí v automatizovaném zpracování dokladu

Krok	Přístup	Proč
Čtení dodavatele, částek a sazeb z fotky	Učící se vytěžování	Zvládne různé formáty, překlepy i pomačkanou účtenku
Kontrola IČO proti registru ARES, součtů a duplicit	Pevná pravidla	Buď sedí, nebo nesedí, odhad tu nemá místo
Návrh kategorie a předkontace	Učící se systém z historie	Rutina s velkým objemem, oprava ho dál učí
Termíny, limity, formát podání	Pevná pravidla	Chyba znamená sankci
Schválení dokladu	Člověk	Nese odpovědnost a tvoří auditní stopu

Takhle vypadá konkrétní průchod dokladu systémem:

Výsledek: rutina (čtení a přepisování) zmizí, kritické kroky zůstanou deterministické a auditovatelné, a odpovědnost drží člověk, který ale místo přepisování jen kontroluje a schvaluje. Přesně na tomto principu stojí funkce DokladBotu a pro účetní kanceláře, které schvalují doklady za více klientů, máme samostatné řešení pro účetní. Jak nastavit schvalování v malém týmu tak, aby nezdržovalo, popisujeme v článku o schvalování faktur a oběhu dokladů. IČO dodavatele si můžete ověřit i ručně v nástroji ověření firmy.

Závěr

Debata "pravidla vs. učení" je falešné dilema. Pravidla bez učení znamenají křehký systém, který se sype na výjimkách a jehož údržba stojí víc než ruční práce. Učení bez pravidel znamená rychlý, ale neobhajitelný systém, kterému by většina profesionálů nesvěřila komunikaci se správcem daně. Kombinace obou s člověkem, který schvaluje, dává rychlost, auditovatelnost i klidné spaní.

Chceš si takový průchod dokladu vyzkoušet v praxi? Pošli pár dokladů do DokladBotu, nech je zkontrolovat proti ARES a duplicitám a schval je jedním kliknutím, prvních 7 dní je vyzkoušení zdarma.

Často kladené otázky

Je automatické účtování bezpečné?

Ano, pokud je postavené na kombinaci přístupů: učící se vytěžování navrhuje, pevná pravidla kontrolují formáty, duplicity a matematickou správnost, a člověk výsledek schvaluje. Nebezpečná je plná automatika bez lidské kontroly: podle průzkumu Fonoa má formální proces lidské kontroly výstupů jen třetina organizací, a právě definovaný proces je nejsilnějším prediktorem důvěry při auditu.

Co když systém udělá chybu?

Chybu zachytí tři pojistky: tvrdé kontroly (nesedící součty, neplatné IČO proti ARES, duplicitní doklad) systém označí ještě před schválením, účetní vidí vytěžená data vedle originálu a může je opravit, a každá oprava se propíše do učení, takže se stejná chyba přestane opakovat. Odpovědnost za zaúčtovaný doklad nese vždy člověk, který ho schválil.

Obstojí automaticky zpracované doklady při kontrole z finančního úřadu?

Rozhodující je auditní stopa, ne způsob pořízení. Ke každému dokladu potřebuješ originál (sken či fotku), vytěžená data a záznam o tom, kdo a kdy je schválil. Deterministické kroky (formáty, kontroly, exporty) jsou doložitelné vždy stejně, což kontrolu zjednodušuje. Podrobný průběh kontroly popisujeme v článku jak probíhá kontrola finančního úřadu.

Nestačí mi místo toho dobře vedený Excel?

Ruční tabulky mají překvapivě vysokou chybovost: audity provozních firemních tabulek shrnuté ve výzkumu R. Panka (University of Hawaii) našly aspoň jednu chybu v 94 % z nich. Excel navíc nehlídá duplicity, neověřuje IČO proti ARES a nevytváří auditní stopu schválení. Pro pár dokladů měsíčně může stačit, s rostoucím objemem roste i riziko.

Zdroje a právní předpisy

1. Zákon č. 563/1991 Sb., o účetnictví, § 33 (účetní záznamy v technické formě, průkaznost)
2. Zákon č. 235/2004 Sb., o dani z přidané hodnoty, § 101a (elektronická forma podání), § 101c a násl. (kontrolní hlášení)
3. Raymond R. Panko: What We Know About Spreadsheet Errors (University of Hawaii)
4. Fonoa: State of Indirect Tax in the AI Era 2026