Przejdź do treści

Blog · Opublikowano · Zaktualizowano

Własny model do rozpoznawania kategorii wydatków

Krótka odpowiedź

Własny model do kategorii wydatków ma sens, gdy reguły oparte na dostawcach i obecny system zakupowy mylą różne rodzaje zakupów u jednego dostawcy. Przed treningiem uzgodnij podział kategorii i sprawdź, czy opisy pozycji pozwalają je odróżnić, a wybór rozstrzygnij testem na nowych pozycjach.

Jak pracujemySzczegóły ↓

  1. 01Rozmowa30 min z inżynierem, 0 zł
  2. 02Prototypdziałający system na Twoim procesie i Twoich danych, 0 zł
  3. 03Wdrożeniecel i stała cena w umowie, 50% przy podpisaniu
  4. 04Odbiór50% po osiągnięciu celu
model na Twoim serwerze albo w chmurze w UE
wycena po analizie
ta sama praca w aplikacji z modelem w chmurze UE
od 12 500 zł
analiza zadania, danych i sprzętu
0 zł

Należymy do programów partnerskich OpenAI i Anthropic, twórców ChatGPT i Claude, i uczymy się z ich oficjalnych kursów. Co to znaczy ↓

Autor: Syntalith · 4 min czytania

Przykład: poranna skrzynka zgłoszeń
Agent · gotowy do pracy

Statystyki

Zakupy i AI: statystyki 2026

33 godz.

miesięcznie mniej poprawek przy 6 000 pozycjach: reguły według dostawcy i opisu obniża błędy z 15% do 8%, fine-tuning do 4%. Scenariusz.

Dane sprawdzone: 22 października 2026

Przed zamówieniem modelu do wydatków
  • Uzgodniony podział kategorii z właścicielem raportu
  • Opisy pozycji, które pozwalają odróżnić kategorie
  • Wynik obecnych reguł i systemu na nowych pozycjach
  • Osoba sprawdzająca pozycje bez pewnej kategorii

Jeden dostawca, różne zakupy

Rozważmy ilustracyjny przykład firmy produkcyjnej. Ten sam dystrybutor dostarcza jej rękawice ochronne i części zamienne do maszyn. Reguła przypisująca cały obrót z dystrybutorem do artykułów BHP daje spójny technicznie raport, ale ukrywa wydatki na utrzymanie ruchu. Przy planowaniu wspólnego zakupu rękawic z innymi zakładami zespół posługuje się przez to niewłaściwą podstawą.

Model analizujący poszczególne pozycje mógłby rozdzielić te zakupy, jeśli dostanie informacje pozwalające je rozpoznać. Opis „rękawice ochronne” wnosi coś innego niż „materiały według zamówienia”. W drugim przypadku potrzebne może być powiązanie z zamówieniem. Samo zastosowanie bardziej złożonego modelu nie uzupełni brakującego kontekstu w wiarygodny sposób.

W pilotażu warto więc oddzielnie ocenić pozycje z czytelnym opisem i te, które wymagają dodatkowych dokumentów. Jeżeli poprawa zależy głównie od dostępu do zamówień, istotną częścią projektu będzie połączenie danych. Zakup samego treningu pozostawi ten problem nierozwiązany.

Kto rozstrzyga, do której kategorii należy wydatek

Taksonomia zakupowa to uporządkowany podział wydatków na kategorie i podkategorie. Powinna odpowiadać decyzjom, które podejmuje dział zakupów. Konto księgowe opisuje inny wymiar ewidencji; nie należy zakładać, że jego kod wystarczy do wyznaczenia kategorii używanej przy negocjacjach. Projekt może korzystać z obu informacji, zachowując ich odrębne znaczenie.

Przed wyborem technologii trzeba wskazać osobę odpowiedzialną za podział i rozstrzyganie sporów. W przykładzie z dystrybutorem zakupy i utrzymanie ruchu muszą uzgodnić, gdzie trafiają części zamienne. Jeżeli każdy zakład używa tej samej nazwy dla innego zakresu, wspólny raport będzie nieporównywalny także po wdrożeniu AI.

Przed klasyfikacją wydatków potrzebne są uzgodnienia z właścicielami raportów dotyczące podziału kategorii i jakości danych do uczenia. Dla kupującego oznacza to potrzebę sprawdzenia, czy historia przypisań odzwierciedla obecny podział. Dobre wyniki odtwarzania starych kategorii mogą mieć niewielką wartość, gdy firma właśnie je zmienia.

Co porównać przed zamówieniem własnego modelu

Reguły przypisane do dostawców zasługują na sprawdzenie tam, gdzie firma kupuje od nich jednoznacznie określony asortyment. Są łatwe do wyjaśnienia zespołowi. W przypadku dystrybutora obsługującego kilka obszarów wymagają jednak dodatkowych informacji o pozycji.

Jeśli obecny system zakupowy ma funkcję klasyfikacji wydatków, uwzględnij ją w porównaniu. Sprawdź obsługiwany podział kategorii i możliwość przekazania wyników do obecnych raportów. Własna aplikacja musi uzasadnić pracę potrzebną do jej utrzymania i połączenia z systemami.

Model ogólny można ocenić pod kątem rozumienia opisów i przypisywania ich do uzgodnionych kategorii. Gdy pozostają powtarzalne błędy charakterystyczne dla firmowego asortymentu, kandydatem do dalszego testu staje się własny klasyfikator lub fine-tuning, czyli dostosowanie istniejącego modelu przez dodatkowe uczenie. Fine-tuning nie jest obowiązkowym etapem ani gwarancją lepszego wyniku.

Porównanie powinno objąć także obsługę wyjątków. Rozwiązanie, które poprawnie rozpoznaje częste zakupy, lecz oddaje analitykom większość trudniejszych pozycji, może nadal wymagać znacznej pracy. Warto znać ten nakład przed decyzją o wdrożeniu.

Jak odebrać wynik pilotażu

Poproś o porównanie metod na tych samych, wcześniej niewidzianych pozycjach. Powinny obejmować zarówno znanych dostawców, jak i zakupy od firm, których model nie spotkał podczas dostosowania. Taki test pomaga odróżnić rozpoznawanie rodzaju zakupu od polegania na znajomej nazwie kontrahenta.

Wynik ogólny trzeba rozbić na kategorie i skutki błędów. Pomylenie dwóch podkategorii rękawic może mieć inne znaczenie niż zaliczenie części do maszyn do BHP. Oceniaj również wartość wydatków przypisanych błędnie: kilka dużych pozycji może zmienić obraz kategorii mimo poprawnej klasyfikacji wielu drobnych zakupów.

Uzgodnij, co system zrobi z opisem, który nie pozwala wybrać kategorii. Potrzebna jest osoba sprawdzająca takie pozycje oraz sposób przekazywania jej kontekstu. Systemy zakupowe z klasyfikacją wydatków często pokazują pewność przypisania i pozwalają ręcznie poprawiać wyniki, co jest punktem odniesienia przy ocenie obciążenia zespołu. Własny projekt wymaga sprawdzenia, czy wskazania pewności pomagają wychwytywać błędy na danych firmy.

Ustal też moment, w którym wynik może zasilić raport. Propozycja kategorii oczekująca na weryfikację i zaakceptowane przypisanie powinny być rozróżnialne dla odbiorcy analizy. W zakresie pilotażu można uzgodnić raport porównawczy, przegląd błędów oraz rekomendację dalszych działań wraz z ograniczeniami.

Zakres wdrożenia i dalsza odpowiedzialność

Nowi dostawcy oraz zmiany asortymentu mogą zmienić rodzaj opisów trafiających do klasyfikacji. Osobnym zdarzeniem jest przebudowa kategorii, na przykład wydzielenie części zamiennych z szerszego obszaru utrzymania ruchu. W obu sytuacjach trzeba ponownie ocenić wyniki, ale tylko druga zmienia samą definicję poprawnej odpowiedzi. Oferta powinna wskazywać, kto zgłasza takie zmiany i jak ustala się zakres aktualizacji.

Syntalith buduje aplikacje AI i rozwiązania z własnymi modelami, a także automatyzacje oraz oprogramowanie na zamówienie. Przy klasyfikacji wydatków pozwala to rozważyć wspólnie model, dostęp do danych zakupowych i obsługę korekt. Do uzgodnienia pozostaje, które elementy obejmie pilotaż, a które osobne wdrożenie. Prywatny model wyceniamy po bezpłatnej rozmowie o zadaniu, danych i sprzęcie. Aplikacja korzystająca z modelu zaczyna się od 12 500 zł netto (cennik).

W zapytaniu opisz raport, któremu dziś nie ufasz, i decyzję zakupową, która od niego zależy. Podaj używany system, dostępne informacje o pozycjach oraz osobę odpowiedzialną za kategorie. Przygotuj też do omówienia przykłady błędów i sposób ich obecnego sprawdzania. Na tej podstawie można ustalić, czy pierwsze zlecenie powinno dotyczyć porównania klasyfikatorów, uporządkowania kategorii czy dostępu do brakujących danych.

Ile to kosztuje

Scenariusz: 6 000 pozycji miesięcznie
Dziś: 15% błędów × 6 000 × 3 min
45 godz. (2 990 zł)
Po zmianie bez treningu (reguły według dostawcy i opisu): 8%
24 godz. (1 595 zł)
Po fine-tuningu: 4%
12 godz. (797 zł)

Fine-tuning dokłada 12 godz. (797 zł) miesięcznie ponad prostszą zmianę

Udziały błędów i czas poprawki to założenia scenariusza, które mierzymy na przypadkach niewykorzystanych do uczenia. Godzina pracy 66,45 zł to przeciętne wynagrodzenie według GUS z września 2026 r. z kosztami pracodawcy, 168 godz. w miesiącu.

Porównanie przed decyzją
  • Sprawy do oceny oddzielone od przykładów do uczenia
  • Ten sam zestaw dla obecnego rozwiązania, prostszej zmiany i nowego modelu
  • Rozstrzygnięcia osób, które dziś poprawiają wyniki
  • Błędy liczone osobno dla każdego rodzaju pomyłki

Od czego zacząć

Na bezpłatnej analizie wybieramy jeden proces i 20 do 100 spraw, które zespół już obsłużył. Porównujemy prostszą zmianę z dostosowanym modelem na przypadkach, których model nie widział, a w 2 dni robocze dostajesz pisemne podsumowanie z ceną. Dostosowanie modeli prowadzimy w ramach prywatnych modeli LLM, a aplikację w ramach aplikacji AI.

Przykład z liczbami · Scenariusz

Ile kosztuje Cię dziś szukanie w dokumentach

Ten sam rachunek robimy na bezpłatnej analizie dla Twojego procesu.

7 974 zł

miesięcznie kosztuje praca przy 600 pytaniach

Zwrot wersji w chmurze UE: 1,9 mies.

12 min na znalezienie odpowiedzi w dokumentacji i sprawdzanie w 15% dawnego czasu to nasze założenia. Godzina pracy 66,45 zł to nasze wyliczenie z przeciętnego wynagrodzenia według GUS z września 2026 r. (9 266,48 zł) z kosztami pracodawcy, 168 h w miesiącu. Koszt modelu: Claude Sonnet 5.5, około 6 000 + 500 tokenów na odpowiedź w wersji w chmurze w UE, kurs NBP 3,8889 zł z 21 października 2026 r. Zwrot liczymy dla aplikacji z modelem w chmurze w UE (od 12 500 zł netto). Model na Twoim serwerze wyceniamy po rozmowie, a koszt pracy ludzi jest ten sam.

Zobacz pełny rachunek →

Tak wdrażamy to w firmach

Wszystkie wdrożenia →

Wyniki u klientów.

Wszystkie realizacje →
foap.comobsługa klienta

Obsługa klienta foap.com: 95% odpowiedzi wychodzi automatycznie.

Do foap.com piszą użytkownicy z kilku krajów, w kilku językach. System czyta całą rozmowę i warunki tej osoby, a potem sam wysyła odpowiedź w jej języku. Pytania o pieniądze i wyjątki trafiają do zespołu z gotowym szkicem, więc zostaje je sprawdzić i wysłać.

odpowiedzi wysyła system sam, bez pisania przez człowieka
95%
mija od nadejścia maila do gotowej odpowiedzi (mediana)
30 s
maili, które wymagają odpowiedzi, dostaje gotowy szkic
100%
pracy mniej na każde 1000 odpowiedzi (szacunek)
47 h

Dane z produkcji foap.com, 20–21 października 2026. Szacunek: 3 minuty na ręcznie pisaną odpowiedź.

Jak działa obsługa klienta foap.com →
Przykładowe wiadomości. Sprawy o pieniądze zawsze trafiają do człowieka.

Inne wdrożenia

jakotako.design

studio projektowe

−87%

Czas na szukanie nowych klientów, dziennie

4 h → 30 min

ok. 73 h mniej w miesiącu (21 dni pracy)

według studia

Jak działa pętla agentowa →
Signature Estates

nieruchomości

ok. −90%

Czas operatora na przeglądanie portali, dziennie

2–3 h → 20 min

ok. 45 h mniej w miesiącu (21 dni pracy)

szacunek · kontakt ze sprzedającym 5 min po ogłoszeniu

Jak agent łapie ogłoszenia →
Kuba Koziej, CEO i współzałożyciel MoreGrowth oraz członek zarządu Natu.Care

Kuba Koziej

CEO i współzałożyciel MoreGrowth

„Zaczęliśmy od mojego własnego agenta AI. Później podczas szkolenia nauczyłem się samodzielnie budować kolejne aplikacje. Dziś wdrażam ten sposób pracy z AI w swojej firmie. Współpraca z Syntalith dała mi dokładnie taki zestaw umiejętności i narzędzi, jakiego potrzebowałem.”

Zobacz pierwotną opinię po szkoleniu na LinkedIn ↗

Model na Twoim serwerze albo w chmurze w UE, sprawdzony na Twoich zadaniach.Umów bezpłatną analizę (30 min) →

Jak budujemy automatyzacje i agentów

Od rozmowy do działającego systemu w czterech krokach.

  1. 01 · 30 min

    Bezpłatna analiza

    0 zł

    Rozmawiasz z inżynierem. Plan na piśmie dostajesz w 2 dni robocze.

  2. 02 · 5 dni

    Darmowy prototyp

    0 zł

    System pracuje na 20–100 sprawach, które Twój zespół już obsłużył. Widzisz każdy wynik.

  3. 03 · 2–16 tygodni

    Wdrożenie

    50%

    Stała cena i cel zapisane w umowie. Pierwsza rata przy podpisaniu.

  4. 04 · po osiągnięciu celu

    Odbiór

    50%

    Drugą ratę płacisz, gdy system osiągnie cel na Twoich sprawach.

Jak powstaje darmowy prototyp

pon.

Ustalamy cel

Jaki wynik uznajesz za dobry.

wt.–śr.

System pracuje

Przechodzi przez Twoje sprawy, jedna po drugiej.

czw.

Porównujemy

Każdą różnicę sprawdzamy z pracą zespołu.

pt.

Wynik i cena

Lista błędów i stała cena wdrożenia.

Sprawy wybierasz Ty. Na życzenie je anonimizujemy, zostają w UE i usuwamy je po zakończeniu prac.

Na rynku taki prototyp kosztuje zwykle od 3 000 do 8 000 zł.

Umów bezpłatną analizę (30 min)

Prototyp ustalamy podczas bezpłatnej analizy.

Dane sprawdzone 25 października 2026.

„Czy moje dane są bezpieczne?”

Tak. Ty wybierasz, gdzie trafiają: od konta firmowego po model na Twoim serwerze.

  1. 00Prywatne konto pracownika

    Dane klientów i firmy lądują na koncie, którego firma nie widzi i nie kontroluje. Nie ma umowy powierzenia, więc to naruszenie RODO. Gdy pracownik odchodzi, historia czatów odchodzi razem z nim.

  2. 01Konto firmowe ChatGPT lub Claude

    Dostawca nie używa Twoich danych do uczenia modeli. Kopia zapytań zostaje w jego logach do 30 dni.

  3. 02API z zerową retencją (ZDR)

    Dostawca przetwarza zapytanie i niczego nie zapisuje. Wymaga jego zgody, wniosek przygotowujemy razem.

  4. 03Przetwarzanie w UE

    Zapytania są liczone i przechowywane w Europie: OpenAI w regionie UE, Claude przez chmury z regionem w UE.

  5. 04Model u Ciebie

    Otwarty model działa na Twoim serwerze albo w Twojej chmurze w UE. Dane nie wychodzą poza firmę.

Co robimy przy każdym wdrożeniu

  • Umowa o poufności i umowa powierzenia, zanim dostaniemy jakiekolwiek dane.
  • Sprawy do prototypu wybierasz Ty. Na życzenie je anonimizujemy.
  • Dane zostają w UE i usuwamy je po zakończeniu prac.
  • Konta firmowe z administratorem po Twojej stronie.

Gdy dane nie mogą wyjść z firmy

Otwarty model działa na Twoim serwerze albo w Twojej chmurze w UE. Do wyboru:

Bielik
polski model, SpeakLeash i ACK Cyfronet AGH
PLLuM
polski model, konsorcjum HIVE na zlecenie Ministerstwa Cyfryzacji
Qwen
Alibaba
GLM
Zhipu AI
DeepSeek
DeepSeek

Model dobieramy do zadania i sprawdzamy na Twoich sprawach. Uruchamiamy go, dostrajamy i utrzymujemy.

Źródło: Bielik i PLLuM, ACK Cyfronet AGH ↗ · PLLuM, Ministerstwo Cyfryzacji ↗

Masz dużo własnych danych? Dostroimy mały model.

  1. 1 Twoje przykłady
  2. 2 dostrajanie
  3. 3 test na nowych sprawach
  4. 4 model w Twojej firmie

Gdy masz tysiące podobnych maili, dokumentów albo zgłoszeń, uczymy mały otwarty model na tych przykładach. Działa w Twojej firmie, odpowiada szybko i kosztuje mniej w utrzymaniu niż duży model. Jakość mierzymy na sprawach, których model nie widział w trakcie nauki.

Przemysław i Piotr robili to w dużych firmach programistycznych i doradczych. Artem robił to wcześniej i robi dziś w Syntalith. Chodzi o modele na własnej infrastrukturze, dostrajanie i test jakości.

Poziom ochrony wybierasz na rozmowie. Umowę powierzenia podpisujemy, zanim zobaczymy jakiekolwiek dane.Umów bezpłatną analizę (30 min) →

Prywatne modele AI

Model na Twoim serwerze albo w chmurze w UE, sprawdzony na Twoich zadaniach.

Dobieramy model i sprzęt do zadania, uruchamiamy go i mierzymy jakość na Twoich przykładach, zanim cokolwiek kupisz. Dane zostają w firmie albo w chmurze w UE. Wdrożenie, sprzęt albo hosting i opiekę wyceniamy osobno po analizie.

Zobacz prywatne modele AI →
model na Twoim serwerze albo w chmurze w UE
wycena po analizie
ta sama praca w aplikacji z modelem w chmurze UE
od 12 500 zł
analiza zadania, danych i sprzętu
0 zł

Pytania

  • Kiedy warto zbudować model do kategorii wydatków?

    Gdy reguły według dostawcy mylą różne rodzaje zakupów, kategorie są uzgodnione, a opisy pozycji pozwalają je odróżnić. Wybór rozstrzyga test na nowych pozycjach.

  • Czy historia przypisań wystarczy do uczenia?

    Tylko gdy odzwierciedla obecny podział kategorii. Dobre odtwarzanie starych kategorii ma małą wartość, gdy firma właśnie je zmienia.

  • Ile kosztuje fine-tuning modelu?

    Aplikacja AI w Syntalith kosztuje od 12 500 zł netto, a dostosowanie modelu wyceniamy po porównaniu z prostszą zmianą na przypadkach, których model nie widział. W scenariuszu fine-tuning dokłada 12 godzin miesięcznie ponad to, co daje reguły według dostawcy i opisu.

Porozmawiajmy

Po prostu napisz, zadzwoń albo wybierz termin.

Pracujemy szybko, bo nie znosimy korporacyjnej waty. Nie mamy handlowców ani kierowników od pilnowania kierowników. Rozmawiasz od razu z inżynierami, którzy potem budują Twój system. Szanujemy swój czas i Twój też.

Do końca roku przyjmiemy jeszcze 3 firmy.

pon.–pt. 9–17

Co Ci daje, że jesteśmy partnerem OpenAI i Anthropic?

OpenAI robi ChatGPT, a Anthropic robi Claude. Należymy do programów partnerskich obu firm, więc pracujemy z ich narzędziami na co dzień i uczymy się od samych twórców.

OpenAI Select PartnerClaude Partner Network
01Dobierzemy narzędzie do zadania
Wdrażamy i ChatGPT, i Claude. Oba sprawdzamy na Twoich dokumentach, a Ty wybierasz to, które robi mniej poprawek i oszczędza więcej czasu.
02Wiedza prosto od twórców
Uczymy się z oficjalnych kursów i materiałów OpenAI i Anthropic. Twój zespół poznaje funkcje i ustawienia, które działają dziś.
03Licencje bez naszej marży
Przy wdrożeniu ChatGPT, Claude albo Copilota licencje kupujesz bezpośrednio u OpenAI, Anthropic albo Microsoftu i od nich dostajesz fakturę. Do licencji nic nie doliczamy.
04Certyfikowani inżynierowie
W zespole mamy certyfikat AWS z uczenia maszynowego i certyfikat Anthropic z architektury systemów na Claude.

Udział w programach nie oznacza, że OpenAI albo Anthropic polecają nasze usługi.