RAG na bazie wiedzy podatkowej dla biura księgowego

Kontekst klienta

Krakowskie biuro księgowe, 15 osób, obsługujące ~120 klientów (głównie spółki z o.o. i jednoosobowe działalności gospodarcze) w sektorach: e-commerce, IT services, branża kreatywna.

Klienci pisali do biura średnio 600-800 razy miesięcznie z pytaniami: jak rozliczyć konkretną fakturę, czy dany koszt można odliczyć, jak udokumentować przejazd służbowy, co z VAT na usługi cyfrowe do UE. 80% pytań było powtarzalnych — te same wątpliwości, tylko z różnymi konkretami.

Problem

Każde pytanie księgowi musieli ręcznie odpowiedzieć. Średni czas: 15-20 min od przeczytania do wysłanej odpowiedzi (lookup w przepisach, sprawdzenie czy nie ma niuansu w sytuacji klienta, sformułowanie odpowiedzi).

W skali miesiąca: ~150-200h pracy zespołu na odpowiedzi na powtarzalne pytania. Efekty uboczne:

• Klienci czekali 24-48h na odpowiedź — bo księgowi mieli też zamknięcia okresów, deklaracje, kontakt z US
• Niespójność odpowiedzi — różni księgowi różnie interpretowali te same przepisy, czasem klient dostawał inną odpowiedź od kolegi z biura
• Stres przed deadline'ami — w okresach kumulujących się terminów (kwartalny VAT, roczne zeznania) jakość odpowiedzi spadała

Rozwiązanie

Projekt integracyjny AI (3 miesiące). Prosperity IT zbudowało portal klienta z RAG-asystentem, który odpowiada na pytania na podstawie:

• Aktualnej Ordynacji Podatkowej + Ustawy o VAT/PIT/CIT + rozporządzeń
• Interpretacji indywidualnych KIS (Krajowej Informacji Skarbowej)
• Wewnętrznej bazy wiedzy biura (FAQ, precedensy z poprzednich klientów — zanonimizowane)
• Historii rozmów z konkretnym klientem (kontekst: branża, forma opodatkowania, charakter biznesu)

Architektura:

• Portal klienta (Nuxt 4 + UI v4) — login, dashboard, czat z asystentem, historia
• RAG pipeline: wektoryzacja dokumentów do Pinecone, embedding via OpenAI ada-002, retrieval top-5 → reranking → generacja odpowiedzi przez Claude Sonnet
• Klasyfikacja confidence: jeśli model nie jest pewny (confidence <80%), pytanie trafia do księgowego z draftem odpowiedzi
• Audit trail: każda odpowiedź AI ma podlinkowane źródła + jest logowana dla audytu jakości
• Disclaimer engine: automatyczne dodawanie zastrzeżeń tam gdzie pytanie wymaga indywidualnej analizy

Implementacja

3 miesiące. Pracował 1 senior engineer + konsultant podatkowy (do walidacji RAG outputów).

• Miesiąc 1: scope + architektura + portal klienta MVP + RAG pipeline na bazie ordynacji
• Miesiąc 2: dodanie interpretacji KIS + wewnętrznej bazy wiedzy + UAT z 5 klientami pilotażowymi
• Miesiąc 3: rollout do wszystkich klientów + monitoring + iteracje

Wyniki

Po 4 miesiącach produkcji:

• 70% pytań klientów obsługiwanych przez AI bez interwencji księgowego (mierzone: pytania zakończone bez eskalacji)
• 400+ pytań miesięcznie odpowiedzianych natychmiast (vs 24-48h czekania)
• 15h/tydzień odzyskane przez księgowych — przeniesione na strategiczne konsultacje (planowanie podatkowe, optymalizacja struktur)
• Spójność odpowiedzi: 98% — wszystkie odpowiedzi z tego samego źródła wiedzy
• NPS klientów: wzrost o 28 punktów w ankiecie po 3 miesiącach

Co dalej

Klient na Retainerze. Plany na 2026:

• Q2: asystent do automatycznego klasyfikowania faktur kosztowych (zdjęcie/PDF → kategoria + przypisanie do konta)
• Q3: integracja z systemem księgowym klienta → autogenerated draft deklaracji do review

Dane klienta zanonimizowane na ich życzenie. Konkretne metryki, referencje i intro do klienta dostępne podczas rozmowy.