Fakturowanie głosowe w 2026: co działa, a co to science fiction

Żaden polski SaaS fakturowy nie dostarcza wejścia głosowego. Technologia istnieje: polski ASR (automatyczne rozpoznawanie mowy) osiąga 5,4-6,3% wskaźnik błędów słownych w czystych benchmarkach. Asystent iKO PKO BP zalogował 360 000 konwersacji w pierwszych miesiącach używając wzorca głos-do-szkicu-do-potwierdzenia. KipBill obsługuje polski z kartami potwierdzającymi.

Luka między „działa w laboratorium" a „działa w fakturowaniu" jest wyznaczona przez dwie liczby.

Dwie liczby, które wyznaczają sufit

Liczba 1: Dokładność rozpoznawania mieszanków alfanumerycznych to około 85%. NIP, numery kont bankowych i numery faktur to mieszanki alfanumeryczne. Systemy ASR, które dobrze obsługują mowę polską, nadal mają trudności z „siedem-zero-jeden-zero-zero-zero-jeden-dwa-trzy-cztery" jako NIP. Osiemdziesiąt pięć procent dokładności sekwencji oznacza, że jeden na siedem NIP będzie błędny. Błędny NIP na fakturze KSeF wymaga procedury korekty trzech dokumentów.

Liczba 2: Biometria głosowa jest pokonywana przez 3-sekundowe klony deepfake. W połączeniu z wymogiem autoryzacji dwuskładnikowej PSD2 oznacza to, że głos może żądać akcji, ale nigdy nie może być autoryzacją. Autoryzacja głosowa płatności, wysyłania faktur lub zmian danych bankowych nie jest wykonalna. To nie jest pytanie regulacyjne. To pytanie fizyki.

Co działa: głos-do-szkicu

Wykonalny wzorzec jest wąski i obronny:

1. Przechwytywanie push-to-talk. Użytkownik mówi fakty faktury zaraz po pracy: „Faktura dla Kowalski Budowa, usługa remontowa, pięć tysięcy złotych plus VAT."
2. ASR transkrybuje do tekstu. System konwertuje mowę na ustrukturyzowany szkic.
3. Rozwiązanie encji CRM. System dopasowuje „Kowalski Budowa" do bazy kontrahentów. Jeśli dopasowanie jest niejednoznaczne, prosi o wyjaśnienie.
4. Render jako edytowalny szkic. Szkic pojawia się na ekranie ze wszystkimi wypełnionymi polami. Pola niskiej pewności (NIP, kwoty, numery kont) są podświetlone.
5. Obowiązkowy odczyt zwrotny. System odczytuje krytyczne wartości: kwota, NIP, numer konta. Użytkownik potwierdza lub poprawia.
6. Wysłanie KSeF to osobne explicitne dotknięcie. Nie głos. Nie automatyczne. Naciśnięcie przycisku.

Ten wzorzec działa dla zawodów terenowych: hydraulicy, elektrycy, pracownicy budowlani, którzy kończą pracę i chcą wystawić fakturę, zanim odjadą do następnej. „Wystaw fakturę zanim odjedziesz z budowy". Wartość to time-to-cash, nie nowoczesność.

Co nie działa

Autoryzowane głosowo wysłanie. Użytkownik mówi „wyślij" i faktura idzie do KSeF. To nie jest wykonalne. ASR może usłyszeć „wyślij" jako coś innego, albo szum tła może wywołać fałszywy pozytyw. Wysłanie KSeF jest nieodwracalne. Potwierdzenie musi być celową akcją fizyczną.

Wprowadzane głosowo NIP i numery kont. 85% dokładności na mieszankach alfanumerycznych oznacza zbyt wiele błędów. Te pola muszą być rozwiązane z CRM (karta kontrahenta) lub wprowadzone ręcznie. Głos może powiedzieć „Kowalski", a system pobiera NIP z bazy. Głos nie może podyktować „jeden-dwa-trzy-cztery-pięć-sześć-siedem-osiem-dziewięć-zero" wiarygodnie.

Korekty głosowe. Korekty mają konsekwencje podatkowe. Korekta do zera zeruje fakturę w rejestrach podatkowych. Korekta musi być celowa, przeglądana i potwierdzona. Głos jest zbyt podatny na błędy dla tego przepływu pracy.

Luka rynkowa

Żaden polski SaaS fakturowy nie dostarcza wejścia głosowego. Segment zawodów terenowych jest niedoserwowany. Hydraulik, który kończy pracę o 18:00 i jedzie do domu, ma dwa wybory: wystawić fakturę z telefonu (wpisywanie na małym ekranie brudnymi rękami) lub poczekać do domu i wystawić z laptopa (do którego czasu może zapomnieć szczegóły).

Głos-do-szkicu to rozwiązuje. Hydraulik mówi fakty faktury do telefonu, system szkicuje fakturę, przegląda na ekranie i naciska wyślij. Czas od ukończenia pracy do wystawienia faktury spada z godzin do minut. Inkaso przyspiesza.

Funkcja jest wąska. To nie jest asystent głosowy ogólnego przeznaczenia. To narzędzie time-to-cash dla konkretnego przepływu pracy w konkretnym segmencie rynkowym. Ta wąskość czyni ją obronną: ogólny asystent głosowy jest kopiowalny w ciągu kwartału. Pipeline głos-do-szkicu dostrojony do polskiego fakturowania zawodów terenowych, z rozwiązywaniem encji CRM i obowiązkowym odczytem zwrotnym, mapuje się na gotowość do zapłaty udowodnioną za granicą.

Niniejszy materiał ma charakter informacji ogólnej i nie stanowi porady prawnej ani podatkowej. W konkretnej sytuacji zweryfikuj aktualne przepisy lub skonsultuj się z doradcą.