Weryfikacja jednej pozycji bilansowej w raporcie rocznym potrafi zająć doświadczonemu audytorowi całe popołudnie. Raporty 10-K mają kilkaset stron, tabele są rozproszone, a powiązania między opisami słownymi i liczbami nie zawsze są oczywiste. System HC-RAG, opisany w najnowszym artykule naukowym, rozwiązuje ten problem, tworząc z raportów graf dowodów finansowych i odpowiadając na pytania audytora z precyzyjnym wskazaniem źródła.
Technologia, która rozumie strukturę raportu i intencję pytania
Klasyczne systemy RAG tną dokumenty na równe fragmenty i gubią hierarchię. HC-RAG postępuje inaczej: parsuje raport 10-K na sekcje zgodne ze standardową strukturą (Item 1, Item 2, Item 7, Item 8), a następnie buduje graf, w którym węzłami są dokumenty, sekcje, jednostki tekstu i tabele. Do tego klasyfikuje zapytanie do jednej z czterech intencji: obliczenia, trend, fakt lub porównanie. To ma znaczenie praktyczne. Pytanie 'Jaki był zysk netto w 2023?' to intencja obliczeniowa, więc system priorytetowo szuka tabel z danymi liczbowymi. Pytanie 'Jak zmieniała się marża brutto w latach 2022-2024?' to trend, więc system porównuje dane z trzech dokumentów.
Wyniki są mierzalne: na benchmarku Multi-Doc-2025, zawierającym 2327 par pytanie-odpowiedź z raportów 87 firm z S&P 500, HC-RAG osiągnął przewagę 6,6 punktu F1 nad RAPTOR i 10,9 punktu nad GraphRAG. To konkretna poprawa lokalizacji dowodów, a nie abstrakcyjna obietnica.
Scenariusz: audyt spółki produkcyjnej w trzy dni zamiast pięciu
Załóżmy, że zespół audytorski pracuje nad spółką z sektora produkcyjnego, która składa raport 10-K do SEC. Audytor ma zweryfikować wartość zapasów na koniec 2023 roku. Tradycyjnie otwiera raport, szuka sekcji Item 7 (MD&A) i Item 8 (sprawozdania finansowe), przegląda tabele, porównuje opisy z notami. Zajmuje to od dwóch do czterech godzin. Z HC-RAG wygląda to tak: audytor wpisuje pytanie 'Jaka jest wartość zapasów na 31 grudnia 2023?'. System klasyfikuje intencję jako fakt z elementem obliczeniowym, lokalizuje tabelę w Item 8, wskazuje konkretny wiersz i kolumnę, a w odpowiedzi podaje liczbę oraz cytat z noty wyjaśniającej metodę wyceny. Czas: około pięciu minut.
Gdy audytor chce porównać zapasy między 2022 a 2023, system automatycznie agreguje dowody z dwóch dokumentów i pokazuje różnicę procentową. To ułatwia wykrycie anomalii. Na przykład wzrost zapasów o 40 procent bez wzrostu przychodów od razu zwraca uwagę na ryzyko przestarzałości.
Korzyści i liczby: co to znaczy dla firmy audytorskiej
Oszczędność czasu jest najprostsza do policzenia. Jeśli średnia weryfikacja jednej pozycji bilansowej zajmuje 3 godziny, a w ramach jednego audytu jest 40 takich pozycji, to łącznie 120 godzin. HC-RAG skraca weryfikację do 10 minut, czyli łącznie około 7 godzin na całość. Oszczędność 113 godzin na jednym zleceniu. Przy stawce 250 złotych za godzinę daje to 28 250 złotych oszczędności na jednym audycie. Dla firmy realizującej 15 audytów rocznie to już ponad 420 tysięcy złotych.
Dodatkowa korzyść to dokumentacja. System zwraca odpowiedź razem ze ścieżką do źródła: dokument, sekcja, tabela. To ułatwia przygotowanie working papers i obronę ustaleń przed przełożonym lub kontrolą jakości. Zmniejsza ryzyko przeoczenia istotnej informacji w 200-stronicowym dokumencie.
Podsumowanie: od czego zacząć pilotaż
HC-RAG nie jest gotowym produktem komercyjnym. To framework opisany w artykule naukowym, ale jego implementacja jest wykonalna dla zespołu z doświadczeniem w NLP. Najlepszy pierwszy krok to pilotaż na własnych danych. Wybierz pięć raportów 10-K spółek, które audytujesz regularnie. Zbuduj graf dowodów finansowych według opisanej metody. Przygotuj zestaw 20 pytań typowych dla Twoich audytów: pytania o wartości liczbowe, trendy, porównania. Zmierz, ile czasu zajmuje odpowiedź z systemem i bez niego. Jeśli oszczędność czasu przekroczy 70 procent, warto wdrożyć system na stałe w zespole audytu.
- Skrócenie weryfikacji pozycji bilansowej z 3 godzin do 10 minut
- Automatyczne wskazanie sekcji i tabeli źródłowej dla każdej odpowiedzi
- Wykrywanie anomalii przez porównywanie danych z wielu lat w jednym zapytaniu
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: HC-RAG: Evidence-Centric Retrieval-Augmented Generation over Heterogeneous Financial Filings
Autorzy: Siyuan Chen, Huaye Tan, You Li, Jiajun Liang
Financial question answering over annual reports requires more than retrieving semantically similar passages. It often involves identifying relevant companies and fiscal years, locating standardized filing sections, collecting textual and tabular evidence, and checking answers against the origina...
arXiv: arxiv.org/abs/2608.12335
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
