AI לרואי חשבון: סיווג תנועות, ניסוח מכתבים וניתוח אקסל — בלי להדליף נתון אחד

אם אתם רואי חשבון, מנהלי חשבונות, או בעלי עסק שמטפלים בספרים בעצמכם — אתם יושבים על הר של עבודה חזרתית שמבזבזת שעות. סיווג מאות תנועות בנק, ניסוח מכתב מנומס ללקוח שחייב כסף, וניתוח קובץ אקסל ענק שאף אחד לא רוצה לפתוח. הבשורה הטובה: בדיוק במשימות האלה מודלי AI כמו Claude או ChatGPT מבריקים. בואו נטוס גבוה ונראה איך — עם דוגמאות שאפשר להעתיק ולהריץ כבר היום.

רגע, מה זה בכלל "מודל שפה" ולמה זה רלוונטי לרואה חשבון?

לפני הכול, נגדיר את הכלי. מודל שפה גדול (LLM — Large Language Model) הוא תוכנה שאומנה על כמויות עצומות של טקסט, וכל מה שהיא עושה זה לנחש את המילה הבאה ההגיונית ביותר בהינתן מה שכתבתם לה. זה נשמע פשוט, אבל מהיכולת הבסיסית הזו נגזרת תכונה קריטית בשבילנו: המודל מצוין בלקחת טקסט לא-מסודר ולהפוך אותו לטקסט מסודר. תנועת בנק היא טקסט ("חיוב כרטיס אשראי 0451 — שופרסל דיל"). מכתב ללקוח הוא טקסט. ואפילו שורה באקסל היא, בבסיסה, טקסט. לכן רואה חשבון, שכל עבודתו היא קריאה, פירוש וסיווג של טקסט מספרי — נמצא בול בנקודה המתוקה של הטכנולוגיה הזו.

ה"למה" החשוב: המודל לא "מבין" חשבונאות כמו רואה חשבון בכיר. הוא מזהה דפוסים. כשהוא רואה "שופרסל" הוא יודע מניסיון של מיליוני טקסטים שזה קמעונאות מזון. זו בדיוק הסיבה שהוא חוסך לכם זמן בעבודה השגרתית — אבל גם הסיבה שאסור לסמוך עליו בעיוורון. עליו לעבור ביקורת אנושית, תמיד.

משימה 1: סיווג תנועות בנק לקטגוריות הנהלת חשבונות

הבעיה הקלאסית: דוח בנק עם 200 שורות, וצריך להצמיד לכל אחת קטגוריה — "הוצאות רכב", "ספקים", "משכורות", "הוצאות מימון". ידנית זה שעתיים מייגעות. עם מודל זה דקות.

הטריק המרכזי כאן נקרא few-shot — מילולית "מעט דוגמאות". במקום להסביר למודל את כל הכללים החשבונאיים, אתם מראים לו 3–4 דוגמאות מסווגות, והוא לומד את התבנית ומשלים את השאר בעצמו. למה זה עובד? כי המודל מצוין בהשלמת תבניות — הראיתם לו ש"דלק פז ← הוצאות רכב", הוא יסיק לבד ש"סונול ← הוצאות רכב". זה חוסך לכם כתיבת חוקים אינסופיים.

אתה מנהל חשבונות. סווג כל תנועה בדיוק לאחת מהקטגוריות הבאות בלבד (אל תמציא קטגוריה חדשה):
[הוצאות מזון, הוצאות רכב, משכורות, הוצאות מימון, ספקים].

דוגמאות:
רמי לוי ← הוצאות מזון
סונול ← הוצאות רכב
עמלת כרטיס ← הוצאות מימון

סווג עכשיו והחזר טבלת CSV עם שתי עמודות: תנועה, קטגוריה. בלי טקסט נוסף.

שופרסל דיל 412
דלק פז
תשלום משכורת אלי
עמלת ניהול חשבון

שימו לב לשלושה דברים בפרומפט החזק שלמעלה: נתתם רשימת קטגוריות סגורה (כדי שהמודל לא ימציא קטגוריה חדשה משלו), נתתם דוגמאות מסווגות (ה-few-shot), וביקשתם פלט בפורמט מובנה (טבלה או CSV — קובץ טקסט פשוט שבו כל ערך מופרד בפסיק, והוא נפתח ישירות באקסל) — כדי שתוכלו להדביק את התוצאה ישר חזרה לאקסל בלי עבודת ידיים. הדבר האחרון קריטי: מודל שמחזיר טקסט חופשי מאלץ אתכם לסדר ידנית; מודל שמחזיר CSV נכנס ישר לתוכנה.

משימה 2: ניסוח מכתבים — מקצועי, ממוקד, בטון הנכון

מכתב תזכורת לחוב, מכתב ללקוח על מסמכים חסרים, מענה לפניית רשות המסים. כאן הכוח של המודל הוא בכתיבה זורמת ומנומסת — אבל הסכנה גם גדולה יותר, ולכן נגדיר חוק ברזל.

לעולם אל תבקשו מהמודל "תכתוב מכתב על חוב" — תנו לו את כל העובדות: סכום, תאריך, מספר חשבונית, טון רצוי, ומה הצעד הבא. למה? כי מודל ש"לא יודע" עובדה — ינחש אותה. וניחוש של מספר חשבונית או סכום במכתב רשמי הוא אסון. התופעה הזו נקראת הזיה (hallucination) — המודל ממציא בביטחון מלא מידע שנשמע אמין אבל שגוי, פשוט כי תפקידו לנבא את המילה הבאה ההגיונית, לא לבדוק עובדות. הדרך היחידה למנוע הזיה של מספרים: לספק את המספרים בעצמכם, ולעולם לא לתת למודל "להשלים פערים".

דוגמה קונקרטית לפרומפט טוב: "נסח מכתב תזכורת מנומס אך נחרץ ללקוח 'כהן בע"מ' על חשבונית מס' 1042 בסך 8,400 ש"ח שמועד תשלומה היה 15.5, וכבר באיחור של 45 יום. טון: עסקי-מכבד, לא מתנצל. סיים בבקשה לתשלום עד סוף השבוע ובהצעה ליצור קשר אם יש בעיה. אורך: עד 120 מילה." שימו לב — כל מספר במכתב מגיע מכם, לא מהמודל.

משימה 3: ניתוח אקסל בלי לכתוב נוסחה אחת

זה אולי החלק שהכי משנה חיים. יש לכם קובץ אקסל עם אלפי שורות תנועות, ואתם רוצים תשובה: "מה ההוצאה הכי גדולה ברבעון?", "אילו ספקים גדלו ב-30% מול אשתקד?". במקום להיאבק עם הכלים המובנים של אקסל — PivotTable (טבלת ציר שמסכמת אלפי שורות לפי קטגוריה) ו-VLOOKUP (פונקציה שמחפשת ערך בטבלה אחרת) — אתם פשוט שואלים בשפה רגילה.

איך זה עובד מתחת לפני השטח? יש שתי דרכים, וחשוב להבין את ההבדל כי הוא קובע אם המספרים נכונים. בדרך הראשונה אתם מדביקים את הטבלה כטקסט בצ'אט — והמודל "קורא" אותה בעיניים ומסכם בלשון; זה מהיר אבל בכמויות גדולות הוא עלול לטעות בחישוב, כי הוא מנחש מספרים ולא מחשב אותם באמת. הדרך השנייה, המומלצת לכל דבר מספרי: כלים כמו Claude עם Code Interpreter או ChatGPT עם Advanced Data Analysis (סביבה שבה המודל כותב ומריץ תוכנית קוד אמיתית, לא רק מנסח טקסט) — שם המודל לא מנחש, אלא כותב קוד פייתון אמיתי שמריץ את החישוב על הקובץ, בדיוק כמו מחשבון. ההבדל ענק: הראשון נותן הערכה, השני נותן תוצאה מדויקת שאפשר לסמוך עליה.

ה"למה" המעשי: לעולם אל תבקשו מהמודל לחשב סכומים גדולים "בראש" (בלשון) — תמיד דרך הרצת קוד. הבדיקה הפשוטה: אם המודל הראה לכם את הקוד שהוא הריץ, אתם בידיים טובות. אם הוא רק "אמר" מספר בלי קוד — תחשדו ותבדקו ידנית.

חוק הזהב: אתם החותמת, לא המודל

נסגור עם הדבר החשוב ביותר. רואה חשבון חתום על העבודה — לא המודל. כל סיווג, כל סכום במכתב, כל מסקנה מאקסל חייב לעבור עין אנושית לפני שהוא יוצא החוצה. המודל הוא מתמחה זריז ומבריק שעושה את 80% השגרתיים בשניות, אבל ה-20% הקריטיים — ההחלטה החשבונאית, הדיוק המספרי, האחריות המקצועית — נשארים אצלכם. ועוד עניין שאסור לפספס: סודיות. אל תעלו נתוני לקוחות מזהים (שמות, ת.ז., מספרי חשבון) לכלי ציבורי בלי לוודא שהמדיניות שלכם מאפשרת זאת — עדיף לבצע אנונימיזציה של הנתונים (להחליף שם אמיתי בכינוי כללי כמו "לקוח א'"), או להשתמש בכלי עסקי עם הסכם סודיות.

הצעד הראשון שלכם להיום: קחו דוח בנק אחד, 20 שורות, ותנו למודל לסווג עם 3 דוגמאות few-shot. תבדקו את התוצאה מול הסיווג הידני שלכם. תרגישו את הזמן שנחסך — ואז תרחיבו. בואו נטוס גבוה.