allclouds.pl

Akceleracja analiz finansowych JST. Czy skarbnik może zaufać AI przy pracy z budżetem miasta?

Skarbnik analizujący dane finansowe Bydgoszczy z wykorzystaniem audytowalnego systemu AI

Skarbnik miasta potrzebuje odpowiedzi szybciej, niż pozwala na to ręczne przeglądanie sprawozdań. Jednocześnie nie może zaakceptować wyniku, którego nie da się odtworzyć, sprawdzić i powiązać z konkretnym źródłem. Dlatego w analizie finansów publicznych model językowy nie powinien liczyć budżetu. Powinien rozumieć pytanie, uruchamiać właściwe obliczenia i wyjaśniać ich wynik.

![Skarbnik analizujący dane finansowe Bydgoszczy z wykorzystaniem audytowalnego systemu AI](image:cover)

Dlaczego właśnie teraz

Finanse samorządowe przechodzą największą przebudowę od dwóch dekad. Od 2025 r. obowiązuje reforma, w której głównym źródłem pieniędzy JST jest PIT od mieszkańców, a nie subwencje; w pierwszym roku samorządy otrzymały łącznie o 53,3 mld zł więcej niż według starych zasad — ale samo Ministerstwo Finansów przyznaje, że system wymaga poprawek, i zapowiada zmiany w 2027 r. Dochody na 2026 r. naliczane są na podstawie danych podatkowych za rok 2024, a ich wzrost nie jest już gwarantowany. PAP

Dla skarbnika oznacza to dwie nowe okoliczności pracy. Pierwsza: pozycja własnej jednostki na tle grupy porównawczej przestała być ciekawostką sprawozdawczą — w systemie z korektami zależnymi od zamożności benchmark wobec innych miast staje się zmienną, która realnie wpływa na dochody. Druga: niepewność reguł premiuje umiejętność szybkiego przeliczania scenariuszy — nie raz w roku przy projekcie budżetu, ale na bieżąco, przy każdej zapowiedzi korekty systemu.

Presja jest przy tym realna po stronie wydatkowej. Budżety samorządów na 2026 r. są rekordowe, ale planowany deficyt podsektora sięga nawet 47 mld zł, a trwałe niedoszacowanie oświaty szybko pochłania wzrosty po stronie dochodów, wymuszając bardzo ostrożne decyzje wydatkowe. Pytania o równowagę bieżącą, zdolność obsługi długu i skutki wzrostu kosztów nie są dziś w JST pytaniami akademickimi. Są treścią rozmów z radą, regionalną izbą obrachunkową i bankami. Gov.pl

Problem w tym, że narzędzia, którymi skarbnik ma na te pytania odpowiadać, nie nadążyły za skalą i tempem.

Problem nie zaczyna się od braku danych

Jednostki samorządu terytorialnego dysponują dużą ilością danych finansowych. Ministerstwo Finansów publikuje sprawozdania dotyczące dochodów, wydatków, wyniku budżetu, należności, zobowiązań, zakładów budżetowych i wydzielonych rachunków jednostek oświatowych.

Problem polega na tym, że dane te powstają w wielu odrębnych strukturach, a ich analiza wymaga znajomości klasyfikacji budżetowej, znaczenia poszczególnych pól i zależności pomiędzy sprawozdaniami.

Dodatkową barierą jest format. Duże zbiory Ministerstwa Finansów są publikowane między innymi jako pliki DBF. Żeby przeprowadzić analizę w typowym narzędziu, pracownik musi je pobrać, rozpakować, przekonwertować do CSV lub Excela, połączyć ze słownikiem JST, odfiltrować właściwy typ jednostki, a następnie przygotować agregacje.

Dopiero wtedy może zacząć odpowiadać na właściwe pytania:

To nie są pytania o jeden dokument. Każde wymaga połączenia danych, wykonania obliczeń i zastosowania właściwej metody porównawczej.

Paradoks AI w finansach publicznych

Model językowy bardzo dobrze rozumie pytania zadawane w naturalnym języku. Potrafi objaśnić pojęcia, uporządkować argumenty i przedstawić złożony wynik w sposób zrozumiały dla człowieka.

Nie powinien jednak samodzielnie sumować setek tysięcy rekordów, wyprowadzać median z dokumentów znalezionych przez RAG (Retrieval-Augmented Generation) ani odczytywać wartości z wielostronicowych tabel PDF i traktować ich jako pewnych danych liczbowych.

W takim modelu pracy trudno odpowiedzieć na podstawowe pytania kontrolne:

W finansach publicznych płynna odpowiedź nie jest jeszcze wiarygodną odpowiedzią. Wiarygodność zaczyna się tam, gdzie kończy się swoboda modelu językowego.

Architektura zamiast zaufania do modelu

W prototypie przygotowanym dla scenariusza skarbnika miasta zastosowaliśmy architekturę hybrydową. Rozdziela ona rozumienie języka od wykonywania obliczeń — to ta sama zasada, którą opisywaliśmy przy procesach zakupowych: model językowy nie powinien robić wszystkiego.

Użytkownik pracuje w jednym środowisku TWIN:DESK i zadaje pytanie tak, jak zadałby je analitykowi:

> Pokaż działy, w których Bydgoszcz ma niskie wykonanie planu, ale wysokie zaangażowanie, i porównaj je z medianą pozostałych miast na prawach powiatu.

Model językowy rozpoznaje intencję, wybiera właściwe narzędzie i przekazuje mu kontrolowane parametry. Od tego momentu obliczenia wykonuje deterministyczny kod, a nie model AI.

Przepływ wygląda następująco:

AI nie zastępuje więc silnika analitycznego. Jest warstwą komunikacji i orkiestracji nad silnikiem, który można przetestować.

Co dokładnie robi AI

Zastosowanie AI obejmuje cztery odrębne zadania:

To rozdzielenie jest kluczowe. RAG odpowiada na pytanie „co oznacza to pole?", kod odpowiada na pytanie „ile wynosi wskaźnik?", a model językowy wyjaśnia „co z tego wynika i czego na tej podstawie nie wolno jeszcze stwierdzić".

Dane pozostają danymi, nie kontekstem modelu

Prototyp analizuje około 1,85 miliona rekordów sprawozdawczych. Próba umieszczenia takiego zbioru bezpośrednio w kontekście modelu byłaby niewydajna i nie dawałaby wiarygodnych agregacji.

Dlatego surowe dane nie są indeksowane jako zwykłe dokumenty RAG. Narzędzie:

Model nie otrzymuje możliwości wykonania dowolnego kodu, zapytania SQL ani pobrania dowolnego adresu URL. Może korzystać tylko z wcześniej zdefiniowanych funkcji analitycznych i ich parametrów.

Jedna rozmowa, wiele źródeł

Analiza bieżącej sytuacji wykorzystuje sprawozdania Ministerstwa Finansów za pierwszy kwartał 2026 roku. Warstwa rozszerzona łączy je z:

Dzięki temu rozmowa nie kończy się na prostym wykonaniu planu. System może porównać saldo bieżące i wydatki inwestycyjne w czasie, zestawić wartości w przeliczeniu na mieszkańca, analizować relację wydatków do liczby mieszkańców lub użytkowników usług oraz wskazywać zapas bezpieczeństwa wynikający z WPF.

Zakres danych jest jednak zawsze jawny. Jeżeli dla danego roku nie ma porównywalnego miernika, system zwraca status braku danych. Nie interpoluje go i nie prosi modelu, żeby „rozsądnie oszacował" brakującą wartość.

Scenariusz to nie prognoza

Jedną z funkcji prototypu jest analiza presji kosztowej. Skarbnik może sprawdzić, jak na budżet wpłynęłoby przykładowo:

Silnik najpierw identyfikuje podstawę obliczenia na podstawie klasyfikacji budżetowej. Następnie oddzielnie wylicza wpływ kosztów bieżących i majątkowych na saldo bieżące, wynik budżetu oraz dodatkową potrzebę finansowania.

Model językowy nie może przedstawić takiego wyniku jako prognozy. To analiza wrażliwości: odpowiedź na pytanie, co stanie się z określonymi pozycjami, jeżeli zmienią się wskazane parametry, przy zachowaniu pozostałych założeń.

Ta różnica ma znaczenie. Prognoza wymagałaby modelu zmian dochodów, inflacji, długu, harmonogramu spłat i wielu innych czynników. Analiza wrażliwości pokazuje konsekwencję konkretnego założenia i pozwala przygotować się do rozmowy o ryzyku — także tej, którą wymusi zapowiadana na 2027 r. korekta systemu finansowania.

Audytowalność wbudowana w odpowiedź

Każdy wynik zwracany przez narzędzie zawiera metadane potrzebne do jego oceny:

Przykładowo wykonanie planu nie jest opisane ogólnym stwierdzeniem modelu. Jest liczone jako relacja wykonania do planu. Zaangażowanie korzysta z odrębnego pola, a zobowiązania wymagalne są wyprowadzane ze wskazanych pozycji sprawozdania Rb-Z.

Podobnie analiza zgodności wydatków ze strategią nie twierdzi, że wyższy wydatek oznacza osiągnięcie celu. Wykorzystuje jawną, wersjonowaną mapę przypisującą działy, rozdziały i zadania do celów strategicznych. Każde przypisanie otrzymuje poziom pewności, a kwoty bez jednoznacznego mapowania pozostają oznaczone jako nieprzypisane.

System ma nie tylko udzielić odpowiedzi. Ma również dostarczyć instrukcję jej zakwestionowania.

Co zweryfikował prototyp

Przygotowane rozwiązanie obejmuje 18 funkcji analitycznych oraz zestaw gotowych scenariuszy rozmowy. Obsługuje między innymi:

Warstwa danych objęła osiem rocznych okresów historycznych, 20 lat prognozy WPF i komplet 66 miast na prawach powiatu. Mechanizmy zostały objęte testami kontrolującymi między innymi formuły, kompletność grup porównawczych, brak podwójnego liczenia, integralność źródeł oraz obecność źródła i ograniczeń w wynikach.

To nadal prototyp analityczny, a nie system podejmujący decyzje budżetowe. Jego zadaniem jest skrócenie drogi od pytania do sprawdzalnej analizy, nie zastąpienie odpowiedzialności skarbnika.

Skarbnik nie potrzebuje modelu, który „zna odpowiedź"

Potrzebuje środowiska, które rozumie jego pytanie, potrafi uruchomić właściwą procedurę i nie ukrywa sposobu dojścia do wyniku.

W takim układzie AI daje administracji realną wartość: usuwa techniczną barierę pomiędzy pytaniem a analizą. Skarbnik nie musi konwertować DBF, budować formuł w arkuszu ani pamiętać struktury każdego sprawozdania. Nadal jednak widzi źródła, okresy, formuły i ograniczenia.

Najbezpieczniejszym zastosowaniem AI w finansach publicznych nie jest oddanie modelowi liczb. Jest danie człowiekowi możliwości rozmawiania z deterministycznym systemem analitycznym w naturalnym języku.

---

Przed nami sezon konstruowania budżetów na 2027 rok i aktualizacji WPF — a wraz z nim pytania o skutki zapowiadanych zmian w systemie finansowania. Prototyp opisany w tym tekście działa i można go zobaczyć na żywych danych sprawozdawczych.

Jeśli chcesz sprawdzić, jak taka analiza wyglądałaby dla Twojego miasta — na Waszych sprawozdaniach, Waszej WPF i Waszej strategii — napisz do nas. Demonstrację przygotowujemy na publicznych danych Ministerstwa Finansów.