Cash-flow előrejelzés automatizálása: mit tud ma az AI?

A magyar KKV-k 80%-a rendszeresen szembesül lejárt számlákkal, ezt a Coface 2025-ös elemzése mutatja, amelyet a Piac&Profit közölt. Ha a bevétel kiszámíthatatlan, a likviditástervezés a legfontosabb túlélési eszközöd. A hagyományos Excel-táblák viszont lassúak, hibáznak, és egyetlen elrontott képlet félrevisz. Az AI-alapú cash-flow előrejelzés itt kínál mérhető előnyt: gyorsabb, aktuálisabb, és a hazai fizetési fegyelmetlenségre is ráhangolható. Ebben az útmutatóban végigvesszük, mennyivel pontosabb ma az AI, milyen adatra van szükséged, és hogyan vezeted be lépésről lépésre. Konkrét, forrásolt számokkal dolgozunk, nem AI-ígéretekkel.

Miért olyan nehéz ma a cash-flow előrejelzés a magyar cégeknél?

A likviditástervezés Magyarországon strukturális akadályba ütközik: a lánctartozásba. A Coface 2025-ös adatai szerint a hazai KKV-k 80%-a szembesül rendszeresen lejárt számlákkal, minden második-harmadik cég késve fizet a beszállítóinak, és a csődök nagyjából negyede be nem fizetett tartozásból fakad. Ezt a Piac&Profit közölte 2026 júniusában.

Ebben a környezetben egy statikus Excel-tábla hamar elavul. Amikor a vevőid a határidő helyett hetekkel később fizetnek, a betervezett bevétel csúszik. A kézi előrejelzés nem követi ezt a dinamikát valós időben.

A számok súlyosak. 2025-ben több mint 14 000 fizetésképtelenségi eljárás indult, a KKV-k eszközeinek pedig körülbelül 40%-a vevőkövetelés. Vagyis a cégek vagyonának jó része olyan pénz, ami még nem érkezett meg. Egyetlen nagy vevő csúszása is likviditási lyukat üt.

Itt jön a képbe az adatstruktúra. Ha a számláid, a banki tranzakcióid és a fizetési előzményeid szétszórt táblákban élnek, semmilyen előrejelzés nem lesz megbízható. Erről bővebben a pénzügyi adatstrukturálás alapjai írásunkban olvashatsz.

Mennyivel pontosabb az AI-alapú cash-flow előrejelzés?

Az AI fő előnye a frissesség és a hosszabb távú megbízhatóság. A statikus Excel egy pillanatképet ad, ami gyorsan elavul, ha a vevők késve fizetnek. A Protiviti 2025-ös felmérésében a pénzügyi előrejelzés a második leggyakoribb AI-alkalmazás, a válaszadók 58%-ánál.

A gyakorlatban ezt mi is így látjuk. Amikor magyar KKV-knál bevezetjük, az AI a hosszabb, 13 hetes horizonton hozza a legtöbbet, ahol a kézi becslés már bizonytalan. A fő korlát viszont nem a modell, hanem az adatminőség.

Miért jobb az AI a hosszabb horizonton? Mert nem lineárisan extrapolál. Felismeri a szezonalitást, az egyes vevők fizetési mintázatát, és folyamatosan újraszámol, amint új tranzakció érkezik. A kézi tábla ezt nem tudja követni. Ha érdekel a részletes összevetés, nézd meg az AI és a hagyományos kontrolling cikkünket.

Milyen adatokra van szüksége egy AI cash-flow előrejelzésnek?

Az AI-előrejelzés annyit ér, amennyit az adat mögötte. A magyar KKV-k eszközeinek nagyjából 40%-a vevőkövetelés (Coface, 2025), így a pontosság a számla- és fizetési adatokon áll vagy bukik. Amikor bevezetjük, szinte mindig ez a bemenő adat a szűk keresztmetszet, nem a modell. A jó hír: a legtöbb cégnél ez az adat már megvan, csak szét van szórva.

Milyen forrásokat kösd össze?

Négy adatforrás adja a gerincet. Az ERP-ből jön a megrendelés- és készletadat. A szállítói oldal (AP) mutatja a kimenő kötelezettségeket. A vevői oldal (AR) a bejövő követeléseket és a nyitott számlákat. A banki tranzakciós feed pedig a tényleges pénzmozgást.

Ezt a négyet kell egy helyre hoznod, tisztán és konzisztensen. A számlafeldolgozás automatizálása itt sokat segít, mert a strukturált számlaadat közvetlenül táplálja az előrejelzést.

Miért fontos a fizetési előzmény?

A múltbeli fizetési magatartás a legerősebb jelzés. Ha egy vevő rendre 15 nappal a határidő után fizet, az AI ezt beépíti. A modell így nem a papíron szereplő határidővel számol, hanem a valós, tapasztalati fizetési nappal. A magyar körbetartozás közegében ez a különbség dönti el, hogy reális-e az előrejelzésed.

Hogyan vezess be AI-alapú likviditástervezést lépésről lépésre?

A bevezetés nem hosszú, kockázatos projekt. Egy tiszta adatalappal induló magyar KKV jellemzően hetek alatt eljut az első működő előrejelzésig. A kulcs a sorrend: előbb az adat, aztán a modell, végül a folyamatba építés. A pénzügyi AI megtérüléséről külön írás szól az AI-bevezetés megtérülése oldalon.

1. Mérd fel az adatérettségedet

Nézd meg, hol élnek ma az adataid, és mennyire tiszták. Egységes-e a vevőnév, a devizakód, a fizetési határidő formátuma? Ez az a lépés, amit a legtöbben átugranak, pedig ezen áll vagy bukik a pontosság.

2. Válaszd ki a horizontot és a célt

Rövid táv (4-13 hét) az operatív likviditáshoz, hosszabb táv (6-12 hó) a stratégiai tervezéshez. Ne akard egyszerre az összeset. Kezdd a 13 hetes gördülő előrejelzéssel, ez adja a legjobb arányt pontosság és hasznosság között.

3. Kösd rá a forrásokat és futtass pilotot

Integráld az ERP-t, az AP/AR-t és a banki feedet, majd futtasd párhuzamosan a régi Excel-módszerrel. Két-három hónap alatt kiderül, mennyivel jobb az AI a te adataidon. A 7 kontrolling feladat, amit ma már AI végez el írásunk további automatizálható lépéseket sorol.

4. Építsd a folyamatba

A jó előrejelzés nem havi riport, hanem élő eszköz. Állíts be riasztást likviditási küszöbre, és vidd a számokat a heti pénzügyi megbeszélésre. Így lesz a modellből döntéstámogatás.

A pénzügyi AI-adoptáció mai állása itthon és külföldön

Az adoptáció gyorsan nő, de a magyar érettség még alakul. A Protiviti 2025-ös Global Finance Trends felmérése szerint a pénzügyi szervezetek AI-használata egy év alatt 34%-ról 72%-ra ugrott. A legnépszerűbb alkalmazás a folyamat-automatizálás (66%), második helyen épp a pénzügyi előrejelzés áll (58%).

A Gartner 2026-os elemzése szerint a pénzügyi funkciók nagyjából 90%-a üzemeltet legalább egy AI-technológiát, és a csapatok 44%-a intelligens folyamatautomatizálást használ. Az agentic AI, vagyis az önállóan lépéseket végrehajtó ügynök, még korai fázisban van. A Gartner óvatosságra int: az agentic projektek több mint 40%-át 2027 végéig leállítják.

Itthon szerényebb a kép. A Deloitte 2025-ös Magyar MI Körképe szerint (109 szervezet mintáján) a cégek 21%-a már kijelölt önálló AI-szakértőt. A megoldások 68%-a a meglévő szerepkörökbe épül, és a szervezetek 64%-ának nincs AI-irányítási (governance) testülete. A lakosság AI-felkészültsége a PwC 2025-ös indexén 4,44 pont a 10-ből.

Mit jelent ez neked? Azt, hogy az adoptáció versenyelőny, de csak fegyelmezett bevezetéssel. A Gartner 2026 áprilisi előrejelzése szerint 2029-re a stratégiai AI-t bevezető CFO-k szervezetei 10 árréspontnyi többletnövekedést érhetnek el. A hazai piac állásáról a magyar CFO-k és az AI 2026-ban cikkünkben olvasol többet.

Gyakran ismételt kérdések

Mennyivel pontosabb az AI-alapú cash-flow előrejelzés az Excelnél?

Az AI a hosszabb, 13 hetes horizonton érdemben pontosabb, mert a valós fizetési mintázatból tanul, és minden új tranzakciónál újraszámol. A statikus Excel ezt nem követi. A különbség a hosszabb távon nő. A fő korlát viszont nem a modell, hanem az adatminőség: tiszta adat nélkül egyik módszer sem megbízható.

Milyen adatokra van szükség egy AI cash-flow előrejelzéshez?

Négy fő forrás kell: az ERP megrendelés- és készletadata, a szállítói (AP) kötelezettségek, a vevői (AR) követelések, és a banki tranzakciós feed. Ehhez jön a fizetési előzmény, ami a valós fizetési napokat mutatja. A tapasztalatunk szerint az adatminőség a pontosság első számú előfeltétele.

Kiváltja-e az AI a kontrollert a pénzügyi tervezésben?

Nem. Az AI a kézi adatgyűjtést és az ismétlődő számolást veszi át, a döntés az emberé marad. A Gartner 2026-os adata szerint a pénzügyi csapatok 44%-a használ intelligens folyamatautomatizálást, az önálló agentic projektek 40%-át pedig emberi felügyelet híján leállítják. A kontroller szerepe az értelmezés és a döntés felé tolódik.

Biztonságos GDPR-szempontból a pénzügyi adatokat AI-eszközbe tölteni?

Igen, ha van kontroll mögötte. A kockázat nem az AI, hanem az irányítás hiánya: a Deloitte 2025-ös Magyar MI Körképe szerint a szervezetek 64%-ának nincs AI-governance testülete. Válassz olyan megoldást, amely EU-s adatkezelést és hozzáférés-szabályozást kínál. Erről bővebben az AI, pénzügy, adatbiztonság írásunk szól.

Konklúzió

A cash-flow előrejelzés AI-val nem ígéret, hanem mérhető eszköz a magyar likviditási valóságra. A számok egyértelműek: a KKV-k 80%-a küzd lejárt számlákkal (Coface, 2025), a pénzügyi AI-adoptáció pedig 34%-ról 72%-ra nőtt egy év alatt (Protiviti, 2025). Az AI a hosszabb horizonton érdemben pontosabb, de csak akkor, ha tiszta adat áll mögötte. A sorrend tehát adott: előbb az adatstruktúra, aztán a modell, végül a folyamatba építés. Így lesz a likviditástervezésből döntéstámogatás, nem havi utólagos riport. Ha jártassabb lennél az AI kontrolling-szerepében, olvasd el az AI a pénzügyi kontrollingban alapozó cikkünket.

Szeretnéd látni, hogyan nézne ki ez a te adataidon? Kérj konzultációt a ControlliQ-tól, és átbeszéljük a lehetőségeket.