În peisajul fintech din 2026, capacitatea de a transforma documente nestructurate în date acționabile a devenit principalul factor de diferențiere între un proces de credit scoring eficient și unul învechit. Prompt engineering-ul financiar nu mai este o simplă abilitate accesorie, ci o componentă critică a arhitecturii software bancare. Acest ghid tehnic explorează modul de proiectare a pipeline-urilor AI robuste pentru extragerea datelor din fluturași de salariu, bilanțuri XBRL/PDF și extrase de cont, minimizând riscurile operaționale.

Problema Datelor Nestructurate în Credit Scoring

În ciuda evoluției standardelor digitale, o parte semnificativă a documentației necesare pentru procesarea unui dosar de credit (în special pentru IMM-uri și persoane fizice) ajunge încă în formate nestructurate: PDF-uri scanate, imagini sau fișiere text dezordonate. Obiectivul este convertirea acestui haos într-un obiect JSON validat care poate alimenta direct algoritmii de evaluare a riscului.

Principalele provocări includ:

• Ambiguitate Semantică: Distincția dintre “Venit Brut” și “Bază Impozabilă” în fluturași de salariu cu layout-uri proprietare.
• Alucinații Numerice: Tendința LLM-urilor de a inventa cifre sau de a greși calculele dacă nu sunt instruite corect.
• Zgomot cauzat de OCR: Erori de citire (ex. confundarea unui ‘0’ cu un ‘O’ sau a unui ‘8’ cu un ‘B’).

Arhitectura Pipeline-ului de Extragere

Pentru a construi un sistem fiabil, nu este suficient să trimiteți un PDF către un model precum GPT-4o sau Claude. Este necesară o orchestrare complexă, gestionată de obicei prin framework-uri precum LangChain sau LlamaIndex.

1. Pre-procesare și OCR Inteligent

Înainte de a aplica orice tehnică de prompt engineering financiar, documentul trebuie “curățat”. Utilizarea OCR-urilor avansate este obligatorie. În această fază, este utilă segmentarea documentului în chunk-uri logice (ex. “Antet”, “Corp Tabelar”, “Totaluri”) pentru a evita saturarea ferestrei de context a modelului cu zgomot inutil.

2. Strategii Avansate de Prompting

Aici se află inima tehnicii. Un prompt generic precum “Extrage datele” va eșua în 90% din cazurile complexe. Iată metodologiile câștigătoare:

Chain-of-Thought (CoT) pentru Validarea Logică

Pentru bilanțurile companiilor, este fundamental ca modelul să “gândească” înainte de a răspunde. Utilizând CoT, forțăm LLM-ul să expliciteze pașii intermediari.

SYSTEM PROMPT:
Ești un analist financiar expert. Sarcina ta este să extragi datele de bilanț.

USER PROMPT:
Analizează textul furnizat. Înainte de a genera JSON-ul final, execută acești pași:
1. Identifică Total Active și Total Pasive.
2. Verifică dacă Active == Pasive + Capitaluri Proprii.
3. Dacă calculele nu corespund, semnalează neconcordanța în câmpul 'warning'.
4. Doar la final generează output-ul JSON.

Few-Shot Prompting pentru Fluturași de Salariu Eterogeni

Fluturașii de salariu variază enorm între diferiți angajatori. Few-Shot Prompting constă în furnizarea către model a unor exemple de input (text brut) și output dorit (JSON) în interiorul promptului. Acest lucru “antrenează” modelul in-context să recunoască tipare specifice fără a fi necesar fine-tuning-ul.

EXEMPLU 1:
Input: "Total drepturi: 2.500,00 euro. Net în mână: 1.850,00."
Output: {"brut": 2500.00, "net": 1850.00}

EXEMPLU 2:
Input: "Brut lunar: € 3.000. Rețineri totale: € 800. Net de plată: € 2.200."
Output: {"brut": 3000.00, "net": 2200.00}

TASK:
Input: [Text Nou Fluturaș Salariu]...

Mitigarea Alucinațiilor și Validarea

În domeniul financiar, o alucinație (inventarea unui număr) este inacceptabilă. Pentru a mitiga acest risc, implementăm o validare rigidă post-procesare.

Parsere de Output și Pydantic

Utilizând biblioteci precum Pydantic în Python, putem defini o schemă rigidă pe care modelul trebuie să o respecte. Dacă LLM-ul generează un câmp “data” într-un format greșit sau un șir de caractere în locul unui float, validatorul ridică o excepție și, printr-un mecanism de retry, cere modelului să se corecteze.

Integrare CRM: Experiența BOMA

Aplicarea practică a acestor tehnici își găsește expresia maximă în integrarea cu sisteme proprietare. În contextul proiectului BOMA (Back Office Management Automation), integrarea pipeline-ului AI a urmat acești pași:

1. Ingestie: CRM-ul primește documentul prin email sau upload.
2. Orchestrare: Un webhook activează pipeline-ul LangChain.
3. Extragere & Validare: LLM-ul extrage datele și Pydantic le validează.
4. Human-in-the-loop: Dacă scorul de încredere este scăzut, sistemul creează un task în CRM pentru o revizuire manuală, evidențiind câmpurile suspecte.
5. Populare: Datele validate populează automat câmpurile din baza de date, reducând timpul de introducere a datelor de la 15 minute la 30 de secunde per dosar.

Optimizarea Token-urilor și a Costurilor

Gestionarea ferestrei de token-uri este esențială pentru a menține costurile API sustenabile, în special cu bilanțuri de sute de pagini.

• Map-Reduce: În loc să se transmită întregul document dintr-o dată, textul este împărțit în secțiuni, se extrag datele parțiale și se cere unui al doilea prompt să le agrege.
• RAG (Retrieval-Augmented Generation): Pentru documente foarte extinse, textul este indexat într-o bază de date vectorială și se recuperează doar chunk-urile relevante (ex. doar paginile referitoare la “Contul de Profit și Pierdere”) pentru a fi transmise modelului.

Concluzii

Prompt engineering-ul financiar este o disciplină care necesită rigoare. Nu este vorba doar de a ști să “vorbești” cu AI-ul, ci de a construi o infrastructură de control în jurul acestuia. Prin utilizarea combinată a Chain-of-Thought, Few-Shot Prompting și a validatoarelor de schemă, este posibilă automatizarea analizei riscului de credit cu un nivel de precizie care, în 2026, concurează cu, și adesea depășește, acuratețea umană.

Întrebări frecvente