TL;DR
Ved aflæsning af fakturaer læste tre af de fire modeller, jeg testede, alle ni felter rigtigt på 30 af 30 rene digitale fakturaer. På simulerede scanninger af de samme fakturaer klarede den bedste 22 af 30. Fejlene lå næsten aldrig i beløbene. De lå i momsnumre og fakturanumre, og det sædvanlige sikkerhedsnet, at kontrollere at netto plus moms giver totalen, markerede kun 3 af de 63 forkerte fakturaer. To enkle regler på momsnumrene fangede 31 af de 32 forkerte fakturaer fra de tre bedste modeller. Den billigste model kostede USD 0,43 pr. 1.000 fakturaer, men på scanninger matchede den ikke modellen til 17 gange prisen: 14 af 30 mod 22. Gemini 3.8 Flash matchede Sonnets 22 til omkring halv pris.
Jeg kørte denne test igen den 22. oktober 2026 på et nyt sæt fiktive fakturaer. Alle tal i denne artikel stammer fra den nye kørsel.
Jeg er Denys, fullstack- og AI-ingeniør. Tidligere i år byggede jeg en prototype til fakturaudlæsning: en webapp og et API, der laver PDF-fakturaer om til felter, hvor usikre felter bliver markeret til et menneske. Den kører på eksempeldata, uden en model bag sig. Så før jeg skrev om aflæsning af fakturaer, kørte jeg en rigtig test: 30 fiktive tjekkiske, tyske og portugisiske leverandørfakturaer, fire modeller, 240 kald, USD 0,76 i faktureret forbrug.
Hvad aflæser AI rigtigt og forkert på fakturaer?
Hver model læste hver faktura to gange: som en ren gengivelse, sådan som en PDF fra et regnskabsprogram ser ud, og som en simuleret scanning, grå, let drejet, sløret og komprimeret. En faktura tæller kun som rigtig, når alle ni felter passer: fakturanummer, udstedelsesdato, forfaldsdato, leverandørens momsnummer, køberens momsnummer, valuta, nettototal, momstotal og bruttototal.
| Model | Ren, alle 9 felter rigtige | Scanning, alle 9 felter rigtige | USD pr. 1.000 fakturaer | Median sekunder pr. faktura |
|---|---|---|---|---|
| Claude Haiku 5.5 | 30 af 30 | 14 af 30 | 0,43 | 6,13 |
| Claude Sonnet 5.5 | 30 af 30 | 22 af 30 | 7,18 | 8,50 |
| Gemini 3.8 Flash | 30 af 30 | 22 af 30 | 3,51 | 8,43 |
| GPT-5.6 Luna | 29 af 30 | 0 af 30 | 1,52 | 10,85 |
Prisen er det, OpenRouter fakturerede for hvert kald, ikke et overslag fra en prisliste. På rene fakturaer var Claude Haiku 5.5 og Claude Sonnet 5.5 lige gode, 30 af 30. På scanninger læste Sonnet 22 rigtigt mod Haikus 14 og kostede omkring 17 gange mere.
Har du stadig brug for OCR til at aflæse fakturadata?
Ikke som et separat trin i denne test. Alle fire modeller fik siden som et billede og returnerede de ni felter direkte, uden et OCR-lag imellem. Det, der ændrer resultatet, er sidens kvalitet. En ren PDF fra et regnskabsprogram har et tekstlag, og en scanning har ikke: den består kun af pixels. Kolonnen “scanning” i tabellen ovenfor er netop spørgsmålet om OCR-kvalitet, og det er her, modellerne adskiller sig: den bedste læste 22 af 30 scannede fakturaer rigtigt, og den svageste ingen.
Jeg testede ikke klassiske OCR-motorer eller skabelonbaserede værktøjer, så jeg kan ikke sige, hvordan de ville klare sig på de samme 30 fakturaer. Testen viser, hvor risikoen ligger, når en model læser en scanning: i momsnumre og fakturanumre, som kontrollerne nedenfor fanger.
Hvordan var testen sat op?
Jeg genererede fakturaerne med et script, så hver sand værdi er kendt på øren. Fakturaerne er fiktive: firmanavnene indeholder Vzor, Muster, Beispiel eller Exemplo, og hver faktura har en sidefod på det lokale sprog med teksten “SAMPLE - fictitious invoice / no real company”. Hver faktura rummer de fælder, en rigtig bogholder i leverandørbogholderiet møder i det pågældende land:
- Lokale talformater.
175 011,84 Kčpå tjekkisk,10.465,61 €på tysk, og både1 234,56og1.234,56på portugisiske fakturaer. - Endnu et id ved siden af fakturanummeret. Det tjekkiske variable symbol, det tyske kundenummer, den portugisiske ATCUD-kode.
- En ekstra dato. Den tjekkiske dato for skattepligtig levering og den tyske leveringsdato står ved siden af udstedelsesdatoen.
- To momsnumre på én side, plus et tysk skattenummer (Steuernummer), der ligner et momsnummer og ikke er det.
- Svære tilfælde. Blandede momssatser, en faktura uden moms, en faktura med reverse charge, en kreditnota med negative beløb og en faktura med ni linjer i hvert land.
Hvert momsnummer har et gyldigt kontrolciffer, verificeret med biblioteket python-stdnum, og ingen af dem er registreret: jeg slog hvert af de 33 anvendte numre op (30 leverandørnumre og ét køber-momsnummer pr. land) i EU’s VIES-tjeneste, og den svarede “ikke gyldigt” for dem alle. De 11 tjekkiske virksomhedsnumre bag de tjekkiske momsnumre blev også slået op i det tjekkiske virksomhedsregister, ARES, og ikke fundet. Alle fire modeller fik den samme prompt, ved temperatur 0, ét kald pr. billede.
Hvorfor fangede totalkontrollen næsten ingenting?
At kontrollere, at netto plus moms giver bruttototalen, er den første regel, de fleste udlæsningspipelines tilføjer, og den, min prototype bruger. I denne test markerede den 3 af de 63 forkerte fakturaer på tværs af de fire modeller: én Gemini 3.8 Flash-scanning (cz06, bruttototalen forkert), én GPT-5.6 Luna-scanning (cz08, hvor udstedelsesdatoen, købers momsnummer, netto og moms var forkerte) og én ren Luna-faktura (pt02, nettototalen forkert).
Årsagen er, hvor fejlene lå. Claude Haiku 5.5, Claude Sonnet 5.5 og Gemini 3.8 Flash lavede tilsammen 32 forkerte udlæsninger, og kun to havde et forkert beløb: Gemini-scanningen ovenfor og en Haiku-scanning (cz09), hvor netto- og momstotalen var en smule forkerte, men netto plus moms stadig var lig med brutto, så kontrollen forblev tavs. De øvrige læste et ciffer forkert i et momsnummer eller i et fakturanummer, som FV-2026-0738 læst som FV-2026-0758. GPT-5.6 Luna fik beløb forkert på 7 fakturaer, og på 5 af dem stemte dens netto, moms og brutto stadig. En model læser en total, der hænger sammen med resten af det, den læste, så en aritmetisk kontrol lader det meste af dens fejl passere.
Hvilke kontroller fanger fejlene?
To regler på momsnumrene, begge få linjer kode:
- Kontrolcifferet. Et momsnummer slutter med et kontrolciffer, der beregnes ud fra de andre cifre: modulo 11 for det tjekkiske virksomhedsnummer bag et DIČ og for det portugisiske NIF, ISO 7064 for det tyske USt-IdNr. Biblioteker som python-stdnum implementerer alle tre. Et fejlaflæst ciffer bryder det næsten altid.
- Dit eget momsnummer. På en indgående faktura er køberen dig. Et køber-momsnummer, der ikke er dit, er forkert, eller også var fakturaen ikke til dig.
Den ene tilbageværende, Gemini-scanningen cz06, havde en forkert bruttototal. Ingen regel på momsnumre kan se det, og Gemini angiver aldrig usikre felter, så kun totalkontrollen fangede den. Jeg bad hver model liste de felter, den var usikker på:
| Model | Forkerte fakturaer | Fanget af de to regler | Kun fanget af dens usikkerhedsflag | Ikke fanget | Rigtige fakturaer, den alligevel markerede |
|---|---|---|---|---|---|
| Claude Haiku 5.5 | 16 | 16 | 0 | 0 | 13 af 44 |
| Claude Sonnet 5.5 | 8 | 8 | 0 | 0 | 19 af 52 |
| Gemini 3.8 Flash | 8 | 7 | 0 | 1 | 0 af 52 |
| GPT-5.6 Luna | 31 | 30 | 0 | 1 | 0 af 29 |
Gemini 3.8 Flash angav aldrig et felt som usikkert, så for den er kontrollerne alt, hvad du har; her fangede de to regler 7 af dens 8 forkerte fakturaer og totalkontrollen den ottende. Claude-modellerne markerede for meget frem for for lidt: Haiku markerede 13 af sine 44 rigtige fakturaer (30 %) og Sonnet 19 af 52 (37 %), alle scanninger; ingen af dem markerede en eneste ren faktura. Det er den afvejning, man vil have i leverandørbogholderiet, hvor et blik fra en bogholder koster mindre end en forkert betaling.
To ting mere dukkede op. GPT-5.6 Lunas fejl var ikke begrænset til id’er: af dens 31 forkerte fakturaer var 30 scanninger, 20 havde et forkert fakturanummer, 13 en forkert udstedelsesdato og 15 en forkert forfaldsdato, og 15 beløbsfelter var forkerte på 7 fakturaer. Dens ene faktura i kolonnen “ikke fanget” er en ren faktura, pt02, med en forkert nettototal: de to regler og dens usikkerhedsflag missede den, totalkontrollen gjorde ikke. Og et kontrolciffer kan ikke fange enhver fejlaflæsning, for nogle forkerte numre er også gyldige; i denne kørsel bestod intet forkert momsnummer begge regler.
Hvilken model skal du bruge til aflæsning af fakturaer?
På dette sæt var scanningsresultaterne: Claude Sonnet 5.5 22 af 30 med 8 forkerte fakturaer til USD 7,18 pr. 1.000; Gemini 3.8 Flash også 22 af 30 med 8 forkerte fakturaer til USD 3,51, omkring halv pris; Claude Haiku 5.5 14 af 30 med 16 forkerte til USD 0,43. Gemini matchede Sonnet i nøjagtighed til omkring halv pris, men den angiver aldrig usikre felter: dens forkerte fakturaer blev fanget af de to momsnummerregler (7) og totalkontrollen (1), mens Sonnet også markerede 19 af sine 52 rigtige fakturaer. Med kontrollerne på plads forblev ingen af Haikus eller Sonnets forkerte fakturaer tavse, så den billigste model betyder flere forkerte fakturaer at rette (16 mod 8), ikke flere fejl i hovedbogen. Sender du hver faktura til en model, er modellen sjældent den store udgift; prisen på en AI-agent fungerer på samme måde. GPT-5.6 Luna kan ikke bruges på scanninger i denne test.
Den rangering er én test på 30 fakturaer. Kør dine egne fakturaer gennem to eller tre modeller, før du vælger.
Har du overhovedet brug for en model?
Ofte ikke, og i nogle lande mindre for hvert år. Før du sender et billede af en faktura til en model, så tjek, om dataene allerede ligger i filen:
- Portugal. Hver faktura fra certificeret software skal bære en QR-kode med begge NIF, datoen, fakturanummeret, ATCUD’en og beskatningsgrundlaget og momsen pr. sats (Portaria n.º 195/2020, AT’s QR-kodespecifikation). Læser du QR-koden, får du de fleste felter præcist.
- Tyskland. Siden 1. januar 2025 tæller en almindelig PDF ikke længere som en e-faktura mellem tyske virksomheder. Papir- og PDF-fakturaer er tilladt i en overgangsperiode, der slutter for alle virksomheder ved udgangen af 2027 (Forbundsfinansministeriets FAQ). XRechnung- og ZUGFeRD-fakturaer bærer strukturerede data, du kan læse direkte.
- Tjekkiet. Mange regnskabsværktøjer indlejrer et ISDOC-datalag i PDF’en; Fakturoid har føjet det til alle sine PDF-fakturaer siden december 2022 (Fakturoid).
Så rækkefølgen, der virker, er: læs datalaget, hvis der er et, send kun resten til en model, og kør så kontrollerne. Modellen er reserven, ikke det første skridt.
Hvordan kommer felterne ind i Excel eller dit regnskabssystem?
Arkivet, der er linket til nedenfor, indeholder allerede en CSV med alle resultater, én række pr. udlæsning, så outputtet kan åbnes direkte i Excel. Min prototype til fakturaudlæsning virker på samme måde på appniveau: den eksporterer de godkendte felter, og den har ét API-kald, der tager en PDF og returnerer felterne som JSON for hver faktura.
Derfra kan en CSV- eller XLSX-fil importeres i et regnskabssystem, der accepterer filimport, eller JSON kan sendes videre af et lille script. Prototypen kører på eksempeldata, og jeg har ikke koblet den til noget bestemt regnskabsprodukt. For en kørsel fra PDF til Excel, der også tager fakturalinjer med og giver en projektmappe med to ark, se Faktura fra PDF til Excel: hvornår kræver det AI?.
Er du stadig i tvivl om, hvilken del af virksomheden der er værd at automatisere, hjælper jeg dig med at vælge den og bygger den bagefter: se AI-rådgivning til små virksomheder. Kundebeskeder er den anden almindelige første opgave for AI i en lille virksomhed: hvad en WhatsApp-chatbot med AI koster pr. svar, med Metas gebyr regnet med.
Hvad beviser testen ikke?
- Fakturaerne er fiktive. Ét layout pr. land, genereret af et script, med eksempelfirmanavne. Rigtige leverandørfakturaer varierer langt mere.
- Scanningerne er simulerede. Sløring, rotation, støj og JPEG-komprimering på en ren gengivelse, ikke papir gennem en scanner eller et telefonfoto.
- Ét kald pr. faktura, ét sæt på 30. Resultaterne varierer meget mellem sæt. Denne artikel kørte først på et andet sæt med 30 fakturaer, hvor scanningsresultaterne for Haiku, Sonnet og Gemini var 22, 22 og 17 af 30; på dette sæt er de 14, 22 og 22. Hvert land har ét køber-momsnummer, der gentages på 10 fakturaer, så én fejlaflæst talrække kan ødelægge op til 10 fakturaer på én gang.
- Priser ændrer sig. Omkostningerne er det, OpenRouter fakturerede den 22. oktober 2026.
- Kun ni felter. Ingen fakturalinjer, IBAN eller betalingsbetingelser.
Sådan gentager du det på dine egne fakturaer
- Vælg 30 til 50 rigtige fakturaer, også de dårligste scanninger, du modtager. Skriv de sande værdier ned i hånden.
- Brug én prompt og et fast outputskema med en liste over usikre felter, ved temperatur 0.
- Kør to eller tre modeller og notér den fakturerede pris pr. kald, ikke listeprisen.
- Scor hele fakturaer, ikke enkelte felter: ét forkert ciffer i et momsnummer er en forkert faktura.
- Tilføj kontrolciffer-reglen og reglen om dit eget momsnummer, og mål, hvad de fanger.
- Læs datalaget først, hvor dine leverandørers software leverer et.
Scripts, de genererede fakturaer og alle resultater ligger i ét arkiv: generatoren, kørselsscriptet, scoringsscriptet og en CSV med alle 240 udlæsninger. Vil du have det bygget ind i din leverandørbogholdingsproces, er det en del af workflowautomatisering.
Vil du have denne type udlæsning føjet til en proces, du allerede kører, gør jeg det under AI-integration i eksisterende produkter.
Se også: Dokumenthåndteringssystem til små virksomheder: 8 priser.
Min lignende sag
Jeg byggede en tjeneste, der gør en ejendomsattest, som tog 2–3 uger og kostede EUR 200–300, til en, der tager 2–3 minutter og koster EUR 99, med scripts og vision-AI. Opbygningen står i casen om automatisering af ejendomsdokumenter.
Udtrækker du fakturadata i hånden eller med et værktøj, du ikke stoler på? Skriv til mig, så finder vi den bedste løsning for dig.
Taster du stadig fakturadata i hånden?
Fortæl mig, hvad du har nu, og hvad du har brug for. Jeg svarer med den løsning, jeg selv ville vælge.
Skriv til mig