Liigu sisu juurde

Kas arvetel on veel OCR-i vaja? Testisin 4 AI-mudelit

Uuendatud

Vaata MarkdowninaAva rakenduses ClaudeAva rakenduses ChatGPTAva rakenduses Perplexity

Küsimus kopeeritakse ka. Kui vestlus avaneb tühjana, kleepige see sisse.

Sellel lehel
  1. Mida AI arvete andmete tuvastamisel õigesti ja valesti teeb?
  2. Kas arvete andmete tuvastamiseks on veel OCR-i vaja?
  3. Kuidas test üles ehitati?
  4. Miks summakontroll peaaegu midagi ei leidnud?
  5. Millised kontrollid vead leiavad?
  6. Millist mudelit arvete andmete tuvastamiseks kasutada?
  7. Kas te vajate mudelit üldse?
  8. Kuidas väljad Excelisse või raamatupidamissüsteemi jõuavad?
  9. Mida see test ei tõesta?
  10. Kuidas seda oma arvetel korrata
  11. Minu sarnane juhtum

Lühidalt

Arvete andmete tuvastamisel AI-ga luges kolm minu testitud neljast mudelist puhaste digitaalsete arvete peal kõik üheksa välja õigesti 30 arve 30-st. Samade arvete simuleeritud skannimistel sai parim hakkama 22-ga 30-st. Vead ei olnud peaaegu kunagi summades. Need olid käibemaksunumbrites ja arvenumbrites ning tavaline turvavõrk, kontroll, et neto pluss käibemaks võrdub kogusummaga, märkis ainult 3 63 valest arvest. Kaks lihtsat reeglit käibemaksunumbritele leidsid 31 32-st valest arvest, mille kolm parimat mudelit tegid. Odavaim mudel maksis USD 0,43 tuhande arve kohta, aga skannimiste peal ei võrdunud ta enam 17 korda kallima mudeliga: 14 30-st versus 22. Gemini 3.8 Flash saavutas Sonneti 22 umbes poole hinnaga.

Kordasin seda testi 22. oktoobril 2026 uue väljamõeldud arvete komplektiga. Kõik selle artikli arvud on kordustestist.

Olen Denys, full-stack- ja AI-insener. Ehitasin selle aasta alguses arvete andmete tuvastamise prototüübi: veebirakenduse ja API, mis muudavad PDF-arved väljadeks ning märgivad ebakindlad väljad inimesele kontrollimiseks. See töötab näidisandmetel, ilma ühegi mudelita selle taga. Enne kui arvete andmete tuvastamisest kirjutasin, tegin seega päris testi: 30 väljamõeldud Tšehhi, Saksa ja Portugali tarnijaarvet, neli mudelit, 240 kõnet, USD 0,76 arveldatud kasutust.

Mida AI arvete andmete tuvastamisel õigesti ja valesti teeb?

Iga mudel luges iga arve kaks korda: puhta renderdusena, nagu näeb välja raamatupidamistarkvarast pärit PDF, ja simuleeritud skannimisena, hall, veidi pööratud, hägune ja kokku pakitud. Arve loetakse õigeks ainult siis, kui kõik üheksa välja klapivad: arvenumber, arve kuupäev, maksetähtaeg, tarnija käibemaksunumber, ostja käibemaksunumber, valuuta, neto kogusumma, käibemaksu kogusumma ja bruto kogusumma.

Mudel Puhas, kõik 9 välja õiged Skannimine, kõik 9 välja õiged USD tuhande arve kohta Mediaanaeg arve kohta sekundites
Claude Haiku 5.5 30 / 30 14 / 30 0,43 6,13
Claude Sonnet 5.5 30 / 30 22 / 30 7,18 8,50
Gemini 3.8 Flash 30 / 30 22 / 30 3,51 8,43
GPT-5.6 Luna 29 / 30 0 / 30 1,52 10,85
Skannitud arved, millel kõik 9 välja õiged. 30 simuleeritud skannimisest mudeli kohta. Sama prompt, temperatuur 0. Claude Haiku 5.5: 14; Claude Sonnet 5.5: 22; Gemini 3.8 Flash: 22; GPT-5.6 Luna: 0.
Minu test 22. oktoobril 2026: 30 väljamõeldud Tšehhi, Saksa ja Portugali arvet, simuleeritud skannimised, OpenRouteri kaudu.

Hind on see, mida OpenRouter iga kõne eest arveldas, mitte hinnakirjal põhinev hinnang. Puhaste arvete peal olid Claude Haiku 5.5 ja Claude Sonnet 5.5 võrdselt täpsed, 30 30-st. Skannimistel luges Sonnet õigesti 22, Haiku 14, ja maksis umbes 17 korda rohkem.

Kas arvete andmete tuvastamiseks on veel OCR-i vaja?

Selles testis mitte eraldi sammuna. Kõik neli mudelit said lehe pildina ja tagastasid üheksa välja otse, ilma OCR-kihita vahel. Tulemust muudab lehe kvaliteet. Raamatupidamistarkvarast pärit puhtal PDF-il on tekstikiht, skannimisel mitte: see on ainult pikslid. Ülaltoodud tabeli veerg “skannimine” ongi OCR-i kvaliteedi küsimus ja just seal mudelid erinevad: parim luges õigesti 22 skannitud arvet 30-st ja nõrgim mitte ühtegi.

Klassikalisi OCR-mootoreid ega mallipõhiseid tööriistu ma ei testinud, seega ei oska ma öelda, kuidas need samade 30 arvega hakkama saaksid. Test näitab, kus risk on, kui mudel loeb skannimist: käibemaksunumbrites ja arvenumbrites, mille allpool toodud kontrollid leiavad.

Kuidas test üles ehitati?

Genereerisin arved skriptiga, nii et iga tegelik väärtus on teada sendi täpsusega. Arved on väljamõeldud: ettevõtete nimedes on Vzor, Muster, Beispiel või Exemplo ja igal arvel on kohalikus keeles jalus tekstiga “SAMPLE - fictitious invoice / no real company”. Igaühel on lõksud, millega päris ostuarvete raamatupidaja selles riigis kokku puutub:

  • Kohalikud arvuvormingud. 175 011,84 Kč tšehhi keeles, 10.465,61 € saksa keeles ning nii 1 234,56 kui ka 1.234,56 Portugali arvetel.
  • Teine identifikaator arvenumbri kõrval. Tšehhi muutuja sümbol, Saksa kliendinumber, Portugali ATCUD-kood.
  • Teine kuupäev. Tšehhi maksustatava tarne kuupäev ja Saksa teenuse osutamise kuupäev on arve kuupäeva kõrval.
  • Kaks käibemaksunumbrit ühel lehel, pluss Saksa maksunumber (Steuernummer), mis näeb välja nagu käibemaksunumber, aga ei ole seda.
  • Rasked juhtumid. Eri käibemaksumäärad, arve ilma käibemaksuta, pöördmaksustamisega arve, negatiivsete summadega kreeditarve ja üheksa reaga arve igas riigis.

Igal käibemaksunumbril on kehtiv kontrollnumber, mida kontrollisin teegiga python-stdnum, ning ükski neist ei ole registreeritud: otsisin kõik 33 kasutatud numbrit (30 tarnija numbrit ja üks ostja number riigi kohta) ELi teenusest VIES ja see vastas kõigi kohta “kehtetu”. Ka 11 Tšehhi ettevõtte numbrit Tšehhi käibemaksunumbrite taga otsiti Tšehhi äriregistrist ARES ja neid ei leitud. Kõik neli mudelit said sama prompti, temperatuuril 0, üks kõne pildi kohta.

Kuidas test tehti. Sama viip ja seaded igale mudelile. 30 arvet Tšehhist, Saksamaalt ja Portugalist: Skript → 30 arvet → Puhas + skaneering → 4 mudelit → Hindamine.
Minu test, 22. oktoober 2026. 30 arvet × 2 versiooni × 4 mudelit = 240 päringut.
Tšehhi testarve ülaosa, number FV-2026-0738, koos SAMPLE-jalusega. Üleval: puhas renderdus, terav ja hästi loetav. All: sama arve simuleeritud skannimine, hall, hägune ja pööratud, kus arvenumbri 3 on raske 5-st eristada.
Testarve cz09, puhas ja simuleeritud skannimisena. Claude Haiku 5.5 luges skannitud numbri kui FV-2026-0758.

Miks summakontroll peaaegu midagi ei leidnud?

Kontroll, et neto pluss käibemaks võrdub bruto kogusummaga, on esimene reegel, mille enamik tuvastusahelaid lisab, ja see, mida minu prototüüp kasutab. Selles testis märkis see 3 63 valest arvest nelja mudeli peale kokku: ühe Gemini 3.8 Flash skannimise (cz06, brutosumma vale), ühe GPT-5.6 Luna skannimise (cz08, kus olid valed arve kuupäev, ostja käibemaksunumber, neto ja käibemaks) ja ühe Luna puhta arve (pt02, neto kogusumma vale).

Põhjus on selles, kus vead olid. Claude Haiku 5.5, Claude Sonnet 5.5 ja Gemini 3.8 Flash tegid kokku 32 valet tuvastust ja ainult kahel oli vale summa: ülalnimetatud Gemini skannimisel ja Haiku skannimisel (cz09), kus neto- ja käibemaksusumma olid veidi valed, aga neto pluss käibemaks võrdus ikka brutoga, nii et kontroll jäi vait. Ülejäänutes loeti number valesti käibemaksunumbris või arvenumbris, näiteks FV-2026-0738 loeti kui FV-2026-0758. GPT-5.6 Luna sai summad valesti 7 arvel ja 5-l neist klappisid tema neto, käibemaks ja bruto ikkagi kokku. Mudel loeb kogusumma, mis sobib kokku kõigega muuga, mida ta luges, nii et aritmeetiline kontroll libiseb suurest osast tema vigadest mööda.

Millised kontrollid vead leiavad?

Kaks reeglit käibemaksunumbritele, kumbki mõned read koodi:

  1. Kontrollnumber. Käibemaksunumber lõpeb kontrollnumbriga, mis arvutatakse teistest numbritest: modulo 11 Tšehhi DIČ-i taga olevale ettevõtte numbrile ja Portugali NIF-ile, ISO 7064 Saksa USt-IdNr-ile. Teegid nagu python-stdnum realiseerivad kõik kolm. Valesti loetud number rikub selle peaaegu alati.
  2. Teie enda käibemaksunumber. Sissetulevas arves olete ostja teie. Iga ostja käibemaksunumber, mis ei ole teie oma, on vale või arve ei olnud teile mõeldud.
32 valet arvet selle järgi, mis need leidis. Claude Haiku 5.5, Claude Sonnet 5.5 ja Gemini 3.8 Flash, 180 tuvastust. Leidsid kaks käibemaksunumbri reeglit: 31; Leidis ainult mudeli enda ebakindluse märge: 0; Reeglid ega märge ei leidnud: 1.
Minu test 22. oktoobril 2026. Reeglid: käibemaksunumbri kontrollnumber ja meie enda käibemaksunumber. Märge: väli, mille mudel tõi ebakindlana välja. Ainsa juhtumi, mida kumbki ei leidnud, märkis kogusummade kontroll.

Üks järele jäänud oli Gemini skannimine cz06, kus brutosumma oli vale. Ükski käibemaksunumbri reegel seda ei näe ja Gemini ei loetle kunagi ebakindlaid välju, nii et selle leidis ainult kogusummade kontroll. Palusin igal mudelil loetleda väljad, milles ta oli ebakindel:

Mudel Valed arved Kahe reegli leitud Ainult enda ebakindluse märke leitud Leidmata Õiged arved, mille ta siiski märkis
Claude Haiku 5.5 16 16 0 0 13 / 44
Claude Sonnet 5.5 8 8 0 0 19 / 52
Gemini 3.8 Flash 8 7 0 1 0 / 52
GPT-5.6 Luna 31 30 0 1 0 / 29

Gemini 3.8 Flash ei toonud ühtegi välja ebakindlana, nii et tema jaoks on kontrollid kõik, mis teil on; siin leidsid kaks reeglit 7 tema 8 valest arvest ja kogusummade kontroll kaheksanda. Claude’i mudelid märkisid pigem liiga palju kui liiga vähe: Haiku märkis 13 oma 44 õigest arvest (30%) ja Sonnet 19 52-st (37%), kõik skannimised; kumbki ei märkinud ainsatki puhast arvet.kumbki ei märkinud ainsatki puhast arvet. See on just see vahetus, mida ostuarvete haldamisel soovite, kus raamatupidaja pilk maksab vähem kui vale makse.

Välja tuli veel kaks asja. GPT-5.6 Luna vead ei piirdunud identifikaatoritega: tema 31 valest arvest 30 olid skannimised, 20-l oli vale arvenumber, 13-l vale arve kuupäev ja 15-l vale maksetähtaeg ning 7 arvel oli 15 summavälja valesti. Tema ainus arve veerus “Leidmata” on puhas arve pt02 vale neto kogusummaga: kaks reeglit ja tema ebakindluse märge jätsid selle vahele, kogusummade kontroll mitte. Ja kontrollnumber ei suuda tabada iga valesti lugemist, sest mõned valed numbrid on samuti kehtivad; selles käivituses ei läbinud ükski vale käibemaksunumber mõlemat reeglit.

Millist mudelit arvete andmete tuvastamiseks kasutada?

Selles komplektis olid skannimistulemused järgmised: Claude Sonnet 5.5 22 30-st 8 vale arvega hinnaga USD 7,18 tuhande arve kohta; Gemini 3.8 Flash samuti 22 30-st 8 vale arvega hinnaga USD 3,51, umbes poole odavam; Claude Haiku 5.5 14 30-st 16 vale arvega hinnaga USD 0,43. Gemini võrdus täpsuselt Sonnetiga umbes poole hinnaga, aga ta ei toonud kunagi ühtegi välja ebakindlana: tema valed arved leidsid kaks käibemaksunumbri reeglit (7) ja kogusummade kontroll (1), samas kui Sonnet märkis ka 19 oma 52 õigest arvest. Kontrollide olemasolul ei jäänud ükski Haiku ega Sonneti vale arve märkamata, nii et odavaim mudel tähendab rohkem parandatavaid valesid arveid (16 versus 8), mitte rohkem vigu pearaamatus. Kui saadate iga arve mudelile, on mudel harva suur kulu; AI-agendi hind töötab samamoodi. GPT-5.6 Luna ei ole selles testis skannimiste peal kasutatav.

See pingerida on üks test 30 arvega. Laske oma arved enne valimist läbi kahe-kolme mudeli.

Kas te vajate mudelit üldse?

Sageli mitte ja mõnes riigis iga aastaga vähem. Enne kui saadate arve pildi mudelile, kontrollige, kas andmed on failis juba olemas:

  • Portugal. Iga sertifitseeritud tarkvaraga tehtud arve peab sisaldama QR-koodi, kus on mõlemad NIF-id, kuupäev, arvenumber, ATCUD ning maksustatav summa ja käibemaks määra kaupa (Portaria n.º 195/2020, AT QR-koodi spetsifikatsioon). QR-koodi lugedes saate enamiku väljadest täpselt kätte.
  • Saksamaa. 1. jaanuarist 2025 ei loeta tavalist PDF-i enam e-arveks Saksa ettevõtete vahel. Paberarved ja PDF-arved on üleminekuajal lubatud ning üleminek lõpeb kõigi ettevõtete jaoks 2027. aasta lõpus (Saksamaa rahandusministeeriumi KKK). XRechnung- ja ZUGFeRD-arved kannavad struktureeritud andmeid, mida saab otse lugeda.
  • Tšehhi. Paljud raamatupidamistööriistad põimivad PDF-i sisse ISDOC-andmekihi; Fakturoid on lisanud selle kõigile oma PDF-arvetele alates 2022. aasta detsembrist (Fakturoid).

Toimiv järjekord on seega: lugege andmekiht, kui see on olemas, saatke mudelile ainult ülejäänu ja seejärel tehke kontrollid. Mudel on varuvariant, mitte esimene samm.

Loe kõigepealt andmed, ülejäänu mudelile. Kaks teed saabunud arvele. Arve andmekihiga (QR-kood, e-arve XML): Arve → Loe andmed → Kontrollid → Raamatupidamine; Tavaline PDF või skaneering: Arve → AI-mudel → Kontrollid → Raamatupidaja → Raamatupidamine.
Kontrollid: käibemaksunumbri kontrollnumber, teie oma käibemaksunumber, väljad, mille mudel märkis ebakindlaks. Andmekiht: QR-kood Portugalis, XRechnung või ZUGFeRD Saksamaal, ISDOC Tšehhis.

Kuidas väljad Excelisse või raamatupidamissüsteemi jõuavad?

Allpool lingitud arhiiv sisaldab juba CSV-d kõigi tulemustega, üks rida tuvastuse kohta, nii et tulemus avaneb Excelis otse. Minu arvete andmete tuvastamise prototüüp töötab rakenduse tasandil samamoodi: see ekspordib kinnitatud väljad ja sellel on üks API-päring, mis võtab PDF-i ja tagastab iga arve väljad JSON-ina.

Sealt saab CSV- või XLSX-faili importida raamatupidamissüsteemi, mis failiimporti toetab, või JSON-i edasi anda väikese skriptiga. Prototüüp töötab näidisandmetel ja ma pole seda ühegi konkreetse raamatupidamistootega ühendanud. Katse PDF-arvest Excelisse, kus on arveread ja kahe töölehega töövihik, leiate artiklist PDF-arve Excelisse: millal on vaja AI-d ja millal mitte.

Kui otsustate veel, millist osa ettevõttest tasub automatiseerida, aitan selle valida ja ehitan selle seejärel valmis: vaadake lehte Tehisintellekti konsultant väikeettevõttele. Klientide sõnumid on teine levinud esimene AI ülesanne väikeettevõttes: kui palju maksab WhatsAppi vestlusrobot vastuse kohta, Meta tasu arvestatud.

Mida see test ei tõesta?

  • Arved on väljamõeldud. Üks küljendus riigi kohta, skripti genereeritud, näidisnimedega ettevõtetega. Päris tarnijaarved varieeruvad palju rohkem.
  • Skannimised on simuleeritud. Hägustamine, pööramine, müra ja JPEG-pakkimine puhta renderduse peal, mitte paber skanneris ega telefonifoto.
  • Üks kõne arve kohta, üks 30 arve komplekt. Tulemused varieeruvad komplektide vahel palju. See artikkel tehti esmalt teise 30 arve komplektiga, kus skannimistulemused olid Haiku, Sonneti ja Gemini jaoks 22, 22 ja 17 30-st; selles komplektis on need 14, 22 ja 22. Igal riigil on üks ostja käibemaksunumber, mis kordub 10 arvel, nii et üks valesti loetud string võib rikkuda kuni 10 arvet korraga.
  • Hinnad muutuvad. Kulud on see, mida OpenRouter arveldas 22. oktoobril 2026.
  • Ainult üheksa välja. Ei arveridu, IBAN-e ega maksetingimusi.

Kuidas seda oma arvetel korrata

  1. Valige 30 kuni 50 päris arvet, sealhulgas halvimad skannimised, mis te saate. Kirjutage tegelikud väärtused käsitsi üles.
  2. Kasutage ühte prompti ja fikseeritud väljundskeemi koos ebakindlate väljade nimekirjaga, temperatuuril 0.
  3. Käivitage kaks või kolm mudelit ja pange kirja arveldatud hind kõne kohta, mitte hinnakirja hind.
  4. Hinnake tervet arvet, mitte üksikuid välju: üks vale number käibemaksunumbris on vale arve.
  5. Lisage kontrollnumbri reegel ja oma käibemaksunumbri reegel ning mõõtke, mida need leiavad.
  6. Lugege andmekiht esimesena kõikjal, kus teie tarnijate tarkvara seda pakub.

Skriptid, genereeritud arved ja kõik tulemused on ühes arhiivis: generaator, käitaja, hindaja ja CSV kõigi 240 tuvastusega. Kui soovite selle ehitada oma ostuarvete töövoogu, kuulub see töövoogude automatiseerimise alla.

Kui soovite sellist andmete väljalugemist lisada protsessile, mida juba kasutate, teen seda lehel AI integreerimine olemasolevatesse toodetesse kirjeldatud töö raames.

Vaata ka: Dokumendihaldustarkvara väikeettevõttele: 8 hinnaga.

Minu sarnane juhtum

Ehitasin teenuse, mis muudab kinnisvaratõendi, mille saamine võttis 2–3 nädalat ja maksis EUR 200–300, selliseks, mis võtab 2–3 minutit ja maksab EUR 99, skriptide ja pildituvastus-AI abil. Ehitus on kinnisvaradokumentide automatiseerimise juhtumis.

Võtate arveandmeid välja käsitsi või tööriistaga, mida te ei usalda? Kirjutage mulle, siis leiame teile parima valiku.

Sisestate arveandmeid ikka käsitsi?

Öelge mulle, mis teil praegu on ja mida vajate. Vastan valikuga, mille ise teeksin.

Kirjutage mulle

© 2026 Denys Zaichenko. Algne artikkel: https://madsalt.tech/et/blog/invoice-data-extraction-with-ai/