Prejsť na obsah

Treba pri vyťažovaní faktúr ešte OCR? Test 4 modelov AI

Aktualizované

Zobraziť ako MarkdownOtvoriť v ClaudeOtvoriť v ChatGPTOtvoriť v Perplexity

Otázka sa tiež skopíruje. Ak sa chat otvorí prázdny, vložte ju.

Na tejto stránke
  1. Čo vie AI pri vyťažovaní faktúr správne a čo zle?
  2. Potrebujete na vyťažovanie údajov z faktúr ešte OCR?
  3. Ako bol test postavený?
  4. Prečo kontrola súčtov nezachytila takmer nič?
  5. Ktoré kontroly chyby zachytia?
  6. Ktorý model použiť na vyťažovanie faktúr?
  7. Potrebujete vôbec model?
  8. Ako sa polia dostanú do Excelu alebo účtovného systému?
  9. Čo tento test nedokazuje?
  10. Ako test zopakovať na vlastných faktúrach
  11. Môj podobný prípad

TL;DR

Pri vyťažovaní faktúr z čistých digitálnych PDF prečítali traja zo štyroch testovaných modelov všetkých deväť polí správne pri 30 z 30 faktúr. Pri simulovaných skenoch tých istých faktúr zvládol najlepší model 22 z 30. Chyby takmer nikdy neboli v sumách. Boli v IČ DPH a číslach faktúr a obvyklá poistka, kontrola, že základ plus DPH dáva celkovú sumu, označila len 3 zo 63 chybných faktúr. Dve jednoduché pravidlá pre IČ DPH zachytili 31 z 32 chybných faktúr od troch najlepších modelov. Najlacnejší model stál USD 0,43 za 1 000 faktúr, ale pri skenoch nevyrovnal model, ktorý stál 17-krát viac: 14 z 30 oproti 22. Gemini 3.8 Flash vyrovnal 22 modelu Sonnet za približne polovičnú cenu.

Tento test som zopakoval 22. októbra 2026 na novej sade fiktívnych faktúr. Všetky čísla v tomto článku pochádzajú z opakovaného behu.

Som Denys, full-stack a AI inžinier. Začiatkom roka som postavil prototyp vyťažovania faktúr: webovú aplikáciu a API, ktoré z PDF faktúr robia polia a neisté položky označujú pre človeka. Beží na ukážkových dátach, bez modelu za ním. Než som o vyťažovaní faktúr začal písať, urobil som preto skutočný test: 30 fiktívnych českých, nemeckých a portugalských dodávateľských faktúr, štyri modely, 240 volaní, USD 0,76 vyúčtovanej prevádzky.

Čo vie AI pri vyťažovaní faktúr správne a čo zle?

Každý model čítal každú faktúru dvakrát: ako čistý výstup, tak ako vyzerá PDF z účtovného programu, a ako simulovaný sken, sivý, mierne pootočený, rozmazaný a skomprimovaný. Faktúra sa počíta ako správna, iba ak sedí všetkých deväť polí: číslo faktúry, dátum vystavenia, dátum splatnosti, IČ DPH dodávateľa, IČ DPH odberateľa, mena, základ dane, DPH a celková suma.

Model Čistá, všetkých 9 polí správne Sken, všetkých 9 polí správne USD za 1 000 faktúr Medián sekúnd na faktúru
Claude Haiku 5.5 30 z 30 14 z 30 0,43 6,13
Claude Sonnet 5.5 30 z 30 22 z 30 7,18 8,50
Gemini 3.8 Flash 30 z 30 22 z 30 3,51 8,43
GPT-5.6 Luna 29 z 30 0 z 30 1,52 10,85
Skenované faktúry prečítané so všetkými 9 poľami správne. Z 30 simulovaných skenov na model. Rovnaký prompt, teplota 0. Claude Haiku 5.5: 14; Claude Sonnet 5.5: 22; Gemini 3.8 Flash: 22; GPT-5.6 Luna: 0.
Môj test, 22. októbra 2026: 30 fiktívnych českých, nemeckých a portugalských faktúr, simulované skeny, cez OpenRouter.

Cena je to, čo za každé volanie vyúčtoval OpenRouter, nie odhad podľa cenníka. Pri čistých faktúrach boli Claude Haiku 5.5 a Claude Sonnet 5.5 rovnako presné, 30 z 30. Pri skenoch Sonnet prečítal správne 22 oproti 14 pri Haiku a stál asi 17-krát viac.

Potrebujete na vyťažovanie údajov z faktúr ešte OCR?

V tomto teste nie ako samostatný krok. Všetky štyri modely dostali stranu ako obrázok a priamo vrátili deväť polí, bez vrstvy OCR medzi tým. Výsledok mení kvalita strany. Čisté PDF z účtovného programu má textovú vrstvu, sken nie: sú to len pixely. Stĺpec „Sken“ v tabuľke vyššie je presne otázka kvality OCR a práve tu sa modely líšia: najlepší správne prečítal 22 z 30 skenovaných faktúr, najslabší žiadnu.

Klasické OCR nástroje ani riešenia založené na šablónach som netestoval, takže neviem povedať, ako by dopadli na tých istých 30 faktúrach. Test ukazuje, kde je riziko, keď model číta sken: v IČ DPH a číslach faktúr, ktoré zachytia kontroly nižšie.

Ako bol test postavený?

Faktúry som vygeneroval skriptom, takže každá pravdivá hodnota je známa na cent. Faktúry sú fiktívne: názvy firiem nesú slová Vzor, Muster, Beispiel alebo Exemplo a každá faktúra má v pätičke text v miestnom jazyku, ktorý znie „SAMPLE - fictitious invoice / no real company“. Každá obsahuje pasce, na ktoré v danej krajine narazí skutočná účtovníčka spracúvajúca prijaté faktúry:

  • Miestne formáty čísel. 175 011,84 Kč v češtine, 10.465,61 € v nemčine a na portugalských faktúrach aj 1 234,56, aj 1.234,56.
  • Druhý identifikátor vedľa čísla faktúry. Český variabilný symbol, nemecké číslo zákazníka, portugalský kód ATCUD.
  • Druhý dátum. Český dátum uskutočnenia zdaniteľného plnenia a nemecký dátum plnenia stoja vedľa dátumu vystavenia.
  • Dve IČ DPH na jednej strane, plus nemecké daňové číslo (Steuernummer), ktoré vyzerá ako IČ DPH, a nie je ním.
  • Ťažké prípady. Zmiešané sadzby DPH, faktúra bez DPH, faktúra v režime prenesenia daňovej povinnosti, dobropis so zápornými sumami a deväťriadková faktúra v každej krajine.

Každé IČ DPH má platnú kontrolnú číslicu, overenú knižnicou python-stdnum, a žiadne z nich nie je registrované: každé z 33 použitých ID (30 ID dodávateľov a jedno ID odberateľa na krajinu) som vyhľadal v službe VIES Európskej únie a pri všetkých odpovedala „neplatné“. Aj 11 českých čísel firiem za českými IČ DPH som vyhľadal v českom registri ekonomických subjektov ARES a nenašiel som ich. Všetky štyri modely dostali rovnaký prompt pri teplote 0, jedno volanie na obrázok.

Ako test prebiehal. Rovnaký prompt a nastavenia pre každý model. 30 faktúr z Česka, Nemecka a Portugalska: Skript → 30 faktúr → Čisté + sken → 4 modely → Hodnotenie.
Môj test, 22. októbra 2026. 30 faktúr × 2 verzie × 4 modely = 240 volaní.
Horná časť českej testovacej faktúry s číslom FV-2026-0738 a pätičkou SAMPLE. Hore: čistý výstup, ostrý a dobre čitateľný. Dole: simulovaný sken tej istej faktúry, sivý, rozmazaný a pootočený, kde je 3 v čísle faktúry ťažké rozoznať od 5.
Testovacia faktúra cz09, čistá a ako simulovaný sken. Claude Haiku 5.5 prečítal číslo zo skenu ako FV-2026-0758.

Prečo kontrola súčtov nezachytila takmer nič?

Kontrola, že základ plus DPH dáva celkovú sumu, je prvé pravidlo, ktoré väčšina vyťažovacích reťazcov pridá, a to, ktoré používa môj prototyp. V tomto teste označila 3 zo 63 chybných faktúr naprieč štyrmi modelmi: jeden sken modelu Gemini 3.8 Flash (cz06, zlá celková suma), jeden sken modelu GPT-5.6 Luna (cz08, kde bol zle dátum vystavenia, IČ DPH odberateľa, základ a DPH) a jednu čistú faktúru modelu Luna (pt02, zlý základ dane).

Dôvod je v tom, kde chyby boli. Claude Haiku 5.5, Claude Sonnet 5.5 a Gemini 3.8 Flash urobili spolu 32 chybných vyťažení a len dve mali zlú sumu: sken Gemini vyššie a sken Haiku (cz09), kde boli základ a DPH mierne mimo, ale základ plus DPH sa stále rovnal celkovej sume, takže kontrola mlčala. Ostatné prečítali zle číslicu v IČ DPH alebo v čísle faktúry, napríklad FV-2026-0738 prečítané ako FV-2026-0758. GPT-5.6 Luna urobila chyby v sumách pri 7 faktúrach, ale pri 5 z nich sa základ, DPH a celková suma stále zhodovali. Model prečíta celkovú sumu, ktorá je v súlade so zvyškom toho, čo prečítal, takže aritmetická kontrola väčšinu jeho chýb prepustí.

Ktoré kontroly chyby zachytia?

Dve pravidlá pre IČ DPH, obe pár riadkov kódu:

  1. Kontrolná číslica. IČ DPH končí kontrolnou číslicou vypočítanou z ostatných číslic: modulo 11 pre české IČO za DIČ a pre portugalské NIF, ISO 7064 pre nemecké USt-IdNr. Knižnice ako python-stdnum implementujú všetky tri. Zle prečítaná číslica ju takmer vždy pokazí.
  2. Vaše vlastné IČ DPH. Na prijatej faktúre ste odberateľom vy. Každé IČ DPH odberateľa, ktoré nie je vaše, je chybné, alebo faktúra nebola určená vám.
32 chybných faktúr podľa toho, čo ich zachytilo. Claude Haiku 5.5, Claude Sonnet 5.5 a Gemini 3.8 Flash, 180 vyťažení. Zachytené dvoma pravidlami pre IČ DPH: 31; Zachytené len vlastnou značkou neistoty modelu: 0; Nezachytené pravidlami ani značkou: 1.
Môj test, 22. októbra 2026. Pravidlá: kontrolná číslica IČ DPH a naše vlastné IČ DPH. Značka: pole, ktoré model uviedol ako neisté. Jediný prípad, ktorý nezachytilo ani jedno, označila kontrola súčtov.

Zostávajúca jedna, sken Gemini cz06, mala zlú celkovú sumu. Žiadne pravidlo pre IČ DPH to nevidí a Gemini nikdy neuvádza neisté polia, takže to zachytila len kontrola súčtov. Každý model som požiadal o zoznam polí, pri ktorých si nie je istý:

Model Chybné faktúry Zachytené dvoma pravidlami Zachytené len značkou neistoty Nezachytené Správne faktúry, ktoré napriek tomu označil
Claude Haiku 5.5 16 16 0 0 13 zo 44
Claude Sonnet 5.5 8 8 0 0 19 z 52
Gemini 3.8 Flash 8 7 0 1 0 z 52
GPT-5.6 Luna 31 30 0 1 0 z 29

Gemini 3.8 Flash nikdy neuviedol žiadne pole ako neisté, takže pri ňom zostávajú len kontroly; tu obe pravidlá zachytili 7 z jeho 8 chybných faktúr a kontrola súčtov ôsmu. Modely Claude označovali skôr priveľa než primálo: Haiku označil 13 zo svojich 44 správnych faktúr (30 %) a Sonnet 19 z 52 (37 %), všetko boli skeny; ani jeden neoznačil jedinú čistú faktúru. To je výmena, ktorú pri prijatých faktúrach chcete, pretože pohľad účtovníčky stojí menej než chybná platba.

Objavili sa ešte dve veci. Chyby GPT-5.6 Luna sa neobmedzovali na identifikátory: z jej 31 chybných faktúr bolo 30 skenov, 20 malo zlé číslo faktúry, 13 zlý dátum vystavenia a 15 zlý dátum splatnosti a pri 7 faktúrach bolo zle 15 polí so sumami. Jej jediná faktúra v stĺpci „Nezachytené“ je čistá, pt02, so zlým základom dane: obe pravidlá ani jej značka neistoty ju minuli, kontrola súčtov nie. A kontrolná číslica nezachytí každé chybné prečítanie, pretože niektoré chybné čísla sú tiež platné; v tomto behu neprešlo obe pravidlá žiadne chybné IČ DPH.

Ktorý model použiť na vyťažovanie faktúr?

Na tejto sade vyšli výsledky skenov takto: Claude Sonnet 5.5 22 z 30 s 8 chybnými faktúrami za USD 7,18 za 1 000; Gemini 3.8 Flash tiež 22 z 30 s 8 chybnými faktúrami za USD 3,51, teda približne za polovicu; Claude Haiku 5.5 14 z 30 so 16 chybnými za USD 0,43. Gemini sa presnosťou vyrovnal modelu Sonnet za približne polovičnú cenu, ale nikdy neuvádza neisté polia: jeho chybné faktúry zachytili dve pravidlá pre IČ DPH (7) a kontrola súčtov (1), zatiaľ čo Sonnet navyše označil 19 zo svojich 52 správnych faktúr. Pri použití kontrol nezostala bez povšimnutia žiadna chybná faktúra modelov Haiku ani Sonnet, takže najlacnejší model znamená viac chybných faktúr na opravu (16 oproti 8), nie viac chýb v účtovníctve. Ak posielate každú faktúru modelu, model je zriedka veľká nákladová položka; cena AI agenta funguje rovnako. GPT-5.6 Luna je v tomto teste pri skenoch nepoužiteľná.

Toto poradie vychádza z jedného testu na 30 faktúrach. Skôr než si vyberiete, nechajte prejsť svoje vlastné faktúry dvoma alebo tromi modelmi.

Potrebujete vôbec model?

Často nie, a v niektorých krajinách každým rokom menej. Skôr než pošlete obrázok faktúry modelu, zistite, či dáta už nie sú v súbore:

  • Portugalsko. Každá faktúra z certifikovaného softvéru musí niesť QR kód s oboma NIF, dátumom, číslom faktúry, ATCUD a základom dane a DPH podľa sadzby (Portaria n.º 195/2020, špecifikácia QR kódu AT). Prečítaním QR kódu získate väčšinu polí presne.
  • Nemecko. Od 1. januára 2025 už obyčajné PDF medzi nemeckými firmami nie je elektronickou faktúrou. Papierové a PDF faktúry sú povolené počas prechodného obdobia, ktoré pre všetky firmy končí na konci roka 2027 (FAQ spolkového ministerstva financií). Faktúry XRechnung a ZUGFeRD nesú štruktúrované dáta, ktoré môžete čítať priamo.
  • Česko. Mnohé účtovné programy vkladajú do PDF dátovú vrstvu ISDOC; Fakturoid ju pridáva do všetkých svojich PDF faktúr od decembra 2022 (Fakturoid).

Funguje teda tento postup: prečítať dátovú vrstvu, ak existuje, poslať modelu len zvyšok a potom spustiť kontroly. Model je záloha, nie prvý krok.

Najprv dáta zo súboru, zvyšok modelu. Dve cesty prijatej faktúry. Faktúra s dátovou vrstvou (QR kód, XML e-faktúry): Faktúra → Čítanie dát → Kontroly → Účtovníctvo; Obyčajné PDF alebo sken: Faktúra → AI model → Kontroly → Účtovník → Účtovníctvo.
Kontroly: kontrolná číslica IČ DPH, vaše vlastné IČ DPH, polia, ktoré model označil ako neisté. Dátová vrstva: QR kód v Portugalsku, XRechnung alebo ZUGFeRD v Nemecku, ISDOC v Česku.

Ako sa polia dostanú do Excelu alebo účtovného systému?

Archív odkazovaný nižšie už obsahuje CSV s každým výsledkom, jeden riadok na vyťaženie, takže výstup sa v Exceli otvorí tak, ako je. Môj prototyp vyťažovania faktúr funguje rovnako na úrovni aplikácie: exportuje schválené polia a ponúka jedno volanie API, ktoré prijme PDF a vráti polia ako JSON pre každú faktúru.

Odtiaľ možno súbor CSV alebo XLSX importovať do účtovného systému, ktorý importuje súbory, alebo JSON odovzdať ďalej malým skriptom. Prototyp beží na ukážkových dátach a s konkrétnym účtovným produktom som ho nepripájal. Prevod z PDF do Excelu vrátane riadkových položiek a zošita s dvoma listami nájdete v článku Prevod PDF faktúry do Excelu: kedy treba AI a kedy nie.

Ak ešte zvažujete, ktorú časť firmy sa oplatí automatizovať, pomôžem ju vybrať a potom ju postavím: pozrite AI konzultant pre malé firmy. Správy od zákazníkov sú druhá častá prvá práca pre AI v malej firme: koľko stojí WhatsApp chatbot s AI za odpoveď, vrátane poplatku Meta.

Čo tento test nedokazuje?

  • Faktúry sú fiktívne. Jedno rozloženie na krajinu, vygenerované skriptom, s ukážkovými názvami firiem. Skutočné dodávateľské faktúry sa líšia oveľa viac.
  • Skeny sú simulované. Rozmazanie, pootočenie, šum a JPEG kompresia na čistom výstupe, nie papier v skeneri ani fotka z mobilu.
  • Jedno volanie na faktúru, jedna sada 30. Výsledky sa medzi sadami veľmi líšia. Tento článok prvýkrát bežal na inej sade 30 faktúr, kde boli výsledky skenov pre Haiku, Sonnet a Gemini 22, 22 a 17 z 30; na tejto sade sú 14, 22 a 22. V každej krajine sa jedno IČ DPH odberateľa opakuje na 10 faktúrach, takže jeden zle prečítaný reťazec môže pokaziť až 10 faktúr naraz.
  • Ceny sa menia. Náklady sú to, čo OpenRouter vyúčtoval 22. októbra 2026.
  • Len deväť polí. Žiadne riadkové položky, IBAN ani platobné podmienky.

Ako test zopakovať na vlastných faktúrach

  1. Vyberte 30 až 50 skutočných faktúr vrátane najhorších skenov, ktoré dostávate. Pravdivé hodnoty si zapíšte ručne.
  2. Použite jeden prompt a pevnú výstupnú schému so zoznamom neistých polí, pri teplote 0.
  3. Spustite dva alebo tri modely a zaznamenajte vyúčtovanú cenu za volanie, nie cenníkovú.
  4. Hodnoťte celé faktúry, nie jednotlivé polia: jedna zlá číslica v IČ DPH je chybná faktúra.
  5. Pridajte pravidlo kontrolnej číslice a pravidlo vlastného IČ DPH a zmerajte, čo zachytia.
  6. Kde softvér vašich dodávateľov dátovú vrstvu poskytuje, čítajte najprv ju.

Skripty, vygenerované faktúry aj všetky výsledky sú v jednom archíve: generátor, spúšťač, vyhodnotenie a CSV so všetkými 240 vyťaženiami. Ak chcete niečo také zabudovať do spracovania prijatých faktúr, je to súčasť automatizácie workflow.

Ak chcete takéto čítanie údajov pridať do procesu, ktorý už prevádzkujete, robím to v rámci Integrácia AI do existujúcich produktov.

Pozri aj: Systém na správu dokumentov pre malú firmu: ceny a limity.

Môj podobný prípad

Postavil som službu, ktorá z potvrdenia o nehnuteľnosti, na ktoré sa čakalo 2–3 týždne a stálo EUR 200–300, urobí potvrdenie za 2–3 minúty a EUR 99, so skriptami a vision AI. Stavba je v prípadovej štúdii automatizácie dokumentov k nehnuteľnostiam.

Zadávate dáta z faktúr ručne alebo nástrojom, ktorému neveríte? Napíšte mi a spoločne vyberieme najlepšiu možnosť.

Stále prepisujete dáta z faktúr ručne?

Napíšte mi, čo máte teraz a čo potrebujete. Odpoviem variantom, ktorý by som zvolil ja.

Napíšte mi

© 2026 Denys Zaichenko. Pôvodný článok: https://madsalt.tech/sk/blog/invoice-data-extraction-with-ai/