Hoppa till innehållet

Behöver du faktura-OCR? Jag testade 4 AI-modeller

Uppdaterad

Visa som MarkdownÖppna i ClaudeÖppna i ChatGPTÖppna i Perplexity

Frågan kopieras också. Om chatten öppnas tom, klistra in den.

På den här sidan
  1. Vad läser AI rätt och fel på fakturor?
  2. Behöver du fortfarande OCR för att hämta fakturadata?
  3. Hur var testet upplagt?
  4. Varför fångade summakontrollen nästan ingenting?
  5. Vilka kontroller fångar felen?
  6. Vilken modell ska du använda för fakturatolkning?
  7. Behöver du ens en modell?
  8. Hur kommer fälten in i Excel eller bokföringssystemet?
  9. Vad bevisar inte det här testet?
  10. Så upprepar du det på dina egna fakturor
  11. Mitt liknande fall

Kort sagt

Vid fakturatolkning läste tre av de fyra modeller jag testade alla nio fält rätt på 30 av 30 rena digitala fakturor. På simulerade skanningar av samma fakturor klarade den bästa 22 av 30. Felen låg nästan aldrig i beloppen. De låg i momsnummer och fakturanummer, och det vanliga skyddsnätet, att kontrollera att netto plus moms blir totalen, flaggade bara 3 av de 63 felaktiga fakturorna. Två enkla regler på momsnumren fångade 31 av de 32 felaktiga fakturorna från de tre bästa modellerna. Den billigaste modellen kostade USD 0,43 per 1 000 fakturor, men på skanningar matchade den inte modellen som kostade 17 gånger så mycket: 14 av 30 mot 22. Gemini 3.8 Flash matchade Sonnets 22 till ungefär halva priset.

Jag körde om det här testet den 22 oktober 2026 på en ny uppsättning fiktiva fakturor. Alla siffror i den här artikeln kommer från den nya körningen.

Jag heter Denys och är full-stack- och AI-ingenjör. Tidigare i år byggde jag en prototyp för fakturatolkning: en webbapp och ett API som gör PDF-fakturor till fält, där osäkra fält flaggas för en människa. Den körs på exempeldata, utan någon modell bakom. Så innan jag skrev om fakturatolkning gjorde jag ett riktigt test: 30 fiktiva tjeckiska, tyska och portugisiska leverantörsfakturor, fyra modeller, 240 anrop, USD 0,76 i fakturerad användning.

Vad läser AI rätt och fel på fakturor?

Varje modell läste varje faktura två gånger: som en ren rendering, så som en PDF från ett bokföringsprogram ser ut, och som en simulerad skanning, grå, lätt roterad, suddig och komprimerad. En faktura räknas som rätt bara när alla nio fält stämmer: fakturanummer, utfärdandedatum, förfallodatum, leverantörens momsnummer, köparens momsnummer, valuta, nettosumma, momssumma och bruttosumma.

Modell Ren, alla 9 fält rätt Skanning, alla 9 fält rätt USD per 1 000 fakturor Mediansekunder per faktura
Claude Haiku 5.5 30 av 30 14 av 30 0,43 6,13
Claude Sonnet 5.5 30 av 30 22 av 30 7,18 8,50
Gemini 3.8 Flash 30 av 30 22 av 30 3,51 8,43
GPT-5.6 Luna 29 av 30 0 av 30 1,52 10,85
Skannade fakturor lästa med alla 9 fält rätt. Av 30 simulerade skanningar per modell. Samma prompt, temperatur 0. Claude Haiku 5.5: 14; Claude Sonnet 5.5: 22; Gemini 3.8 Flash: 22; GPT-5.6 Luna: 0.
Mitt test, 22 oktober 2026: 30 fiktiva tjeckiska, tyska och portugisiska fakturor, simulerade skanningar, via OpenRouter.

Kostnaden är vad OpenRouter fakturerade för varje anrop, inte en uppskattning från en prislista. På rena fakturor var Claude Haiku 5.5 och Claude Sonnet 5.5 lika bra, 30 av 30. På skanningar läste Sonnet 22 rätt mot Haikus 14 och kostade ungefär 17 gånger mer.

Behöver du fortfarande OCR för att hämta fakturadata?

Inte som ett separat steg, i det här testet. Alla fyra modellerna fick sidan som en bild och returnerade de nio fälten direkt, utan något OCR-lager emellan. Det som ändrar resultatet är sidans kvalitet. En ren PDF från ett bokföringsprogram har ett textlager, och en skanning har det inte: den består bara av pixlar. Kolumnen “skanning” i tabellen ovan är precis frågan om OCR-kvalitet, och det är där modellerna skiljer sig: den bästa läste 22 av 30 skannade fakturor rätt, och den svagaste ingen.

Jag testade inte klassiska OCR-motorer eller mallbaserade verktyg, så jag kan inte säga hur de skulle klara samma 30 fakturor. Testet visar var risken finns när en modell läser en skanning: i momsnummer och fakturanummer, som kontrollerna nedan fångar.

Hur var testet upplagt?

Jag genererade fakturorna med ett skript, så varje sant värde är känt på öret. Fakturorna är fiktiva: företagsnamnen innehåller Vzor, Muster, Beispiel eller Exemplo, och varje faktura har en sidfot på det lokala språket med texten “SAMPLE - fictitious invoice / no real company”. Varje faktura bär de fällor som en riktig person på leverantörsreskontran möter i det landet:

  • Lokala talformat. 175 011,84 Kč på tjeckiska, 10.465,61 € på tyska, och både 1 234,56 och 1.234,56 på portugisiska fakturor.
  • Ett andra id bredvid fakturanumret. Den tjeckiska variabla symbolen, det tyska kundnumret, den portugisiska ATCUD-koden.
  • Ett andra datum. Det tjeckiska datumet för skattepliktig leverans och det tyska tjänstedatumet står bredvid utfärdandedatumet.
  • Två momsnummer på samma sida, plus ett tyskt skattenummer (Steuernummer) som ser ut som ett momsnummer men inte är ett.
  • Svåra fall. Blandade momssatser, en faktura utan moms, en faktura med omvänd skattskyldighet, en kreditnota med negativa belopp och en faktura med nio rader i varje land.

Varje momsnummer har en giltig kontrollsiffra, verifierad med biblioteket python-stdnum, och inget av dem är registrerat: jag slog upp vart och ett av de 33 använda numren (30 leverantörsnummer och ett köpar-momsnummer per land) i EU:s VIES-tjänst, och den svarade “inte giltigt” för alla. De 11 tjeckiska företagsnumren bakom de tjeckiska momsnumren slogs också upp i det tjeckiska företagsregistret, ARES, och hittades inte. Alla fyra modellerna fick samma prompt, vid temperatur 0, ett anrop per bild.

Så gjordes testet. Samma prompt och inställningar för alla modeller. 30 fakturor från Tjeckien, Tyskland och Portugal: Skript → 30 fakturor → Ren + skanning → 4 modeller → Poäng.
Mitt test, 22 oktober 2026. 30 fakturor × 2 versioner × 4 modeller = 240 anrop.
Överdelen av en tjeckisk testfaktura med nummer FV-2026-0738 och dess SAMPLE-sidfot. Överst: den rena renderingen, skarp och lätt att läsa. Nederst: den simulerade skanningen av samma faktura, grå, suddig och roterad, där 3:an i fakturanumret är svår att skilja från en 5:a.
Testfaktura cz09, ren och som simulerad skanning. Claude Haiku 5.5 läste det skannade numret som FV-2026-0758.

Varför fångade summakontrollen nästan ingenting?

Att kontrollera att netto plus moms blir bruttosumman är den första regeln de flesta tolkningsflöden lägger till, och den som min prototyp använder. I det här testet flaggade den 3 av de 63 felaktiga fakturorna över de fyra modellerna: en Gemini 3.8 Flash-skanning (cz06, bruttosumman fel), en GPT-5.6 Luna-skanning (cz08, där utfärdandedatumet, köparens momsnummer, netto och moms var fel) och en ren Luna-faktura (pt02, nettosumman fel).

Orsaken är var felen låg. Claude Haiku 5.5, Claude Sonnet 5.5 och Gemini 3.8 Flash gjorde tillsammans 32 felaktiga tolkningar, och bara två hade ett felaktigt belopp: Gemini-skanningen ovan och en Haiku-skanning (cz09) där netto- och momssummorna var något fel men netto plus moms ändå blev brutto, så kontrollen förblev tyst. De övriga läste en siffra fel i ett momsnummer eller i ett fakturanummer, som FV-2026-0738 läst som FV-2026-0758. GPT-5.6 Luna fick belopp fel på 7 fakturor, och på 5 av dem gick netto, moms och brutto ändå ihop. En modell läser en summa som stämmer med resten av det den läste, så en aritmetisk kontroll släpper igenom det mesta av dess fel.

Vilka kontroller fångar felen?

Två regler på momsnumren, båda några rader kod:

  1. Kontrollsiffran. Ett momsnummer slutar med en kontrollsiffra som beräknas från de andra siffrorna: modulo 11 för det tjeckiska företagsnumret bakom ett DIČ och för det portugisiska NIF, ISO 7064 för det tyska USt-IdNr. Bibliotek som python-stdnum implementerar alla tre. En felläst siffra bryter den nästan alltid.
  2. Ditt eget momsnummer. På en inkommande faktura är köparen du. Varje köpar-momsnummer som inte är ditt är fel, eller så var fakturan inte avsedd för dig.
32 felaktiga fakturor, efter vad som fångade dem. Claude Haiku 5.5, Claude Sonnet 5.5 och Gemini 3.8 Flash, 180 tolkningar. Fångade av två regler på momsnummer: 31; Fångade bara av modellens osäkerhetsflagga: 0; Fångades inte av reglerna eller flaggan: 1.
Mitt test, 22 oktober 2026. Regler: momsnummrets kontrollsiffra och vårt eget momsnummer. Flagga: ett fält som modellen listade som osäkert. Det enda fall som ingen av dem fångade flaggades av summakontrollen.

Den enda som återstod, Gemini-skanningen cz06, hade en felaktig bruttosumma. Ingen momsnummerregel kan se det, och Gemini anger aldrig osäkra fält, så bara summakontrollen fångade den. Jag bad varje modell lista de fält den var osäker på:

Modell Felaktiga fakturor Fångade av de två reglerna Fångade bara av osäkerhetsflaggan Inte fångade Rätta fakturor den ändå flaggade
Claude Haiku 5.5 16 16 0 0 13 av 44
Claude Sonnet 5.5 8 8 0 0 19 av 52
Gemini 3.8 Flash 8 7 0 1 0 av 52
GPT-5.6 Luna 31 30 0 1 0 av 29

Gemini 3.8 Flash angav aldrig ett fält som osäkert, så för den är kontrollerna allt du har; här fångade de två reglerna 7 av dess 8 felaktiga fakturor och summakontrollen den åttonde. Claude-modellerna flaggade för mycket snarare än för lite: Haiku flaggade 13 av sina 44 rätta fakturor (30 %) och Sonnet 19 av 52 (37 %), alla skanningar; ingen av dem flaggade en enda ren faktura. Det är den avvägning man vill ha på leverantörsreskontran, där en handläggares blick kostar mindre än en felaktig betalning.

Två saker till dök upp. GPT-5.6 Lunas fel var inte begränsade till id:n: av dess 31 felaktiga fakturor var 30 skanningar, 20 hade fel fakturanummer, 13 fel utfärdandedatum och 15 fel förfallodatum, och 15 beloppsfält var fel på 7 fakturor. Dess enda faktura i kolumnen “inte fångade” är en ren, pt02, med fel nettosumma: de två reglerna och dess osäkerhetsflagga missade den, summakontrollen gjorde det inte. Och en kontrollsiffra kan inte fånga varje felläsning, för vissa felaktiga nummer är också giltiga; i den här körningen klarade inget felaktigt momsnummer båda reglerna.

Vilken modell ska du använda för fakturatolkning?

På den här uppsättningen var skanningsresultaten: Claude Sonnet 5.5 22 av 30 med 8 felaktiga fakturor för USD 7,18 per 1 000; Gemini 3.8 Flash också 22 av 30 med 8 felaktiga fakturor för USD 3,51, ungefär halva priset; Claude Haiku 5.5 14 av 30 med 16 felaktiga för USD 0,43. Gemini matchade Sonnet i träffsäkerhet till ungefär halva priset, men den anger aldrig osäkra fält: dess felaktiga fakturor fångades av de två momsnummerreglerna (7) och summakontrollen (1), medan Sonnet också flaggade 19 av sina 52 rätta fakturor. Med kontrollerna på plats förblev ingen av Haikus eller Sonnets felaktiga fakturor tyst, så den billigaste modellen innebär fler felaktiga fakturor att rätta (16 mot 8), inte fler fel i huvudboken. Om du skickar varje faktura till en modell är modellen sällan den stora kostnaden; kostnaden för en AI-agent fungerar på samma sätt. GPT-5.6 Luna är inte användbar på skanningar i det här testet.

Den rangordningen är ett test på 30 fakturor. Kör dina egna fakturor genom två eller tre modeller innan du väljer.

Behöver du ens en modell?

Ofta inte, och i vissa länder mindre för varje år. Innan du skickar en bild av en faktura till en modell, kontrollera om uppgifterna redan finns i filen:

  • Portugal. Varje faktura från certifierad programvara måste bära en QR-kod med båda NIF, datum, fakturanummer, ATCUD samt beskattningsunderlag och moms per sats (Portaria n.º 195/2020, AT:s QR-kodsspecifikation). Läser du QR-koden får du de flesta fälten exakt.
  • Tyskland. Sedan 1 januari 2025 räknas en vanlig PDF inte längre som en e-faktura mellan tyska företag. Pappers- och PDF-fakturor är tillåtna under en övergångsperiod, som för alla företag slutar vid utgången av 2027 (förbundsfinansministeriets FAQ). XRechnung- och ZUGFeRD-fakturor bär strukturerad data du kan läsa direkt.
  • Tjeckien. Många bokföringsverktyg bäddar in ett ISDOC-datalager i PDF:en; Fakturoid har lagt till det i alla sina PDF-fakturor sedan december 2022 (Fakturoid).

Så den ordning som fungerar är: läs datalagret om det finns ett, skicka bara resten till en modell och kör sedan kontrollerna. Modellen är reservplanen, inte första steget.

Läs data först, skicka resten till en modell. Två vägar för en inkommande faktura. Faktura med datalager (QR-kod, e-faktura-XML): Faktura → Läs data → Kontroller → Bokföring; Vanlig PDF eller skanning: Faktura → AI-modell → Kontroller → Ekonom → Bokföring.
Kontroller: kontrollsiffran i momsnumret, ert eget momsnummer, fält som modellen markerade som osäkra. Datalager: QR-kod i Portugal, XRechnung eller ZUGFeRD i Tyskland, ISDOC i Tjeckien.

Hur kommer fälten in i Excel eller bokföringssystemet?

Arkivet som det länkas till nedan innehåller redan en CSV med alla resultat, en rad per tolkning, så resultatet öppnas direkt i Excel. Min prototyp för fakturatolkning fungerar likadant på appnivå: den exporterar de godkända fälten, och den har ett API-anrop som tar en PDF och returnerar fälten som JSON för varje faktura.

Därifrån kan en CSV- eller XLSX-fil importeras i ett bokföringssystem som tar emot filimport, eller så kan JSON skickas vidare av ett litet skript. Prototypen körs på exempeldata, och jag har inte kopplat den till någon särskild bokföringsprodukt. För en körning från PDF till Excel som också tar med fakturarader och en arbetsbok med två blad, se Konvertera PDF-faktura till Excel: när behövs AI?.

Om du fortfarande funderar på vilken del av företaget som är värd att automatisera hjälper jag dig att välja den och bygger den sedan: se AI-konsult för småföretag. Kundmeddelanden är det andra vanliga första jobbet för AI i ett litet företag: vad en WhatsApp-chatbot med AI kostar per svar, med Metas avgift inräknad.

Vad bevisar inte det här testet?

  • Fakturorna är fiktiva. En layout per land, genererad av ett skript, med exempelföretagsnamn. Riktiga leverantörsfakturor varierar mycket mer.
  • Skanningarna är simulerade. Suddighet, rotation, brus och JPEG-komprimering på en ren rendering, inte papper genom en skanner eller ett mobilfoto.
  • Ett anrop per faktura, en uppsättning om 30. Resultaten varierar mycket mellan uppsättningar. Den här artikeln kördes först på en annan uppsättning om 30 fakturor, där skanningsresultaten för Haiku, Sonnet och Gemini var 22, 22 och 17 av 30; på den här uppsättningen är de 14, 22 och 22. Varje land har ett köpar-momsnummer som upprepas på 10 fakturor, så en felläst sifferföljd kan förstöra upp till 10 fakturor på en gång.
  • Priser ändras. Kostnaderna är vad OpenRouter fakturerade den 22 oktober 2026.
  • Bara nio fält. Inga fakturarader, IBAN eller betalningsvillkor.

Så upprepar du det på dina egna fakturor

  1. Välj 30 till 50 riktiga fakturor, inklusive de sämsta skanningarna du får. Skriv ner de sanna värdena för hand.
  2. Använd en prompt och ett fast utdataschema med en lista över osäkra fält, vid temperatur 0.
  3. Kör två eller tre modeller och anteckna den fakturerade kostnaden per anrop, inte listpriset.
  4. Poängsätt hela fakturor, inte enskilda fält: en felaktig siffra i ett momsnummer är en felaktig faktura.
  5. Lägg till kontrollsiffreregeln och regeln om ditt eget momsnummer, och mät vad de fångar.
  6. Läs datalagret först där dina leverantörers programvara tillhandahåller ett.

Skripten, de genererade fakturorna och alla resultat finns i ett arkiv: generatorn, körskriptet, poängsättningsskriptet och en CSV med alla 240 tolkningar. Vill du ha det inbyggt i din leverantörsreskontra är det en del av arbetsflödesautomation.

Om du vill lägga till en sådan utläsning i en process du redan kör gör jag det under AI-integration i befintliga produkter.

Se även: Bästa dokumenthanteringssystem för småföretag: 8 priser.

Mitt liknande fall

Jag byggde en tjänst som gör ett fastighetsintyg som tog 2–3 veckor och kostade EUR 200–300 till ett som tar 2–3 minuter och kostar EUR 99, med skript och vision-AI. Bygget finns i caset om automatisering av fastighetsdokument.

Hämtar du fakturadata för hand eller med ett verktyg du inte litar på? Skriv till mig, så tar vi fram det bästa alternativet för dig.

Skriver du fortfarande in fakturadata för hand?

Berätta vad du har nu och vad du behöver. Jag svarar med det alternativ jag själv skulle välja.

Skriv till mig

© 2026 Denys Zaichenko. Originalartikel: https://madsalt.tech/sv/blog/invoice-data-extraction-with-ai/