AI-document-extractie en OCR: van papier en PDF naar gestructureerde data

Wat AI-document-extractie en moderne OCR doen

Documentverwerking is in vijf jaar fundamenteel veranderd. Waar Tesseract en ABBYY vroeger karakters lazen en u zelf reguliere expressies en sjablonen moest schrijven, halen Vision-LLM's en layout-aware modellen tegenwoordig betekenis uit een document — inclusief tabellen, handgeschreven notities, stempels en gescande kopieën van wisselende kwaliteit.

Een factuur kan binnenkomen als een gestructureerd PEPPOL UBL-bestand, als een PDF gegenereerd uit een ERP, als een gescande papieren factuur of als foto vanuit een telefoon. Voor elk format moet uw systeem de leverancier, het btw-nummer, de factuurregels, de eindtotalen en de betaalreferentie correct vaststellen — en idealiter ook detecteren of de boekingsregels logisch zijn. Klassieke OCR levert tekst, niet betekenis. AI-document-extractie levert direct een gevalideerd JSON-object dat overeenkomt met het schema dat uw boekhoudpakket of dossiersysteem verwacht.

Hetzelfde geldt voor KvK-uittreksels, kadasterbestek en akten, polisbladen, schadedossiers, koopovereenkomsten, hypotheekoffertes, paspoorten en ID-bewijzen, CV's, bonnetjes en zelfs de inhoud van inkomende e-mails. Elk type document heeft een eigen schema; Appfront ontwerpt dat schema samen met u, traint of finetunet het model en bouwt de pipeline die documenten ontvangt, classificeert, extraheert, valideert en doorzet naar uw bestaande systemen — met human-in-the-loop voor de gevallen waar de confidence-score onder uw drempel valt.

Het verschil met traditionele OCR zit in drie dingen: layout-bewustzijn (modellen begrijpen kolommen, tabellen en visuele groepering), context-begrip (de tekst "totaal" wordt anders gewogen als hij rechts onderin staat dan in de header) en directe structuur (output is een typed JSON-schema, niet een lap platte tekst die u zelf nog moet parsen). Dat verschil bepaalt of een verwerking 30 seconden duurt en daarna in 90% van de gevallen automatisch doorstroomt, of dat elke factuur opnieuw door menselijke handen gaat.

OCR, ICR, IDP en Vision-LLM's: wat werkt waarvoor

Het werkveld kent jargon dat door elkaar loopt. Een korte oriëntatie helpt om te bepalen welk type oplossing past bij uw documentstroom — en welke combinatie u doorgaans nodig heeft in productie.

In de praktijk combineren wij vaak meerdere lagen: een lichte OCR of layout-analyzer (bijv. via Azure Document Intelligence Read of een open-source-stack) als voorbewerking, een classifier die het document-type bepaalt en daarna een gespecialiseerd extractie-model — soms een gefinetunede LayoutLMv3 voor hoog-volume standaard-documenten, soms een Vision-LLM voor lange staart en uitzonderingen. Die combinatie levert in onze ervaring het beste evenwicht tussen kosten, latency en accuratesse.

Welke aanpak past bij u hangt af van het volume, de gevoeligheid van data, de gewenste straight-through-processing-graad en uw bestaande infrastructuur. In een intake-gesprek brengen we deze variabelen in kaart en doen een voorstel met een proof of concept — zie ook onze pagina over de AI-discovery-workshop.

Architectuur, accuratesse en human-in-the-loop

Een document-extractie-systeem dat 95% accuraat extraheert, gaat in de overige 5% iets fout. De vraag is hoe u die fouten ziet, valideert en terug-leert in het model. Onze architectuur is daarop ontworpen.

Voor sectoren met strikte data-residency-eisen (zorg, overheid, financiële instellingen) bouwen wij de extractie-pipeline op uw eigen infrastructuur of een Europese cloud — geen documenten verlaten uw beheersgebied. Voor minder gevoelige stromen kan een Vision-LLM-as-a-service binnen Europa worden ingezet, mits met een afgesloten DPA en zero-retention-instelling. Welke route past, bespreken we tijdens de architectuurfase.