Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Use Cases for Document AI

Lektion 3 af 16 Opdateret 2. november 2026 Udvikler
På denne side
  1. Reelle anvendelser på tværs af brancher
  2. Finans og Banking: Automatiseret KYC
  3. Sundhedsvæsen: Patientjournaler og recepter
  4. Jura: Analyse af kontrakter i stor skala
  5. Regnskab: Fakturabehandling
  6. Logistik, arkiver og den offentlige sektor
  7. Det standardiserede produktionsworkflow
  8. Vigtige pointer

Opdatering 2. november 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) blev udfaset den 30. september 2026. Brug OCR 4.1 (mistral-ocr-4-1), som har været generelt tilgængelig siden 31. august til samme pris, eller aliasset mistral-ocr-latest, som har peget på det siden 16. juli. OCR 4.1 tilføjer konfidensscorer på blok-niveau.

Reelle anvendelser på tværs af brancher

Document AI gør mere end blot at udtrække tekst. Kombinationen af OCR + Annotationer + QnA gør tjenesten værdifuld, fordi den dækker hele dokumentets livscyklus, fra modtagelse til anvendelse. Denne lektion gennemgår de mest almindelige use cases efter sektor og angiver, hvilke tjenester der er involveret i hvert trin. Denne skelnen er vigtig tidligt i processen, da hver tilføjet tjeneste introducerer omkostninger og latens.

Branche Use Case Anvendte tjenester
Finans og Banking Automatiseret KYC, udtræk af kontoudtog, compliance OCR + Annotationer
Sundhedsvæsen Patientjournaler, håndskrevne recepter, medicinske rapporter OCR + Annotationer + QnA
Jura Kontraktanalyse, klausuludtræk, due diligence OCR + QnA
Forsikring Behandling af krav, deklarationsformularer OCR + Annotationer
Logistik Følgesedler, tolddokumenter, lagerlister OCR + Annotationer
Regnskab Leverandørfakturaer, udgiftsrapporter, bankafstemning OCR + Annotationer
Offentlig sektor Digitalisering af arkiver, administrative formularer OCR
Fremstilling Tekniske datablade, kvalitetscertifikater, inspektionsrapporter OCR + QnA

Finans og Banking: Automatiseret KYC

Kundeonboarding er det mest efterspurgte use case, fordi det er repetitivt, reguleret og tidskrævende. Processen „Know Your Customer” (KYC) følger altid den samme sekvens:

  1. Scanning af ID-dokumenter: Pas, nationalt ID-kort, kørekort
  2. OCR-udtræk: Fornavn, efternavn, fødselsdato, dokumentnummer
  3. Strukturerede annotationer: Validering af felter via et Pydantic-skema
  4. Krydsverifikation: Automatisk sammenligning med interne databaser
  5. Beriget arkivering: Dokumentet indekseres og kan søges via QnA

Det, der tidligere tog en compliance-medarbejder flere timer, tager nu sekunder pr. fil. Medarbejderen griber kun ind i tilfælde, der flagges som mistænkelige.

Sundhedsvæsen: Patientjournaler og recepter

Sundhedssektoren genererer enorme mængder dokumenter, hvoraf en stor del stadig er håndskrevet. En håndskrevet recept, som ofte betragtes som ulæselig, transskriberes korrekt, selv når lægen blander latinske termer med det lokale sprog. Afkrydsningsformularer, der længe har været et mareridt for traditionelle OCR-motorer, får ekstraheret deres booleske svar med bemærkelsesværdig nøjagtighed. På medicinske rapporter identificerer modellen patientens identitet, diagnose og ordinationer.

Én adfærd fortjener særlig fremhævelse, fordi den afgør, hvor meget tillid du kan have til systemet: Når et felt mangler i dokumentet – for eksempel et ikke-oplistet telefonnummer – rapporterer modellen denne manglende værdi i stedet for at opfinde en plausibel værdi. Dette er det stik modsatte af en generisk models refleks, og det er netop det, der gør udtrækket brugbart uden systematisk menneskelig gennemgang.

Jura: Analyse af kontrakter i stor skala

Advokatfirmaer og juridiske afdelinger bruger primært klausuludtræk og QnA. Det første use case indebærer automatisk identifikation af opsigelses-, konkurrence- eller fortrolighedsklausuler i et korpus, hvilket omdanner en manuel gennemgang til assisteret triage. Det andet skinner under due diligence: Når en opkøbssag involverer hundreder af kontrakter, kan du spørge korpset på naturligt sprog i stedet for at læse alt fra ende til anden, og kun gennemgå de dokumenter, som søgningen finder, i detaljer.

Regnskab: Fakturabehandling

Dette er det mest modne use case og ofte det første, der implementeres. Det hele koges ned til et Pydantic-skema, der beskriver præcis, hvad du ønsker at hente:

from pydantic import BaseModel, Field

class Invoice(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    invoice_number: str = Field(..., description="Invoice number")
    date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
    amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
    amount_incl_tax: float = Field(..., description="Amount including tax in euros")
    vat_amount: float = Field(..., description="VAT amount in euros")

Når dette sendes til Annotations API, udtrækker skemaet felter fra hver scannet faktura uden at kræve nogen forudgående konfiguration af leverandørens fakturaskabeloner. Bemærk omhu med beskrivelser og typning: Dette fortæller modellen, at et beløb skal returneres som et tal, og en dato i formatet YYYY-MM-DD snarere end i den form, der findes på papiret.

Logistik, arkiver og den offentlige sektor

Inden for logistik egner de tusindvis af følgesedler, konnossementer og tolddokumenter, der behandles dagligt, sig til automatisk udtræk af afsender- og modtageroplysninger, læsning af stregkoder og trackingnumre til stede i billeder samt digitalisering af lagerlister, der udfyldes i hånden på ofte krøllede materialer.

Digitalisering af arkiver er et særligt tilfælde. Dokumenterne her er gamle, nogle gange i dårlig stand, skrevet med håndskrift fra 1800- eller 1900-tallet, med typografi og formuleringer, der ikke længere er i brug. OCR 4 håndterer disse bedre end traditionelle OCR-motorer takket være sin visuelle forståelse, men vær realistisk omkring begrænsningerne: Nøjagtigheden falder på stærkt nedbrudte genstande, og ethvert seriøst arkivprojekt inkluderer altid en fase med menneskelig gennemgang.

Det standardiserede produktionsworkflow

Uanset sektor ser pipeline’en ens ud: Indtagelse af dokumentet via scan, upload eller e-mail; OCR for at udtrække tekst og struktur via mistral-ocr-latest; annotationer for at opnå strukturerede data i henhold til dit forretningsskema; indeksering af den berigede Markdown i en vektordatabase eller SQL-database; derefter anvendelse via søgning, QnA, rapportering eller workflow-automatisering. Hvis du designer et projekt, så kortlæg disse fem trin, før du skriver en eneste linje kode: De afgør, hvor du gemmer data, hvad du genafspiller i tilfælde af fejl, og hvad du fakturerer for.

Vigtige pointer

  • Document AI anvendes i alle sektorer, der håndterer dokumenter
  • Standard-workflowet er: indtagelse, OCR, annotationer, indeksering, anvendelse
  • Pydantic-annotationer lader dig udtrække præcis de data, du har brug for
  • QnA lader dig spørge til dokumenter på naturligt sprog efter indeksering
  • Kombinationen af alle tre tjenester skaber en end-to-end dokumentløsning