Introduktion til Document AI og intelligent OCR
På denne side
Opdatering 2. november 2026 — Le Chat bliver til Vibe. Siden 28. maj 2026 er Le Chat blevet omdøbt til Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, der overtager dine samtaler, indstillinger og abonnementer. Den ældre Le Chat-oplevelse forbliver tilgængelig i Chat-tilstand; i Work-tilstand er agenter blevet til færdigheder (kaldes med
@), minder udgør vidensbasen, og dyb søgning er nu færdigheden Deep Research. Abonnementerne hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger navnet Vibe; nogle af menuerne beskrevet her kan have ændret navn eller placering.
Meget mere end en simpel dokumentlæser
Du så i afsnittet om Vision, at Vibe kan læse tekst i et billede. Men når det kommer til behandling af komplekse dokumenter – en PDF med flere sider, en scannet formular eller en finansiel rapport fyldt med nestede tabeller – har du brug for et specialiseret værktøj. Det er præcis, hvad Mistral’s Document AI tilbyder, drevet af OCR 3-motoren. Denne lektion lægger fundamentet for hele afsnittet: at forstå, hvad OCR er, hvordan Mistral’s tilgang bryder med klassiske løsninger, og vigtigst af alt, hvornår du skal bruge det i stedet for Vision.
OCR står for Optical Character Recognition (optisk tegngenkendelse). Det er teknologien, der konverterer et billede, der indeholder tekst – uanset om det er en scanning, et foto eller en billedbaseret PDF – til brugbar digital tekst: tekst, du kan kopiere, søge i eller analysere ligesom ethvert digitalt oprindeligt dokument. Indsatsen er hverdagsagtig: tænk på den faktura, en kollega sendte som et foto, eller den kontrakt, der blev scannet for ti år siden, hvor du skal finde en specifik klausul. Uden OCR er disse dokumenter tavse billeder.
Hvorfor klassisk OCR ikke var nok
OCR har eksisteret i årtier, men traditionelle løsninger – Tesseract er det mest kendte eksempel – led under betydelige begrænsninger, som alle, der nogensinde har scannet et dokument, kender godt. Layoutet gik tabt: teksten kom ud rodet og ignorerede dokumentets struktur, hvilket forvandlede en omhyggeligt organiseret rapport til en grød af afsnit. Tabeller blev ignoreret, hvor kolonner og rækker blev blandet sammen i en grad, der gjorde data ubrugelige. Håndskrift forblev næsten umuligt at læse. Fler sprogede dokumenter gav dårlige resultater, så snart du bevægede dig uden for engelsk. Og billeder indlejret i teksten – diagrammer, skemaer – blev simpelthen ignoreret.
Mistral’s OCR 3-motor ændrer spillet fuldstændigt, og årsagen ligger i dens arkitektur. I stedet for at bruge klassiske tegngenkendelsesteknikker stole den på en multimodal sprogmodel (VLM), der er specifikt trænet til at forstå dokumenter. Forskellen er fundamental: klassisk OCR genkender enkelte tegn og forsøger at samle dem til ord, meget ligesom nogen, der afkoder bogstav for bogstav uden at forstå sætningen. Mistral’s AI-drevne OCR forstår derimod dokumentet som en helhed – dets struktur, indhold og kontekst. Konfronteret med et delvist slettet ord kan det inferere det ud fra konteksten, præcis som en menneskelig læser ville gøre.
I praksis udtrækker Document AI tekst fra PDF’er, billeder og scannede dokumenter, mens det bevarer det oprindelige layout. Det genopbygger tabeller med deres overskrifter, kolonner og data og producerer ren Markdown. Det læser håndskrift – lægens noter, håndudfyldte formularer, marginale annotationer. Det behandler flersprogede dokumenter med høj nøjagtighed på tværs af mange sprog, beskriver billeder og diagrammer indeholdt i dokumentet ved at generere tekstbeskrivelser, og forstår konteksten godt nok til at besvare spørgsmål om indholdet.
OCR 3 i tal
Målt på ydeevne leverer motoren state-of-the-art nøjagtighed på benchmarks for tegngenkendelse, håndskrift og tabeller. Den behandler op til 2.000 sider i minuttet på en enkelt GPU – nok til at indtage hele arkiver. Den accepterer flere formater: PDF, Word, scannede billeder og fotos af varierende kvalitet. Og dens output er struktureret: resultatet er ren Markdown med refererede billeder, ikke rå tekst, der kræver efterbearbejdning.
Hvordan adskiller det sig fra Vibes Vision?
Du spørger måske: „Hvorfor uploader jeg ikke bare min PDF til Vibe og bruger Vision?” Det er et berettiget spørgsmål, og svaret strukturerer hele dit workflow. Vibes Vision, som blev dækket i første afsnit af dette kursus, er perfekt til at analysere et enkelt isoleret billede – et foto, et diagram, et skærmbillede. Men til dokumenter med flere sider og komplekse layout tilbyder Document AI afgørende fordele: side-for-side-behandling med genopbygning af den samlede dokumentstruktur, tabeludtrækning tro mod originalen frem for en tilnærmelse, annotationer og metadata, du eksplicit kan anmode om – forfatter, dato, beløb – og ægte dokument-Q&A over lange dokumenter.
Husk denne tommelfingerregel: til et enkelt billede med tekst er Vision tilstrækkeligt; til et dokument med flere sider, du ønsker at analysere i dybden, skal du mobilisere Document AI. En advokat, der fotograferer en klausul for at få den forklaret, bruger Vision; den samme advokat, der uploader hele 40-siders kontrakten for at revidere dens forpligtelser, bruger Document AI.
I de følgende lektioner i dette afsnit lærer du, hvordan du uploader en PDF til Vibe og får automatisk udtrækning, udtrækker strukturerede data – tabeller, overskrifter, figurer – fra ethvert dokument, og derefter stiller spørgsmål om et dokuments indhold for at få præcise svar.
Vigtige pointer
- Document AI er Mistral’s løsning til intelligent dokumentbehandling, drevet af OCR 3
- I modsætning til klassisk OCR forstår OCR 3 dokumentstruktur og kontekst
- Det håndterer tabeller, håndskrift, flersprogede dokumenter og indlejrede billeder
- Brug Vision til et simpelt billede; brug Document AI til et komplekst dokument
- Behandlingen er hurtig: op til 2.000 sider i minuttet