Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Use Cases voor Document AI

Les 3 van 16 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Praktische toepassingen in diverse sectoren
  2. Financiën en bankwezen: Geautomatiseerde KYC
  3. Gezondheidszorg: Patiëntendossiers en recepten
  4. Juridisch: Contracten op schaal analyseren
  5. Boekhouding: Factuurverwerking
  6. Logistiek, archieven en de overheid
  7. De standaard productieworkflow
  8. Belangrijkste punten

Update 2 november 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) is op 30 september 2026 buiten gebruik gesteld. Gebruik OCR 4.1 (mistral-ocr-4-1), dat sinds 31 augustus algemeen beschikbaar is tegen dezelfde prijs, of het alias mistral-ocr-latest, dat er sinds 16 juli naar verwijst. OCR 4.1 voegt betrouwbaarheidsscores op blokniveau toe.

Praktische toepassingen in diverse sectoren

Document AI doet meer dan alleen tekst extraheren. De combinatie van OCR + Annotaties + V&A (Vragen & Antwoorden) maakt de dienst waardevol omdat deze de volledige documentlevenscyclus bestrijkt, van ontvangst tot gebruik. Deze les behandelt de meest voorkomende use cases per sector en geeft aan welke diensten bij elke stap betrokken zijn. Dit onderscheid is vroeg in het proces belangrijk, omdat elke toegevoegde dienst kosten en latentie met zich meebrengt.

Sector Use Case Gebruikte diensten
Financiën & Bankwezen Geautomatiseerde KYC, extractie van afschriften, compliance OCR + Annotaties
Gezondheidszorg Patiëntendossiers, handgeschreven recepten, medische rapporten OCR + Annotaties + V&A
Juridisch Contractanalyse, clausule-extractie, due diligence OCR + V&A
Verzekeringen Schadeafhandeling, declaratieformulieren OCR + Annotaties
Logistiek Pakbonnen, douanedocumenten, magazijnchecklists OCR + Annotaties
Boekhouding Inkoopfacturen, onkostenrapporten, bankafstemming OCR + Annotaties
Overheid Digitalisering archieven, administratieve formulieren OCR
Productie Technische datasheets, kwaliteitscertificaten, inspectierapporten OCR + V&A

Financiën en bankwezen: Geautomatiseerde KYC

Klantonboarding is de meest gevraagde use case omdat deze repetitief, gereguleerd en tijdrovend is. Het “Know Your Customer” (KYC)-proces volgt altijd dezelfde volgorde:

  1. Scannen van identiteitsdocumenten: Paspoort, nationale identiteitskaart, rijbewijs
  2. OCR-extractie: Voornaam, achternaam, geboortedatum, documentnummer
  3. Gestructureerde annotaties: Validatie van velden via een Pydantic-schema
  4. Kruisverificatie: Automatische vergelijking met interne databases
  5. Verrijkte archivering: Document geïndexeerd en doorzoekbaar via V&A

Wat een compliance-medewerker vroeger enkele uren kostte, duurt nu nog maar seconden per bestand. De medewerker grijpt alleen in bij gevallen die als verdacht worden gemarkeerd.

Gezondheidszorg: Patiëntendossiers en recepten

De medische sector genereert enorme hoeveelheden documenten, waarvan een groot deel met de hand is geschreven. Een handgeschreven recept, dat vaak als onleesbaar wordt beschouwd, wordt correct getranscribeerd, zelfs wanneer de arts Latijnse termen mengt met de lokale taal. Checkbox-formulieren, lang een doorn in het oog voor traditionele OCR-engines, laten hun booleaanse antwoorden met opmerkelijke nauwkeurigheid extraheren. Op medische rapporten identificeert het model de identiteit van de patiënt, de diagnose en de voorgeschreven medicatie.

Eén gedrag verdient nadruk omdat het bepaalt hoeveel vertrouwen u in het systeem kunt stellen: wanneer een veld ontbreekt in het document — bijvoorbeeld een niet-vermeld telefoonnummer — rapporteert het model deze afwezigheid in plaats van een plausibele waarde te verzinnen. Dit is het exacte tegenovergestelde van de reflex van een algemeen model, en dit maakt de extractie bruikbaar zonder systematische menselijke controle.

Juridisch: Contracten op schaal analyseren

Kantoren en juridische afdelingen gebruiken voornamelijk clausule-extractie en V&A. De eerste use case betreft het automatisch identificeren van beëindigings-, concurrentiebeding- of vertrouwelijkheidsclausules binnen een corpus, waardoor een handmatige review verandert in geassisteerde triage. De tweede blinkt uit tijdens due diligence: wanneer een overname honderden contracten omvat, ondervraagt u het corpus in natuurlijke taal in plaats van alles van begin tot eind te lezen, en bekijkt u alleen de documenten die door de zoekopdracht naar boven komen in detail.

Boekhouding: Factuurverwerking

Dit is de meest volwassen use case en vaak de eerste die wordt ingezet. Het komt neer op een Pydantic-schema dat exact beschrijft wat u wilt ophalen:

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")

Wanneer dit aan de Annotaties-API wordt doorgegeven, extraheert dit schema velden uit elke gescande factuur zonder dat er vooraf configuratie van leveranciersfactuursjablonen nodig is. Let op de zorgvuldigheid bij beschrijvingen en typering: dit vertelt het model dat een bedrag als een getal moet worden teruggegeven, en een datum in YYYY-MM-DD-formaat in plaats van in de vorm zoals deze op het papier staat.

Logistiek, archieven en de overheid

In de logistiek lenen de duizenden pakbonnen, vrachtbrieven en douanedocumenten die dagelijks worden verwerkt zich voor automatische extractie van afzender- en ontvangerinformatie, het lezen van barcodes en volgnummers die in afbeeldingen aanwezig zijn, en de digitalisering van magazijnchecklists die met de hand zijn ingevuld op vaak gekreukeld materiaal.

Digitalisering van archieven is een speciaal geval. Documenten hier zijn oud, soms in slechte staat, geschreven in handschrift uit de 19e of 20e eeuw, met typografie en zinsbouw die niet meer in gebruik zijn. OCR 4 gaat hier beter mee om dan traditionele OCR-engines dankzij zijn visuele begrip, maar wees realistisch over de limieten: de nauwkeurigheid daalt bij ernstig aangetaste items, en elk serieus archiefproject omvat altijd een fase van menselijke controle.

De standaard productieworkflow

Ongeacht de sector ziet de pipeline er vergelijkbaar uit: inname van het document via scan, upload of e-mail; OCR om tekst en structuur te extraheren via mistral-ocr-latest; annotaties om gestructureerde gegevens volgens uw bedrijfsschema te verkrijgen; indexering van de verrijkte Markdown in een vectordatabase of SQL-database; en vervolgens gebruik via zoeken, V&A, rapportage of workflowautomatisering. Als u een project ontwerpt, zet dan deze vijf stappen uit voordat u een enkele regel code schrijft: ze bepalen waar u data opslaat, wat u opnieuw afspeelt bij een fout, en waarvoor u factureert.

Belangrijkste punten

  • Document AI is toepasbaar in elke sector die met documenten werkt
  • De standaardworkflow is: inname, OCR, annotaties, indexering, gebruik
  • Met Pydantic-annotaties haalt u exact de gegevens op die u nodig hebt
  • Met V&A kunt u documenten na indexering in natuurlijke taal ondervragen
  • De combinatie van alle drie de diensten creëert een end-to-end documentoplossing