OCR нужен, когда документ пришел как скан, фото, изображение или PDF без текстового слоя. Например, счет прислали как отсканированный PDF, акт сфотографировали на телефон, в договоре есть страницы-картинки, а не настоящий текст. Без OCR AI-агент видит только файл или изображение, но не может надежно работать с реквизитами, суммами, датами и условиями.
Важно не путать OCR с обычным извлечением текста из PDF. Если PDF уже содержит текстовый слой, лучше извлечь текст напрямую: так меньше ошибок. OCR нужен именно там, где текст физически нарисован на странице как пиксели.
Главная проблема OCR - ошибки распознавания. Сервис может перепутать 0 и O, 1 и I, 5 и S, неверно распознать ИНН, КПП, сумму, дату, номер договора или номер счета. Для человека такая ошибка иногда очевидна, а для AI-агента она выглядит как настоящий текст. Поэтому в production-процессах нужно хранить исходный файл, номер страницы, confidence, координаты поля и статус качества распознавания.
В AI-пайплайне OCR обычно является первым этапом. Сначала система определяет тип файла, затем извлекает текст напрямую или запускает OCR, потом очищает результат, передает его в LLM для structured extraction, проверяет поля правилами и отправляет спорные случаи на review.
Безопасная схема такая: OCR не принимает бизнес-решение сам. Он только готовит текст. Решения по оплатам, договорам, первичке, персональным данным и юридически значимым документам должны проходить валидацию, confidence-порог и approval человека.
Примеры
- Бухгалтер загружает скан счета. OCR извлекает номер, дату, ИНН, сумму и НДС, а LLM затем приводит данные к JSON-схеме.
- AI-агент для входящих документов получает фото акта, распознает текст, классифицирует документ и отправляет его в очередь проверки.
- Юридический агент сравнивает две версии договора, но сначала запускает OCR для страниц, которые пришли сканами.
- Агент обработки изображений проверяет, есть ли текст на картинке, сохраняет OCR-preview и готовит alt-текст для CMS.
- Финансовый агент помечает документ как bad_ocr, если сумма или реквизиты распознаны с низкой уверенностью.
Где используется
- распознавание сканов счетов, актов и УПД
- обработка входящих PDF и фотографий документов
- извлечение реквизитов для бухгалтерии и финансов
- подготовка документов к structured extraction
- поиск по сканированным архивам
- распознавание текста на изображениях для CMS
- подготовка документов к RAG и внутреннему поиску
- проверка тендерных и юридических документов
- создание document intake pipeline
- контроль качества распознавания перед approval
Связанные термины
Частые вопросы
Когда нужен OCR, а когда нет?
OCR нужен для сканов, фотографий и PDF без текстового слоя. Если PDF уже содержит нормальный текст, лучше извлекать его напрямую: это быстрее и обычно точнее.
Можно ли доверять OCR в финансовых документах?
Только после проверки. OCR может ошибиться в цифрах, реквизитах, датах и суммах. Для финансовых документов нужны confidence, правила валидации, сверка с источниками и ручное подтверждение важных действий.
Чем OCR отличается от LLM-извлечения данных?
OCR превращает изображение в текст. LLM-извлечение берет этот текст и раскладывает его по полям: номер счета, дата, сумма, контрагент, НДС, риск, комментарий. Это разные этапы одного pipeline.
Что делать с плохим OCR?
Не использовать его как надежный источник. Нужно поставить статус bad_ocr или needs_review, сохранить исходный файл, показать проблемные поля человеку и не отправлять данные дальше без проверки.
Какой инструмент выбрать для OCR?
Для простого self-hosted сценария часто используют Tesseract OCR. Для облачного OCR, изображений и сложных сканов можно брать Google Cloud Vision API или похожие сервисы. Важнее не название сервиса, а контроль качества результата.
