Wat is OCR? Tekst herkennen in gescande documenten en foto's. Verschil met document-AI, dat ook begrijpt wát er staat.
OCR (optical character recognition) is techniek die letters en cijfers in een afbeelding omzet in echte, doorzoekbare tekst: een scan of foto wordt zo een document waar je kunt zoeken en waaruit software velden kan lezen. OCR leest wat er staat; document-AI gaat een stap verder en begrijpt ook wát het betekent.
Een scan is voor een computer in eerste instantie een platte verzameling pixels: mooi om te bekijken, nutteloos om te doorzoeken. OCR legt over die pixels een herkenningslaag die vormen herkent als letters, cijfers en leestekens, en schrijft daaronder een tekstlaag. Het document ziet er voor de lezer hetzelfde uit, maar de tekst is nu selecteerbaar, doorzoekbaar en door software verwerkbaar.
De kwaliteit van die herkenning hangt af van het bronmateriaal. Een scherpe afdruk die recht ingescand is, wordt vrijwel foutloos gelezen; een kromme foto van een bon in schemerlicht levert letters die aan de kant blijven. Moderne herkenning gaat ver (hij kan ook handschrift benaderen en tabellen reconstrueren) maar de grondwet blijft: vuile invoer geeft vuile tekst. Soms is een stap vóór het lezen al genoeg: het beeld recht zetten, contrast verbeteren, ruis wegfilteren.
Een voorbeeld: een boekhoudafdeling ontvangt inkoopfacturen als scans. Vóór OCR typte iemand leverancier, bedrag en factuurnummer over uit het beeld. Met OCR ligt er na het inscannen een tekstlaag onder het document, waarna een volgend programma precies die drie waarden eruit kan lezen en in de administratie kan zetten. De scan is van een kopie een gegevensbron geworden. En dat is precies het punt waar document-AI het overneemt.
De moeite waard is OCR zodra er papieren of gescande documenten zijn waarvan de inhoud verder moet reizen: naar een zoekfunctie, een archief of een administratie. Zodra een mens dezelfde velden meer dan af en toe overtypt uit een beeld, levert herkenning tijdswinst op. Ook voor archieven loont het: een scan zonder tekstlaag is een gesloten doos, met tekstlaag is hij doorzoekbaar.
Het loont niet als het document al digitaal en leesbaar binnenkomt, want een e-mail of een pdf met tekstlaag heeft geen herkenning nodig, en die forceren maakt het alleen trager. En OCR is geen einde: hij geeft ruwe tekst, geen structuur. Wie uit een factuur precies het totaalbedrag, de vervaldatum en het ordernummer nodig heeft, heeft na het lezen nog een begrijpstap nodig, en daarover gaat de pagina over document-AI. Wie denkt met OCR alleen klaar te zijn, eindigt vaak met tekst die er wel staat maar niemand kan vinden.
Wij gebruiken OCR zelden als los eindstation maar als eerste schakel in documentverwerking: het document leesbaar maken, zodat een volgende stap (velden extraheren, classificeren, naar het juiste systeem schrijven) zijn werk kan doen. Slechte scans leveren we eerlijk in als slechte scans, met een route ernaartoe. Waar documentverwerking als oplossing past, staat dat uitgeschreven op de documentextractie-pagina; trajecten worden vooraf gescopet en achteraf afgerekend op het echte werk.
OCR zet beeld om in tekst en stopt daar; document-AI begrijpt wat er in die tekst staat. Na OCR weet software dat er een reeks letters op regel drie staat; na document-AI weet hij dat die reeks het factuurnummer is, dat het document een inkoopfactuur is en dat het totaal bij de juiste kolom hoort. In de praktijk bouwen ze op elkaar: eerst het document leesbaar maken, daarna de structuur en betekenis eruit halen. Voor losse zoekbare archieven is OCR vaak genoeg; voor administratieve verwerking is de begrijpstap onmisbaar.
Deels, en het verschilt sterk per bron. Moderne herkenning leest net handschrift redelijk, morsige scans redelijk tot goed, en kromme foto's vaak pas nadat het beeld eerst rechtgezet en opgepoetst is. Wat niet lukt: een bron die onleesbaar ís. Vage kopieën, overlappende stempels, afgesneden randen blijven verlies. Onze aanpak is eerlijk: eerst de herkenbare delen verwerken, de rest herkennen als menswerk in plaats van stilletjes gokken, want een foute letter is erger dan een ontbrekende.
Op gedrukte Nederlandse documenten werkt herkenning doorgaans prima: de letters zijn gewoon letters, en de taal speelt bij het lezen zelf nauwelijks een rol. Waar het om draait is de stap erna: begrijpen dat 'BTW', 'omzetbelasting' en 'vat' in een Nederlands document hetzelfde veld aangeven, of dat een factuurdatum bovenaan iets anders is dan een vervaldatum. Dat is geen leesvraag maar een taal- en contextvraag. Precies de grens waar OCR ophoudt en document-AI begint.
Dat hangt af van drie dingen: hoeveel documenten er per periode binnenkomen, hoe schoon ze zijn en wat er daarna met de tekst moet gebeuren. Voor een archief doorzoekbaar maken is de inzet beperkt; voor een verwerking die administraties bijwerkt komt er een begrijp- en koppelstap bij, en die is het eigenlijke werk. Wij scopeten dat vooraf en rekenen af op de gemaakte uren binnen de afgesproken scope, zodat je achteraf een specificatie krijgt in plaats van een verrassing.
EIGHTY8