Problemet med ostrukturerad data i organisationer
Man uppskattar att över 80 procent av data i organisationer är ostrukturerad — skannade fakturor, PDF:er av kontrakt, handskrivna formulär, e-post med bilagor, mötesprotokoll. Vart och ett av dessa dokument innehåller värdefull data som borde hamna i ERP-, CRM- eller databassystem — men att utvinna dem med traditionella metoder kräver manuellt arbete eller kostsamma OCR-system med regler för varje dokumentformat.
Hur LLM utför strukturerad extraktion
Språkmodeller angriper dataextraktion annorlunda än klassiska regelbaserade system. Istället för att definiera mönster för varje fakturalayout får modellen dokumentet och målschemat — en beskrivning av fält, datatyper och formatkrav — och hittar och mappar informationen självständigt. Resultatet returneras direkt som JSON redo för bearbetning av nedströms system.
Fördelen jämfört med det regelbaserade tillvägagångssättet är särskilt tydlig vid varierande dokumentformat. En faktura från en svensk leverantör, en utländsk debetnota och en skanning av en handskriven beställning kan bearbetas av samma modell utan att konfigurera separata mallar för varje format.
Praktiska tillämpningar i enterprise-miljöer
- Fakturor och finansiella dokument — automatisk extraktion av dokumentnummer, datum, poster, belopp, leverantörsdata och bankkontonummer direkt till bokföringssystemet
- Kontrakt och tillägg — extraktion av parter, avtalsföremål, giltighetsdatum och nyckelklausuler om viten och uppsägning
- Onboarding-formulär — bearbetning av medarbetar- eller kundansökningar och inläsning av data i HR- eller CRM-system
- Kommersiell korrespondens — identifiering av avsikt, kontaktuppgifter och åtaganden från e-post och brev
- Medicinsk och compliance-dokumentation — extraktion av datum, procedurer och identifierare från dokumentation med bevarande av anonymisering av personuppgifter
Validering och extraktionssäkerhet
Modellens råresultat bör sällan gå direkt till produktionssystem utan ett valideringslager. En bra enterprise-ansats omfattar flera kvalitetskontrollmekanismer. För det första schemavalidering — kontroll att returnerad JSON uppfyller typ- och formatkrav (ISO-datum, organisationsnummer, IBAN-nummer). För det andra affärslogik — stämmer summan av fakturaposterna med bruttobeloppet? Är fakturadatumet inte senare än förfallodatumet? För det tredje säkerhetspoängsättning — modellen kan returnera en säkerhetsbedömning per fält, vilket gör det möjligt att styra osäkra fall till manuell verifiering.
Anonymisering som bearbetningsvillkor
Många dokument som genomgår extraktion innehåller personuppgifter — namn på fakturor, medarbetardata i formulär, partsinformation i kontrakt. Bearbetning av dessa genom externa modeller kräver en GDPR-konform rättslig grund. Ett alternativ är anonymisering före extraktion — borttagning eller pseudonymisering av personuppgifter, bearbetning av dokumentet och återställning av originalvärdena på kundens serversida. ESKOM.AI integrerar automatisk anonymisering som steg före varje bearbetning av dokument som innehåller personuppgifter.
Strukturerad extraktion med LLM är en av de snabbast återbetalande investeringarna i automatisering — organisationer som bearbetar några tusen dokument per månad rapporterar en minskning av kostnaderna för manuell datainmatning med 70-90 procent, samtidigt som bearbetningstiden förkortas från timmar till sekunder.