OCR vs AI számlafeldolgozás: mi a különbség? (2026)

A szállítói számláid felén más a fejléc helye, máshol állnak a tételsorok, és mindegyik szállító a saját formátumát küldi. Itt dől el, hogy a régi OCR elég-e, vagy AI kell. A hagyományos OCR pontossága 85–95%, az AI/ML alapú megoldásoké 95–99% a számlakinyerésen (Parseur, 2026). A különbség nem apró finomhangolás. Ez dönti el, hány számlát kell kézzel javítanod hónap végén. Ebben a cikkben végigvesszük a technológiai különbséget, a pontosságot, a magyar szállítói kavalkász valóságát, az ÁFA-logikát, a döntési szempontokat és a darabköltséget. A számlafeldolgozás automatizálásáról szóló pillércikkünk adja ehhez a tágabb keretet.

Mi a különbség az OCR és az AI számlafeldolgozás között?

Az OCR karaktereket olvas ki a képből, jellemzően előre beállított zóna vagy sablon alapján. Az AI-alapú intelligens dokumentumfeldolgozás (IDP) ezzel szemben érti a dokumentum szerkezetét és kontextusát. Kezeli a változó elrendezést, felismeri a mezők jelentését, és tanul a kézi javításaidból. Ez a modern IDP alapja (AIMultiple, 2026).

A régi OCR jól működik, ha a bemenet mindig ugyanúgy néz ki. Beállítasz egy sablont: a számlaszám itt van, a végösszeg ott. Amint a szállító megváltoztatja a nyomtatványt, a sablon melléolvas.

Az AI nem koordinátát keres, hanem jelentést. Megtalálja a végösszeget akkor is, ha az a lap alján, máshol vagy más címkével szerepel. Ezért bírja a sokféle beérkező formátumot.

A hagyományos OCR sablon vagy zóna alapján olvas karaktert, míg az AI-alapú IDP a dokumentum szerkezetét és kontextusát érti, kezeli a változó elrendezést és tanul a javításokból (AIMultiple, 2026 frissítés).

Ha mélyebben érdekel az AI a pénzügyi kontrollingban, ott a tágabb folyamatképet is megnézheted.

Mennyivel pontosabb az AI az OCR-nél?

Jelentősen. A hagyományos OCR pontossága 85–95% a számlakinyerésen, míg az AI/ML alapú megoldásoké 95–99% (Parseur, 2026). Ez a néhány százalék a gyakorlatban a kézi ellenőrzések számában jelenik meg. Egy iparági becslés szerint a kézi kivételek nagyságrenddel, kb. 50-ről 5-re eshetnek havonta (Ken from Finance, 2026).

A 90% pontosság jól hangzik. A gyakorlatban azt jelenti, hogy minden tizedik mező hibás lehet. Ezt valakinek észre kell vennie, ki kell javítania, és vissza kell vezetnie.

Egy független benchmark is megerősíti a képet. Az AIMultiple több mint 400 kulcs-érték párt tesztelt 20 számlán, hat eszközzel. A legjobb általános pontosságot és a gyenge minőségű dokumentumokon a legnagyobb ellenállóságot egy LLM-alapú megoldás hozta (AIMultiple, teszt 2024, frissítve 2026).

A gyakorlatban azt látjuk, hogy a különbség nem a "hero" számlákon dől el, hanem a rossz szkennelésű, ferde, halvány példányokon. Ott esik szét a sablon-OCR.

A hagyományos OCR 85–95%, az AI/ML alapú számlakinyerés 95–99% pontosságú a számlamezőkön; a kézi kivételek pedig iparági becslés szerint nagyságrenddel, kb. 50-ről 5-re eshetnek havonta (Parseur, 2026; Ken from Finance, 2026).

Miért bukik el a sablon-alapú OCR a sokféle szállítói számlán?

Mert minden szállítói formátumhoz külön sablon kell, és a karbantartás lineárisan nő a szállítók számával. A long-tail szállítókon, ahol a legnagyobb a formátumvariancia, a sablonos megközelítés összeomlik (ADVISORI, 2026). Húsz szállítónál még kezelhető. Kétszáznál már projekt.

Gondolj bele: minden új beszállító új nyomtatványt hoz. Minden formátumváltás új sablonkarbantartást igényel. A ritka, egyszer-kétszer számlázó partnerek adják a legtöbb variációt, mégis rájuk éri meg legkevésbé sablont építeni.

A magyar valóság

A NAV Online Számla rendszere a kimenő számlaadatra hozott egységes struktúrát. A bejövő szállítói számlák viszont továbbra is PDF, papír és szkennelt formában érkeznek, vegyes minőségben. Vagyis a magyar cégeknél pont ott nincs egységes formátum, ahol a legtöbb kézi munka keletkezik: a beérkező oldalon. Ez strukturálisan az AI, nem a sablon-OCR esete.

Ha a teljes rögzítési lépést nézed, a szállítói számla automatizálás első állomása mindig az adatkinyerés. Itt dől el, mennyi kézi javítás marad utána.

A zóna- és sablon-OCR minden szállítói formátumhoz külön sablont igényel, és a karbantartás a szállítók számával lineárisan nő, ezért a long-tail szállítókon összeomlik (ADVISORI, 2026).

Kezeli-e az AI az ÁFA-logikát és a tételsorokat?

Igen. Az AI/LLM a variált elrendezést és a táblázatos tételsorokat is értelmezi, sőt ÁFA- és fordított adózás logikát is alkalmaz, amit a zóna-OCR strukturálisan nem tud. Egy 2026-os elemzés a kulcsmezőkön, tehát a szállítónál, összegnél, dátumnál és számlaszámnál, 95–99% pontosságot mér (Ken from Finance, 2026).

A tételsorok a legnehezebb rész. Változó a sorok száma, néha átfut a lap alján, keveredik a nettó, az ÁFA és a bruttó. A sablon-OCR itt fix cellákat vár. Az AI a táblázat logikáját olvassa.

Az ÁFA külön kihívás. A fordított adózás, a különböző kulcsok és a mentességek nem csak számok, hanem szabályok. Ezeket érdemes önálló "kivétel-osztályként" kezelni: itt bukik el leginkább a sablonos megközelítés, és itt ad a legtöbb értéket a kontextusértő AI.

Az AI a táblázatos tételsorokat és a több soros ÁFA-logikát is értelmezi, a kulcsmezőkön (szállító, összeg, dátum, számlaszám) 95–99% pontossággal, amit a fix cellás zóna-OCR strukturálisan nem tud lekövetni (Ken from Finance, 2026).

A 7 kontrolling feladatról, amit ma már AI végez, külön cikkben írtunk részletesen.

Mikor elég az OCR, és mikor kell AI?

Röviden: kevés, állandó formátumú szállítónál az OCR is elég. Sok, változó formátumú szállítónál az AI/IDP a védhető választás. Egy független benchmark szerint az LLM-alapú kinyerés hozta a legjobb pontosságot 400+ kulcs-érték páron (AIMultiple, teszt 2024, frissítve 2026). Tapasztalatunk szerint a döntés három tényezőn múlik: a havi volumen, a szállítók száma és a formátum-variancia.

Döntési mátrix

Nézd meg a saját folyamatod ezen a három tengelyen:

• Alacsony volumen, kevés, állandó szállító: az OCR vagy akár a kézi rögzítés is elég lehet.
• Közepes volumen, növekvő szállítói kör: itt kezd fájni a sablonkarbantartás, érdemes AI-ra váltani.
• Magas volumen, sok szállító, változó formátum, tételsorok: az AI/IDP egyértelmű választás.

Tapasztalatunk szerint a fordulópont nem a volumen, hanem a szállítói formátumok száma. Aki 15 fix partnerrel dolgozik, kibírja sablonnal. Aki 150 vegyes partnerrel, annak a sablon több munka, mint a kézi rögzítés volt.

Egy független benchmark szerint az LLM-alapú kinyerés adta a legjobb pontosságot és a legnagyobb ellenállóságot a gyenge minőségű dokumentumokon, 400+ kulcs-érték páron, 20 számlán, hat eszközzel tesztelve (AIMultiple, teszt 2024, frissítve 2026).

Mibe kerül a két megközelítés?

Egy 2026-os számbavétel szerint egy számla kézi feldolgozása 12,88–19,83 dollár, míg az automatizált AI-folyamaté kb. 2,36 dollár. A kézi darabköltség eredeti benchmarkja az Ardent Partners AP-kutatása, amelyet a Parseur idéz (2026). A tartomány alapján a kézi darabköltség többszöröse az AI-énak, egy iparági becslés szerint közel tízszerese (technokrata.hu, 2026). Ez nagy volumennél komoly összeg.

A számhoz jön egy rejtett tétel: a sablonkarbantartás. Ezt a legtöbb kalkuláció kihagyja, pedig a sablonos OCR-nél ez folyamatos, szállítónként ismétlődő munka. Az ügyfeleinknél ezt gyakran a "láthatatlan" pénzügyi óra kategóriában találjuk meg: sehol nincs kimutatva, mégis valós fizetett idő.

A ControlliQ-nál ezért AI-alapú folyamatrétegként közelítjük a számlafeldolgozást: nem sablont karbantartasz, hanem a rendszer tanul a javításokból. A megtérülés számszerűsítéséhez az AI-bevezetés pénzügyi megtérüléséről szóló cikkünk ad keretet, a folyamatlogikát pedig az AI-alapú pénzügyi folyamatmotor írja le.

Egy számla kézi feldolgozása 12,88–19,83 dollár, az automatizált AI-folyamaté kb. 2,36 dollár; a kézi tartomány eredeti benchmarkja az Ardent Partners AP-kutatása, amelyet a Parseur idéz (Parseur, 2026).

Gyakran ismételt kérdések

Mi a különbség az OCR és az AI számlafeldolgozás között?

Az OCR karaktereket olvas ki a képből, jellemzően sablon vagy zóna alapján. Az AI-alapú IDP érti a dokumentum szerkezetét és kontextusát, kezeli a változó elrendezést, és tanul a javításokból (AIMultiple, 2026). Röviden: az OCR karaktert olvas, az AI megérti a dokumentumot.

Mennyivel pontosabb az AI az OCR-nél a számláknál?

A hagyományos OCR pontossága 85–95%, az AI/ML alapú megoldásoké 95–99% a számlakinyerésen (Parseur, 2026). A gyakorlatban ez a kézi kivételek számában látszik: egy iparági becslés szerint nagyságrenddel, kb. 50-ről 5-re eshetnek havonta (Ken from Finance, 2026).

Miért bukik el a sablon-alapú OCR a sokféle szállítói számlán?

Mert minden formátumhoz külön sablon kell, és a karbantartás a szállítók számával lineárisan nő. A ritkán számlázó long-tail szállítók adják a legtöbb formátumvarianciát, ezért rajtuk omlik össze a sablonos megközelítés (ADVISORI, 2026).

Kezeli az AI a kézírást és a tételsorokat?

A tételsorokat igen: az AI a táblázatos szerkezetet és a több soros ÁFA-logikát is értelmezi. A kulcsmezőkön egy 2026-os elemzés 95–99% pontosságot mér (Ken from Finance, 2026). A kézírás nehezebb terep, és a minőségtől függ, de a modern AI itt is jobban teljesít a fix cellás OCR-nél. A számlafeldolgozás automatizálása cikkünkben mélyebben is kifejtjük.

Konklúzió

Az OCR karaktert olvas, az AI megérti a dokumentumot. Ez a különbség egy mondatban. A számok mögötte: a sablon-OCR 85–95%, az AI 95–99% pontosságú a számlakinyerésen, és a kézi kivételek iparági becslés szerint nagyságrenddel eshetnek havonta (Parseur, 2026; Ken from Finance, 2026). Ha kevés, állandó formátumú szállítóval dolgozol, az OCR is elég lehet. Ha sok, változó formátumú szállító és tételsor-igény van a folyamatodban, az AI a védhető választás. A magyar valóságban a bejövő szállítói oldal pont ilyen: vegyes, szkennelt, sablonozhatatlan.

Nézd meg, mennyire pontosan olvasná a te szállítói számláidat egy AI-folyamat. Kérj ControlliQ-demót, és a saját számláidon mutatjuk meg a különbséget.

Támba Bence pénzügyi folyamatautomatizálással foglalkozik, és a ControlliQ csapatában a szállítói számlafeldolgozás bevezetéseit kíséri. Napi munkája során magyar könyvelőcsapatok bejövő számláin méri az adatkinyerés pontosságát és a kézi javítások arányát. A cikk tapasztalati megjegyzései ezekből a bevezetésekből származnak.