Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
Tesisquare
De multi-agentpijplijn van Tesisquare verwerkt 97,0% van 955 leveranciersdocumenten zonder terugvaloptie
Tesisquare, een softwarebedrijf uit Turijn, bouwde een pijplijn die leveranciersfacturen sorteert, splitst, leest en controleert, waarbij mensen alleen de onzekere gevallen nakijken. Het hoofd AI meldt dat 97,0% van 955 productiedocumenten door de pijplijn liep en dat de nauwkeurigheid 98,5% bedroeg in een test met 100 documenten.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
97,0%
Aandeel van de 955 productiedocumenten (verwerkt tot en met 21 januari 2026) dat de pijplijn van begin tot eind afhandelde; 926 documenten, terwijl 29 naar oudere OCR-tools of een handmatig webportaal gingen1
98,5%
Nauwkeurigheid op documentniveau (alle vereiste velden juist) van de volledige pijplijn met menselijke controle, op een gestratificeerde subset van 100 productiedocumenten1
60,0%
Nauwkeurigheid op documentniveau van een basislijn die elke pdf rechtstreeks naar een taalmodel stuurde, op dezelfde 100 documenten1
17,5
procentpunt
Winst in nauwkeurigheid door de parseerstap (de opmaak van het document omgezet in gestructureerde tekst) vóór de extractie toe te voegen, op dezelfde 100 documenten1
Wat het kostte
Kosten, teamgrootte en doorlooptijd zijn in de bronnen niet openbaar gemaakt.
Het probleem
Bedrijven die facturen van veel leveranciers ontvangen, krijgen een gestage stroom documenten in uiteenlopende opmaak en talen. Gegevens met de hand intikken is traag en foutgevoelig, en oudere OCR-tools (software die scans omzet in tekst) vragen vaak om menselijk ingrijpen bij een groot deel van de documenten. De auteurs vrezen ook dat een taalmodel dat alleen werkt waarden kan verzinnen, wat bij financiële gegevens een risico is.
Wat ze bouwden
Tesisquare, een softwarebedrijf in Turijn, bouwde een pijplijn van vijf gespecialiseerde stappen, agents genoemd. Eén herkent het documenttype en de leverancier, één splitst bundelbestanden in losse facturen, één zet elke pagina om in gestructureerde tekst, één gebruikt een taalmodel om de velden eruit te halen en één valideert het resultaat. Documenten waarover het systeem onzeker is, gaan naar een persoon, op een scherm dat het document naast de geëxtraheerde gegevens toont. Volgens het artikel gebruikt de productie Mistral-Small-3.2, een open-weightmodel (met open gewichten: de bestanden zijn gepubliceerd, zodat een bedrijf het op eigen servers kan draaien), met DeepSeek-OCR als terugvaloptie in drukke periodes.
Hoe ze het aanpakten
De extractiestap werkt met de gestructureerde tekst in plaats van met ruwe scans, wat volgens de auteurs de hoeveelheid tekst die het model moet lezen met 35% vermindert. De validatiestap controleert formaten en sommen, en een betrouwbaarheidsscore bepaalt welke documenten naar een controleur gaan, met drempels die doorgaans tussen 80% en 90% liggen. Wanneer een controleur een veld corrigeert, zet het systeem de correctie om in bijgewerkte instructies voor het model en past die toe op vergelijkbare documenten die al in de wachtrij staan, zonder het model opnieuw te trainen. De productieset omvatte meer dan 50 leveranciers en documenten in het Italiaans, Engels, Duits en Frans.
Resultaten
Van 955 productiedocumenten die tot en met 21 januari 2026 zijn verwerkt, liepen er 926 (97,0%) door de pijplijn zonder terugval op oudere tools of een handmatig portaal. In een test met 100 documenten uit de productie bereikte de volledige pijplijn met menselijke controle een nauwkeurigheid van 98,5%, tegenover 60,0% voor een eenvoudige basislijn die de pdf rechtstreeks naar een model stuurt. De stap met gestructureerde tekst leverde het meeste op, 17,5 procentpunt. Het nakijken van een gemarkeerd document duurde ongeveer 45 seconden, tegenover circa 120 seconden bij volledig handmatige afhandeling.
Wat u kunt overnemen
Behandel mensen als onderdeel van het ontwerp, niet als vangnet. Stuur alleen onzekere documenten naar hen, leg elke correctie vast en meet het aandeel dat op de geautomatiseerde route blijft apart van de nauwkeurigheid.
Alle gemelde cijfers
| Maatstaf | Cijfer | Bronvermelding |
|---|---|---|
| Aandeel van de 955 productiedocumenten (verwerkt tot en met 21 januari 2026) dat de pijplijn van begin tot eind afhandelde; 926 documenten, terwijl 29 naar oudere OCR-tools of een handmatig webportaal gingen | 97,0%1 | |
| Nauwkeurigheid op documentniveau (alle vereiste velden juist) van de volledige pijplijn met menselijke controle, op een gestratificeerde subset van 100 productiedocumenten | 98,5%1 | |
| Nauwkeurigheid op documentniveau van een basislijn die elke pdf rechtstreeks naar een taalmodel stuurde, op dezelfde 100 documenten | 60,0%1 | |
| Winst in nauwkeurigheid door de parseerstap (de opmaak van het document omgezet in gestructureerde tekst) vóór de extractie toe te voegen, op dezelfde 100 documenten | 17,5 procentpunt1 | |
| Gemiddelde menselijke controletijd per gemarkeerd document in de huidige uitrol, ten opzichte van volledig handmatige verwerking van dezelfde facturen | ongeveer 45 seconden (tegenover circa 120 seconden)1 | |
| F1-score (een gecombineerde maat voor gemiste en foute velden) van Mistral-Small-3.2 in de vergelijking van vier extractiemodellen door de auteurs | 92,9%1 |
Lessen voor uw project
Zet een stap die de opmaak leest vóór het taalmodel. In de test van de auteurs verhoogde het omzetten van elke pagina in gestructureerde tekst de nauwkeurigheid met 17,5 procentpunt, meer dan welke andere afzonderlijke stap ook.
Laat mensen de uitvoer corrigeren en voer de correcties terug als bijgewerkte instructies. De auteurs doen dit zonder het model opnieuw te trainen, waardoor verbeteren goedkoop blijft.
Voeg eenvoudige rekencontroles toe, zoals subtotaal plus btw is totaal, en stuur alleen documenten met lage betrouwbaarheid of mislukte controles naar mensen. De auteurs hanteren betrouwbaarheidsdrempels van doorgaans 80 tot 90%.
Houd een route zonder AI achter de hand. Niet-herkende formaten en sterk aangetaste scans gingen naar oudere OCR-tools of een handmatig portaal in plaats van onbetrouwbare uitvoer op te leveren.
Reken op een koude start bij nieuwe leveranciers. De auteurs raden aan te beginnen met veel menselijke controle en die af te bouwen naarmate de correcties zich opstapelen.
Kanttekeningen
- Alle cijfers komen uit een preprint van het hoofd AI van Tesisquare en iemand uit de academische wereld van het Politecnico di Torino. Het is niet onafhankelijk gecontroleerd of door een derde bevestigd, en het zegt niet of het collegiaal getoetst is.
- Het artikel noemt de eindklant wiens facturen zijn verwerkt niet, dus de context van de uitrol kan van buitenaf niet worden gecontroleerd.
- Het artikel geeft geen datum van ingebruikname. Het zegt dat documenten tot en met januari 2026 zijn verwerkt (gegevens tot en met 21 januari 2026), dus de datum van de uitrol wordt alleen als 2026 getoond.
- De 97,0% is het aandeel documenten dat op de AI-route bleef. Het is geen nauwkeurigheidspercentage. De 29 documenten die via routes zonder AI liepen, bleven buiten de beoordeling van de nauwkeurigheid.
- De nauwkeurigheid van 98,5% komt uit slechts 100 documenten (5 uit elk van 20 groepen van leveranciers en documenttypen), een kleine steekproef, en is het resultaat inclusief menselijke controle. De volledig geautomatiseerde run van de auteurs op dezelfde documenten scoorde 92,5%.
- Het artikel projecteert ook een daling van ongeveer 70% van het personeel in voltijd bij een scenario van 100.000 facturen per jaar, en besparingen op uitstoot, energie en water. Dit zijn gemodelleerde scenario's, geen gemeten resultaten, en ze worden hier niet gebruikt.
- De controletijden van 45 en 120 seconden geven de auteurs op voor de huidige uitrol, zonder te beschrijven hoe ze zijn gemeten.
- Bij de modelvergelijking is de eigen testset van de auteurs gebruikt. Het artikel zegt dat in productie Mistral-Small-3.2 wordt gebruikt, met DeepSeek-OCR als terugvaloptie in drukke periodes.
Bronnen
- MADP: A Multi-Agent Pipeline for Sustainable Document Processing with Human-in-the-Loop
arXiv (Tesisquare Head of AI and Politecnico di Torino) · 2026-05-16 · Onderzoeksrapport · arxiv.org
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.