Document AI 入門
OCR、IDP、LLM 差在哪？文件 AI 的四個世代與企業選型重點
文件 AI 經歷了四個世代：第一代 OCR 把影像中的字「認出來」；第二代 IDP（智慧文件處理）以範本、規則與機器學習擷取欄位；第三代以大型語言模型（LLM）直接理解文件，不再依賴範本，但結果可能每次不同、難以追溯；第四代 Document AI 在理解能力之上，加入多層辨識、業務規則驗證、信心分數與稽核軌跡，讓結果可重複、可信任，並可完全離線部署。Insavlo 屬於第四代。
文件 AI 的四個世代
| 世代 | 核心做法 | 強項 | 限制 |
|---|---|---|---|
| 第一代：OCR | 光學字元辨識，把影像轉成文字 | 文件數位化、全文檢索 | 只輸出文字，不知道「12,800」是金額還是統一編號，也不做任何驗證 |
| 第二代：IDP | OCR 加上範本、規則與機器學習擷取欄位 | 格式固定的大量文件處理效率高 | 每種版面都要設定範本，格式一變就要重調；手寫、蓋章與複雜版面表現有限 |
| 第三代：LLM | 以大型語言模型或多模態模型直接閱讀文件 | 不需範本、語意理解強、上手快 | 同一份文件結果可能不一致；可能生成文件上不存在的數值；難以知道哪裡錯；多數需把資料送到雲端；處理量大時成本高 |
| 第四代：Insavlo | 多層架構：影像前處理、結構理解、辨識、語意理解、業務驗證、信心判斷與人工覆核 | 不需範本；同樣輸入產生相同結果；每個欄位可追溯並附信心分數；可完全離線 | 需要依企業流程設定業務規則，導入前建議以真實文件做概念驗證 |
註：世代劃分為 Insavlo 對文件 AI 技術演進的歸納，各世代之間並非互相取代，而是能力逐步累加。
第一代：OCR，把字認出來
OCR（Optical Character Recognition，光學字元辨識）把圖片、掃描檔或 PDF 中的文字轉成可編輯、可搜尋的文字，回答的是「這張圖上寫了什麼字」。它不理解文件內容，也不會檢查金額加總是否正確，這些判斷傳統上要靠人工。
第二代：IDP，用範本擷取欄位
IDP（Intelligent Document Processing，智慧文件處理）在 OCR 之上加入文件分類、欄位擷取與規則，能把「發票號碼」「金額」等欄位整理成結構化資料。問題在於多數 IDP 依賴範本：每多一家供應商、每換一種版面，就要重新設定，維護成本隨文件種類增加；手寫與版面變化大的文件也容易出錯。
第三代：LLM，看得懂但不夠可控
大型語言模型讓文件 AI 第一次能「讀懂」文件：不需要範本，也能處理沒見過的格式。但用在企業流程時，會遇到幾個關鍵問題：
- 結果不一致：同一份文件處理兩次，可能得到不同答案。
- 可能生成不存在的數值：模型可能「補上」看起來合理、但文件上沒有的金額或日期。
- 不知道哪裡錯：輸出通常不附可靠的信心訊號，人工只能全部重看。
- 資料與成本：多數方案需要把文件送到外部雲端 API，大量處理時成本也會快速上升。
對財務、保險、醫療與製造這類「錯一個數字就有代價」的流程來說，這些問題讓第三代難以直接上線。
第四代：可重複、可稽核的企業級 Document AI
第四代保留了 LLM 不需範本、理解力強的優點，同時補上企業需要的確定性與治理能力：
- 多層辨識架構：從影像前處理、結構理解、辨識、語意理解到業務驗證，每一層各司其職，而不是把整份文件交給單一模型。
- 確定性結果：相同輸入產生相同結果，流程可預測、可重複。
- 先驗證再接受：結果依業務規則驗證並跨文件比對（例如發票、採購單、驗收單三方比對），避免錯誤悄悄流入下游系統。
- 信心分數與人工覆核：每個欄位附信心分數，只有低信心或規則不符的欄位才交給人確認。
- 完整可追溯：每一次擷取、驗證與修改都留下紀錄，方便稽核與問責。
- 可完全離線：資料不必離開企業內網，符合金融、保險、醫療與製造業的資安要求。
企業該選哪一代？
- 只需要數位化、全文檢索：第一代 OCR 就夠。
- 格式固定、供應商少、流程簡單：第二代 IDP 可以應付，但要評估範本維護成本。
- 內部探索、非關鍵流程、可接受人工全檢：第三代 LLM 方案可快速試用。
- 高量、多格式、資料要直接寫入系統，且要求準確、可稽核或不出內網：需要第四代。
台灣企業選型的 6 個檢查點
- 繁體中文與手寫：用自己的真實文件測試，特別是手寫申請書、簽收單與蓋章文件，不要只看廠商公布的數字。
- 是否需要範本：每換一種版面就要重新設定的方案，維護成本會隨供應商與客戶數量增加。
- 結果是否一致：同一份文件跑兩次，結果是否完全相同？數值是否都能對應回原始文件位置？
- 業務規則與信心分數：能否設定金額、日期、統一編號等檢核？系統能否告訴你「哪裡可能錯」，讓人工只看需要看的欄位？
- 部署方式與資安：是否支援地端或完全離線部署、是否通過 ISO 27001 等認證、客戶資料是否會被拿去訓練模型。
- 整合能力：確認 API、輸出格式，以及與 ERP、理賠核心、文件管理系統的對接方式與時程。
台灣常見的應用場景
- 保險理賠：理賠申請書、診斷證明書、醫療收據的分類與欄位擷取，例外交由理賠人員覆核。
- 財務應付：三聯式發票、請款單、驗收單的擷取與三方比對，偵測重複請款。
- 製造與物流：出貨單、簽收單、工單與檢驗報告的擷取，對接 ERP。
- 金融對帳：多銀行、多格式對帳單的結構化與自動核對。
關於 Insavlo
Insavlo 是新加坡的第四代企業級 Document AI 平台，從影像增強、辨識、欄位擷取到業務驗證與人工覆核一站完成：
- 支援印刷與手寫繁體中文；在某台灣企業客戶的自有資料集上，手寫數字辨識實測達 99.8%*。
- 不需固定範本，少量樣本即可開始驗證；每個欄位附信心分數，低信心欄位自動交人工覆核。
- 可雲端、混合或完全離線地端部署，地端版本單張 GPU 即可運行；已通過 ISO/IEC 27001:2022 認證，客戶資料不用於模型訓練。
- 提供 REST API 與 JSON／CSV 輸出，支援 SSO、RBAC 與完整稽核紀錄。
常見問題
OCR 的準確率已經很高了，還需要更進一步的方案嗎？
要看用途。OCR 的準確率指的是「字有沒有認對」，但企業流程還需要知道每個字屬於哪個欄位、數值是否合理、和其他文件是否一致。若只需要全文檢索，OCR 就夠；若要把資料直接寫進 ERP、理賠或會計系統並減少人工核對，就需要能理解文件並驗證結果的方案。
大型語言模型（LLM）已經能直接讀文件，為什麼還需要第四代？
LLM 讓文件 AI 不再依賴範本，語意理解也更強，但企業流程還要求同一份文件每次結果一致、每個數值都能追溯到原始文件、知道哪些欄位可能有誤，以及資料不出內網。第四代 Document AI 在理解能力之上加入多層辨識、業務規則驗證、信心分數與稽核軌跡，並可完全離線部署，正是為了補上這些企業要求。
導入需要準備多少樣本？
第二代 IDP 通常要為每種版面設計範本，樣本需求較多。第四代不需固定範本，通常少量樣本即可開始驗證；實際數量依文件種類與版面變化而定，建議直接以去識別化的真實文件做概念驗證。
可以完全離線、在公司內部部署嗎？
需要確認供應商是否真的支援 air-gapped（完全不連外網）部署，以及所需硬體規格。以 Insavlo 為例，提供雲端、混合與完全離線地端部署，地端版本單張 GPU 即可運行。
本文為一般性說明，實際導入成效依文件類型、資料品質、流程與部署環境而異。