Invoice Processor

Självhostad faktura-AI · on-prem eller Azure

Se vad ni faktiskt köper.

Mindcamp Invoice Processor extraherar artikelraderna ur era fakturor med AI — inte bara totalerna. Resultatet: spend på artikelnivå, sökbar och styrbar. Allt i er egen miljö — on-prem eller i ert Azure. Passar alla branscher, härdad för patientnära vårddata.

0 tredjeparts-AI 0 kr moln-AI on-prem / Azure GDPR by design
TREDJEPARTS-AI ER MILJÖ · ER KONTROLL On-prem egen hårdvara eller Azure er tenant PDF-fakturor mapp · API AI-motor LM Studio · Qwen Databas + GUI SQL Server / SQLite
100%
verifierade rader i Processed (checksumma-grind)
100%
i er kontroll — on-prem eller Azure
5
extraktionsmetoder: struktur → AI → vision
Radnivå
kategorisering per artikelrad, inte bara faktura
1 klick
från siffra till original-PDF

Varför det spelar roll

Från e-faktura och skannad PDF till artikelrader som går att styra på

Ert affärssystem känner till totalerna. Mindcamp extraherar raderna — vad ni faktiskt köpte — och gör dem sökbara, kategoriserade och verifierade. Det är där spendanalys, avtalskontroll och besparingar börjar.

Insikt på radnivå

Se prisutveckling per artikel, spend per kategori och leverantör över tid — detaljer som fakturatotaler i ERP:et aldrig visar.

GDPR utan kompromiss

Allt körs på er maskin — AI, databas och filer. Ingen extern processor, ingen data­resa. Personnummer maskeras automatiskt.

Självlärande, inte handpåläggning

Lägg en PDF i mappen — färdig verifierad faktura kommer ut. Systemet minns leverantörer och kategorier och blir smartare för varje körning.

Under huven

Hur en PDF blir verifierade artikelrader

AI:n bär både radextrahering och kategorisering. Fem metoder körs i tur och ordning tills raderna är fångade — strukturerade format direkt, AI för svår layout och skannat, och täta fakturor delas i chunkar. Sedan möter varje faktura samma kvalitetsgrind: raderna måste summera till fakturans total, annars flaggas den.

PDF-faktura mapp · API PDFCache öppnas & läses en gång EXTRAKTIONS­KASKAD — FÖRSTA TRÄFFEN VINNER 1 Tabeller pdfplumber · rutnät strukturerad text 2 Koordinater ord-gruppering geometrisk layout 3 Sida 1-summa regex · millisekunder stora summa­fakturor 4 LLM-text AI egen modell chunkas vid många rader 5 Vision AI OCR för skannat miss miss miss miss AI:n läser raderna där strukturen inte räcker. Täta fakturor delas i flera anrop så alla rader kommer med. rader + leverantör & kategori Auto-korrigering fält-swap · moms · datum Checksumma rader = fakturans total? ±tolerans · moms-kandidater stämmer stämmer ej ✓ Processed verifierad kvalitet ✕ Avvisad till granskning (Avvisade-vyn) Manuell rättning belopp & rader → Processed Rad-kategori AI per artikelrad AI om okänd inlärda regler ersätter AI-anropet nästa gång — känd leverantör och känd artikel kostar noll
Grundprincipen: totaler finns redan i ERP — vi extraherar raderna, och totalen blir checksumman som bevisar att alla rader kom med. Bara fakturor som klarar grinden hamnar i Processed; övriga flaggas hellre än gissas — och kan rättas för hand mot originalet, med samma avstämning som grinden kräver. Efter grinden kategoriseras varje artikelrad — inlärda regler först, AI bara för beskrivningar systemet inte sett förut. Kredit-, skannade och fler­sidiga fakturor hanteras av samma flöde.
Kvalitetsgrind Verifierad → Processed Flaggad → Avvisad AI-anrop (egen modell) Inlärnings­loop (streckad)

Hela produkten

Ett arbetsflöde — åtta vyer

Allt styrs från ett webbgränssnitt på er egen server. Ingen inställning kräver omstart; kategorier, prompts och leverantörer redigeras direkt i GUI:t.

Dashboard

Överblick i realtid

KPI-kort för antal, belopp och lyckandegrad, med fördelning per kategori, leverantör och månad.

Fakturor

Sök, granska, rätta

Sökbar lista med filter och en detaljvy per faktura.

  • Klickbar radlista med belopp och kategori per rad
  • Redigera leverantör & kategori inline — panelen skrollar för sig
  • Öppna original-PDF:en i ett klick
Spend-analys

Vad pengarna går till

Aggregerad spend på radnivå — per kategori, leverantör och tid — med skydd mot dubbelräkning mellan faktura- och radnivå.

Fråga datat (beta)

Fritext → svar, grafer & PDF-länkar

Ställ en fråga på svenska. Modellen skriver SQL, kör den read-only och svarar — siffrorna räknas alltid av databasen, aldrig av AI:n.

Ladda upp

Drag & släpp — eller via API

Dra in en PDF och se den processas direkt, med status. Samma väg finns som REST-endpoint, så ett försystem kan skicka fakturan rakt in — vid sidan av den automatiska watch-mappen.

Avvisade

Inget faller mellan stolarna

Fakturor som inte klarade checksumman listas med leverantör, belopp och felorsak — grupperbart per leverantör för snabb åtgärd.

Inställningar

Allt konfigurerbart — utan utvecklare

Åtta flikar för databas, LLM, mappar, drift, validering, prompts, kategorier och leverantörer.

  • Redigerbara kostnadskategorier med kaskad-omdöpning
  • Radregler: sätt kategori för en rad, all matchande text, eller per leverantör
  • Hot-reload — ändringar slår igenom direkt
Watchdog

Kör av sig själv

Övervakar inkorg-mappen dygnet runt och sorterar automatiskt till Processed, Avvisade eller dubbletter. Bilagor hoppas över.

Interaktiv kontroll

Rätta en gång — låt det kaskada

Klicka på en rads kategori och bestäm hur långt rättningen ska nå: bara raden, alla rader med samma text, eller den textens rader hos just den leverantören. Systemet lär sig regeln och tillämpar den framåt.

  • ↳ Kaskad-omdöpning av en kategori slår igenom i hela databasen
  • ↳ Radregler följer leverantörsfilter med tydlig förhandsvisning
  • ↳ Inline-redigering av leverantör och kategori, drill-down till PDF
Pappershanddukar Z-vikt 2-lags
1 200 × 0,25 = 300,00
Förbrukning
Förbrukning
Bara denna rad Alla rader med samma text Samma text hos Procurator AB
Uppdaterar 47 matchande rader direkt

Fråga datat · beta

Prata med er fakturadata

Ställ frågor på naturligt språk — ingen behöver kunna SQL. Få svar med tabell, graf och en direktlänk till original-PDF:en. Rullande konversation: följ upp med “och bara 2025?” eller “sortera tvärtom”.

  • 🔒 Körs read-only i er miljö — data lämnar aldrig er kontroll
  • 🧮 Databasen räknar — modellen översätter bara språk till SQL
  • 🔎 Genererad SQL visas alltid, full transparens
Jag letar efter en faktura där vi köpt toner till en skrivare
Jag hittade en matchande faktura:
Fakturanr
L217562
Leverantör
Atea Sverige AB
Datum
2026-09-04
Beskrivning
HP 05A – svart – original – LaserJet – tonerkassett
Belopp
2 710 SEK
Öppna L217562.pdf
Visa genererad SQL
Hur mycket har vi lagt per kategori i år?
Spend per kategori, innevarande år: Exempeldata
Förbrukning1,24 Mkr
Läkemedel0,98 Mkr
IT & licenser0,64 Mkr
Städ0,42 Mkr
Transport0,31 Mkr
Visa genererad SQL

Spend-analys

Se vart pengarna faktiskt går

Aggregerad spend på radnivå — per kategori, leverantör och månad — med skydd mot dubbelräkning mellan faktura- och radnivå. Filtrera, borra ner och hitta avvikelserna.

  • ↳ Trend över tid, topplistor och kategorifördelning
  • ↳ Radnivå fångar det som fakturatotalerna i ERP:et döljer
  • ↳ Klicka på en stapel → fakturorna bakom → original-PDF
Spend-analys · månadstrend Exempeldata
4,2 Mkr
total spend
+8,1%
mot förra året
18
kategorier
jandec

Intelligensen

Blir smartare för varje faktura

Systemet bygger sitt eget minne. Kända leverantörer och kategorier känns igen direkt — vilket både höjer träffsäkerheten och eliminerar AI-anrop.

Leverantörsstädning

Trasiga namn ur OCR (“Ert referensnummer”, ihopklistrade ord) rättas via remap-regler, skräpdetektor och — som sista utväg — en visuell OCR-räddning av sidhuvudet.

Kategori per rad

Varje rad kan få egen kostnadskategori med fakturafallback. Rätta en gång — välj om regeln gäller raden, all matchande text, eller bara den leverantören.

Återkommande kostnader

Abonnemang och löpande avtal känns igen och märks som månad/kvartal/år — underlag för budget och avtalsuppföljning.

Arkitektur & säkerhet

Byggd för att aldrig läcka och aldrig gissa

Två principer bär hela systemet: ingen data lämnar er kontroll, och en faktura sparas bara om raderna bevisligen stämmer. Resten är teknik för att hålla de löftena.

Självhostad drift

LLM, databas och filer i samma miljö som ni styr — on-prem eller er Azure-VM. En körtidskontroll kräver att AI-modellen körs lokalt — annars startar systemet inte.

Kör on-prem eller i ert Azure

Self-hostad på egen hårdvara — eller deployad i er egen Azure-miljö (er tenant, ert dataområde). AI:n körs alltid i er kontroll, aldrig via tredjeparts-AI.

Inleverans: mapp eller API

Fakturor kan läggas i en bevakad mapp eller skickas in via REST-API — båda finns i drift och går genom samma pipeline. Kör ni i Azure kan Blob Storage ta mappens plats, och hämtning direkt från fakturaoperatör eller ERP byggs som en integration.

PII & personnummer

Personnummer maskeras i flera lager före sparning. Skannade summafakturor läses utan att patientsidorna någonsin skickas till modellen.

Kvalitetsgrind, inte gissning

Rader måste summera till totalen (med moms-kandidater och tolerans). Klarar den inte det flaggas fakturan — den gissar hellre inte fram ett värde.

SQL Server eller SQLite

Samma kodbas kör mot kundens SQL Express i drift och SQLite för mindre installationer. Dialektmedveten hela vägen, inklusive Fråga datat.

Robust texthantering

Teckenkodning härdad mot verkligheten: homoglyfer och trasiga mellanslag i OCR normaliseras så inget kraschar databasskrivningen.

Enkel installation

Skriptad Windows-installation med databas-uppsättning. Uppdateringar är oftast bara git pull + omstart — inga migreringar.

Inga externa AI-kostnader

Ingen per-token-avgift, ingen molnprenumeration. Modellen körs i er egen miljö — noll rörlig AI-kostnad oavsett hur många fakturor ni processar.

Vanlig hårdvara räcker

Körs på en modern gaming-dator eller en Mac Mini. Ingen serverhall, ingen GPU-flotta, inga driftavtal.

Teknik

Python · FastAPI React · TypeScript · Vite LM Studio · Qwen (vision) pdfplumber · Poppler SQL Server / SQLite Watchdog REST-API On-prem / Azure

Fakturor som blir data — i er kontroll.

Mindcamp Invoice Processor är i skarp drift på ett svenskt privatsjukhus idag. Vi visar gärna pipelinen och “Fråga datat” live på er egen data.