איבראהים שאהין
עיבוד מסמכים בעברית עובד פחות טוב ממה שהדמו הראה לכם. הפער הזה לא מופיע באף מצגת מכירות.
בואו נהיה כנים: כל ספק מבטיח דיוק גבוה, ואף אחד לא מפרסם מספר ייעודי לעברית. באפריל התפרסם מחקר אקדמי שכן מדד את זה, והמספרים מפתיעים.
למה עיבוד מסמכים בעברית קשה יותר למודלים
אז ככה. קבוצת חוקרים פרסמה את GlotOCR Bench, בדיקה של יותר ממאה מערכות כתב. הם בחנו 14 מודלים, ביניהם GPT-4.1 ו-Gemini.
קוראים למדד הזה Acc@5. הוא מודד כמה משפטים יצאו עם שגיאת תווים של עד חמישה אחוזים. כלומר, כמה מהמשפטים יצאו כמעט מושלמים.
הסיבה לפער פשוטה למדי. המודלים האלה אימנו את עצמם בעיקר על אנגלית, ולכן הם מזהים אותיות לטיניות הרבה יותר טוב. המחקר מצא שהביצועים עוקבים אחרי כמות החומר שהמודל ראה באימון, ולא רק אחרי איכות הראייה שלו.
המספרים שהמחקר מצא על עברית
הנה חלק מהתוצאות, בעברית מול אנגלית, באותו מודל בדיוק:
| מודל | עברית | אנגלית |
|---|---|---|
| Gemini 3.1 Flash-Lite | 61.0 | 95.3 |
| dots.ocr | 55.0 | 91.8 |
| GPT-4.1 | 42.0 | 83.2 |
| olmOCR-2 | 9.0 | 90.5 |
| GLM-OCR | 0.0 | 89.5 |
שימו לב לשתי השורות האחרונות. באנגלית הן מגיעות לסביבות תשעים אחוז, ובעברית הן קורסות לאפס.
וזה הממצא המעשי החשוב ביותר. באנגלית כל המודלים שנבדקו נותנים תוצאה שאפשר לעבוד איתה. בעברית, בחירה לא נכונה מחזירה לכם כלום.
הערה חשובה על השיטה: החוקרים יצרו את התמונות מפונטים דיגיטליים, ולא מסריקות אמיתיות. לכן המספרים מתארים את היכולת לקרוא עברית נקייה. מסמך שהתקמט בסורק ישן יקשה עוד יותר, לא פחות.
ועוד נקודה על התאריכים. החוקרים הריצו את הבדיקה באפריל 2026, והספקים מוציאים גרסאות חדשות כל הזמן. Mistral, למשל, השיקה דגם OCR חדש ביוני, כלומר אחרי הבדיקה. לכן אל תקראו את המספרים כמצב קבוע. הם מראים את גודל הפער בין השפות, ולא את הציון של הכלי שתבחרו מחר.
הסכנה האמיתית: פלט שנראה כמו עברית
המחקר מדד עוד דבר, ודווקא הוא צריך להדאיג אתכם. הם בדקו אם המודל עונה באותיות הנכונות בכלל.
מודל אחד החזיר אותיות עבריות ב-92 אחוז מהמקרים. אבל רק אחוז אחד מהמשפטים שלו יצא נכון.
כלומר, הפלט נראה עברי לגמרי, והמילים עצמן שגויות. בדיקה אוטומטית פשוטה לא תתפוס את זה לעולם. המערכת שלכם תמשיך להזרים נתונים שבורים למקומות אמיתיים.
יש כאן פרט נוסף ששווה תשומת לב. החוקרים מצאו שמודל שלא מכיר מערכת כתב ממציא אותיות ממערכת אחרת שכן מוכרת לו. במקרה של עברית, הבלבול החוזר היה דווקא עם תאילנדית. המודל לא מודיע לכם שהוא מתקשה, אלא ממשיך לנחש בביטחון מלא.
מהניסיון שלנו בפרויקטים, בדיוק שם התהליכים קורסים. לא בשלב ההטמעה, אלא חודשיים אחרי, כשמישהו מגלה מספר הזמנה שגוי.
איך בוחרים כלי עיבוד מסמכים
- בדקו על המסמכים שלכם: קחו חמישים מסמכים אמיתיים מהעסק. לא דוגמאות של הספק.
- מדדו שדות, לא תווים: אתכם מעניין מספר ההזמנה והסכום. אחוז התווים הוא מדד של חוקרים.
- השוו שני כלים לפחות: באנגלית ההפרש קטן. בעברית הוא ההבדל בין עובד ללא עובד.
- הוסיפו שלב אימות: הגדירו סף ביטחון. כל מה שמתחתיו הולך לאדם, ולא ישר למערכת.
הצעד הרביעי הוא זה שחוסך את הכסף. תהליך טוב יודע להגיד "אני לא בטוח", ותהליך חלש מנחש בשקט. בפועל, רוב הערך מגיע מהשילוב: מכונה שמטפלת בתשעים אחוז, ואדם שמכריע בשאר.
מתי לא צריך עיבוד מסמכים אוטומטי
וגם את זה צריך להגיד בכנות. אם מגיעים אליכם עשרים מסמכים בחודש, אל תבנו כלום. אדם אחד מקליד אותם בשעה.
ויש מקרה נוסף, והוא השכיח מכולם. לפעמים הספק שולח PDF, אבל הנתונים קיימים אצלו כטבלה. בקשו טבלת נתונים במקום, ותעקפו את הבעיה לגמרי. הדרך הזולה ביותר לקרוא מסמך היא לא לקרוא אותו.
כתבנו על ההיגיון הזה בפוסט על אוטומציה עסקית בישראל. קודם מסדרים את התהליך, ורק אחר כך מוסיפים טכנולוגיה.
שאלות על עיבוד מסמכים בעברית
האם OCR בעברית מדויק מספיק לעסק?
תלוי לגמרי במה שאתם עושים עם הפלט. לחיפוש בארכיון, גם שמונים אחוז עוזרים מאוד. להזרמת סכומים למערכת, אפילו תשעים ושמונה אחוז דורשים בקרה. ככל שהטעות יקרה יותר, כך הסף מחמיר.
כמה מסמכים צריך כדי לבדוק?
חמישים מסמכים אמיתיים נותנים תמונה טובה. חשוב יותר מהכמות זה הגיוון: קחו גם את המסמכים המכוערים, לא רק את הנקיים.
מה עושים עם כתב יד בעברית?
כרגע, מעט מאוד. כתב יד עברי קשה בהרבה מדפוס, וגם ספקים גדולים לא מבטיחים אותו. אם התהליך שלכם מבוסס על טפסים בכתב יד, שנו את הטופס לפני שאתם קונים כלי.
שימו לב גם לאופן שבו הספקים מדברים על השפה. Mistral, למשל, מסווגת את העברית תחת "שפות מיוחדות", ולא בין קבוצות השפות המרכזיות. גם בגרסה החדשה שלהם אין ציון עברי ייעודי, אלא ממוצע של קבוצת שפות שלמה. זה בדיוק למה מדידה אצלכם עדיפה על מספר מהמצגת.
בעברית המחיר גבוה יותר וגם הדיוק נמוך יותר, ושני הפערים נובעים מאותה סיבה. כתבנו על צד המחיר בפוסט על בינה מלאכותית בעברית.
השורה התחתונה
אף ספק לא יפרסם לכם מספר עברי, ולכן המספר היחיד ששווה משהו הוא זה שתמדדו בעצמכם. חמישים מסמכים ושני כלים נותנים לכם אותו תוך יום עבודה. ואם אתם רוצים שנבנה את זה נכון מהצעד הראשון, זה בדיוק שירות ה-AI והאוטומציה שלנו. מי שמדלג על המדידה יגלה את הפער אצל הלקוחות שלו, לא בבדיקה.