В начале 2026 года российская агролизинговая компания опубликовала данные о внедрении системы автоматического распознавания распознавания данных из документов лизингополучателей. По данным компании, из 1000 паспортов 984 документа обрабатываются без единой ошибки. Но здесь главный вопрос темы: если 16 паспортов не прошли проверку — это много или мало, если говорим про данные, кредиты и юридическую ответственность?

Откуда вообще берутся ошибки у ИИ

Когда говорят про ИИ, чаще всего имеют в виду большие языковые модели — те, что лежат в основе чат-ботов для генерации текста и изображений. Такие модели устроены как вероятностные системы. Они предсказывают наиболее вероятную последовательность слов на основе обучающих данных, а не знают правильный ответ в строгом смысле слова. Поэтому ошибки для них остаются естественным поведением.

В декабре 2025 года исследователи из Университета штата Пенсильвания и Comcast AI Technologies протестировали поведение языковых моделей при одинаковых настройках и запросах. При многократном повторении одних и тех же задач разрыв между лучшим и худшим результатом доходил до 70%.

Что касается практических задач — современные языковые модели решают финансовые задачи с точностью около 67,3%, заметно ниже человеческого уровня. К этому добавляются галлюцинации: модель формирует несуществующую информацию, сохраняя уверенный тон ответа. Попытки повысить достоверность через дообучение пока работают только частично.

С генерацией связного текста языковые модели справляются хорошо. Для задач, где требуется точность данных, например распознавание документов и проверка личности, применяется другой класс систем.

Open-source против специализированных систем

Распознаванием документов занимаются OCR-системы — технологии оптического распознавания символов. OCR появился ещё в XX веке и развивался задолго до генеративного ИИ. Сегодня такие решения работают в банках, страховании, телекоме и госуслугах — везде, где нужно проверить личность по документу или ввести данные из потока сканов. Качество здесь измеряют точностью распознавания, а её можно посчитать.

Базовые OCR-технологии доступны практически любому разработчику. Есть открытые движки — Tesseract, PaddleOCR, EasyOCR. Они распространяются бесплатно и позволяют быстро собрать собственную систему распознавания документов.

Открытые тесты показывают разброс качества в зависимости от типа документа и условий съёмки. На типовых задачах Tesseract показывал точность 70–85%, PaddleOCR — 90–95%. При работе с финансовыми документами и реальными сканами цифры были скромнее: около 84% у Tesseract и 91% у PaddleOCR.

Доступность инструмента ещё не означает готовности к промышленной нагрузке. Для задач, где цена ошибки измеряется юридической ответственностью, разница между 85% и 99% становится риском для бизнеса. Дальше разберём, что именно идёт не так на уровне 90% и почему этот порог уже считается низким.

Почему 90% точности — слабый результат

Возьмём систему, которая ошибается с вероятностью 1% и на подлинных документах, и на поддельных. Доля подделок в потоке тоже составляет 1%. Если система пометила документ как подозрительный, какова вероятность, что он действительно поддельный? Интуитивно кажется, что почти 99%, однако на практике все иначе. Расчёт по формуле Байеса даёт ответ:

Вероятность того, что «подозрительный» документ действительно поддельный:

0,99 × 0,01 / (0,01 × 0,99 + 0,99 × 0,01) = 0,5

Половина отказов придётся на настоящих клиентов. У крупного банка такие отказы исчисляются сотнями в день, и за каждым стоит человек, которому отказали в обслуживании и который, скорее всего, уйдёт к конкуренту.

Но если представить, что ИИ ошибается на подлинных документах только в 0,1% случаев, картина меняется и вероятность выявления подделки резко возрастает:

0,999 × 0,01 / (0,01 × 0,999 + 0,99 × 0,001) ≈ 0,91

Вероятность того, что помеченный документ действительно поддельный, вырастает почти до 91%.

Ошибка ИИ при проверке документов ведёт к двум типам потерь: можно пропустить мошенника и понести прямые убытки, можно отказать добросовестному клиенту и потерять выручку. Точность на уровне 99,9% и выше работает как порог, после которого автоматизация антифрод-проверок начинает приносить эффект — реально заменять людей и ускорять процесс. Пока система до него не дотягивает, большая часть документов всё равно уходит на ручную перепроверку, и бизнес платит дважды: за систему и за людей, которые её проверяют.

Вернёмся к кейсу «Росагролизинга». Компания использует технологию Smart Engines для автоматического ввода данных из документов лизингополучателей. По словам компании, из 1000 паспортов 984 обрабатываются без единой ошибки — это касается основного разворота, который в среднем содержит около 200 символов.

Чтобы корректно распознать весь разворот, системе нужно правильно считать каждый из этих 200 символов по очереди. Отсюда можно вывести точность распознавания одного символа. Если X — посимвольная точность, а X в степени 200 — вероятность того, что все символы разворота распознаны верно, уравнение выглядит так:

X²⁰⁰ = 984 / 1000

Чтобы найти X, нужно взять корень 200-й степени из обеих частей уравнения:

X = 0,984^(1/200) ≈ 0,99992

Получается, что точность распознавания одного символа оценивается на уровне 99,99%. Для бизнеса это значит, что 984 из 1000 клиентов проходят онбординг без единого сбоя, участия оператора и ошибок.

Такой результат не выводится сам по себе из общей модели ИИ. Под распознавание удостоверений личности нужна отдельная инженерная работа по трём направлениям:

1. Специализированные датасеты. Обычный набор фотографий печатного текста для этого не подходит. Паспорта изготавливают из специальной бумаги, на них есть защитные элементы, ламинация и голограммы, которые усложняют извлечение данных. Для обучения нужны десятки тысяч размеченных изображений, синтезированных так, чтобы не нарушать 152-ФЗ «О персональных данных» и не содержать информацию о реальных людях.
2. Оптимизация под реальные условия съёмки. На практике паспорт редко снимают идеальным сканом в высоком разрешении. При выездном обслуживании и самообслуживании документ часто фотографируют на весу, под углом или сложенным «книжкой», а на изображении появляются шумы, размытия, тени и блики. Алгоритмы должны выдавать результат и в таких условиях.
3. Понимание структуры документа. Системе мало просто извлечь текст с картинки. Ей нужно находить паспорт на фотографии или в видеопотоке и знать, из каких полей он состоит: где подпись, где строки с именем и фамилией, где машиночитаемая зона.

Что это значит для бизнеса

Чем выше точность, тем меньше работы остаётся людям. На уровне 90% компания заваливает отказами нормальных клиентов и держит отдельных сотрудников, которые перепроверяют документы вручную. На уровне 99,9% и выше вручную проверять приходится в разы меньше: падают расходы на этот штат и снижается риск штрафов за пропущенные подделки.

Бизнес сейчас пытается добиться главных целей:

• меньше ручных проверок — операционный отдел тратит меньше времени на пересмотр документов, помеченных как подозрительные;
• меньше отказов настоящим клиентам — выше конверсия в онбординге и меньше потерянной выручки;
• ниже риск штрафов и судебных разбирательств, особенно в сценариях KYC и антифрод-проверок, где цена пропущенной подделки измеряется конкретными суммами.

Технологии, которые обеспечивают такую точность, разрабатывают компании, специализирующиеся именно на распознавании документов. Лучшие инженеры работают со специализированными обучающими данными, которые подходят именно под реальные условия съёмки и понимание структуры документов. Именно поэтому промышленные OCR-системы и Tesseract, собранный за выходные, — это разные истории.

Итого

Для генерации текста или поиска идей хватает точности в районе 80–90%, и языковые модели справляются с этим хорошо. Для распознавания документов планка выше: 99,9% и больше — минимальное условие, при котором автоматизация вообще начинает работать. Кейс с 984 паспортами из 1000 показывает, как эта цифра считается на практике и какая инженерия за ней стоит. Прежде чем доверять ИИ задачи с высокой ценой ошибки, спросите разработчика, как именно посчитали точность системы.