Två arkitekturer, samma uppgift
Bokförings-AI gör i grunden ett begränsat antal saker: den klassificerar dokument, extraherar strukturerad data och föreslår konteringar. Det är inte superintelligens — det är mönsterigenkänning på fakturatext, kvitton och bankposter.
Båda arkitekturerna klarar dessa uppgifter med liknande träffsäkerhet vid rätt kalibrering. Valet mellan dem handlar inte om vad modellen kan göra. Det handlar om var beräkningen sker, vem som ser datan under bearbetningen, och vad som händer om leverantören förändrar sin tjänst.
Molnbaserad AI — hur det fungerar i praktiken
Du laddar upp ett dokument via en app eller ett API. Dokumentet skickas i krypterad form till leverantörens server. Modellen körs där. Resultatet returneras.
Från ett ingenjörsperspektiv är det elegant: du behöver ingen lokal beräkningskapacitet, modellen underhålls av leverantören och uppdateringar sker transparent. Det är anledningen till att molnbaserad AI dominerar marknaden.
Från ett datarättsligt perspektiv är det mer komplext. Din faktura — med leverantörens namn, ditt OCR-nummer, beloppet, kanske personnummer på en lönespecifikation — bearbetas av ett system du inte kontrollerar. Leverantören kan vara baserad inom EU eller utanför. Datan kan lagras tillfälligt eller permanent. Modellen kan tränas på aggregerade data från alla kunder.
Det behöver inte vara ett problem i sig, men det är ett ansvar du tar på dig: du är personuppgiftsansvarig för din räkenskapsinformation. Om leverantören är ett personuppgiftsbiträde — vilket de typiskt sett är om de behandlar personuppgifter för din räkning — behöver du ett PuB-avtal med dem. Många bokföringsprogram med AI-funktioner är otydliga om huruvida detta avtal finns och vad det täcker.
Lokal AI — hur det fungerar i praktiken
Modellen körs på din maskin eller i din infrastruktur. Dokumentet lämnar aldrig din kontrollsfär. Resultatet beräknas lokalt och returneras lokalt.
Det kräver:
- —Tillräcklig beräkningskapacitet (se nedan)
- —Att du hanterar modelluppdateringar (eller att ditt bokföringsprogram gör det)
- —Att installationssteget har genomförts en gång
Det kräver inte:
- —Nätverksanslutning vid bearbetning
- —PuB-avtal med en AI-leverantör
- —Att du litar på att en extern part hanterar dina räkenskapsdata ansvarsfullt
Prestandajämförelse 2026
Den vanligaste invändningen mot lokal AI är att den är för långsam. Det var sant för tre år sedan. Det stämmer inte längre för de uppgifter som faktiskt är relevanta i bokföringssammanhang.
| Uppgift | Molnbaserad AI | Lokal AI (modern hårdvara) |
|---|---|---|
| Klassificering av dokument | < 1 sekund | < 1 sekund (lättviktsmodell) |
| Extraktion från standardfaktura | 1–3 sekunder | 5–15 sekunder |
| Extraktion från komplex PDF | 3–8 sekunder | 10–30 sekunder |
| Batch-bearbetning, 50 fakturor | ~1–2 minuter | ~5–15 minuter |
För en enskild faktura i ett normalt arbetsflöde är skillnaden på 10 sekunder vs. 2 sekunder irrelevant. Du är inte snabbare än systemet — du granskar resultatet och bekräftar eller korrigerar. Väntetiden är inte flaskhalsen.
Batch-bearbetning är den situation där moln-AI vinner tydligare — om du periodvis bearbetar stora volymer dokument är latenskostnaden för lokal AI högre. För ett AB med 20–50 fakturor i månaden är det fortfarande hanterbart på en modern dator.
Hårdvarukraven är lägre än du tror
En vanlig missuppfattning är att lokal AI kräver dyr GPU-hårdvara. Det stämmer för stora modeller. För bokföringsuppgifter räcker det med:
- —En Apple Silicon-dator (M1 eller senare) med 16 GB enhetligt minne
- —En x86-dator med 16 GB RAM och modern CPU (inga GPU-krav för 7B-modeller)
- —En liten dedikerad server med 32 GB RAM om du vill köra en permanent instans
Ramverk som Ollama låter dig köra kompakta modeller (3B–13B parametrar) lokalt utan specialkonfiguration. En 7B-modell för klassificering och extraktion tar under 5 GB lagringsutrymme och startar på sekunder.
Vad modellvalet faktiskt spelar roll för
Lokal AI ger dig möjlighet att välja modell fritt. Du kan använda en öppen modell som Mistral, Llama eller en specialiserad modell tränad på bokföringsdata. Du kan byta modell utan att byta leverantör. Du kan utvärdera en ny modell mot dina egna testdokument innan du sätter den i produktion.
Med molnbaserad AI är modellen leverantörens val. När de uppgraderar sin modell sker det utan att du behöver godkänna det — och utan att du nödvändigtvis märker att beteendet förändrats.
Det är en praktisk risk. En modelluppgradering som påverkar hur konteringsförslag genereras kan introducera fel i dina verifikationsförslag utan varning. Med lokal AI kontrollerar du tidpunkten för varje modellbyte.
En sammanfattande jämförelse
| Dimension | Molnbaserad AI | Lokal AI |
|---|---|---|
| Bearbetningshastighet | Snabb | Tillräcklig för normala volymer |
| Datalokalisering | Extern server | Din maskin |
| PuB-avtal krävs | Troligtvis | Nej |
| Modellkontroll | Leverantörens val | Ditt val |
| Underhållsansvar | Leverantören | Du (eller ditt bokföringsprogram) |
| Offline-kapacitet | Nej | Ja |
| Kostnad per förfrågan | Ingår i prenumeration | Elpris för lokal beräkning |
Vilket alternativ passar vilket bolag?
Molnbaserad AI passar bättre om:
- —Du bearbetar stora dokumentvolymer periodvis
- —Du inte har möjlighet att underhålla en lokal instans
- —Dina dokument inte innehåller känslig information i GDPR-mening
Lokal AI passar bättre om:
- —Data som lämnar din infrastruktur är ett strategiskt eller juridiskt problem
- —Du vill ha full kontroll över modellversioner och uppdateringstidpunkter
- —Du driver ett AB där revisionsdata och räkenskapsinformation ska stanna internt
- —Du vill slippa administrera PuB-avtal för varje ny AI-funktion
Källor och fördjupning
Så hanterar BOKNORD detta
BOKNORD Private AI är en lokal instans — modellen körs i din infrastruktur och dina dokument lämnar aldrig din maskin vid AI-bearbetning. Du väljer vilken modell du kör och när du uppdaterar den. Det finns ingen extern AI-leverantör som tar emot dina fakturor, och inget PuB-avtal att administrera för själva AI-steget. Vad du exporterar — SIE4-filer, rapporter — styr du själv.