Ollama för bokföring — sätt upp lokal AI på din dator

Vad Ollama är och varför det är relevant för bokföring

Ollama är ett öppet källkodsramverk som låter dig ladda ned, hantera och köra stora språkmodeller (LLM) lokalt. Det abstraherar bort komplexiteten med modellformat, kvantisering och beräkningsoptimering — du interagerar med en enkel CLI och ett REST-API.

Varför det är relevant för bokföring: de uppgifter som faktiskt tar tid i bokföringsarbetet är extraktion och klassificering. Att läsa en PDF-faktura, identifiera belopp, datum, leverantör och OCR-nummer — det är ett mönsterigenkänningsproblem som en lokal LLM klarar med hög träffsäkerhet, utan att fakturan behöver lämna din dator.

Vad du behöver innan du börjar

Operativsystem: macOS, Linux eller Windows (WSL rekommenderas på Windows).

Hårdvara för 7B-modeller:

• —Apple Silicon (M1, M2, M3 eller M4) med minst 16 GB RAM — optimalt, modellen körs i enhetligt minne med hög bandbredd
• —x86 med 16 GB RAM och en modern CPU — fungerar, men inference tar längre tid
• —GPU (Nvidia CUDA eller AMD ROCm) — inte ett krav för bokföringsuppgifter, men accelererar 13B-modeller väsentligt

Diskutrymme: En 7B-modell i 4-bit kvantisering tar 4–5 GB. Ha 10 GB fritt för att kunna experimentera med ett par modeller.

Installation

macOS

brew install ollama

Alternativt ladda ned installationspaketet från ollama.com. Det installerar Ollama som en systemtjänst som startar automatiskt.

Linux

curl -fsSL https://ollama.com/install.sh | sh

Installationsskriptet sätter upp Ollama som en systemd-tjänst.

Verifiera att Ollama körs:

ollama --version

Välj rätt modell för bokföringsuppgifter

Inte alla modeller passar lika bra för strukturerad extraktion från dokument. Det du behöver för fakturaextraktion är en modell med stark instruktionsföljning och god förmåga att returnera strukturerad output (JSON).

Rekommenderade modeller för bokföringsuppgifter 2026:

För fakturaextraktion är mistral eller qwen2.5:7b bra utgångspunkter. De är starka på att följa instruktioner i ett givet format och returnera JSON utan extra text runt om.

Hämta och kör en modell

ollama pull mistral

Nedladdningen tar några minuter beroende på uppkoppling. När den är klar:

ollama run mistral

Du är nu i en interaktiv session med modellen. Skriv en fråga och tryck Enter. Skriv /bye för att avsluta.

Testa modellen med ett fakturaexempel

Prova extraktion direkt i sessionen med en enkel prompt:

Du är ett fakturaextraheringssystem. Extrahera följande fält från fakturatexten och returnera exakt JSON, inget annat:
- leverantor (sträng)
- fakturadatum (YYYY-MM-DD)
- belopp_exkl_moms (tal)
- moms_belopp (tal)
- totalt_belopp (tal)
- ocr_nummer (sträng, kan saknas)

Faktura:
Acme Hosting AB
Fakturanummer: 2026-0445
Datum: 2026-05-15
Förfallodatum: 2026-06-14
OCR: 204450001

Tjänst: Serverhosting maj 2026
Belopp exkl. moms: 1 000,00 kr
Moms 25 %: 250,00 kr
Totalt: 1 250,00 kr

En väl kalibrerad modell returnerar:

{
  "leverantor": "Acme Hosting AB",
  "fakturadatum": "2026-05-15",
  "belopp_exkl_moms": 1000.00,
  "moms_belopp": 250.00,
  "totalt_belopp": 1250.00,
  "ocr_nummer": "204450001"
}

Om modellen returnerar extra text runt JSON: justera prompten med "Returnera enbart JSON, ingen annan text." Det räcker i de flesta fall.

Använda Ollama via API

Ollama exponerar ett lokalt REST-API på http://localhost:11434. Det gör det enkelt att integrera med skript och verktyg utan att öppna en interaktiv session.

curl http://localhost:11434/api/generate \
  -d '{
    "model": "mistral",
    "prompt": "Klassificera detta dokument: [fakturatexttext]",
    "stream": false
  }'

BOKNORD Private AI anropar Ollama via detta API under extraktion. Modellen körs i bakgrunden som en Ollama-tjänst och svarar på förfrågningar utan att starta om för varje dokument.

Vad du realistiskt kan förvänta dig

• —Extraktion från standardfaktura: hög träffsäkerhet (90–95 % på välstrukturerade PDF-fakturor). Belopp, datum och leverantörsnamn extraheras korrekt i de flesta fall.
• —Extraktion från komplexa dokument: lägre träffsäkerhet om PDF:en är skannad, har tabellstrukturer eller innehåller blandade språk. Förvänta dig 70–85 % på svårare material.
• —Kontosförslag: modellen kan föreslå BAS-konton baserat på leverantörsnamn och beskrivning, men träffsäkerheten beror på hur tydlig beskrivningen är. "Serverhosting" mappar enkelt till konto 6530. "Diverse" gör det inte.
• —Klassificering av dokumenttyp: mycket hög träffsäkerhet. "Är detta en leverantörsfaktura, ett kvitto eller en lönespecifikation?" är ett enkelt klassificeringsproblem för alla 7B-modeller.

Allt du extraherar ska kontrolleras. Modellen gör fel och du är ansvarig för att verifikationen är korrekt.

Svarstider på vanlig hårdvara

Svarstiderna är tillräckliga för ett normalt arbetsflöde. Du granskar och bekräftar resultatet — du är inte snabbare än systemet oavsett hur snabbt systemet är.

Hantera modeller

ollama list          # Lista nedladdade modeller
ollama pull qwen2.5:7b   # Hämta en annan modell
ollama rm mistral    # Ta bort en modell

Du kan ha flera modeller nedladdade och byta mellan dem. För att testa en ny modell mot dina egna testdokument innan du använder den i produktion — kör den mot ett urval av dina befintliga fakturor och kontrollera resultaten manuellt.

Källor och fördjupning

• —Ollama — officiell webbplats och dokumentation
• —Ollama på GitHub
• —Mistral AI — om Mistral-modellen
• —Integritetsskyddsmyndigheten — om lokal bearbetning och GDPR

Så hanterar BOKNORD detta

BOKNORD Private AI använder Ollama som inferensmotor. Du installerar Ollama, hämtar en modell och anger i BOKNORD vilken modell och endpoint som ska användas — http://localhost:11434 med önskat modellnamn. Extraktion av fakturor sker sedan via lokala API-anrop till Ollama-instansen. Inga dokument lämnar din maskin. Du väljer vilken modell du kör och när du uppdaterar den, utan att det påverkar BOKNORD-installationen.