LLM Documentextractie Benchmark 2026: ChatGPT, Claude en Gemini op een vrachtbrief van 20 pagina's

Parseur LLM documentextractie Benchmark 2026. Getest in oktober 2026. Vier tools, zeven vrachtbrieven, één document van 20 pagina's, 77 velden.

In de Parseur LLM documentextractie Benchmark 2026 gaven we ChatGPT, Claude, Gemini en Parseur dezelfde vrachtbrief (bill of lading) van 20 pagina's en vroegen we om dezelfde 11 velden. ChatGPT en Gemini gaven geen van de 47 containernummers terug en antwoordden met null alsof het document geen containers bevatte, terwijl alle andere velden die ze terugkregen wél correct waren. Claude en Parseur haalden alle 47 containers eruit en sloten een doorgestreepte container correct uit. Parseur gaf daarnaast ook alle 105 vrachtregels terug. Over alle zeven testdocumenten scoorde Parseur 78 (77 velden plus één bonuspunt), Claude 77, ChatGPT 76 en Gemini 74. We hebben elke waarde gecontroleerd aan de hand van het originele document.

Belangrijkste Punten

  • Twee van de meest gebruikte AI-chatbots lieten bij een lang document geruisloos elke container weg. Op een vrachtbrief van 20 pagina's gaven ChatGPT (GPT-6) en Gemini (3.6 Flash) null terug voor containernummers. Het document vermeldt er 47.
  • Korte documenten vertonen het probleem niet. Bij zes vrachtbrieven van één of twee pagina's extraheerden ChatGPT en Claude alle 66 velden correct, net als Parseur. Het gat ontstond pas bij het document van 20 pagina's.
  • Totalen waren makkelijk, details waren lastig. Alle vier de tools vonden de totalen van de zending op de overzichtspagina (836 pallets, 544.564,1 kg). Alleen Claude en Parseur lazen de 16 bijlagepagina's (rider sheets) waarop de containers vermeld staan.
  • Een geruisloze misser is erger dan een foutmelding. ChatGPT noch Gemini geeft in de output aan dat er gegevens ontbreken. Elk ander veld klopt, waardoor het resultaat compleet lijkt.
  • Alleen Parseur gaf de vrachtdetails terug als gestructureerde data. Met de veldconfiguratie die voor alle zeven documenten werd gebruikt, leverde Parseur 105 vrachtregels op met container, zegel, omschrijving, Harmonized System (HS)-code, colli en gewicht, die stuk voor stuk overeenkwamen met het document.
  • De output van de chatbots verschilt van structuur per tool. In de chat-apps leverde dezelfde prompt vier verschillende JSON-structuren (JavaScript Object Notation) op, waardoor elk een eigen mapping nodig heeft voordat de data een bedrijfssysteem kan bereiken.

De test met de vrachtbrief van 20 pagina's in cijfers

De test met de vrachtbrief van 20 pagina's in cijfers

Vier tools, één vrachtbrief van 20 pagina's, 11 velden

tools extraheerden alle 47 containernummers uit de vrachtbrief van 20 pagina's: Claude en Parseur
2 van de 4
containernummers teruggegeven door ChatGPT en Gemini, zonder waarschuwing in de output
0 van de 47
vrachtregels teruggegeven door Parseur, elk overeenkomend met het document
105
tools hadden de verzendtotalen juist: 836 pallets en 544.564,1 kg
4 van de 4
pagina's: één vrachtbriefpagina, 16 bijlagepagina's, één overzichtspagina en twee pagina's met voorwaarden
20
Bron: Parseur LLM Extractie Benchmark 2026, getest in oktober 2026.

Waarom zijn lange documenten lastig voor AI-chatbots?

Lange documenten zijn lastig voor AI-chatbots omdat de data die een bedrijf nodig heeft vaak verspreid staat over meerdere pagina's, terwijl de samenvatting op één plek staat. Een chatbot kan een ogenschijnlijk juist antwoord geven op basis van de overzichtspagina zonder de details ooit te bekijken.

Vrachtbrieven laten dit goed zien. Een geconsolideerde zeevracht kan tientallen containers bevatten. De eerste pagina bevat de partijen, havens, schip en reis, en vermeldt dat de containers op bijgevoegde bijlagepagina's (rider sheets) staan. Die bijlagepagina's beslaan vaak vele bladzijden, met doorlopende subtotalen onderaan elke pagina. Echte documenten bevatten bovendien correcties, zoals een container die in de haven werd uitgesloten en is doorgeschoven naar de volgende afvaart.

Voor een logistiek team is de containerlijst juist de belangrijkste functie van het document. Dit is wat wordt gematcht met boekingen, douaneaangiften en het transportmanagementsysteem (TMS). Een tool die de totalen oplevert maar niet de containers, heeft zijn werk niet gedaan. Voor achtergrondinformatie over het document zelf, zie wat een vrachtbrief is.

Welke tool extraheerde de vrachtbrief van 20 pagina's het meest nauwkeurig?

In onze test van oktober 2026 waren Claude en Parseur het meest nauwkeurig bij de vrachtbrief van 20 pagina's: alle 11 velden waren correct en alle 47 containers werden opgesomd. ChatGPT en Gemini scoorden 10 van de 11 omdat ze beiden geen containernummers teruggaven.

Tool Velden correct (van 11) Containernummers (van 47) Uitgesloten container weggelaten Vrachtregels teruggegeven Score
Parseur 11 47 Ja 105 van 105 12 (11 + 1 bonus)
Claude (Sonnet 5.5) 11 47 Ja Niet gevraagd 11
ChatGPT (GPT-6) 10 0 (null) Niet van toepassing Niet gevraagd 10
Gemini (3.6 Flash) 10 0 (null) Niet van toepassing Niet gevraagd 10

Bron: Parseur LLM Extractie Benchmark 2026, getest in oktober 2026. Het bonuspunt wordt uitgelegd onder "Hoe we hebben getest".

Geëxtraheerde containernummers uit de vrachtbrief van 20 pagina's

Van de 47 verscheepte containers

  1. Parseur 47/47
  2. Claude 47/47
  3. ChatGPT 0/47 (null)
  4. Gemini 0/47 (null)
Bron: Parseur LLM Extractie Benchmark 2026, getest in oktober 2026.

Alle vier de tools hadden het vrachtbriefnummer, de vervoerder, verzender, ontvanger, havens, schip, reisnummer en beide totalen goed. Het enige veld dat ze uit elkaar hield, was het veld waarvoor alle 20 pagina's gelezen moesten worden.

Wat ging er mis bij het document van 20 pagina's?

In onze test vielen de fouten op de vrachtbrief van 20 pagina's in drie patronen: een geruisloze null voor bestaande data, het uitsluitend lezen van de overzichtspagina, en een doorgestreepte container die moest worden weggelaten.

1. Welke chatbots gaven helemaal geen containers terug?

ChatGPT (GPT-6) en Gemini (3.6 Flash) gaven beide "container_number": null terug bij de vrachtbrief van 20 pagina's. In de prompt was null gedefinieerd als "de waarde komt niet in het document voor". Het document vermeldt echter 47 verscheepte containers verdeeld over 16 pagina's.

Dezelfde prompt werkte wel bij kortere documenten. Bij zes vrachtbrieven van één of twee pagina's gaf ChatGPT keurig een lijst van containernummers zodra een document er meer dan één had. Alleen de lengte van het document veranderde de uitkomst.

ChatGPT (GPT-6) output voor de vrachtbrief van 20 pagina's in de Parseur LLM Extractie Benchmark 2026, met elk veld ingevuld behalve container_number, die null is

Elk ander veld in beide antwoorden klopt, wat de fout makkelijk over het hoofd laat zien. Iemand die de output controleert, zou een compleet ogend record zien met de juiste totalen.

2. Lazen de chatbots alle 20 pagina's?

Gemini's antwoord verwees alleen naar pagina 1 en 18: de hoofdpagina van de vrachtbrief en de vrachtsamenvatting. Op die twee pagina's staan alle velden die het correct had. De 16 bijlagepagina's met de containerlijst werden niet aangehaald.

Gemini (3.6 Flash) output voor de vrachtbrief van 20 pagina's in de Parseur LLM Extractie Benchmark 2026, met container_number null en een verwijzing naar pagina 1 en 18 na de JSON

ChatGPT citeerde geen pagina's, dus we kunnen niet met zekerheid zeggen welke pagina's het gebruikte. Maar het resultaat—correcte totalen en geen containers—komt perfect overeen met dat van Gemini.

Kaart van de vrachtbrief van 20 pagina's in de Parseur LLM Extractie Benchmark 2026: kopvelden op pagina 1, 48 containers op bijlagepagina's 2 tot 17, een uitgesloten container op pagina 12, totalen op pagina 18, voorwaarden op pagina 19 en 20

3. Welke tools gingen goed om met de doorgestreepte container?

Claude en Parseur sloten de doorgestreepte container beide uit. Op pagina 12 is container CSLU3455388 doorgestreept en gemarkeerd als "shut out, not loaded" (uitgesloten, niet geladen), met de opmerking dat deze werd doorgeschoven naar de volgende afvaart. Door hem op te nemen, zou er een container worden toegevoegd die nooit was uitgevaren.

Claude (Sonnet 5.5) notities bij de vrachtbrief van 20 pagina's in de Parseur LLM Extractie Benchmark 2026, waarin wordt uitgelegd dat container CSLU3455388 werd uitgesloten en weggelaten, waardoor er 47 containers overblijven

Claude legde zijn beredenering uit en toetste de totalen aan de doorlopende subtotalen. Parseur gaf de 47 containers op volgorde van het document en liet de uitgesloten container buiten zowel de lijst als de totalen.

Wat gaf Parseur nog meer terug naast de 11 velden?

Parseur leverde alle 105 vrachtregels van de vrachtbrief van 20 pagina's, elk voorzien van containernummer, zegelnummer, containertype, omschrijving van de goederen, HS-code, aantal colli en brutogewicht. We telden de regels per container bij elkaar op en alle 47 kwamen exact overeen met de containersubtotalen zoals geprint op de bijlagepagina's.

Dit gebeurde met dezelfde veldconfiguratie als voor alle andere zeven documenten. De configuratie van Parseur bevatte een tabel voor container- en vrachtregels die één keer was ingesteld vóór de test. De chatbots werden expliciet alleen om de 11 samenvattende velden gevraagd.

Hoe presteerden de tools op kortere vrachtbrieven?

Bij zes vrachtbrieven van één of twee pagina's extraheerden ChatGPT, Claude en Parseur alle 66 velden correct. Gemini maakte twee fouten.

Document Wat er wordt getest Parseur Claude ChatGPT Gemini
BOL-01 zee, standaard Nette zeevrachtbrief met één container 11 11 11 11
BOL-02 VS vrachtwagen, rechtstreeks Vrachtwagen vrachtbrief: havens, schip, reis en container moeten leeg terugkomen 11 11 11 11
BOL-03 zee, twee containers Italiaans document, Europese getalnotatie ("38.240,500 KGS"), totalen over twee containers 11 11 11 10
BOL-04 zee, telefoonfoto Scheve foto, handgeschreven reisnummer, "aan toonder van de verzender" (to order of shipper) ontvanger 11 11 11 10
BOL-05 zee, twee pagina's Derde container op pagina 2, expediteur afgedrukt naast de verzender 11 11 11 11
BOL-06 Duitse zeevrachtbrief Duitse en Engelse labels, zeevrachtbrief in plaats van bill of lading, "21.875,4 kg" 11 11 11 11
Totaal (van 66) 66 66 66 64

Bron: Parseur LLM Extractie Benchmark 2026, getest in oktober 2026.

De twee fouten van Gemini waren beide geruisloos:

  • BOL-03: het las het vrachtbriefnummer MDCG2026GOA03371 als "NDCG2026GOA03371". Eén verkeerde letter verstoort de matching met boekingen en douanegegevens.
  • BOL-04: het gaf de naam van de vervoerder samen met die van de verzender terug ("PACIFIC CREST SHIPPING CO., LTD. / SHENZHEN BRIGHTWAY ELECTRONICS…"), waardoor twee partijen in één veld werden gemengd.

Algemene ranglijst over zeven vrachtbrieven

Over alle zeven documenten en 77 velden behaalde Parseur de eerste plaats met 78 punten (77 velden plus één bonuspunt voor de vrachtregels), gevolgd door Claude met 77, ChatGPT met 76 en Gemini met 74.

Algemene ranglijst over zeven vrachtbrieven

Correcte velden van de 77, plus 1 bonuspunt voor vrachtregels

  1. Parseur 78
  2. Claude 77
  3. ChatGPT 76
  4. Gemini 74
Bron: Parseur LLM Extractie Benchmark 2026, getest in oktober 2026.
Rang Tool Zes korte documenten (van 66) Document van 20 pagina's (van 11) Bonus Totaal
1 Parseur 66 11 +1 78
2 Claude (Sonnet 5.5) 66 11 0 77
3 ChatGPT (GPT-6) 66 10 0 76
4 Gemini (3.6 Flash) 64 10 0 74

Bron: Parseur LLM Extractie Benchmark 2026, getest in oktober 2026.

Als we puur naar de 11 velden kijken, eindigden Parseur en Claude ex aequo op 77/77. Het bonuspunt is de doorslaggevende factor, waarmee Parseur beloond wordt voor gestructureerde vrachtdetails en niet zozeer voor een betere uitlezing van de 11 velden.

Welke output kan direct een bedrijfssysteem in?

Alleen Parseur leverde exact dezelfde structuur voor elk document: dezelfde veldnamen, getallen als pure getallen, gewichtseenheden genormaliseerd naar KG of LB, datums in een standaardformaat, en één rij per vrachtregel. Elke chatbot kwam per keer met een andere structuur voor exact dezelfde prompt. Chatbots benaderd via API's kunnen een vast outputs-schema afdwingen, maar in de door ons geteste chat-apps bepaalde elk model zijn eigen structuur per antwoord.

Tool Getallen en eenheden Containers op documenten met meerdere containers Zelfde structuur voor elk document
Parseur Gewone getallen, eenheid in apart veld (KG of LB) Één rij per vrachtregel, alle pagina's Ja, vastgelegd in de veldconfiguratie
Claude Waarde- en eenheidsobjecten, plus de geprinte tekst Lijst, alle pagina's Bepaald door het model per antwoord
ChatGPT Gemengd: kale getallen zonder eenheden, of waarde- en eenheidsobjecten Lijst bij korte documenten, null bij 20 pagina's Bepaald door het model per antwoord
Gemini Tekst zoals geprint ("38.240,500 KGS") Tekst bij korte documenten, null bij 20 pagina's Bepaald door het model per antwoord

Bron: Parseur LLM Extractie Benchmark 2026, getest in oktober 2026.

Voor een eenmalige vraag zijn deze formaten prima leesbaar. Voor documenten die dagelijks binnenkomen en een TMS, een ERP of een spreadsheet voeden, betekent een wisselende structuur dat de mapping elke keer opnieuw moet worden opgebouwd.

Wanneer is een chatbot genoeg, en wanneer heb je intelligente documentverwerking nodig?

Een chatbot is genoeg voor het extraheren van gegevens uit een enkel, kort document dat nog door iemand handmatig wordt gecontroleerd. Onze resultaten laten zien dat ChatGPT en Claude accuraat zijn bij vrachtbrieven van één of twee pagina's. Voor meer informatie over waar LLM's sterk in zijn en waar niet, zie onze gids over LLM documentverwerking.

Een platform voor intelligente documentverwerking (IDP) is een betere keuze wanneer:

  • Documenten continu binnenkomen van vele verzenders, vervoerders en expediteurs, elk met een eigen lay-out.
  • Documenten lang zijn, waarbij de details verspreid staan over bijlagepagina's, bijlagen of vervolgpagina's.
  • Data in een systeem moet belanden, zoals een TMS, een ERP of een spreadsheet, in steeds exact dezelfde structuur.
  • Niemand elk veld handmatig kan controleren, waardoor een geruisloze null onopgemerkt zou blijven.

Parseur is een platform voor intelligente documentverwerking voor operationele teams die documenten van veel afzenders ontvangen en de gegevens in hun eigen systemen nodig hebben. Je definieert de velden één keer, en vervolgens wordt elk document dat je via e-mail, upload of API verzendt met dezelfde configuratie verwerkt en afgeleverd via integraties, webhooks of de documentextractie API. Het draait in productie sinds 2016, heeft meer dan 100 miljoen documenten verwerkt, wordt in de EU gehost en is SOC 2 Type II-compliant. Voor vrachtbrieven in het bijzonder, bekijk vrachtbrief OCR en logistieke automatisering.

Resultaten per tool

Parseur: 78 (77 van de 77 velden, plus 1 bonuspunt). Alle velden correct bij alle zeven documenten. Bij de vrachtbrief van 20 pagina's gaf het alle 47 containers op de volgorde van het document terug, liet de doorgestreepte container weg en leverde 105 vrachtregels af die overeenkwamen met de subtotalen van het document. Het zette Europese getalnotaties om naar gewone getallen en labelde ponden en kilogrammen afzonderlijk. Het verwerken van het 20 pagina's tellende document duurde ongeveer 23 seconden.

Claude (Sonnet 5.5): 77 van de 77. Alle velden correct bij alle zeven documenten, inclusief alle 47 containers in het document van 20 pagina's. Het verklaarde zijn keuzes, zoals het weglaten van de uitgesloten container en het verifiëren van totalen aan de hand van doorlopende subtotalen. Het gebruikte zijn eigen JSON-structuur, met waarde- en eenheidsobjecten en een kopie van elk getal zoals geprint op het papier.

ChatGPT (GPT-6): 76 van de 77. Alle 66 velden correct bij de zes korte documenten, inclusief containerlijsten bij documenten met meerdere containers. Op het document van 20 pagina's gaf het null terug voor containernummers, terwijl elk ander veld wél correct was, en het leverde de colli en het gewicht op als kale getallen zonder eenheden.

Gemini (3.6 Flash): 74 van de 77. Twee geruisloze fouten bij de korte documenten: één verkeerde letter in een vrachtbriefnummer, en de vervoerder die werd samengevoegd in het veld van de verzender. Op het document van 20 pagina's gaf het null terug voor containernummers en citeerde alleen pagina 1 en 18. Het gaf waarden terug als geprinte tekst, zoals "38.240,500 KGS", in plaats van als bruikbare getallen.

Hoe we hebben getest

We hebben vier tools getest op dezelfde zeven vrachtbrieven tussen 13 en 15 oktober 2026, waarbij we gebruikmaakten van één vaste lijst van 11 velden, en we hebben elke opgeleverde waarde gecontroleerd aan de hand van een antwoordsleutel gebaseerd op de geprinte documenten.

Welke documenten hebben we gebruikt?

We gebruikten zeven synthetische vrachtbrieven, geen echte klantdocumenten. We hebben ze ontworpen om de echte lay-outs van zeevaartvervoerders, Amerikaanse truckers en Europese expediteurs na te bootsen. Ze bevatten valkuilen die in de praktijk vaak fouten veroorzaken: meerdere containers, vervolgpagina's, misleidende partijen op de verkeerde plek, lokale getalnotaties, een telefoonfoto en handgeschreven waardes. Met synthetische documenten is elke waarde op voorhand bekend en kunnen ze zonder privacyschendingen gedeeld worden.

De documenten gebruiken drie talen: Engels, Italiaans met Engelse labels, en Duits met Engelse labels. Alle containernummers volgen de ISO 6346-standaard met geldige controlecijfers (check digits), en elk subtotaal en totaal in de documenten klopt wiskundig.

Document Pagina's Taal Formaat Belangrijkste valkuilen
BOL-01 zee, standaard 1 Engels Digitale PDF Basisdocument: één container, notify party (te waarschuwen partij) afgedrukt naast de ontvanger
BOL-02 VS vrachtwagen, rechtstreeks 1 Engels Digitale PDF Geen havens, schip, reis of container, dus deze moeten leeg terugkomen. Gewicht in ponden (lbs). Een trailernummer dat geen containernummer is
BOL-03 zee, twee containers 1 Italiaans en Engels Digitale PDF Twee containers, Europese getalnotatie ("38.240,500 KGS"), dag/maand datums, een expediteur afgedrukt naast de verzender
BOL-04 zee, telefoonfoto 1 Engels Foto van geprinte blz Scheve foto, schaduwen, stempels, een handgeschreven reisnummer, "to order of shipper" als ontvanger
BOL-05 zee, twee pagina's 2 Engels Digitale PDF Drie containers met de derde op pagina 2, totalen op pagina 2, een expediteur gemarkeerd als "niet de verzender" (not the shipper)
BOL-06 Duitse zeevrachtbrief 1 Duits en Engels Digitale PDF Een zeevrachtbrief (sea waybill) in plaats van een bill of lading, Europese getalnotaties ("21.875,4 kg")
BOL-07 zee, 20 pagina's 20 Engels Digitale PDF 48 containers over 16 bijlagepagina's, waarvan er één is doorgestreept als uitgesloten, doorlopende subtotalen op elke pagina, totalen op pagina 18, twee pagina's algemene voorwaarden

De pagina's hieronder tonen vier van de lastigste cases.

Pagina 1 van de vrachtbrief van 20 pagina's (BOL-07) in de Parseur LLM Extractie Benchmark 2026. Het particulars-vak vermeldt 47 containers en verwijst naar bijlagepagina's op pagina 2 tot 17 en een samenvatting op pagina 18

Pagina 1 van BOL-07 bevat de kopvelden. Het vrachtvak geeft geen containernummers op. Er wordt verwezen naar de bijlagepagina's (rider sheets) op pagina 2 t/m 17 en de samenvatting op pagina 18.

Bijlagepagina 11 op pagina 12 van de vrachtbrief van 20 pagina's (BOL-07) in de Parseur LLM Extractie Benchmark 2026, met container CSLU3455388 doorgestreept en gemarkeerd als shut out, not loaded

Pagina 12 van BOL-07 is één van de 16 bijlagepagina's. Container CSLU3455388 is doorgestreept als zijnde uitgesloten (shut out), en het doorlopende subtotaal onderaan sluit deze correct uit.

BOL-04 in de Parseur LLM Extractie Benchmark 2026: een scheve telefoonfoto van een geprinte vrachtbrief met stempels en een handgeschreven reisnummer 118N

BOL-04 is een telefoonfoto van een geprinte vrachtbrief, met een handgeschreven reisnummer (118N) en stempels over het formulier.

BOL-03 in de Parseur LLM Extractie Benchmark 2026: een Italiaanse en Engelse vrachtbrief met twee containers, Europese getalnotaties en een expediteur afgedrukt naast de verzender

BOL-03 gebruikt Italiaanse en Engelse labels, Europese getalnotaties en dag/maand datums, met de totalen van twee containers op één regel.

Hoe hebben we de test uitgevoerd?

  1. We legden de velden vast. We kozen 11 velden die logistieke teams standaard uit iedere vrachtbrief halen: vrachtbriefnummer, vervoerder, verzender, ontvanger, laadhaven, loshaven, containernummer, scheepsnaam, reisnummer, aantal colli en brutogewicht.
  2. We maakten de antwoordsleutel gebaseerd op de geprinte waarden op elk document, voordat we ook maar één tool hadden gedraaid.
  3. We lieten de chatbots draaien in een nieuwe chat per tool, met dezelfde prompt en dezelfde bestanden, en we bewaarden alle antwoorden als tekst en screenshots. We hebben de zes korte documenten in één keer geüpload, en het document van 20 pagina's apart.
  4. We lieten Parseur draaien door alle zeven documenten te uploaden naar één mailbox met één veldconfiguratie, waarna we de resultaten hebben geëxporteerd.
  5. We scoorden elk veld aan de hand van de antwoordsleutel met behulp van de regels hieronder, en we vergeleken elke fout met het originele document en het screenshot van de betreffende tool. Elk document werd beoordeeld op dezelfde 11 velden: 66 velden over de zes korte documenten en 11 velden bij het document van 20 pagina's, voor een totaal van 77.

Tools en opzet

  • ChatGPT (GPT-6), Claude (Sonnet 5.5) en Gemini (3.6 Flash) via hun eigen chat-apps in de gratis versies, elk document per sessie in een nieuwe chat, één keer per tool getest.
  • Dezelfde prompt voor elke chatbot, met de vraag om de 11 velden als JSON terug te geven. De prompt instrueerde om null te gebruiken voor iedere waarde die niet voorkomt in het document, en om ontbrekende informatie niet zelf te raden. Het document van 20 pagina's werd los geüpload.
  • Parseur met één mailbox en één veldconfiguratie, ingesteld voorafgaand aan de definitieve test en ongewijzigd toegepast op alle zeven documenten. De configuratie omvatte de 11 datapunten, plus een tabel voor de container- en vrachtregels en specifieke velden voor datums en gewichtseenheden.

Scoreregels

  1. De grondwaarheid is de waarde zoals geprint op het document.
  2. Opmaakverschillen zagen we niet als fout: "22 PLT" is gelijk aan "22 pallets", "Genova" is gelijk aan "Genoa", en een gewicht mét of zonder bijbehorende eenheid was allebei goed.
  3. Een veld dat niet in het document stond, moest leeg terugkomen. Een waarde invullen waar het document niets heeft, gold als een fout.
  4. Containernummers telden mee als één gezamenlijk veld: alleen goedgerekend wanneer alle verscheepte containers correct opgesomd waren, en de uitgesloten container ontbrak.
  5. We gebruikten het totale aantal colli uit de Parseur-configuratie als de optelsom van zijn containerrijen, wat perfect klopte met de geprinte totalen op alle documenten.
  6. Bij de Amerikaanse vrachtwagen-vrachtbrief (BOL-02) was de container-instelling van Parseur zo ingericht dat hij het trailernummer (53-11872) overnam. We hebben dit goedgerekend, omdat het veld op die manier was gedefinieerd in het systeem. Strikt gescoord volgens de chatbot-prompt zou Parseur één punt minder hebben.
  7. Bonuspunt: Parseur kreeg één bonuspunt bij het document van 20 pagina's voor het teruggeven van alle 105 vrachtregels, allemaal geverifieerd via het document. De chatbots is niet om vrachtregels gevraagd, daarom tonen we de bonus los van de basisscore over 77 velden.

Beperkingen

Dit was een kleine, handmatige praktijktest en geen grootschalige statistische benchmark; tevens nam Parseur er als één van de geteste partijen aan deel. Elke chatbot werd slechts één keer gedraaid per documentenset, en de resultaten uit chat-apps kunnen fluctueren per sessie of door model-updates. De documenten zijn synthetisch en ontworpen om de échte lay-outs exact te repliceren.

Hoe test je een LLM of extractietool met jouw eigen documenten?

Het feit dat containers gemist werden, kwam in deze test alleen aan het licht doordat we de output echt naast het document legden. Voordat je op een tool gaat vertrouwen, is het verstandig om jouw eigen documenten erdoorheen te halen en te checken op de volgende zaken:

  1. Jouw langste documenten, en dus niet slechts voorbeelden van één pagina. Neem altijd bijlagen, rider sheets en vervolgpagina's mee.
  2. Elk herhalend element, zoals containers, vrachtregels of losse zendingen. Tel ze handmatig uit en vergelijk dit met het document.
  3. Dat een lege waarde of 'null' echt afwezigheid betekent. Een gemiste waarde die eigenlijk wel in het document staat, is de lastigste fout om te ontdekken.
  4. Correcties op het document, zoals doorgestreepte of uitgesloten (shut-out) regels, die de tool niet per ongeluk moet meenemen.
  5. Dat de output goed geparseerd kan worden en zijn structuur consistent houdt over meerdere documenten, zodat jouw integratie niet breekt.
  6. Dat partijen niet door elkaar gegooid worden: de verzender (shipper), ontvanger (consignee), te waarschuwen partij (notify party), expediteur en vervoerder.

Voor een vergelijkbare test over facturen in vier talen, zie de Meertalige Factuurextractie Benchmark 2026. Voor specifieke vrachtbrief-software, bekijk onze vergelijking van de beste software voor vrachtbriefverwerking.

Test het met jouw eigen vrachtbrieven

Zeven documenten tonen perfect aan waar tools op stuklopen, maar jouw eigen verzenddocumenten zijn de echte test. Haal jouw langste vrachtbrieven door Parseur en controleer of de containerlijst overeenkomt met het origineel.

Start met het extraheren van gegevens uit je documenten
Bespaar tijd en moeite met Parseur. Automatiseer je documenten.

Laatst bijgewerkt op

Aan de slag

Klaar om je data-extractie
uit documenten te automatiseren?

Start gratis in een paar minuten en ontdek hoe Parseur in jouw workflow past.

Geen modeltraining nodig
Automatiseert data-invoer uit elk document
Schaalbaar van point-and-click tot API

Veelgestelde Vragen

Directe antwoorden over LLM documentextractie, gebaseerd op onze test uit oktober 2026 van ChatGPT, Claude, Gemini en Parseur op zeven vrachtbrieven.

Niet betrouwbaar, zo bleek uit onze test. Bij een vrachtbrief van 20 pagina's extraheerde ChatGPT (GPT-6) 10 van de 11 velden correct, maar gaf het null terug voor containernummers, hoewel het document er 47 vermeldt. Bij documenten van één of twee pagina's haalde het wel elk veld correct op.

Ja, in onze test wel. Claude (Sonnet 5.5) extraheerde alle 11 velden uit een vrachtbrief van 20 pagina's, vermeldde alle 47 containers in de juiste volgorde en sloot een doorgestreepte container uit. Er werd gevraagd om 11 samenvattende velden en er is niet getest op vrachtregels.

LLM documentextractie gebruikt een large language model (LLM) zoals ChatGPT, Claude of Gemini om een document te lezen en specifieke velden als gestructureerde data terug te geven. Het werkt goed bij korte documenten, maar onze test laat zien dat het bij lange documenten geruisloos gegevens kan missen. Een platform voor intelligente documentverwerking zoals Parseur voegt daar een vaste veldconfiguratie en het automatisch inlezen en afleveren aan bedrijfssystemen aan toe.

In onze test van oktober 2026 met zeven vrachtbrieven extraheerden Parseur en Claude (Sonnet 5.5) beide alle 77 velden correct. Parseur werd eerste met één bonuspunt omdat het ook 105 vrachtregels teruggaf. ChatGPT (GPT-6) scoorde 76 en Gemini (3.6 Flash) 74.

We kunnen niet in de modellen kijken, maar Gemini verwees alleen naar pagina 1 en 18 van het 20 pagina's tellende document, de twee pagina's met de kopvelden en totalen. De containernummers staan op pagina 2 tot en met 17. Beide chatbots gaven correcte totalen terug, wat suggereert dat ze antwoordden vanuit de samenvatting zonder de detailpagina's te lezen.

Je kunt gegevens uit een vrachtbrief extraheren door deze te uploaden naar een AI-chatbot met een lijst met velden, of door een platform voor documentverwerking in te stellen dat dezelfde velden uit elke ontvangen vrachtbrief haalt. Voor terugkerende volumes, zie vrachtbrief OCR.