Zamówienia pisane ręcznie a AI: jak OrderBridge czyta kartki ze sklepów i dlaczego Rossum, Conexiom, Esker i OCR z chmury (Azure, AWS, Google) radzą sobie gorzej z polskim pismem – porównanie 2026
W hurtowniach spożywczych i mięsnych wciąż spora część zamówień przychodzi jako zdjęcie kartki zrobione telefonem przez kierowniczkę sklepu: „wątróbka drob. 5 kg, łapki 10, parówki Tarcz. 3 op.”. Handlowiec przepisuje to do ERP, bo żaden system nie robi tego dobrze. Sprawdziliśmy, co obiecują światowi dostawcy automatyzacji zamówień i OCR – według ich stron, stan na 13 listopada 2026 r. – i pokazujemy, jak z tym problemem radzi sobie OrderBridge: własny model do polskiego pisma odręcznego, dopasowanie towaru do tego, co dany sklep naprawdę kupuje, i wyniki zmierzone na 556 prawdziwych zamówieniach, które operatorzy wcześniej odrzucili.
Dlaczego kartka ze sklepu to najtrudniejsze zamówienie dla AI
Zamówienie z maila w PDF albo w Excelu to dziś problem rozwiązany – czyta je prawie każde narzędzie. Kartka pisana ręcznie łamie wszystkie założenia, na których opiera się klasyczny OCR:
- Pismo każdej osoby jest inne, długopis, ołówek, kartka w kratkę, zdjęcie pod kątem, cień ręki, czasem dwie kartki na jednym zdjęciu.
- Skróty i język sklepu: „kiełb. śl.”, „szyje ind.”, „porcje ros.”. Kartoteka w ERP mówi „INDYK SZYJA Z INDYKA” i „PORCJA BEZ SKRZYDŁA”. Zwykłe porównanie tekstu tego nie połączy.
- Linie, które nie są towarem: nagłówek, data, nazwa hurtowni, podpis, numer sklepu.
- Jednostki: sklep pisze „10” albo „10 szt.”, a towar w ERP jest w kilogramach – przelicznik siedzi w kartotece, nie na kartce.
Najważniejsza obserwacja z naszych wdrożeń: to są dwa osobne problemy. Pierwszy to odczytanie tekstu z kartki (rozpoznawanie pisma ręcznego, HTR). Drugi to przypisanie odczytanej linii do właściwej kartoteki w ERP. Większość narzędzi traktuje je jako jeden krok – i wtedy błąd w którymkolwiek z nich psuje pozycję. Model, który bezbłędnie przeczyta „wątróbka z kurczaka”, nic nie da, jeśli system dopasowania wpisze do zamówienia ćwiartkę kurczęcą.
Co oferują Rossum, Conexiom, Esker i OCR z chmury – stan na 13.11.2026
Poniżej rozwiązania, które najczęściej pojawiają się przy wyborze automatyzacji zamówień. Opisujemy je według stron producentów i dokumentacji, bez kopiowania materiałów.
- Conexiom (Kanada) – platforma automatyzacji zamówień sprzedaży dla producentów i dystrybutorów. Deklaruje odczyt zamówień z PDF, Excela, CSV, maili, zdjęć i odręcznych notatek oraz walidację z danymi ERP; w materiałach mocno akcentuje integrację z SAP. Na stronach i w studiach przypadków powtarza się „100% dokładności”, ale to deklaracja producenta, a nie opublikowany pomiar na piśmie odręcznym.
- Esker Order Management (Francja) – chmurowa platforma do zamówień z maila, EDI, portali i faksu, z silnikiem Esker Synergy AI. Producent pokazuje np. wynik Siemens Healthineers: automatyzacja zamówień z 8% do 85% i 93% pól odczytanych poprawnie. Pismo odręczne pojawia się w materiałach Eskera raczej jako metafora niż jako opisana funkcja.
- Rossum (Czechy, od maja 2026 r. część Coupa) – platforma IDP z własnym modelem Aurora, trenowanym według producenta na 11 mln dokumentów transakcyjnych. Deklaruje obsługę pisma ręcznego w 30 językach i średnio 92,5% dokładności u klientów. Działa w chmurze; nastawiona głównie na faktury, zamówienia zakupu i potwierdzenia, czyli dokumenty z nadrukowaną strukturą.
- Azure AI (Microsoft) – model Read rozpoznaje pismo odręczne w dziewięciu językach: angielskim, chińskim uproszczonym, francuskim, niemieckim, włoskim, japońskim, koreańskim, portugalskim i hiszpańskim. Polski jest tylko na liście tekstu drukowanego.
- Amazon Textract (AWS) – według FAQ AWS pismo odręczne rozpoznaje tylko w języku angielskim (alfabet standardowy i znaki ASCII); polskich znaków diakrytycznych w piśmie ręcznym nie obsługuje.
- Google Cloud Vision – polski jest na liście języków rozpoznawania tekstu, a pismo odręczne działa w trybie DOCUMENT_TEXT_DETECTION. To jednak samo API OCR: zwraca tekst, nie zamówienie – dopasowanie do kartotek, klienta i jednostek trzeba zbudować samemu.
Wspólny mianownik: żaden z tych dostawców nie publikuje wyników dla polskich, odręcznych list zakupowych ze sklepów. Rozwiązania globalne są trenowane głównie na drukowanych zamówieniach zakupu i fakturach, a chmurowe OCR kończy się na tekście. Do tego wszystkie działają w chmurze dostawcy – zdjęcia zamówień, nazwy sklepów i ceny opuszczają firmę.
Jak OrderBridge czyta pismo ręczne: własny model i dwa osobne kroki
OrderBridge rozdziela odczyt od dopasowania i każdy krok robi osobnym, wyspecjalizowanym mechanizmem.
Krok 1. Odczyt kartki własnym modelem do polskiego pisma
Ogólne modele (także duże modele multimodalne) czytały nasze zdjęcia słabo: myliły polskie znaki, skróty i nazwy wędlin. Dlatego wytrenowaliśmy własny model rozpoznawania pisma odręcznego na prawdziwych zdjęciach kartek zamówień od sklepów – zbiór z ok. 1 460 wiadomości ze zdjęciami od hurtowni spożywczej, z liniami zweryfikowanymi względem zamówień, które handlowcy wpisali ręcznie. Model działa na serwerze z GPU w infrastrukturze klienta albo w polskiej chmurze 127AI, a w ustawieniach OrderBridge wskazuje się, który model obsługuje dokumenty odręczne – można je zmieniać bez przebudowy aplikacji.
Krok 2. Dopasowanie do tego, co sklep naprawdę kupuje
- Najpierw historia sklepu. Towar szukany jest w pierwszej kolejności wśród kartotek, które dany odbiorca kupował w ostatnich tygodniach (z ERP, według pola odbiorcy, a nie płatnika całej sieci), potem wśród towarów aktualnie sprzedawanych, a dopiero na końcu w całym katalogu.
- Model językowy wybiera z krótkiej listy kartotek sklepu, a nie wymyśla nazwy. Dzięki temu „kurze łapki” trafiają w „ŁAPY Z KURCZĄT”, a „wątróbka drobiowa” w „WĄTROBA KURCZĘCA”.
- Nauka z ręcznie wpisanych zamówień. Każde zamówienie poprawione lub wpisane przez handlowca uczy system, jak sklep nazywa towar – to paleta synonimów dla konkretnego klienta.
- Marka jako twardy warunek. Jeśli na kartce jest marka (np. Tarczyński), system nie podstawi innej – i porównuje dwa odczyty, żeby wyłapać pomyłki typu „Tatarskie” zamiast „Tarczyński”.
- Odsiewanie linii, które nie są towarem (nagłówki, daty, podpisy) i przeliczanie jednostek sztuki → kilogramy według kartoteki w ERP.
Zasada, której się trzymamy: nic nie wchodzi do ERP po cichu. Pozycje poniżej progu pewności czekają w panelu akceptacji z podpowiedziami alternatywnych kartotek – handlowiec klika, a nie przepisuje.
Wyniki na prawdziwych zamówieniach: z 41% do 74% trafionych pozycji i z 57% do 9% błędów
Mierzyliśmy na najtrudniejszym możliwym zbiorze: 556 zamówieniach ze zdjęciami kartek, które operatorzy hurtowni wcześniej odrzucili i wpisali ręcznie. Wzorcem było zamówienie wpisane przez handlowca w ERP, zdjęcia nie były używane w treningu modelu. Porównanie dotyczy pozycji: czy towar z kartki trafił we właściwą kartotekę.
| Wariant | Trafione pozycje | Błędne pozycje | Zamówienia z ≥80% pozycji |
|---|---|---|---|
| Poprzedni odczyt (ogólny model + dopasowanie tekstowe) | 41% | 57% | 3% |
| Poprzednie pozycje poprawiane naszym odczytem | 60% | 42% | 12% |
| Zamówienie od nowa: nasz model + historia sklepu | 71% | 15% | 43% |
| Jak wyżej + nauka nazw z ręcznych zamówień | 73% | 14% | 53% |
| Nasz model + model językowy wybiera z kartotek sklepu (próbka 299 zamówień) | 74% | 9% | 52% |
Trzy wnioski:
- Najważniejsza liczba to błędy, nie trafienia. Pozycja brakująca kosztuje handlowca kilka sekund – dopisuje ją z panelu. Pozycja błędna, której nikt nie zauważy, kosztuje reklamację, zwrot i transport. Spadek błędnych pozycji z 57% do 9% to różnica między systemem, któremu operatorzy nie ufają, a systemem, który oszczędza im pracę.
- Łatanie cudzego odczytu się nie opłaca. Pozycje spoza historii sklepu były w starym odczycie poprawne tylko w 12% – lepiej zbudować zamówienie od nowa z naszego odczytu niż poprawiać linie.
- Jest sufit, którego nie przeskoczy żaden model. Ok. 70% nietrafionych pozycji w ogóle nie ma na zdjęciu kartki – operator dopisał je z telefonu, z innego zdjęcia albo z pamięci. Część ręcznych zamówień ma 28 pozycji przy 12 liniach na kartce. Dlatego uczciwie liczona skuteczność „na kartce” jest wyższa niż w tabeli.
Dopasowanie jest też szybkie: model językowy na naszym klastrze przypisał linie dla 299 zamówień w ok. 2 minuty. W teście na danych sieci sklepów mięsnych zamówienie tekstowe na 11 pozycji dopasowało się w 1,8 s, 10 z 11 linii trafiło we właściwe kartoteki sklepu, a jedenasta („kaszanka gryczana”) była na liście podpowiedzi.
Zestawienie: OrderBridge a globalne platformy i OCR z chmury
Porównanie dotyczy klasy rozwiązań; szczegóły pakietów warto sprawdzić u producenta.
| Kryterium | Conexiom / Esker / Rossum | OCR z chmury (Azure, AWS, Google) | OrderBridge |
|---|---|---|---|
| Polskie pismo odręczne | Deklarowane ogólnie (Rossum: 30 języków), bez wyników dla list ze sklepów | Azure: polski tylko druk; AWS: pismo tylko po angielsku; Google: tak, jako surowy tekst | Własny model trenowany na polskich kartkach zamówień |
| Dopasowanie towaru | Do danych ERP, reguły i walidacja | Brak – trzeba zbudować | Najpierw historia danego sklepu, potem sprzedawane, potem katalog; LLM wybiera z kartotek |
| Język sklepu i synonimy | Uczenie na poprawkach użytkownika | Brak | Nauka z ręcznie wpisanych zamówień, paleta synonimów per klient |
| Opublikowany pomiar | Deklaracje producenta (np. „100%”, 92,5%) | Brak dla zamówień | 556 odrzuconych zamówień: 74% trafionych, 9% błędnych pozycji |
| Gdzie są zdjęcia i ceny | Chmura dostawcy | Chmura dostawcy (USA/UE) | Serwer klienta lub polska chmura 127AI |
| Polskie ERP | Głównie SAP i ERP globalne, inne przez integrację | Brak | Streamsoft Prestiż (kartoteki, historia, zapis zamówień); inne ERP przez API |
| Start | Projekt wdrożeniowy, abonament | Płatność za stronę, budowa własnej aplikacji | Bezpłatny test na 20 Twoich mailach lub zdjęciach kartek |
Co wybrać i jak samemu sprawdzić dostawcę
- Zamówienia przychodzą głównie jako PDF z systemów klientów – każda z wymienionych platform sobie poradzi; wybieraj po integracji z Twoim ERP, cenie i miejscu przechowywania danych.
- Masz dużo zdjęć kartek i SMS-ów od sklepów, a ERP to Streamsoft Prestiż – to typowy przypadek dla OrderBridge: polskie pismo, język sklepu i historia zakupów odbiorcy decydują o wyniku bardziej niż sam OCR.
- Budujesz własne rozwiązanie na API z chmury – policz, ile pracy zajmie dopasowanie do kartotek, synonimy i panel akceptacji. OCR to zwykle najmniejsza część projektu.
Jak zrobić uczciwy test u każdego dostawcy, także u nas:
- Daj 50 prawdziwych zdjęć z ostatniego miesiąca, w tym 10 najgorszych – nieostrych, pod kątem, z dwiema kartkami.
- Porównuj pozycje, nie „odczytany tekst”: czy towar trafił we właściwą kartotekę z właściwą ilością i jednostką.
- Licz osobno pozycje błędne i brakujące. Błędne są droższe.
- Sprawdź, co się dzieje z niepewną pozycją: czy system ją oznacza, czy wpisuje „na wszelki wypadek”.
- Zapytaj, gdzie fizycznie trafiają zdjęcia i czy dostawca używa ich do trenowania modeli dla innych klientów.
Powiązane: jak AI łączy dane z ERP (Prestiż, Comarch, enova), ChatGPT dla firm – bezpiecznie i ile kosztuje własny serwer AI.
Źródła i metodologia
Opisy rozwiązań innych firm oparliśmy na stronach producentów i dokumentacji, stan na 13 listopada 2026 r. Funkcje i deklaracje mogą się zmieniać – przed decyzją sprawdź je u dostawcy.
- Conexiom – strona produktu (odczyt zamówień z PDF, Excela, zdjęć i odręcznych notatek): conexiom.com; profil partnera SAP (integracje SAP S/4HANA i ECC): sap.com/partners/profile/conexiom.
- Esker Order Management – opis rozwiązania (platforma chmurowa, Esker Synergy AI): esker.com/solutions/order-management; wynik Siemens Healthineers (8% → 85% automatyzacji, 93% pól): blog Esker.
- Rossum Aurora – model trenowany na 11 mln dokumentów, 92,5% średniej dokładności, pismo ręczne w 30 językach: rossum.ai/aurora-advanced-ai.
- Microsoft Azure AI Vision – języki pisma odręcznego w modelu Read (9 języków, polski tylko dla druku): learn.microsoft.com – Language support.
- Amazon Textract – pismo odręczne tylko w języku angielskim: aws.amazon.com/textract/faqs.
- Google Cloud Vision – lista języków rozpoznawania tekstu i pismo odręczne w DOCUMENT_TEXT_DETECTION: cloud.google.com/vision/docs/languages.
Nasze wyniki pochodzą z pomiaru 127AI z listopada 2026 r. na 556 zamówieniach ze zdjęciami kartek od sklepów, które operatorzy hurtowni spożywczej odrzucili i wpisali ręcznie w ERP (ostatni wariant na próbce 299 zamówień). Wzorcem było zamówienie wpisane przez handlowca, a zdjęcia nie były użyte w treningu modelu. Porównujemy pozycje (towar we właściwej kartotece), nie sam odczytany tekst. Nazw klientów nie podajemy ze względu na poufność danych handlowych.
Najczęstsze pytania
Czy AI potrafi odczytać ręcznie pisane zamówienie po polsku?
Tak, ale ogólne usługi radzą sobie z tym różnie: Azure rozpoznaje pismo odręczne w 9 językach bez polskiego, Amazon Textract tylko po angielsku. OrderBridge używa własnego modelu trenowanego na polskich kartkach zamówień ze sklepów i osobno dopasowuje odczytane linie do kartotek w ERP.
Jaką skuteczność ma OrderBridge na zdjęciach kartek?
Na 556 zamówieniach, które operatorzy wcześniej odrzucili i wpisali ręcznie, odsetek trafionych pozycji wzrósł z 41% do 74%, a błędnych spadł z 57% do 9%. Ok. 70% nietrafionych pozycji w ogóle nie było na zdjęciu – dopisał je operator.
Czy zdjęcia zamówień trafiają do chmury?
Nie muszą. OrderBridge z modelem do pisma odręcznego działa na serwerze klienta albo w polskiej chmurze 127AI. Globalne platformy, takie jak Conexiom, Esker czy Rossum, oraz OCR Azure, AWS i Google działają w chmurze dostawcy.
Co się dzieje z pozycją, której system nie jest pewny?
Trafia do panelu akceptacji z listą podpowiadanych kartotek, najpierw z historii zakupów danego sklepu. Handlowiec wybiera jednym kliknięciem, a jego wybór uczy system nazw używanych przez tego klienta. Nic nie trafia do ERP bez kontroli.
Sprawdź OrderBridge na zdjęciach kartek od Twoich sklepów
Prześlij 20 prawdziwych zamówień – maili, SMS-ów albo zdjęć kartek pisanych ręcznie – i eksport kartotek z ERP. W 48 godzin odsyłamy gotowe zamówienia z oznaczeniem, co AI odczytało pewnie, a co do sprawdzenia. Porównasz z tym, co wpisali Twoi handlowcy. Bez opłat i zobowiązań.