# Dokumenttidata ei ole vielä tietoa: näin kasvuyritys rakentaa OCR- ja pilkkomisputken AI-agentin käyttöön

> Dokumenttidatan esikäsittely ratkaisee, toimiiko AI-agentti luotettavasti. Näin kasvuyritys rakentaa OCR- ja pilkkomisputken sopimuksille ja laskuille.

- Julkaistu: 2026-09-19
- Kirjoittaja: Master Mind
- Alkuperäinen: https://aimaster.fi/artikkelit/dokumenttidata-ei-ole-viela-tietoa-nain-kasvuyritys-rakentaa-ocr-ja-pilkkomisput

Vain 1 % suomalaisyrityksistä hyödyntää dataa uuden liiketoiminnan luomiseen (Sitra). Yleisin syy ei ole datan puute vaan sen muoto. Sopimukset, tarjoukset, laskut ja käyttöohjeet lojuvat PDF-tiedostoissa, skannatuissa kuvissa ja Word-dokumenteissa — ei tietokantataulukoissa. Kun rakennat AI-agentin näiden dokumenttien päälle, ensimmäinen este ei ole tekoälymalli. Se on dokumenttidatan esikäsittely: miten sata sivua sopimustekstiä muutetaan muotoon, jota agentti osaa lukea luotettavasti.

Kasvuyrityksen arjessa data ei istu siististi kentissä. Se on liitteissä, kansiossa nimeltä "skannatut_2019" ja tarjouspyynnön PDF-versiossa, jonka joku on aikanaan tulostanut ja skannannut uudestaan. Kun tämä data syötetään suoraan tiedonhakuun perustuvalle tekstingeneroinnille eli RAG-järjestelmälle (retrieval-augmented generation — agentti hakee vastauksen tueksi oikean tekstinpätkän dokumenteista ennen vastaamista), agentti kaatuu tyypillisesti kahteen asiaan: se ei löydä oikeaa kohtaa dokumentista, tai se sekoittaa taulukon rivit ja sarakkeet keskenään. Tulos ei ole väärä vastaus — se on itsevarma väärä vastaus.

## Mitä tarkoittaa dokumenttidatan esikäsittely tekoälyagentille?

Dokumenttidatan esikäsittely tarkoittaa prosessia, jossa PDF-tiedostot, skannatut kuvat ja Office-dokumentit muutetaan agentin luotettavasti käyttämään rakenteiseen muotoon. Prosessi sisältää neljä vaihetta: tekstintunnistuksen, rakenteen tunnistamisen, pilkkomisen sopiviksi paloiksi ja metatietojen liittämisen. Ilman tätä vaihetta agentti näkee dokumentista vain merkkijonon, ei sen sisältämää tietoa.

## Miksi OCR ei riitä yksin agentin datapohjaksi?

OCR (optical character recognition, tekstintunnistus kuvasta) muuttaa skannatun sivun kuvat merkeiksi, mutta ei ymmärrä sivun rakennetta. Se ei tiedä, mikä rivi on otsikko, mikä taulukon solu tai mikä allekirjoitusrivi. Kasvuyritys, joka syöttää pelkän OCR-tulosteen agentille, saa datan ilman järjestystä — agentti joutuu arvaamaan, mikä numero kuuluu mihinkin sarakkeeseen. Rakenteen tunnistus (layout detection) on siksi OCR:n välttämätön pari, ei valinnainen lisäys.

## Miten dokumentti pilkotaan agentin ymmärtämiksi paloiksi?

Pilkkominen (chunking) tarkoittaa dokumentin jakamista kokonaisuuksiksi, jotka agentti hakee ja lukee erikseen. Kiinteän mittainen pilkkominen katkaisee lauseen tai taulukon kesken, jolloin agentti menettää kontekstin. Semanttinen pilkkominen seuraa dokumentin omaa rakennetta — kappaletta, otsikkoa tai taulukkoa — ja pitää asiakokonaisuuden yhtenä palana. Kun agenttien datapohja kasvaa laajaksi, [tietograafi](https://aimaster.fi/artikkelit/tietograafit-tekoalyagentin-muistina-kun-vektorihaku-ei-riita) täydentää pilkottua tekstiä yhdistämällä dokumenttien väliset suhteet — esimerkiksi sen, että kaksi sopimusta viittaavat samaan asiakkuuteen.

## Miten taulukot, kaaviot ja allekirjoitukset säilyvät osana tietoa?

Taulukko ei ole tekstiä — se on rivien ja sarakkeiden välinen suhde. Jos taulukko puretaan tavallisena tekstinä, agentti lukee hinnan ja tuotenimen irrallaan toisistaan. Toimiva putki erottelee taulukot omaksi rakenteekseen (esimerkiksi HTML- tai JSON-muotoon) ennen pilkkomista, jolloin rivi ja sarake pysyvät yhdessä. Kuvat ja allekirjoitukset merkitään metatiedoiksi, jotta agentti tietää sivulla olevan visuaalista sisältöä, vaikkei se luekaan sitä sanasta sanaan.

## Miten Master Layer kokoaa dokumenttiputken osaksi yrityksen datapohjaa?

[Master Layer](https://aimaster.fi/tuotteet/master-layer) on datapohjakerros, joka yhdistää yrityksen olemassa olevat järjestelmät (CRM, ERP, dokumentit) turvallisesti tekoälyn käytettäväksi. Dokumenttiputki on yksi sen osista: se hakee dokumentit lähdejärjestelmästä, ajaa ne OCR:n ja rakenteen tunnistuksen läpi, pilkkoo sisällön semanttisesti ja tallentaa tuloksen agentin haettavaksi. Kasvuyritys ei tarvitse erillistä dokumentinhallintaprojektia — putki rakennetaan osana Master Layer -sprinttiä olemassa olevien järjestelmien päälle.

| Vaihe | Mitä tapahtuu |
| --- | --- |
| 1. Tekstintunnistus (OCR) | Skannatun sivun kuva muutetaan koneluettaviksi merkeiksi |
| 2. Rakenteen tunnistus | Otsikot, taulukot ja kappaleet erotellaan toisistaan |
| 3. Pilkkominen (chunking) | Sisältö jaetaan semanttisiin, agentin haettaviin paloihin |
| 4. Metatietojen liittäminen | Jokainen pala saa lähteen, päivämäärän ja dokumenttityypin |
| 5. Tallennus agentin käyttöön | Palat tallennetaan hakuindeksiin osana Master Layeria |

## Mitä OCR tarkoittaa tekoälyagentin yhteydessä?

OCR (optical character recognition) muuttaa skannatun sivun tai kuvan tekstin koneluettaviksi merkeiksi. Se on ensimmäinen vaihe dokumenttidatan esikäsittelyssä, mutta ei riitä yksin: agentti tarvitsee myös rakenteen tunnistuksen ja pilkkomisen, jotta se ymmärtää, mikä teksti kuuluu yhteen kokonaisuuteen.

## Voiko AI-agentti lukea skannatun sopimuksen suoraan?

Ei suoraan. Skannattu sopimus on ensin kuva, ei tekstiä. Se pitää ajaa OCR:n läpi, tunnistaa sen rakenne ja pilkkoa sopiviin osiin, ennen kuin agentti voi hakea siitä luotettavasti tietoa. Ilman tätä vaihetta agentti joko ei löydä vastausta tai antaa väärän.

## Miksi PDF-tiedosto pitää pilkkoa ennen kuin agentti voi käyttää sitä?

Yksittäinen PDF voi sisältää satoja sivuja. Agentti ei lue koko dokumenttia joka kerta — se hakee vain relevantin osan. Pilkkominen jakaa dokumentin hakukelpoisiin paloihin, jolloin agentti löytää oikean kohdan nopeasti ilman, että konteksti katoaa kesken lauseen tai taulukon.

## Mitä eroa on pilkkomisella ja tietograafilla?

Pilkkominen jakaa yksittäisen dokumentin hakukelpoisiin osiin. Tietograafi yhdistää eri dokumenttien väliset suhteet, kuten sen, että kaksi sopimusta koskevat samaa asiakasta. Suuressa dokumenttimassassa tarvitaan molempia: pilkkominen antaa tarkkuuden, tietograafi antaa yhteyden.

## Kauanko dokumenttiputken rakentaminen kestää kasvuyritykselle?

Kustannus ja aikataulu riippuvat dokumenttien määrästä ja moninaisuudesta. Sprinttimalli tekee etenemisestä ennakoitavan: kehitys etenee 3 päivän jaksoissa, ja ensimmäinen sprintti kohdistetaan yhteen dokumenttityyppiin, esimerkiksi sopimuksiin tai laskuihin, ennen laajennusta muihin.

Dokumenttidatan esikäsittely ei ole tekninen yksityiskohta — se ratkaisee, luottaako agentin vastauksiin vai ei. [Varaa ilmainen Master Mind -analyysi](https://aimaster.fi/analyysi) ja selvitä, missä yrityksesi dokumenteissa on eniten tekoälyn hyödynnettävää arvoa.

## Usein kysytyt kysymykset

### Mitä OCR tarkoittaa tekoälyagentin yhteydessä?

OCR (optical character recognition) muuttaa skannatun sivun tai kuvan tekstin koneluettaviksi merkeiksi. Se on ensimmäinen vaihe dokumenttidatan esikäsittelyssä, mutta ei riitä yksin: agentti tarvitsee myös rakenteen tunnistuksen ja pilkkomisen, jotta se ymmärtää, mikä teksti kuuluu yhteen kokonaisuuteen.

### Voiko AI-agentti lukea skannatun sopimuksen suoraan?

Ei suoraan. Skannattu sopimus on ensin kuva, ei tekstiä. Se pitää ajaa OCR:n läpi, tunnistaa sen rakenne ja pilkkoa sopiviin osiin, ennen kuin agentti voi hakea siitä luotettavasti tietoa.

### Miksi PDF-tiedosto pitää pilkkoa ennen kuin agentti voi käyttää sitä?

Yksittäinen PDF voi sisältää satoja sivuja. Agentti ei lue koko dokumenttia joka kerta — se hakee vain relevantin osan. Pilkkominen jakaa dokumentin hakukelpoisiin paloihin, jolloin agentti löytää oikean kohdan nopeasti ilman kontekstin katoamista.

### Mitä eroa on pilkkomisella ja tietograafilla?

Pilkkominen jakaa yksittäisen dokumentin hakukelpoisiin osiin. Tietograafi yhdistää eri dokumenttien väliset suhteet, kuten sen, että kaksi sopimusta koskevat samaa asiakasta. Suuressa dokumenttimassassa tarvitaan molempia.

### Kauanko dokumenttiputken rakentaminen kestää kasvuyritykselle?

Kustannus ja aikataulu riippuvat dokumenttien määrästä ja moninaisuudesta. Sprinttimalli tekee etenemisestä ennakoitavan: kehitys etenee 3 päivän jaksoissa, ja ensimmäinen sprintti kohdistetaan yhteen dokumenttityyppiin ennen laajennusta muihin.