Varför AI överträffar OCR för finansiella dokument

Du skannar ett bankkontoutdrag, kör det genom OCR och får tillbaka en textvägg. Tecknen är mestadels rätt. Siffrorna ser korrekta ut. Men när du försöker importera datan till Excel eller din redovisningsprogramvara, faller allt samman. Datum är bara strängar. Belopp saknar tecken. Beskrivningar flyter in i nästa kolumn. Och det löpande saldot hamnade på något sätt ihop med transaktionsbeloppet.

Detta är OCR-gapet – avståndet mellan att känna igen tecken på en sida och att faktiskt förstå vad dessa tecken betyder.

I årtionden har Optical Character Recognition (OCR) varit standardmetoden för att digitalisera pappersdokument. Och för enkla uppgifter – att läsa en enda textrad från en ren skanning – fungerar det tillräckligt bra. Men finansiella dokument är inte enkla. De är täta, strukturerade, flerkolumnslayouter fyllda med siffror som ser identiska ut men betyder helt olika saker. Ett löpande saldo är inte ett transaktionsbelopp. En sektionsrubrik är inte ett mottagarnamn. En delsumma är inte en radpost.

AI-driven dokumentextrahering överbryggar detta gap. Istället för att bara känna igen tecken, förstår den dokumentstruktur, fältrelationer och finansiell kontext. Skillnaden i noggrannhet och användbarhet är inte marginell – den är omvälvande.

Denna guide förklarar exakt vad OCR gör, var det brister på finansiella dokument, vad AI lägger till ovanpå, och hur du väljer rätt metod för ditt arbetsflöde.

Vad OCR Faktiskt Gör (Och Vad Det Inte Gör)

OCR står för Optical Character Recognition. I grunden gör det en sak: konverterar bilder av text till maskinläsbar text. Du ger den en bild av en sida, och den ger dig tillbaka tecknen den ser.

Det är genuint användbart. Före OCR var det enda sättet att få data från ett skannat dokument att skriva in det manuellt. OCR automatiserar "lässteget" – att identifiera bokstäver, siffror och symboler från pixelmönster.

Hur Traditionell OCR Fungerar

Traditionella OCR-motorer följer en förutsägbar pipeline:

1. Bildförbehandling – Justera kontrast, ta bort brus, räta upp bilden och normalisera upplösningen.
2. Teckensegmentering – Dela upp bilden i block, sedan rader, sedan enskilda tecken.
3. Mönstermatchning – Jämför varje tecken mot ett bibliotek av kända former med hjälp av mallmatchning eller statistiska klassificerare.
4. Efterbehandling – Tillämpa språkmodeller eller ordlistkontroller för att korrigera uppenbara fel (t.ex. "0" vs "O", "1" vs "l").
5. Textutdata – Returnera en sträng av tecken med ungefärliga positionskoordinater.

Notera vad som saknas: någon förståelse för vad dessa tecken representerar. OCR ser "12/15/2025" som en sekvens av siffror och snedstreck – inte som ett datum. Den ser "$4,521.30" som en dollartecken följt av siffror, kommatecken och en punkt – inte som ett monetärt belopp. Den ser "Beginning Balance" som två engelska ord – inte som en fältetikett som markerar början på en finansiell sammanfattning.

OCR är ett teckenigenkänningssystem, inte ett dokumentförståelsesystem. Denna distinktion är roten till varje problem som följer.

OCR:s Noggrannhetstak: Siffror Du Bör Känna Till

OCR-leverantörer gillar att marknadsföra noggrannhetsgrader i de höga 90-procenten. Och under kontrollerade förhållanden – rena tryck, standardtypsnitt, enkolumnslayouter – är dessa siffror verkliga. Men hur noggrannheten mäts är oerhört viktigt.

Tecken-nivå vs. Fält-nivå Noggrannhet

De flesta publicerade OCR-noggrannhetsgrader mäter tecken-nivå noggrannhet: procentandelen enskilda tecken som korrekt känns igen. En 97% tecken-noggrannhet låter utmärkt tills du räknar på ett finansiellt dokument.

En typisk sida med bankkontoutdrag innehåller ungefär 2 000–3 000 tecken. Med 97% noggrannhet blir det 60–90 felaktiga tecken per sida. Tänk nu på att en enda felaktig siffra i ett transaktionsbelopp – säg "$1,523.40" läst som "$1,523.10" – gör hela datapunkten oanvändbar för avstämning.

Fält-nivå noggrannhet – om ett helt datafält (datum, belopp, beskrivning) extraheras korrekt – sjunker signifikant under tecken-nivå noggrannhet. Branschforskning visar att en 2% teckenfelkvot kan översättas till 15–20% informations-extraheringsfel vid bearbetning av komplexa finansiella dokument. Det är skillnaden mellan "mestadels rätt" och "oanvändbart utan manuell granskning."

Noggrannhets-benchmarks per OCR-motor

Så här presterar de stora OCR-motorerna på finansiella dokument under verkliga förhållanden (inte marknadsföringspåståenden baserade på rena testbilder):

OCR-motor	Tecken Noggrannhet (Ren Tryck)	Tecken Noggrannhet (Finansiella Dokument)	Effektiv Fält-nivå Noggrannhet
Tesseract (Open Source)	95%+ (med förbehandling)	85–92%	60–75%
ABBYY FineReader	99.3–99.8%	94–97%	80–90%
Google Cloud Vision	98%+	95–98%	82–92%
Amazon Textract	97%+	93–97%	80–90%
Azure AI Document Intelligence	97%+	93–96%	78–88%

Några saker sticker ut:

Tesseract, den mest använda open source OCR-motorn, kämpar med finansiella dokument. Dess noggrannhet sjunker från 95%+ på rena tryck till 85–92% på bankkontoutdrag och fakturor med komplexa layouter. En finansiell institution rapporterade initial noggrannhet så låg som 70% på varierande typsnitt och layouter, och nådde bara 92% efter omfattande bildförbehandling.

Kommersiella motorer (ABBYY, Google, Amazon, Azure) presterar signifikant bättre, men även med 97% tecken-noggrannhet ligger den effektiva fält-nivå extraheringsgraden runt 80–90%. Det innebär att 1 av 5 till 1 av 10 extraherade fält kan ha fel. För ett bankkontoutdrag med 50 transaktioner är det 5 till 10 transaktioner som kräver manuell korrigering.

Den Dolda Kostnaden för OCR-fel

Branschanalyser sätter de verkliga kostnaderna för OCR-fel i perspektiv. För företag som bearbetar stora volymer finansiella dokument leder en 3% felkvot i dataextrahering till betydande nedströmskostnader – varje fel kräver $50–$150 för att hittas och korrigeras genom manuell avstämning. Mer än 50% av OCR-bearbetade finansiella dokument kräver fortfarande någon form av mänsklig verifiering innan datan kan lita på.

Varför OCR Ensam Misslyckas på Finansiella Dokument

Noggrannhetssiffrorna ovan berättar en del av historien. Men det djupare problemet är inte att OCR får tecken fel – det är att OCR inte har någon uppfattning om vad dessa tecken betyder i sitt sammanhang. Här är de specifika utmaningar som bryter ner traditionell OCR på finansiella dokument.

1. Flerkolumnslayouter

Bankkontoutdrag är nästan alltid i flera kolumner. Ett typiskt utdrag har kolumner för datum, beskrivning, uttag, insättningar och löpande saldo. OCR-motorer bearbetar text från vänster till höger, uppifrån och ner – vilket innebär att de ofta slår ihop data från angränsande kolumner till en enda rad.

Vad utdraget visar:

15/12/2025  Amazonköp    -$45.99              $2,341.67
16/12/2025  Direktinsättning               $3,200.00  $5,541.67

Vad OCR ofta ger:

15/12/2025 Amazonköp -$45.99 $2,341.67
16/12/2025 Direktinsättning $3,200.00 $5,541.67

Utrymmena mellan kolumnerna är borta. Det finns inget sätt att veta vilken siffra som är ett uttag, vilken som är en insättning, och vilken som är ett saldo. En människa kan förstå det utifrån sammanhanget. OCR kan inte.

2. Löpande Saldo vs. Transaktionsbelopp

Varje bankkontoutdrag innehåller både transaktionsbelopp och löpande saldon. Det är siffror som ser identiska ut i format men betyder helt olika saker. OCR ser "$2,341.67" två gånger på en sida och behandlar båda förekomsterna på samma sätt. Den har ingen uppfattning om "den här siffran är ett saldo" kontra "den här siffran är en betalning."

Om din extraheringsprocess fångar saldokolumnen istället för transaktionskolumnen – eller värre, slår ihop båda – blir din avstämning omedelbart fel.

3. Beskrivningar i Flera Rader

Transaktionsbeskrivningar sträcker sig ofta över flera rader:

15/12/2025  AMAZON.COM*RT4K2
            AMZN.COM/BILL WA
            Kort som slutar på 4521       -$45.99    $2,341.67

OCR behandlar varje fysisk rad som en separat enhet. Den har inget sätt att veta att rad 1–3 alla är en del av samma transaktionsbeskrivning. Resultatet blir "spök-rader" – tre "transaktioner" där det borde finnas en, med beloppet endast på den tredje raden.

4. Sektionsrubriker vs. Data-rader

Finansiella dokument är fulla av sektionsrubriker, delsummor och sammanfattningsrader:

CHECKING ACCOUNT - KONTO SOM SLUTAR PÅ 7234
Utdragsperiod: 2025-12-01 - 2025-12-31

Ingående Saldo                              $1,234.56
  01/12  Överföring från Sparkonto      $500.00    $1,734.56
  03/12  Elbolaget          -$142.30    $1,592.26
Utgående Saldo                                 $1,592.26

OCR läser "Ingående Saldo $1,234.56" och "Utgående Saldo $1,592.26" på samma sätt som den läser de faktiska transaktionerna. Den vet inte att dessa är sammanfattningsrader som bör exkluderas från transaktionslistan. Utan semantisk förståelse förorenar dessa "spök-poster" din data.

5. Valutasymboler och Internationella Sifferformat

Finansiella dokument använder vitt skilda sifferformat beroende på land:

Format	Används I	Exempel
1,234.56	USA, Storbritannien, Australien, Japan	$1,234.56
1.234,56	Tyskland, Frankrike, Brasilien, Spanien	1.234,56 EUR
1 234,56	Sverige, Norge, Polen	1 234,56 kr
12,34,567.89	Indien	Rs 12,34,567.89

OCR returnerar råa tecken – "1.234,56" – och lämnar det åt dig att lista ut om punkten är en tusentalsavgränsare eller en decimalavgränsare. Om du gör fel är ditt belopp fel med en faktor 1 000.

6. Negativa Siffror och Uttagsindikatorer

Finansiella dokument representerar negativa belopp på minst sex olika sätt:

• Minustecken: -$45.99
• Parenteser: ($45.99)
• "DR" suffix: $45.99 DR
• Röd text (förloras i OCR)
• Separat uttags-kolumn
• "CR" på motsatt sida: $45.99 CR betyder kredit, avsaknad betyder uttag.

OCR fångar tecknen men tolkar inte redovisningskonventionen. Den kan inte tala om för dig om "$45.99" är pengar in eller pengar ut utan att förstå dokumentets layout och konventioner.

Vad AI Lägger Till Ovanpå OCR

AI-driven dokumentextrahering ersätter inte OCR – den bygger vidare på det. Texten måste fortfarande läsas från sidan. Skillnaden är vad som händer efter att tecknen har identifierats.

Där OCR stannar vid "här är tecknen jag hittade", fortsätter AI med:

Semantisk Förståelse

AI-modeller förstår att "12/15/2025" är ett datum, "$4,521.30" är ett monetärt belopp, och "Amazon Purchase" är en transaktionsbeskrivning. Detta är inte bara mönstermatchning på format – modellen förstår betydelse från sammanhang.

Om "12/15" förekommer i en datumkolumn är det ett datum. Om det förekommer i ett beskrivningsfält kan det vara ett referensnummer. AI gör denna distinktion; OCR kan inte.

Dokumenttypsklassificering

Innan ens ett enda fält extraheras identifierar AI vilken typ av dokument den tittar på: bankkontoutdrag, faktura, kvitto, skatteformulär eller finansiell rapport. Detta är viktigt eftersom extraheringsreglerna är helt olika för varje typ. En faktura har leverantörsinformation, radposter, delsummor, skatt och en totalsumma. Ett bankkontoutdrag har transaktioner med datum, beskrivningar, uttag, insättningar och löpande saldon. AI tillämpar rätt extraheringsmodell för rätt dokumenttyp.

Fältklassificering efter Betydelse

AI extraherar inte bara text från en kolumn – den klassificerar vad den texten representerar. På en faktura kan "Acme Corp" förekomma på tre ställen: som faktureringsföretag, leveransadress eller en radpostbeskrivning. AI förstår vilken som är vilken baserat på position, sammanhang och dokumentstruktur.

För bankkontoutdrag skiljer AI mellan:

• Transaktionsdatum vs. bokföringsdatum
• Transaktionsbelopp vs. löpande saldon
• Primära beskrivningar vs. fortsättningsrader
• Sektionsrubriker vs. data-rader
• Ingående saldon vs. utgående saldon

Tabellstrukturigenkänning

Detta är där gapet mellan OCR och AI är som mest dramatiskt. OCR ser ett rutnät av tecken. AI ser en tabell med rubriker, rader, kolumner och relationer mellan celler. Den förstår att den första raden definierar kolumnens betydelse, att en tom datumcell betyder "samma datum som ovan", att indragen text är en fortsättning på föregående beskrivning, och att fet text som spänner över alla kolumner är en sektionsrubrik – inte en data-rad.

Relations-extrahering

Finansiella dokument är fulla av matematiska relationer. På en faktura bör radposternas summor summeras till delsumman. Delsumman plus skatt bör vara lika med totalsumman. AI validerar dessa relationer under extraheringen, och fångar fel som ren OCR helt skulle missa.

På bankkontoutdrag validerar AI att varje transaktionsbelopp, när det appliceras på föregående saldo, ger det nästa saldot. Denna löpande validering fångar extraheringsfel i realtid, vilket gör att systemet kan korrigera sig självt.

Layoutanpassning utan Mallar

Traditionella OCR-baserade extraheringssystem förlitar sig på mallar – fördefinierade regler som mappar specifika sidregioner till specifika fält. Detta fungerar tills banken ändrar sitt utdragsformat, eller du får ett utdrag från en bank du aldrig sett tidigare.

AI förstår dokumentlayout semantiskt. Den känner igen att en kolumn med värden formaterade som ÅÅ/MM/DD, placerad till vänster om en beskrivningskolumn, representerar transaktionsdatum – oavsett exakt pixelposition. Detta innebär att AI fungerar över tusentals olika bankkontoutdragsformat utan anpassade mallar.

Noggrannhetsgapet i Praktiken

Skillnaden mellan OCR-enbart extrahering och AI-driven extrahering är inte några få procentenheter. Det är skillnaden mellan data som kräver omfattande manuell städning och data som är redo att användas.

Arbetsflöde för OCR + Manuell Rengöring

1. Skanna eller ladda upp dokumentet
2. OCR-motor extraherar råtext (2–5 minuter per sida)
3. Manuell granskning för att korrigera teckenfel (5–10 minuter per sida)
4. Manuell kolumnjustering – separera belopp från saldon (10–15 minuter per utdrag)
5. Manuell identifiering och borttagning av rubriker, sidhuvuden, sammanfattningsrader (5–10 minuter)
6. Manuell teckentilldelning – avgör vilka belopp som är uttag vs. insättningar (5–10 minuter)
7. Slutlig avstämningskontroll (5–10 minuter)

Total tid per utdrag: 30–60 minuter kvalificerat mänskligt arbete.

AI-driven Extraheringsarbetsflöde

1. Ladda upp dokumentet
2. AI extraherar strukturerad, klassificerad data (sekunder till minuter)
3. Snabb granskning av flaggade objekt (2–5 minuter)
4. Exportera till önskat format

Total tid per utdrag: 3–10 minuter, varav det mesta är valfri granskning.

Noggrannhetsjämförelse

Mått	Endast OCR	OCR + Manuell Rengöring	AI-driven Extrahering
Tecken-noggrannhet	85–98%	99%+ (efter mänsklig granskning)	97–99%+
Fält-nivå noggrannhet	60–90%	95%+ (efter mänsklig granskning)	95–99%
Tabellstruktur korrekt	40–60%	90%+ (efter manuell justering)	92–98%
Tid per dokument	2–5 min (endast OCR)	30–60 min (med rengöring)	Under 1 min
Kräver mallar	Ja (för strukturerad extrahering)	Ja	Nej
Hanterar nya format	Nej (behöver nya mallar)	Delvis (med manuellt arbete)	Ja

Nyckelinsikten: OCR ensamt ger dig råtext som är 60–90% korrekt på fält-nivå. För att nå 95%+ noggrannhet behöver du antingen omfattande manuell rengöring eller AI-driven extrahering. Det ena kostar 30–60 minuter mänsklig tid per dokument. Det andra kostar sekunder.

PDFSubs Tillvägagångssätt: Hoppa Över OCR När Du Kan, Använd AI När Du Måste

De flesta bankkontoutdrag, fakturor och kvitton som revisorer och bokförare arbetar med är digitala PDF-filer – nedladdade från onlinebankportaler, skickade via e-post av leverantörer eller exporterade från finansiella system. Digitala PDF-filer innehåller redan maskinläsbar text inbäddad direkt i filen. Att köra OCR på en digital PDF är inte bara onödigt – det kan faktiskt introducera teckenigenkänningsfel där inga fanns.

PDFSub använder ett fundamentalt annorlunda tillvägagångssätt baserat på denna verklighet.

För Digitala PDF:er: Direkt Text-extrahering

När du laddar upp en digital PDF till PDFSubs bankkontoutdrags-konverterare, faktura-extraherare, eller kvittoskanner, är det första systemet gör att kontrollera om PDF:en innehåller inbäddad text.

Om den gör det – och de allra flesta moderna finansiella dokument gör det – extraherar PDFSub texten direkt från PDF-strukturen. Ingen OCR. Ingen bildbehandling. Inga teckenigenkänningsfel. Texten kommer ut exakt som den kodades i filen, med exakta positionskoordinater som möjliggör korrekt tabelligenkänning och kolumnjustering.

Denna direkta extrahering sker helt i din webbläsare. PDF:en lämnar aldrig din enhet. Ingen uppladdning, ingen serverbearbetning, ingen datalagring.

För Skannade Dokument: AI-driven Extrahering

När PDF:en är en skannad bild – eller när extrahering av inbäddad text inte ger rena resultat – faller PDFSub tillbaka på AI-driven server-sidig bearbetning. AI-modellen analyserar hela sidlayouten samtidigt: identifierar kolumner, känner igen tabellstruktur, klassificerar fält och extraherar data med sammanhang. Den förstår dokumentet som helhet snarare än att konvertera till text först och försöka införa struktur efteråt.

Flerskikts-extrahering

PDFSub använder en flerskikts-metod som väljer den optimala extraheringsmetoden för varje dokument:

1. Webbläsar-sidig direkt extrahering – För digitala PDF:er med bra inbäddad text. Snabbast, mest privat, mest exakt (ingen teckenigenkänning behövs).
2. Server-sidig strukturerad extrahering – För PDF:er där webbläsar-sidig parsning behöver förstärkning. Använder layoutanalys för att hantera komplexa tabellstrukturer.
3. AI-driven extrahering – För skannade dokument eller komplexa layouter som motstår regelbaserad parsning. Tillför semantisk förståelse.

Varje skikt passerar valideringskontroller innan resultat returneras. Om ett skikt inte kan producera ren, avstämd data, eskalerar systemet automatiskt till nästa skikt.

Resultatet

Detta tillvägagångssätt levererar:

• 99%+ noggrannhet på digitala PDF:er – eftersom det inte finns några OCR-fel från början
• 95–99% noggrannhet på skannade dokument – eftersom AI förstår struktur, inte bara tecken
• Stöd för 20 000+ banker globalt – eftersom det inte finns några per-bank-mallar att underhålla
• 130+ språk – eftersom systemet hanterar internationella datumformat, sifferformat och teckenkodningar inbyggt
• Webbläsar-först integritet – eftersom de flesta dokument aldrig behöver lämna din enhet

Kostnadsjämförelse: Den Verkliga Ekonomin

Kostnadsskillnaden mellan OCR + manuell korrigering och AI-driven extrahering är betydande, särskilt i stor skala.

Kostnadsfördelning per Dokument

Kostnadsfaktor	OCR + Manuell Rengöring	AI-driven Extrahering
Programkostnad	$0.01–$0.10/sida (OCR API)	$0.05–$0.50/sida (AI-bearbetning)
Arbetskostnad	$8–$25/dokument (30–60 min vid $15–$25/tim)	$1–$4/dokument (3–10 min granskning)
Felkorrigering	$5–$15/dokument (hitta och fixa fel)	$0–$2/dokument (minimala fel)
Totalt per dokument	$13–$40	$1–$7

Programkostnaden för AI är högre än för rå OCR. Men arbetsbesparingarna kompenserar mer än väl. När du inkluderar felkorrigering – att hitta felaktiga belopp, fixa feljusterade kolumner, ta bort "spök-rader" – kostar OCR-baserade arbetsflöden 3 till 10 gånger mer än AI-driven extrahering.

I Stor Skala

För en bokföringsfirma som bearbetar 500 bankkontoutdrag per månad:

• OCR + manuell rengöring: 500 x $25 i snitt = $12,500/månad
• AI-driven extrahering: 500 x $4 i snitt = $2,000/månad

Det är över $125,000 per år i besparingar. Branschdata stöder detta – organisationer som anammar intelligent dokumentbehandling rapporterar 40%+ kostnadsminskningar, med återbetalningstider på 3–6 månader och första årets ROI på 200–400%.

När Traditionell OCR Fortfarande Är Tillräcklig

AI-driven extrahering är inte alltid nödvändig. Det finns scenarier där traditionell OCR gör jobbet tillräckligt bra:

Enkla, enkelsidiga dokument. Ett kvitto med ett handlarnamn, några få radposter och en totalsumma. Dokument med minimal struktur där målet bara är att få ut texten – inte att extrahera strukturerad data från komplexa tabeller.

Konsekventa, kända format. Om du bearbetar samma dokumentlayout varje gång – säg, ett specifikt formulär från en enda leverantör – kan mallbaserad OCR-extrahering uppnå hög noggrannhet. Du mappar fälten en gång, och mallen hanterar resten. Detta bryter samman när formatet ändras eller du lägger till en ny leverantör.

Text-bara PDF:er. Om ditt mål är fulltextsökning eller enkel arkivering – inte strukturerad dataextrahering – är OCR tillräckligt. Du behöver bara tecknen, inte betydelsen.

Lågvolyms-arbetsflöden med hög tillsyn. Om du bearbetar ett fåtal dokument per vecka och har tid att manuellt granska varje utdata, är OCR med manuell korrigering genomförbart. Ekonomin skiftar mot AI när volymen ökar eller tidspressen ökar.

Beslutsramverket

Scenario	Rekommenderad Metod
Digital PDF, behöver strukturerad data	Direkt text-extrahering (ingen OCR behövs)
Skannat dokument, enkel layout	Traditionell OCR kan räcka
Skannat dokument, komplex layout	AI-driven extrahering
Flerkolumns finansiellt dokument	AI-driven extrahering
Internationella dokument (icke-engelska)	AI-driven extrahering
Hög volym (50+ dokument/månad)	AI-driven extrahering
Låg volym, ett format	Mallbaserad OCR

Slutsatsen

OCR var en banbrytande teknik när den först dök upp. Förmågan att konvertera bilder av text till maskinläsbara tecken transformerade hur företag hanterar pappersdokument. Men för finansiella dokument – med deras komplexa layouter, flerkolumnstabeller, löpande saldon och formatvariationer – är teckenigenkänning bara det första steget.

Den verkliga utmaningen är inte att läsa tecknen. Det är att förstå vad de betyder.

AI-driven extrahering överbryggar detta gap genom att lägga till semantisk förståelse, fältklassificering, tabellstrukturigenkänning och relationsvalidering ovanpå teckenigenkänning. Resultatet är strukturerad, korrekt, färdig att använda data – inte en textvägg som kräver timmar av manuell rengöring.

Om du fortfarande manuellt korrigerar OCR-utdata från bankkontoutdrag, fakturor eller kvitton, har tekniken gått förbi det arbetsflödet. AI-driven extrahering är snabbare, mer exakt och dramatiskt billigare i stor skala.

Redo att se skillnaden? Prova PDFSub gratis i 7 dagar och testa den på dina egna finansiella dokument. Ladda upp ett bankkontoutdrag till bankkontoutdrags-konverteraren, kör en faktura genom faktura-extraheraren, eller skanna ett kvitto med kvittoskannern. Jämför resultaten med vad din nuvarande OCR-arbetsflöde producerar.

Tecknen är desamma. Förståelsen är det inte.