Cloudflare Clairic gjør dokumenter om til strukturerte data

Cloudflare Clairic henter navn, beløp, datoer og andre strukturerte verdier fra tekst og bilder uten å sitte og skrive et svar token for token. Modellen returnerer typede verdier med sikkerhetsscore, sannsynlighet for manglende verdi og spor tilbake til kildeteksten. Det er en langt mer målrettet jobb enn å be en stor språkmodell lese en faktura og håpe at JSON-en kommer hel ut på andre siden.

Clairic er lansert som preview på Workers AI. Den koster 0,10 dollar per million input-tokens og har ingen pris for output, fordi modellen ikke genererer output-tokens. Med Norges Banks siste publiserte dollarkurs på rundt 9,40 kroner er det cirka 94 øre per million input-tokens. Det er billig nok til at selve modellkostnaden fort blir den minst spennende posten i regnearket.

Det mest interessante er likevel arbeidsdelingen. En spesialmodell kan hente og beregne verdier, en beslutningsmodell kan velge hva systemet skal gjøre, og en vanlig LLM kan formulere teksten til slutt. Ikke alle problemer trenger en språkmodell som tenker høyt. Noen ganger trenger du bare riktig fakturanummer på riktig sted.

Hva er Cloudflare Clairic?

Clairic er en spesialisert extraction-modell som leser ustrukturert innhold og returnerer verdier i et skjema du definerer. Cloudflare lanserte modellen 19. oktober 2026 som sin første «System One extraction model», tilgjengelig på Workers AI med modell-ID-en @cf/cloudflare/clairic.

«System One» er Cloudflares navn på raske, spesialiserte modeller som svarer i ett pass uten en lang resonneringskjede. Clairic kan trekke ut tekst, tall, datoer, klokkeslett, varigheter og lister. Den kan også beregne en verdi fra opplysninger i materialet, anslå en verdi innenfor angitte grenser eller lage en enkel prognose.

Forskjellen fra en vanlig LLM er viktig. En LLM produserer fritekst eller JSON sekvensielt og kan levere ugyldig format, legge til noe som ikke sto i kilden eller endre et siffer underveis. Clairic skal returnere en verdi av den typen du ba om, eller null når den ikke finner godt nok grunnlag. Den kan fortsatt ta feil. Typed output gjør feilen enklere å håndtere, ikke umulig.

Hvordan fungerer datauttrekket?

En forespørsel består av en state med teksten eller bildene som skal leses, og et fields-objekt som beskriver feltene du vil ha tilbake. Du kan for eksempel be om fakturanummer som tekst, forfallsdato som dato, totalsum som tall med to desimaler og kontaktpersoner som liste.

Den offisielle modellreferansen oppgir et kontekstvindu på 65 536 tokens og støtte for opptil fire bilder per forespørsel. Bildene kan være PNG, JPEG eller WebP, med maksimalt 4 MiB per bilde og 8 MiB dekodet totalt. Eksterne bilde-URL-er godtas ikke, så bildene må sendes inn i selve forespørselen.

Tekstverdier kommer tilbake med tegnposisjoner som peker på hvor svaret ble funnet. Tall og datoer følger typen og begrensningene du har definert. Hvert enkelt skalarfelt får både confidence og p_null, altså modellens vurdering av hvor sikkert svaret er og hvor sannsynlig det er at verdien faktisk mangler.

Det siste er praktisk i automatisering. I stedet for å late som alle svar er like gode, kan systemet sende felt med lav confidence til manuell kontroll. Et fakturanummer med svært høy confidence kan kanskje gå videre automatisk, mens et uklart beløp fra et skjevt mobilbilde bør havne hos et menneske. Grensen må settes ut fra konsekvensen av feil, ikke ut fra hvor pen demoen ser ut.

Hva kan Clairic brukes til?

Clairic passer best der inputen er rotete, men outputen skal være forutsigbar. Det kan være fakturaer, kvitteringer, skademeldinger, ordrebekreftelser, e-post, tabeller eller skjemaer der bestemte opplysninger skal inn i et annet system. Modellen kan også regne ut enkle summer og datoforskjeller fra opplysninger som finnes i materialet.

Cloudflare viser et fakturaeksempel der modellen leser fakturanummer, beregner forfallsdato, summerer fire paller til 250 dollar pluss 80 dollar i frakt og returnerer totalen som 1 080 dollar. Den finner også kontaktpersoner og returnerer null for et innkjøpsordrenummer som ikke finnes. I eksemplet bruker forespørselen 655 input-tokens og null output-tokens.

Anslag og prognoser fungerer annerledes. For et anslag definerer utvikleren minimum, maksimum og trinnstørrelse. Modellen returnerer blant annet median og et intervall fra p10 til p90, som Cloudflare omtaler som et 80 prosent intervall. For prognoser kan den lese en tidsserie og returnere ett anslag med intervall for hvert framtidige steg.

Dette gjør modellen relevant i RAG og agentarbeidsflyter, men ikke som en erstatning for hele systemet. Clairic kan gjøre dokumentene om til kontrollerbare verdier før en agent tar beslutninger eller skriver et svar. Jeg har tidligere skrevet om Cloudflares AI-plattform som inferenslag for AI-agenter. Clairic fyller en smalere rolle i det laget: Den rydder fakta før resten av kjeden får dem.

Hvor billig og rask er modellen?

Clairic koster 0,10 dollar per million input-tokens, omtrent 94 øre med Norges Banks siste publiserte kurs 20. oktober 2026, og ingenting for output-tokens. Cloudflare oppgir også at System One-modellene vanligvis svarer på under ett sekund. Prisen er særlig interessant når samme skjema skal fylles ut fra store mengder dokumenter.

I Cloudflares eget skadeoppgjørseksempel brukte Clairic 0,46 sekunder på uttrekket, mens GLM-5.3 brukte 16,1 sekunder på tilsvarende steg. Hele kjeden med Clairic, beslutningsmodellen Clef og GLM-5.3 tok 19,3 sekunder. En variant som brukte GLM-5.3 i alle tre stegene tok 61,7 sekunder.

Cloudflare beregnet kostnaden til 6 032 dollar, cirka 56 700 kroner, per million saker for den delte kjeden, mot 11 740 dollar, cirka 110 400 kroner, for LLM i alle steg. Det tilsvarer 49 prosent lavere kostnad i akkurat dette eksemplet. Forskjellen kommer ikke bare fra Clairic, for begge kjedene inkluderer flere modeller og en generativ sluttekst.

Tallene er lovende, men de er Cloudflares egne målinger på Cloudflares egen arbeidsflyt. MarkTechPost peker også på at det ennå ikke er publisert en standardisert, uavhengig nøyaktighetsmåling. Jeg ville derfor brukt pris og responstid som et godt argument for å teste, ikke som dokumentasjon på at modellen automatisk slår en LLM på bedriftens egne dokumenter.

Hva er begrensningene i preview-versjonen?

Clairic er en tidlig preview, og Cloudflare er ganske tydelig på svakhetene. Ett eller to regnesteg skal fungere rimelig godt i selskapets egne forsøk, men lengre kjeder med avhengige beregninger er vanskelige. Det samme gjelder summering på tvers av mange tabellrader. Cloudflares råd er enkelt: La Clairic finne verdiene, og la vanlig kode gjøre matematikken.

Anslag trenger faktisk bevis i inputen. Sammenlignbare eksempler, historikk og beskrivende tekst kan gi modellen noe å arbeide med. Ber du om et anslag uten slikt grunnlag, får du ikke magisk kunnskap bare fordi svaret leveres med et intervall. Et tall med desimaler kan fortsatt være ren pynt hvis datagrunnlaget er dårlig.

Prognosefunksjonen er grunnleggende og skal ikke erstatte en tidsseriemodell som er trent for den konkrete oppgaven. Intervallene er heller ikke garantier. Cloudflare sier at de er trent for å være kalibrerte og fungerer slik på de fleste holdout-datasett, men kan bli for smale på ukjente data.

Cloudflares egen dokumentasjon om extraction-modeller sier det rett ut: Et svar kan oppfylle alle typer og begrensninger og likevel være feil. Confidence-score og intervaller skal hjelpe systemet med å velge kontrollnivå. De fritar ingen fra å måle feilrate, validere kritiske felt og beholde menneskelig kontroll der konsekvensene er store.

Hvor passer Clairic i en AI-arbeidsflyt?

Den ryddigste arkitekturen er å dele jobben i tre. Clairic henter fakta. En beslutningsmodell eller vanlig kode bruker faktaene til å velge handling. En LLM formulerer en e-post, rapport eller forklaring når fritekst faktisk er nødvendig.

Det gir en mindre og mer kontrollerbar angrepsflate. I Cloudflares eksempel ser beslutningsmodellen en kort liste med typed verdier i stedet for hele kundens e-post. Den generative modellen ser bare beslutningen og faktaene den trenger for å skrive svaret. Råteksten blir dermed ikke sendt ukritisk gjennom hvert eneste ledd.

Men denne arbeidsdelingen må ikke bli en unnskyldning for å automatisere alt. Et krav om refusjon, en medisinsk opplysning eller et stort fakturabeløp kan kreve menneskelig kontroll selv med høy confidence. Systemet bør logge kildespenn, modellversjon, terskler og hvorfor en sak gikk automatisk videre.

Clairic er tilgjengelig gjennom Workers AI-bindingen env.AI.run() og REST API-et. Modellen er foreløpig bare Cloudflare-hostet. Selskapet sier at åpne vekter skal komme senere, men har ikke oppgitt dato. Fram til det faktisk skjer, bør ingen planlegge lokal drift som om modellfilen allerede ligger klar.

Bør bedrifter ta Clairic i bruk nå?

Ja, som en avgrenset prøve med kjent fasit. Velg én dokumenttype, definer et lite sett felt og sammenlign hvert svar med korrekte data. Mål ikke bare hvor ofte hele svaret er riktig, men feilrate per felt, hvor godt confidence samsvarer med faktiske feil og hvor mange saker som må sendes til kontroll.

Hold beregninger i kode når de kan uttrykkes deterministisk. Sett egne terskler for automatisering basert på risiko. Et feil telefonnummer i et internt register og et feil kontonummer i en utbetaling er ikke samme type feil, selv om begge er tekstfelt.

Min foreløpige dom er forsiktig positiv. Clairic peker på en fornuftig utvikling: Bruk mindre, spesialiserte modeller når oppgaven er å hente bestemte verdier, og spar de store generative modellene til jobber som faktisk krever språk og resonnering. Prisen og responstiden gjør testen lett å forsvare.

Men preview betyr preview. Modellen er ikke uavhengig testet bredt, Cloudflares ytelsestall kommer fra leverandøren selv, og typed output er ingen sannhetsmaskin. Start smalt, mål hardt og la usikre eller kostbare beslutninger gå til kontroll. Gjør du det, kan Clairic bli et svært nyttig lite tannhjul i en større AI-maskin.

Ofte stilte spørsmål