OCR Hợp đồng Tiếng Việt Có Dấu Mộc: Phân tích Cơ chế Thất bại của AI Tổng quát

Có một quan niệm phổ biến rằng OCR là một bài toán đã được giải quyết. Quan niệm này đúng với một số tình huống — tài liệu tiếng Anh in laser sạch, được scan ở độ phân giải cao, không có thành phần đồ hoạ phức tạp — nhưng nó đặc biệt sai với hợp đồng tiếng Việt trong thực tế hành nghề luật sư. Tỷ lệ thất bại trên loại tài liệu này cao đến mức nó định hình cả độ tin cậy của những lớp AI phía trên, kể cả khi mô hình ngôn ngữ ở tầng cao có chất lượng xuất sắc.

Bài viết này phân tích tại sao OCR tổng quát thường thất bại trên hợp đồng Việt Nam, hệ quả của thất bại đó đối với công việc pháp lý, và những tiêu chuẩn tối thiểu mà một nền tảng OCR pháp lý cần đáp ứng được trước khi đáng để đưa vào quy trình thực tế.

Đặc thù của hợp đồng tiếng Việt trong thực tế

Phần lớn các nghiên cứu và benchmark về OCR đều dựa trên tập tài liệu có cấu trúc đơn giản — sách giáo trình, báo, văn bản chính phủ in chuẩn. Trong thực tế công ty luật, hợp đồng đến tay luật sư hiếm khi trông như vậy. Một hợp đồng điển hình đã ký có ít nhất một con dấu doanh nghiệp đóng đè lên chữ ký, thường xuyên có dấu chồng lên đoạn văn bản cuối cùng của trang. Đối với hợp đồng được lưu trữ trong nhiều năm, bản đến tay luật sư có thể là bản photocopy thế hệ thứ ba được scan từ máy fax — độ tương phản thấp, dấu mờ, chữ ký kéo dài.

Cấu trúc tài liệu thêm một lớp phức tạp. Hợp đồng song ngữ Việt-Anh, vốn phổ biến trong giao dịch có yếu tố nước ngoài, thường được trình bày theo hai cột — tiếng Việt bên trái, tiếng Anh bên phải. Phụ lục bảng giá, lịch thanh toán, hoặc danh mục thiết bị có thể chiếm nhiều trang và sử dụng các bảng nhiều cấp với ô gộp ngang và dọc. Chữ ký tay xuất hiện không chỉ ở trang cuối mà còn ở từng trang riêng lẻ khi các bên ký tắt, và đôi khi đè lên cả số trang lẫn footer.

Cơ chế thất bại của OCR tổng quát

Khi một OCR engine như Tesseract, Google Vision, AWS Textract, hoặc lớp vision của các mô hình ngôn ngữ tổng quát gặp một tài liệu như mô tả trên, nó thất bại theo nhiều cách cụ thể. Vấn đề rõ ràng nhất là con dấu chồng lên văn bản. Dấu tròn của doanh nghiệp Việt Nam thường có đường kính lớn và được đóng ở vị trí có chữ ký, nghĩa là nó phủ lên cả tên người ký, chức danh, và đôi khi điều khoản cuối cùng. OCR tổng quát không có cơ chế tách lớp dấu khỏi văn bản — nó cố gắng đọc cả hai như một, và kết quả thường là chuỗi ký tự rác.

Dấu thanh tiếng Việt là vấn đề thứ hai. Một bản scan ở độ phân giải 150-200 DPI — phổ biến cho tài liệu cũ — không đủ phân giải để OCR phân biệt được sắc và huyền, hỏi và ngã. Khi mô hình OCR không được huấn luyện cụ thể cho tiếng Việt, nó thường rơi vào một trong hai cách hỏng: hoặc bỏ hoàn toàn dấu thanh và biến "hợp đồng" thành "hop dong", hoặc đoán sai và biến "thuế" thành "thuệ" hoặc "thuê". Hệ quả là một chỉ mục văn bản không thể tìm kiếm đáng tin cậy, và một câu trả lời AI có thể trích dẫn về đúng trang nhưng đoạn trích lại không khớp với nội dung gốc.

Vấn đề thứ ba liên quan đến bố cục. OCR tổng quát thường đọc theo dòng ngang. Trên một hợp đồng song ngữ hai cột, kết quả là một dòng đọc kết hợp nửa câu tiếng Việt với nửa câu tiếng Anh — vô nghĩa cả về cú pháp lẫn ngữ nghĩa. Bảng phụ lục bị phá vỡ tương tự: thay vì giữ quan hệ giữa cột "Hạng mục" và cột "Giá", OCR trả về một chuỗi văn bản tuyến tính trộn lẫn các giá trị. Trong hồ sơ thẩm định nơi giá trị của một bảng đôi khi quyết định kết quả định giá, sai sót này không phải tiểu tiết.

Hệ quả đối với công việc pháp lý

Khi lớp OCR thất bại, mọi lớp phía trên cũng thất bại theo cách có hệ thống. Trích dẫn nguồn — vốn là yêu cầu cốt lõi để AI pháp lý có thể dùng được — trở nên không tin cậy. Câu trả lời có thể tham chiếu đúng đến trang 47, nhưng đoạn văn bản mà agent tin là tồn tại ở trang 47 lại không phải đoạn thực sự có trên giấy. Reviewer không cách nào xác minh điều này nếu họ không đọc lại tài liệu gốc, mà nếu phải đọc lại, lợi ích thời gian của AI biến mất.

Hệ quả nghiêm trọng hơn xảy ra khi OCR bỏ sót hoàn toàn một đoạn văn bản. Phần bị con dấu chồng có thể chứa điều khoản chấm dứt, điều khoản phạt vi phạm, hoặc giới hạn trách nhiệm. Nếu agent không nhìn thấy đoạn đó, báo cáo thẩm định không chứa nó. Partner duyệt báo cáo không có cách nào biết đoạn đó đã bị bỏ sót — họ thấy một báo cáo trông đầy đủ, dựa trên một matter vault trông đầy đủ, không có dấu hiệu cảnh báo. Trong bối cảnh nghĩa vụ chuyên môn của luật sư, đây là rủi ro malpractice trực tiếp.

Tiêu chuẩn tối thiểu cho OCR pháp lý

Một nền tảng OCR pháp lý đáng để đưa vào quy trình thực tế cần đáp ứng một số tiêu chuẩn mà OCR tổng quát hiếm khi đạt được. Yêu cầu đầu tiên là độ chính xác đo lường được trên tài liệu tiếng Việt có dấu ở mức scan 200 DPI hoặc thấp hơn. Vendor cần demo trên tài liệu của chính công ty bạn — không phải trên tài liệu mẫu được chọn lọc — và sai số ký tự dưới hai phần trăm là ngưỡng tối thiểu hợp lý cho công việc pháp lý.

Yêu cầu thứ hai là khả năng tách lớp. Hệ thống cần nhận diện được con dấu, chữ ký, bảng, và văn bản chính như những thực thể riêng biệt. Con dấu không phải dữ liệu cần extract như văn bản — nó là dấu hiệu xác thực và cần được lưu lại như metadata. Chữ ký không cần đọc thành text. Bảng cần giữ cấu trúc cột-hàng. Việc xử lý đúng từng loại thành phần này không chỉ cải thiện chất lượng OCR mà còn cho phép các lớp AI phía trên xử lý chính xác hơn — agent có thể tự tin tham chiếu đến "điều khoản tại trang 12, được ký xác nhận bằng dấu doanh nghiệp" mà không đoán.

Yêu cầu thứ ba là toạ độ không gian. Mỗi đoạn văn bản OCR cần được gắn với bounding box trên trang gốc. Đây là điều kiện cần để trích dẫn nguồn ở cấp độ điều khoản có ý nghĩa thực sự. Khi reviewer click vào citation trong báo cáo, họ phải thấy được vị trí chính xác của đoạn văn bản trên ảnh trang gốc — không phải chỉ thấy số trang.

Cách Magic Circle xử lý OCR tài liệu Việt Nam

Pipeline OCR của Magic Circle được xây dựng riêng cho tài liệu pháp lý Việt Nam. Bước tiền xử lý ảnh thực hiện làm rõ chữ, khử nhiễu, và xoay tự động trước khi đưa vào engine OCR. Bước nhận diện thành phần tách dấu, chữ ký, bảng, và văn bản chính. Engine OCR ngôn ngữ được fine-tune trên hàng triệu trang hợp đồng tiếng Việt thực tế — không phải trên tập tài liệu tổng hợp. Bước tái tạo cấu trúc khôi phục lại quan hệ trong bảng và bố cục đa cột trước khi đưa kết quả vào lớp lập chỉ mục.

Kết quả là một matter vault mà agent ở tầng cao có thể tin được. Citation truy ngược chính xác đến đúng trang và đúng đoạn. Reviewer kiểm tra một mẫu nhỏ và thường thấy độ tin cậy đủ cao để chấp nhận đầu ra mà không cần đọc lại toàn bộ tài liệu nguồn.

Khuyến nghị đánh giá

Trước khi cam kết hợp đồng năm với bất kỳ nền tảng AI pháp lý nào, yêu cầu vendor demo OCR trên ba loại tài liệu cụ thể: một hợp đồng cũ scan độ phân giải thấp có dấu mộc, một hợp đồng song ngữ Việt-Anh có bảng phụ lục nhiều cấp, và một văn bản pháp lý có chữ ký tay đóng dấu chồng. So sánh kết quả OCR với bản nhập tay của paralegal nội bộ. Nền tảng có sai số dưới hai phần trăm trên cả ba loại tài liệu là nền tảng đáng để đưa vào thí điểm. Những nền tảng không đạt được tiêu chuẩn này — dù mạnh đến đâu ở các lớp phía trên — đều có rủi ro tạo ra một lớp tin cậy giả mà chỉ phát hiện được khi đã quá muộn.

Đặt lịch test OCR trên tài liệu của bạn →