Formulare und PDFs verstehen KI liest, was OCR nur abtippt.

Antragsformulare, technische Datenblätter, Tabellen-PDFs, gescannte Verträge — in fast jedem Unternehmen kommen täglich Dokumente an, deren Inhalt erst mühsam in die eigenen Systeme übertragen werden muss. Klassische Texterkennung (OCR) stößt hier schnell an Grenzen: Sie tippt zwar Buchstaben ab, versteht aber nicht, dass eine bestimmte Zahl der Rechnungsbetrag ist, dass zwei Spalten zusammengehören oder dass ein angekreuztes Kästchen eine Entscheidung bedeutet. Multimodale KI geht einen Schritt weiter: Sie erfasst Layout und Inhalt gemeinsam, versteht den Aufbau eines Formulars und gibt strukturierte, weiterverarbeitbare Felder aus — inklusive einer Einschätzung, wie sicher sie sich ist. Dieser Beitrag zeigt, wie diese Technik funktioniert, welche Dokumenttypen sich gut eignen, welche Genauigkeit realistisch ist, wie eine Konfidenzprüfung Fehler abfängt und worauf bei der Einführung zu achten ist — mit ehrlichem Blick auf die Grenzen, denn auch moderne KI liest nicht fehlerfrei.

Warum klassisches OCR nicht reicht.

OCR — die optische Zeichenerkennung — leistet eine eng umrissene Aufgabe: Sie wandelt das Bild eines Textes in maschinenlesbare Zeichen um. Für reinen Fließtext funktioniert das gut. Bei strukturierten Dokumenten beginnt das Problem, denn OCR liefert eine Buchstabenwüste ohne Bedeutung.

Ein Formular besteht aber gerade aus Bedeutung: Hier steht ein Label, daneben der zugehörige Wert; hier ist eine Tabelle, deren Zeilen und Spalten zusammengehören; hier ist ein Feld leer und dort angekreuzt. Diese räumlichen und logischen Beziehungen gehen bei reiner Zeichenerkennung verloren. Das Ergebnis muss dann mit aufwendigen Regeln nachbearbeitet werden — Regeln, die für jedes neue Layout brechen.

Genau hier liegt der Bruch: Sobald ein Lieferant sein Formular umgestaltet oder ein neuer Dokumenttyp dazukommt, fällt die regelbasierte Nachbearbeitung in sich zusammen. Die ständige Pflege dieser Regeln ist der eigentliche Kostentreiber klassischer Dokumentenverarbeitung — und der Grund, warum so viele Projekte im Wartungsaufwand ersticken.

Was multimodale KI anders macht.

Multimodale Modelle verarbeiten nicht nur Text, sondern das Dokument als Ganzes — Bild und Inhalt zugleich. Sie sehen, wo etwas steht, wie es angeordnet ist, welche Elemente zusammengehören. Damit verstehen sie ein Formular eher so, wie ein Mensch es liest: Sie erkennen, dass die Zahl rechts neben „Gesamtbetrag“ der Gesamtbetrag ist, auch wenn das Layout ungewohnt ist.

Der entscheidende Vorteil: Diese Modelle brauchen keine starren Regeln pro Layout. Man kann ihnen in natürlicher Sprache beschreiben, welche Felder man sucht — Rechnungsnummer, Datum, Positionen, Beträge — und sie ordnen die Informationen aus dem Dokument diesen Feldern zu, auch bei einem Layout, das sie so noch nie gesehen haben. Das macht den Ansatz robust gegenüber Varianten und neuen Dokumenttypen.

Statt für jedes Formular eine eigene Schablone zu bauen, beschreibt man einmal das Zielschema. Das senkt den Pflegeaufwand erheblich und ist der Hauptgrund, warum sich der Wechsel weg von rein regelbasierter Extraktion oft lohnt.

Welche Dokumente sich gut eignen.

Nicht jedes Dokument ist gleich gut zu verarbeiten. Eine ehrliche Einordnung hilft, Erwartungen zu setzen:

Die Bildqualität ist oft wichtiger als die KI selbst. Ein sauberer, gerade eingescannter Beleg liefert verlässliche Ergebnisse; ein schiefer, kontrastarmer Scan mit Stempel quer über dem wichtigen Feld bringt jedes System ins Straucheln. Wer die Qualität der Eingangsdokumente verbessern kann — bessere Scanner, klare Vorgaben an Lieferanten —, hebt die Trefferquote oft mehr als jede Modelloptimierung.

Strukturierte Ausgabe statt Textwüste.

Der eigentliche Wert entsteht, wenn die Extraktion nicht irgendeinen Text liefert, sondern genau die Felder, die das nachgelagerte System braucht — in einer festen, maschinenlesbaren Struktur. Statt „irgendwo steht eine Rechnungsnummer“ bekommt man ein sauberes Feld „Rechnungsnummer: 2026-04711“, das sich direkt ins ERP übernehmen lässt.

Praktisch definiert man dafür ein Zielschema: Welche Felder werden erwartet, in welchem Format, mit welchen erlaubten Werten? Das Modell wird angewiesen, genau diese Struktur zu füllen. Der große Vorteil: Das Ergebnis ist sofort weiterverarbeitbar und prüfbar. Ein Datum, das nicht wie ein Datum aussieht, ein Betrag, der kein gültiger Betrag ist — solche Formatfehler lassen sich automatisch erkennen und markieren.

Diese Strukturierung ist auch die Brücke zur Integration. Ein sauber definiertes Schema lässt sich direkt an ein ERP, ein DMS oder eine Datenbank anbinden, sodass aus dem eingegangenen Dokument ohne Medienbruch ein verarbeiteter Datensatz wird.

Konfidenz: Wissen, wann man prüfen muss.

Der wichtigste Baustein für den produktiven Einsatz ist nicht die Genauigkeit allein, sondern die Konfidenzprüfung — die Fähigkeit des Systems, einzuschätzen, wie sicher es bei einem Feld ist. Ein System, das jeden Wert mit derselben scheinbaren Sicherheit ausgibt, ist gefährlich, weil man Fehlern nicht ansieht, dass sie Fehler sind.

Sinnvoll ist deshalb, jedem extrahierten Feld eine Sicherheitseinschätzung beizugeben und eine Schwelle festzulegen: Felder mit hoher Sicherheit laufen automatisch durch, unsichere Felder werden zur menschlichen Prüfung markiert. So konzentriert sich die Kontrolle genau auf die Stellen, an denen sie nötig ist, statt jeden Wert einzeln nachzusehen.

Zusätzliche Sicherheit bringen Plausibilitätsregeln: Stimmt die Summe der Positionen mit dem Gesamtbetrag überein? Liegt das Datum im erwarteten Bereich? Existiert die erkannte Kundennummer im Stammdatensatz? Solche Querprüfungen fangen Fehler ab, die ein einzelnes Feld für sich genommen plausibel erscheinen lassen — und sind oft wirksamer als jede Erhöhung der reinen Modellgenauigkeit.

Realistische Genauigkeit und Wirtschaftlichkeit.

Bei sauberen, strukturierten Dokumenten erreichen moderne Verfahren je Feld häufig sehr hohe Trefferquoten — gut genug, um den Großteil eines Belegstroms ohne manuelle Erfassung zu verarbeiten. Bei schwierigen Dokumenten, Handschrift oder schlechten Scans sinkt die Quote spürbar, weshalb pauschale Versprechen mit Vorsicht zu genießen sind. Eine ehrliche Aussage lautet: Für gut definierte Dokumenttypen lässt sich ein hoher Automatisierungsgrad erreichen; für den Rest bleibt eine geführte manuelle Prüfung.

Wirtschaftlich rechnet sich der Einsatz dort, wo viele gleichartige Dokumente anfallen und die manuelle Erfassung pro Beleg messbar Zeit kostet. Wenn statt mehrerer Minuten manueller Eingabe nur noch eine kurze Prüfung der markierten Zweifelsfälle nötig ist, summiert sich die Ersparnis bei hohem Volumen schnell.

In die Rechnung gehören ehrlich die laufenden Verarbeitungskosten und der Aufwand für die Prüfung der unsicheren Fälle — beides verschwindet nicht. Der Nutzen liegt nicht in der vollständigen Eliminierung menschlicher Arbeit, sondern in ihrer Verlagerung von monotoner Erfassung auf gezielte Kontrolle.

Grenzen und ein sauberer Einstieg.

So leistungsfähig die Technik ist — drei Grenzen sind ehrlich zu benennen. Erstens halluzinieren Sprachmodelle gelegentlich: Sie können einen plausibel aussehenden Wert ausgeben, der im Dokument gar nicht steht. Gerade deshalb sind Konfidenzprüfung und Plausibilitätsregeln nicht optional, sondern Pflicht. Zweitens bleibt schlechte Eingabequalität ein hartes Limit — kein Modell liest, was auf dem Scan nicht erkennbar ist. Drittens ist bei besonders sensiblen oder rechtlich bindenden Dokumenten eine vollständige Automatisierung selten angebracht; hier bleibt die menschliche Letztkontrolle.

Ein sauberer Einstieg beginnt mit einem klar abgegrenzten, häufigen Dokumenttyp — etwa einer bestimmten Formularart oder einem wiederkehrenden Belegtyp — statt mit dem Versuch, alle Dokumente auf einmal zu verarbeiten. Man definiert das Zielschema, setzt die Konfidenzschwelle zunächst konservativ und lässt anfangs einen größeren Anteil prüfen.

Mit wachsender Erfahrung und gepflegten Plausibilitätsregeln lässt sich der Automatisierungsgrad schrittweise erhöhen. Dieser Weg ist unspektakulärer als der große Wurf, führt aber verlässlich zu einem System, dem das Team vertraut — und das im Alltag wirklich entlastet, statt eine neue Fehlerquelle zu schaffen.

Sie verarbeiten täglich Formulare, Datenblätter oder gescannte PDFs noch weitgehend von Hand? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Dokumenttypen, Volumen und die nötige Konfidenzprüfung und schätzen ehrlich ab, wie viel sich für Ihren Anwendungsfall verlässlich automatisieren lässt.