Dokument-KI: Aus PDFs und Scans verlässliche Quellen machen
Ein falsch gelesenes Komma kann aus einem Rechnungsbetrag einen zehnmal höheren machen. Bevor KI Dokumente auswertet, muss deshalb die Aufbereitung stimmen: Text, Tabellenstruktur und Fundstellen. Nicht jedes PDF braucht OCR, und kein Modell liest jedes Material zuverlässig. Wähle das Verfahren anhand deiner Dokumente und prüfe die kritischen Inhalte am Original.
3 Min. Lesezeit
6 Abschnitte
14 Quellen
Erst prüfen, was im PDF steckt
Ein PDF kann digitalen Text enthalten oder nur Bilder gescannter Seiten. Prüfe zuerst, ob sich Text korrekt extrahieren lässt. Eine vorhandene Textebene kann ebenfalls Fehler enthalten, etwa eine falsche Lesereihenfolge.
OCR (Optical Character Recognition) erkennt Schrift aus Bildern. Für eine spätere RAGRetrieval-Augmented Generation: dem Modell werden zur Anfrage passende Textstellen aus einer eigenen Wissensquelle beigelegt, damit es daraus antwortet statt nur aus dem Training. Reduziert Halluzinationen und hält Wissen aktuell.Mehr im Wissen →-Suche solltest du neben dem Text Dokumentkennung und Seitenbezug bewahren. So lässt sich eine Antwort wieder zur Vorlage zurückverfolgen, statt nur auf eine erzeugte Zusammenfassung zu verweisen.
Transkription und Interpretation auseinanderhalten
Bei einer Transkription soll der Wortlaut erhalten bleiben. Bei einer Zusammenfassung werden Informationen ausgewählt und umformuliert. Ein Sprachmodell kann beide Aufgaben bearbeiten, doch ein flüssiges Ergebnis zeigt noch nicht, dass es Zahlen oder Namen korrekt abgelesen hat.
Spezialisierte Dokumentmodelle und allgemeine multimodale Modelle lassen sich an denselben Seiten vergleichen. OmniDocBench prüft beispielsweise verschiedene Aspekte des Dokumentparsings. Eine Gesamtnote beantwortet nicht allein, wie gut deutsche Tabellen oder deine konkreten Scans gelesen werden.
Ein Tabellenwert braucht seine Zeile, Spalte und Einheit. Bei mehrspaltigen Seiten muss die Lesereihenfolge stimmen. Überschriften und Fußnoten können entscheiden, wie ein Satz zu verstehen ist. Reiner Fließtext verliert diese Beziehungen leicht.
Werkzeuge liefern dafür unterschiedliche Strukturen, etwa Markdown, HTML oder Positionsangaben. Prüfe, welche Felder tatsächlich ausgegeben werden. Bounding-Boxes und Konfidenzwerte sind nicht bei jedem Modell vorhanden und garantieren keine richtige Transkription.
Steht „12,50“ unter „Einzelpreis“ und „4“ unter „Menge“, müssen beide Werte bei derselben Position bleiben. Ein Text, der alle Ziffern richtig erkennt, aber die Spalten vertauscht, ist für die Rechnung trotzdem falsch.
API und eigenen Betrieb mit denselben Seiten testen
Eine Dokument-API übernimmt den Betrieb; lokale Modelle geben dir mehr Kontrolle über die Verarbeitung. Mistral OCR und offen verfügbare Projekte wie Chandra stehen für unterschiedliche Angebote. Lizenz, Datenverarbeitung und unterstützte Ausgabe müssen zum Einsatz passen.
Vergleiche einen repräsentativen Seitenbestand mit sauberem Text, Tabellen und schwierigen Scans. Miss Fehler, Durchsatz, Speicher und Kosten einschließlich Wiederholungen. Angaben wie „passt bequem auf 16 GB“ sind ohne Auflösung, Parallelität und Konfiguration nicht belastbar.
Lange Dokumente brauchen außerdem eine Strategie für Seitengrenzen. Wenn eine Tabelle über mehrere Seiten läuft, dürfen getrennte Verarbeitungsschritte ihre Zuordnung nicht verlieren. Eine pauschale Grenze von zehn Seiten gilt nicht für sämtliche VLM- oder OCR-Systeme.
Gedruckte Fraktur ist etwas anderes als Kurrent oder Sütterlin in Handschrift. Passende Erkennungsmodelle und ähnliche Trainingsvorlagen können einen großen Unterschied machen. Transkribus sowie der offene Kraken-Stack bieten Ansätze für solche Materialien.
Teste einige Seiten, deren Transkription du kennst. Qualität hängt von Schrift, Scan und Modell ab; pauschale Genauigkeiten von unter 50 oder bis zu 99 Prozent helfen ohne Testbestand wenig. Unleserliche Stellen sollten markiert werden, statt sie still plausibel zu ergänzen.
Lege geprüfte Beispielseiten an und vergleiche deren Text mit der Ausgabe. Kontrolliere Zahlen, Namen und Datumsangaben gesondert. Bei Tabellen prüfst du zusätzlich, ob jeder Wert der richtigen Zeile und Spalte zugeordnet bleibt.
Erst danach lässt du das Sprachmodell zusammenfassen oder Fragen beantworten. Bewahre Original, Transkription und Korrekturen getrennt auf. So bleibt erkennbar, ob ein Fehler beim Lesen oder beim späteren Auswerten entstanden ist.
MerksatzEine zitierfähige Antwort braucht den Rückweg zum Original – samt Seite und richtig gelesenem Inhalt.