KI-Dokumentenextraktion für Einsteiger:
Was sie ist und wie sie funktioniert

Was ein Computer tatsächlich sieht, wenn Sie ein Dokument hochladen

Jedes Dokument, mit dem Sie arbeiten — Rechnungen, Belege, Kontoauszüge, Verträge, Stundenzettel — existiert in einer von zwei Formen: Papier oder digital. Wenn es Papier ist, fotografieren oder scannen Sie es. Wenn es digital ist, ist es bereits eine Datei. In jedem Fall besteht es, sobald es einen Computer erreicht, aus Pixeln. Und Pixel kommen nicht mit Beschriftungen.

Das ist das grundlegende Problem, das jede Dokumentextraktionstechnologie zu lösen versucht: Wie gelangt man von einem Raster aus farbigen Punkten zu einer Tabellenzeile, in der „Rechnung #1042" in der Spalte Rechnungsnummer und „$2.527,74" in der Spalte Gesamtbetrag steht? Jeder Ansatz — manuelle Eingabe, vorlagenbasierte OCR und KI-Extraktion — ist eine andere Antwort auf genau diese eine Frage.

Manuelle Eingabe beantwortet sie, indem eine Person das Bild ansieht und eintippt, was sie sieht. Vorlagenbasierte OCR beantwortet sie, indem Sie Felder markieren, damit die Software weiß, wo sie suchen muss. KI-Extraktion beantwortet sie anders: Statt dem Computer zu sagen, wo er suchen soll, sagen Sie ihm, was Sie wollen — und die KI liest das Dokument, um es zu finden. Dieser Wandel von „wo" zu „was" ist die ganze Geschichte.

Um zu verstehen, warum dieser Wandel wichtig ist, müssen Sie verstehen, was OCR tatsächlich leistet — und was sie unerledigt lässt.

OCR liest Zeichen. KI liest Dokumente.

Optische Zeichenerkennung gibt es seit Jahrzehnten. Sie scannt ein Bild, erkennt Formen, die wie Buchstaben aussehen, und wandelt sie in digitalen Text um. Wenn Sie jemals eine Scanner-App verwendet haben, um ein Papierdokument in ein durchsuchbares PDF zu verwandeln, haben Sie OCR genutzt.

Das hier erzeugt OCR, wenn Sie ihr eine Standard-Lieferantenrechnung geben:

INVOICE
Acme Industrial Supply
451 Commerce Drive, Suite 200
Chicago, IL 60607
Invoice #INV-2024-0891
Date: March 15, 2024
Due Date: April 14, 2024
PO Number: PO-77231
Item | Qty | Unit Price | Total
Hex Bolt M10 | 200 | $2.40 | $480.00
Steel Washer M10 | 500 | $0.15 | $75.00
Threaded Rod 1m | 50 | $12.80 | $640.00
Subtotal: $1,195.00
Tax (8.75%): $104.56
Shipping: $45.00
Total: $1,344.56

Jedes Zeichen ist korrekt. Die OCR hat ihre Arbeit getan. Aber sehen Sie, was Sie tatsächlich haben: einen langen, undifferenzierten Textblock. Die Rechnungsnummer, das Datum, der Lieferantenname, die Positionen, der Gesamtbetrag — sie sind alle enthalten, aber nicht in Felder getrennt. Um „INV-2024-0891" in Ihre Spalte Rechnungsnummer zu bekommen, müssen Sie es immer noch im Textblock finden, markieren, kopieren, zu Ihrer Tabellenkalkulation wechseln und einfügen. Dann dasselbe für das Datum. Dann für die Bestellnummer. Dann für jede Position. OCR hat die Zeichen digitalisiert, aber die Dateneingabe zurück an Sie übergeben.

Und das hier erzeugt KI-Dokumentenextraktion aus derselben Rechnung — wenn Sie ihr sagen, dass Sie Spalten für Rechnungsnummer, Datum, Fälligkeitsdatum, Bestellnummer, Lieferantenname, Zwischensumme, Steuern, Versandkosten und Gesamtbetrag möchten:

Dasselbe Dokument. Zwei völlig unterschiedliche Ausgaben. Der Unterschied liegt nicht darin, dass KI eine bessere Zeichenerkennung hat – die OCR war bereits korrekt. Der Unterschied liegt darin, dass KI versteht, was die Informationen bedeuten. Sie weiß, dass „$1.344,56" neben dem Wort „Gesamtbetrag" am Ende der Seite der Rechnungsgesamtbetrag ist, keine Position und kein Steuerbetrag. Sie weiß, dass „INV-2024-0891" nach dem Text „Rechnungsnr." eine Rechnungsnummer ist. Sie organisiert die Informationen in beschriftete Spalten, die Sie sofort nutzen können, ohne Kopieren und Einfügen.

Für einen tieferen Einblick in diesen Unterschied – mit direkten Vergleichen über mehrere Dokumenttypen hinweg – lesen Sie unsere Erläuterung zu KI-Dateneingabe vs. OCR und den Genauigkeitsvergleich zwischen KI und herkömmlicher OCR.

Wie KI Ihr Dokument versteht (ohne dass Sie ihr sagen müssen, wo sie suchen soll)

Die Frage, die sich natürlich stellt, ist: Wie weiß die KI, welcher Text zu welcher Spalte gehört? Sie liest keine Pixelkoordinaten. Sie gleicht keine Vorlagen ab. Sie tut etwas grundlegend anderes – und wenn Sie verstehen, was das ist, wird der Rest der Dokumentenextraktionslandschaft Sinn ergeben.

Die Technologie, die moderne KI-Dokumentenextraktion ermöglicht, heißt visuelles großes Sprachmodell (VLM). Stellen Sie es sich als ein Modell vor, das eine ganze Seite so verarbeitet, wie es ein Mensch tut – das Layout sehen, den Text lesen und die Beziehung zwischen beiden gleichzeitig verstehen. Wenn es ein Dokument betrachtet, verarbeitet es es nicht von links nach rechts oder von oben nach unten wie OCR. Es erfasst die gesamte Seite auf einmal: das Logo in der Ecke, die fetten Überschriften, die Tabellenstruktur, die Box um den Gesamtbetrag. Es baut ein mentales Bild der Dokumentstruktur auf und ordnet dann jeden Textabschnitt seiner Rolle innerhalb dieser Struktur zu.

Deshalb unterscheidet sich die Benutzererfahrung so stark von vorlagenbasierten Tools. Statt Rechtecke um jedes Feld auf einem Beispieldokument zu zeichnen – „Rechnungsnummer ist hier, Datum ist hier, Gesamtbetrag ist dort unten“ – geben Sie einfach die gewünschten Spaltennamen ein. Dieser Ansatz heißt Benutzerdefinierte Spaltenextraktion: Sie beschreiben die gewünschte Ausgabe („Rechnungsnummer“, „Fälligkeitsdatum“, „Lieferant“, „Positionssumme“), und die KI findet jeden Wert überall auf jeder Seite, indem sie versteht, was er bedeutet, nicht wo er steht.

Die Spaltennamen, die Sie eingeben, werden zu den Überschriften Ihrer endgültigen Tabellenkalkulation. Das ist der Paradigmenwechsel: Sie beschreiben die Ausgabe, nicht die Eingabe. Das bedeutet, dass dieselben Spaltennamen funktionieren, egal ob Sie 50 Rechnungen von einem Lieferanten mit einheitlichem Layout oder 50 Rechnungen von 50 verschiedenen Lieferanten mit völlig unterschiedlichen Formaten verarbeiten. Der KI ist die Position egal – sie interessiert sich für die Bedeutung.

Diese Architektur bedeutet auch, dass es keinen Trainingsschritt gibt. Vorlagenbasierte Tools der vorherigen Generation erfordern 50 bis 200 beschriftete Beispiele, bevor sie ein neues Dokumentlayout lesen können – sie lernen statistische Muster, wo Felder typischerweise erscheinen. KI-Extraktion auf Basis von Vision-Modellen benötigt keine Trainingsbeispiele, weil sie Dokumente semantisch liest, nicht positionsbasiert. Sie können sie an einem Dokument ausprobieren, das das Modell noch nie gesehen hat, und erhalten in Sekunden Ergebnisse.

Die Flexibilität geht noch weiter. Die Benutzerdefinierte Spaltenextraktion unterstützt drei Modi, die jeweils eine andere Ebene des Datenproblems lösen:

Eine Schritt-für-Schritt-Anleitung zum Einrichten benutzerdefinierter Spalten und zum Extrahieren genau der Felder, die Sie benötigen, finden Sie in unserem Leitfaden zum Extrahieren bestimmter Felder aus beliebigen Dokumenten.

Was KI-Dokumentenextraktion kann (und was nicht)

Die Fähigkeiten zu verstehen, ist wichtig. Die Grenzen zu verstehen, ist ebenso wichtig – und genau daran scheitern die meisten Einführungsartikel.

Was sie gut kann

Gedruckter Text auf sauberen Dokumenten. Standardrechnungen, Belege, Kontoauszüge, Bestellungen, Verträge – Dokumente mit klarem gedrucktem Text und einer definierten Struktur werden mit bis zu 99 % Genauigkeit für gedruckte Tabellendaten verarbeitet. Eine Seite, für die eine Person 3 Minuten manuelle Eingabe benötigt, verarbeitet die KI in 5 bis 10 Sekunden.

Handschrift, in vertretbarem Rahmen. Moderne Vision-Modelle können handschriftlichen Text lesen, einschließlich Schreibschrift, handschriftlich ausgefüllter Formulare und Kontrollkästchen (angekreuzt oder eingekreist). Sie verarbeitet auch abgehakte Formulare, Stempel und Unterschriften – Elemente, an denen herkömmliche OCR regelmäßig scheitert. Der entscheidende Faktor ist die Lesbarkeit: Saubere Handschrift auf einem sauberen Formular funktioniert zuverlässig. Gekritzelte Notizen auf einem zerknitterten Beleg haben eine geringere Erfolgsquote.

Mehrere Formate, gleiche Einrichtung. Da die KI nicht auf Pixelpositionen oder Vorlagen angewiesen ist, können Sie PDFs, Handyfotos, Screenshots und Scans im selben Batch mischen. Die Extraktion funktioniert unabhängig davon, wie das Dokument erfasst wurde – solange der Text lesbar ist.

Wo sie Schwierigkeiten hat

Bilder mit extrem niedriger Auflösung. Wenn Text so unscharf oder verpixelt ist, dass ein Mensch die Augen zusammenkneifen müsste, wird auch die KI Schwierigkeiten haben. Ein Foto, das bei guter Beleuchtung aus angemessener Entfernung aufgenommen wurde, ist in Ordnung. Eine 200×150-Pixel-Miniaturansicht eines ganzseitigen Dokuments ist es nicht.

Komplexe verschachtelte Tabellen mit zusammengeführten Zellen. Eine einfache Positionstabelle mit klaren Spalten (Position | Menge | Preis | Gesamtbetrag) funktioniert gut. Ein Finanzbericht mit verschachtelten Zwischensummen, zusammengeführten Kopfzeilen über mehrere Spalten und Fußnoten in Tabellenzellen kann zu falsch ausgerichteten Ergebnissen führen. Die KI liest Struktur – wenn die Struktur eines Dokuments mehrdeutig ist, wird die Extraktion probabilistisch statt sicher.

Dokumente, bei denen die Informationen selbst unvollständig oder widersprüchlich sind. Wenn eine Rechnung zwei verschiedene Gesamtbeträge aufweist – einen im Übersichtsfeld und einen in den Zahlungsanweisungen – muss die KI raten, welchen Sie möchten. Meistens trifft sie es anhand des Kontexts richtig, aber wenn Dokumente wirklich mehrdeutige Informationen enthalten, muss weiterhin ein Mensch die Prüfung übernehmen.

Für eine vertiefte Behandlung der Genauigkeit – was sie beeinflusst, wie man sie verbessert und wann perfekte Ergebnisse zu erwarten sind – lesen Sie unseren praktischen Leitfaden zur Genauigkeit der KI-Extraktion und die Diskussion darüber, warum die Screenshot-Extraktion manchmal inkonsistente Ergebnisse liefert.

Ihre erste Extraktion: So starten Sie

Der beste Weg, die KI-Dokumentenextraktion zu verstehen, ist, sie einfach auszuprobieren. So sieht Ihre erste Extraktion genau aus – am Beispiel einer Rechnung, da dies der häufigste Einstiegspunkt ist.

Schritt 1: Wählen Sie ein Dokument. Nehmen Sie eine beliebige Rechnung – eine PDF von einem Lieferanten, ein Foto einer Papierrechnung oder sogar einen Screenshot aus Ihrer E-Mail. Sie muss nicht perfekt sein. Ein Handyfoto genügt.

Schritt 2: Legen Sie fest, welche Daten Sie möchten. Statt Felder auf dem Dokument zu markieren, überlegen Sie, welche Spalten Sie in Ihrer finalen Tabellenkalkulation haben möchten. Für eine typische Rechnung sind das üblicherweise: Rechnungsnummer, Datum, Fälligkeitsdatum, Lieferantenname, Zwischensumme, Steuern, Gesamtbetrag. Sie geben diese Spaltennamen genau so ein, wie sie in Ihrer Ausgabe erscheinen sollen.

Schritt 3: Hochladen und von der KI lesen lassen. Die KI verarbeitet das gesamte Dokument – visuelles Layout und Text gemeinsam –, findet jedes von Ihnen angeforderte Feld und platziert die Werte in den richtigen Spalten. Das Ergebnis ist eine strukturierte Tabelle, bereit für den Export nach Excel oder CSV.

Das ist der Kern-Workflow: Ausgabe beschreiben → Dokument hochladen → strukturierte Daten erhalten. Es gibt keine Vorlage zu erstellen, keine Trainingsdaten zu beschriften und keine Lieferanten-spezifische Konfiguration. Sie können es hier direkt ausprobieren:

Nach Ihrer ersten Extraktion ist der natürliche nächste Schritt, mehr zu tun. Und genau dort liegt der echte Produktivitätsgewinn.

Was passiert, wenn Sie mehr als ein Dokument haben

Ein Dokument in 5 Sekunden statt in 3 Minuten zu verarbeiten ist eine 36-fache Beschleunigung – spürbar, aber nicht lebensverändernd, wenn Sie nur wenige Dokumente haben. Die eigentliche Veränderung tritt ein, wenn Sie mehrere Dokumente auf einmal in einem Batch verarbeiten.

Stapelverarbeitung bedeutet, mehrere Dateien – 10, 50 oder 200 Rechnungen, Belege oder Kontoauszüge – auf einmal hochzuladen. Sie definieren Ihre Spaltennamen einmal, und die KI extrahiert Daten aus jedem Dokument und fasst alle Ergebnisse in einer einzigen Tabellenkalkulation zusammen. Was früher Stunden manueller Abtipparbeit waren, wird zu Minuten unbeaufsichtigter Verarbeitung.

Hier ein konkretes Beispiel: Ein kleines Unternehmen erhält monatlich 40 Lieferantenrechnungen. Jede Rechnung hat etwa 8 Felder, die in die Buchhaltungstabelle übertragen werden müssen – Rechnungsnummer, Datum, Betrag, Lieferant, Fälligkeitsdatum, Bestellnummer, Steuern und eine Kategorie. Bei 3 Minuten pro Rechnung sind das 2 Stunden Tipparbeit. Mit der Batch-Extraktion laden Sie alle 40 auf einmal hoch, warten etwa 3 Minuten, während die KI sie verarbeitet, und laden eine Tabellenkalkulation mit allen 320 bereits ausgefüllten Datenpunkten herunter. Eine ausführlichere Anleitung finden Sie unter So extrahieren Sie Rechnungsdaten per Batch in Excel.

Die Stapelverarbeitung bietet außerdem etwas, das die manuelle Eingabe nie kann: Konsistenz. Wenn Sie 40 Rechnungen von Hand eintippen, schleichen sich kleine Abweichungen ein – „Acme Corp" wird in einer Zeile zu „Acme Corp." und in einer anderen zu „Acme Corporation". Die KI wendet dieselbe Extraktionslogik auf jedes Dokument an, sodass Lieferantennamen, Daten und Beträge im gesamten Batch standardisiert sind.

Die Ausgabeformate sind flexibel. Sie können für Buchhaltungsarbeiten nach Excel (XLSX) exportieren, als CSV für den Import in andere Tools oder ein PDF in JSON konvertieren, wenn Sie eine automatisierte Pipeline aufbauen. Es gibt auch einen Nach Word-Modus, wenn Sie das ursprüngliche Layout des Dokuments beibehalten müssen – nützlich für Verträge, Rechtsdokumente oder jedes Szenario, in dem Formatierung genauso wichtig ist wie Daten. Sie wählen zwischen Nach Tabelle (strukturierte Tabellenkalkulationsausgabe) und Nach Word (bearbeitbares Dokument mit erhaltener Originalformatierung), je nachdem, was Sie mit dem Ergebnis tun möchten.

Für Teams und gemeinsame Workflows ermöglicht die Funktion Sammellink das Erstellen eines teilbaren Links. Senden Sie ihn an Kunden, Lieferanten oder Teammitglieder – sie öffnen den Link, geben einen kurzen Verifizierungscode ein und laden Dokumente direkt in Ihre Verarbeitungswarteschlange hoch. Für sie ist keine Kontoerstellung erforderlich. Dateien landen in Ihrem Dashboard, bereit zur Extraktion. Dies ist besonders nützlich für Buchhalter, die Kundendokumente sammeln, HR-Teams, die Mitarbeiterformulare erfassen, oder jedes Szenario, in dem Dokumente von mehreren Personen stammen.

Wenn Sie hauptsächlich in Tabellenkalkulationen arbeiten, bringt das Google Sheets-Add-on dieselbe Extraktions-Engine direkt in Ihre Tabellenkalkulations-Seitenleiste – laden Sie Bilder oder PDFs hoch, definieren Sie Spalten und lassen Sie extrahierte Daten direkt an Ihr aktives Blatt anhängen, ohne Tabs wechseln zu müssen. Einen Vergleich der Workflows finden Sie unter So extrahieren Sie Dokumentdaten direkt in Google Sheets.

Häufig gestellte Fragen

Funktioniert es mit handschriftlichen Dokumenten?

Ja – bis zu einem gewissen Grad. Moderne visuelle Modelle können Handschrift einschließlich Schreibschrift lesen, solange sie einigermaßen leserlich ist. Ein sauber ausgefülltes Formular funktioniert gut. Gekritzelte Notizen auf einem zerknitterten Beleg haben eine geringere Erfolgsquote. Die Technologie ist bei Handschrift deutlich besser als herkömmliche OCR – siehe unsere Erklärung, wie KI handschriftliche Formulare liest für die technischen Details – aber sie ist kein Wundermittel. Wenn ein Mensch Schwierigkeiten hätte, es zu lesen, wird die KI es wahrscheinlich auch haben.

Muss ich sie zuerst auf mein Dokumentformat trainieren?

Nein. Das ist einer der größten Unterschiede zwischen KI-Extraktion und älteren vorlagenbasierten Tools. Einige Tools benötigen 50 bis 200 beschriftete Beispiele, bevor sie ein neues Dokumentlayout lesen können. KI-Extraktion auf Basis visueller Sprachmodelle benötigt kein Training – sie liest Dokumente, indem sie deren Inhalt und Struktur versteht, nicht indem sie Pixelpositionen auswendig lernt. Sie können ein Dokument hochladen, das das Modell noch nie gesehen hat, und erhalten sofort Ergebnisse. Lesen Sie unsere Erklärung zur Extraktion ohne Vorlage für die architektonischen Gründe hinter diesem Unterschied.

Welche Dateiformate werden unterstützt?

PDF, JPG, PNG, WebP und AVIF. Auch Webseiten-Screenshots werden verarbeitet. Wenn Ihr Dokument ein Foto von Ihrem Telefon, ein gescanntes PDF oder eine digitale Datei ist, wird es unterstützt. Die wichtigste Anforderung ist, dass der Text lesbar ist – das Format selbst ist selten der Engpass.

Kann es Daten aus Screenshots extrahieren?

Ja. Tatsächlich ist die Screenshot-Extraktion einer der häufigsten Anwendungsfälle – das Extrahieren von Daten aus Zahlungsbestätigungsbildschirmen, EHR-Systemen, Buchhaltungssoftware-Exporten und anderen Orten, an denen das einzige verfügbare Format ein Bildschirmfoto ist. Die KI verarbeitet Screenshots auf dieselbe Weise wie jedes andere Bild. Es gibt einige Überlegungen zu Auflösung und UI-Unübersichtlichkeit, die die Genauigkeit beeinflussen – siehe unsere Diskussion zur Konsistenz der Screenshot-Extraktion für die Details.

Wie genau ist es wirklich?

Bei gedrucktem Text auf sauberen Dokumenten – Rechnungen, Belegen, Kontoauszügen mit klarer Formatierung – erreicht die Genauigkeit bis zu 99 %. Bei kniffligeren Szenarien (Handschrift, niedrige Auflösung, ungewöhnliche Layouts) sinkt die Genauigkeit. Die ehrliche Antwort ist, dass kein Tool 100 % Genauigkeit über alle Dokumenttypen hinweg erreicht, und gegenteilige Behauptungen sollten mit Skepsis betrachtet werden. Was die KI-Extraktion anders macht, ist die Art wie sie scheitert: Während vorlagenbasierte Tools Daten stillschweigend in die falsche Spalte setzen, sind die Fehler der KI-Extraktion meist offensichtlich (eine leere Zelle oder ein eindeutig falscher Wert) statt stillschweigend falsch. Wir behandeln dies ausführlich im praktischen Leitfaden zur Extraktionsgenauigkeit.

Kann ich es mit Google Sheets verwenden?

Ja. Es gibt ein Google Sheets-Add-on, mit dem Sie Dokumente hochladen, Spalten definieren und extrahierte Daten direkt in Ihre Tabellenkalkulation schreiben lassen können – ohne in eine separate App zu wechseln. Es synchronisiert sich mit Ihrem Konto, sodass Ihre Spaltenvorlagen und Ihr Verlauf in Sheets verfügbar sind.

Sind meine Daten sicher?

Zur Verarbeitung hochgeladene Dokumente werden über verschlüsselte Verbindungen übertragen. Dateien werden verarbeitet und die extrahierten Daten geliefert – Dokumente werden nicht dauerhaft auf den Verarbeitungsservern gespeichert. Für sensible Dokumente (medizinische Aufzeichnungen, rechtsgültige Verträge, Finanzunterlagen) gelten die üblichen Vorsichtsmaßnahmen bei der Datenverarbeitung, wie bei jedem Cloud-Dienst.

Muss ich programmieren können?

Nein. Der gesamte Arbeitsablauf – Dokumente hochladen, Spalten definieren, Extraktion ausführen und Ergebnisse herunterladen – erfolgt über eine Webschnittstelle oder eine Seitenleiste in der Tabellenkalkulation. Keine Programmierung, keine API-Aufrufe, keine Konfigurationsdateien. Wenn Sie eine Tabellenkalkulation ausfüllen können, können Sie die KI-Dokumentenextraktion nutzen.

Bei der Dokumentenextraktion geht es nicht darum, die Person zu ersetzen, die die Daten versteht – sondern darum, sie von dem Teil der Arbeit zu befreien, den ein Computer schon vor Jahren hätte übernehmen sollen.