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

Was ein Computer wirklich sieht, wenn Sie ein Dokument hochladen

Jedes Dokument, mit dem Sie arbeiten – Rechnungen, Quittungen, Kontoauszüge, Verträge, Stundenzettel – liegt in einer von zwei Formen vor: Papier oder digital. Handelt es sich um Papier, machen Sie ein Foto oder scannen es. Ist es digital, liegt es bereits als Datei vor. In beiden Fällen sind es Pixel, sobald es den Computer erreicht. Und Pixel haben keine Beschriftungen.

Das ist das grundlegende Problem, das jede Technologie zur Dokumentenextraktion zu lösen versucht: Wie kommt man von einem Raster farbiger Punkte zu einer Tabellenzeile, in der „Rechnung #1042" in der Spalte Rechnungsnummer und „2.527,74 €" in der Spalte Gesamtsumme steht? Jeder Ansatz – manuelles Abtippen, vorlagenbasierte OCR und KI-Extraktion – ist eine andere Antwort auf diese eine Frage.

Manuelles Abtippen beantwortet sie, indem eine Person das Bild betrachtet und eintippt, was sie sieht. Vorlagenbasierte OCR beantwortet sie, indem Sie Kästchen um jedes Feld zeichnen, 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 vom „Wo" zum „Was" ist die ganze Geschichte.

Um zu verstehen, warum dieser Wandel wichtig ist, müssen Sie verstehen, was OCR eigentlich tut – und was sie unerledigt lässt.

OCR liest Zeichen. KI liest Dokumente.

Die optische Zeichenerkennung (OCR) gibt es seit Jahrzehnten. Sie scannt ein Bild, identifiziert 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.

Folgendes produziert OCR, wenn Sie ihr eine Standard-Lieferantenrechnung geben:

RECHNUNG
Acme Industrial Supply
451 Commerce Drive, Suite 200
Chicago, IL 60607
Rechnung #INV-2024-0891
Datum: 15. März 2024
Fällig bis: 14. April 2024
Bestellnummer: PO-77231
Artikel | Menge | Einzelpreis | Gesamt
Sechskantschraube M10 | 200 | 2,40 € | 480,00 €
Unterlegscheibe M10 | 500 | 0,15 € | 75,00 €
Gewindestange 1m | 50 | 12,80 € | 640,00 €
Zwischensumme: 1.195,00 €
Steuer (8,75 %): 104,56 €
Versand: 45,00 €
Gesamtsumme: 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, die Gesamtsumme – sie sind alle da, aber nicht in Felder unterteilt. Um „INV-2024-0891" in Ihre Spalte Rechnungsnummer zu bekommen, müssen Sie es dennoch im Textblock finden, markieren, kopieren, zu Ihrer Tabelle wechseln und einfügen. Dann das Gleiche für das Datum. Dann für die Bestellnummer. Dann für jede einzelne Position. OCR hat die Zeichen digitalisiert, aber das Problem der Dateneingabe direkt an Sie zurückgegeben.

Und hier ist, was die KI-Dokumentenextraktion aus derselben Rechnung produziert – wenn Sie ihr sagen, dass Sie Spalten für Rechnungsnummer, Datum, Fälligkeitsdatum, Bestellnummer, Lieferantenname, Zwischensumme, Steuer, Versand und Gesamtsumme möchten:

Gleiches Dokument – zwei völlig unterschiedliche Ergebnisse. Der Unterschied liegt nicht darin, dass KI besser Zeichen erkennt – die OCR war bereits korrekt. Der Unterschied ist, dass KI versteht, was die Informationen bedeuten. Sie erkennt, dass "$1.344,56" neben dem Wort „Gesamtbetrag“ am unteren Seitenrand der Rechnungsbetrag ist – kein Einzelposten und kein Steuerbetrag. Sie erkennt, dass „INV-2024-0891“ nach dem Text „Rechnungsnr.“ eine Rechnungsnummer ist. Sie ordnet 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 Erklärung zu KI-Datenerfassung vs. OCR und den Genauigkeitsvergleich zwischen KI und herkömmlicher OCR.

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

Die Frage, die sich natürlich stellt: Woher weiß die KI, welcher Text in welche Spalte gehört? Sie liest keine Pixelkoordinaten. Sie gleicht keine Vorlagen ab. Sie macht etwas grundlegend Anderes – und wenn Sie das verstehen, ergibt der Rest der Dokumentextraktion einen Sinn.

Die Technologie hinter moderner KI-Dokumentextraktion heißt Visuelles Large Language Model (VLM). Stellen Sie es sich wie ein Modell vor, das eine ganze Seite so verarbeitet wie ein Mensch – Layout sehen, Text lesen und gleichzeitig die Beziehung zwischen beidem verstehen. Wenn es ein Dokument betrachtet, verarbeitet es es nicht von links nach rechts, oben nach unten wie OCR. Es erfasst die ganze Seite auf einmal: das Logo in der Ecke, die fetten Überschriften, die Tabellenstruktur, den Rahmen um die Summe. Es baut sich ein mentales Bild der Dokumentstruktur auf und ordnet dann jeden Text seiner Rolle innerhalb dieser Struktur zu.

Deshalb unterscheidet sich die Benutzererfahrung so sehr von vorlagenbasierten Tools. Statt auf einem Musterdokument Rechtecke um jedes Feld zu zeichnen – „Rechnungsnummer ist hier, Datum ist hier, Summe ist da 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 von Ihnen eingegebenen Spaltennamen werden zu den Überschriften Ihrer endgültigen Tabelle. 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 benötigen 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 null Trainingsbeispiele, weil sie Dokumente semantisch liest, nicht positionsbasiert. Sie können es mit 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 benötigten Felder finden Sie in unserem Leitfaden zum Extrahieren bestimmter Felder aus jedem Dokument.

Was KI-Dokumentenextraktion kann (und was nicht)

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

Was sie gut kann

Gedruckter Text auf sauberen Dokumenten. Standardrechnungen, Quittungen, Kontoauszüge, Bestellungen, Verträge – Dokumente mit klarem Drucktext und definierter Struktur verarbeitet sie mit bis zu 99 % Genauigkeit bei gedruckten Tabellendaten. Eine Seite, die ein Mensch in 3 Minuten manuell abtippt, erledigt die KI in 5 bis 10 Sekunden.

Handschrift, im Rahmen des Möglichen. Moderne Vision-Modelle lesen handschriftlichen Text, einschließlich Schreibschrift, handschriftlich ausgefüllte Formulare und Kontrollkästchen (angekreuzt oder eingekreist). Sie verarbeitet auch angekreuzte Formulare, Stempel und Unterschriften – Elemente, an denen herkömmliche OCR regelmäßig scheitert. Die entscheidende Variable ist die Leserlichkeit: Saubere Handschrift auf einem sauberen Formular funktioniert zuverlässig. Gekritzelte Notizen auf einer zerknitterten Quittung 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 Durchlauf mischen. Die Extraktion funktioniert unabhängig davon, wie das Dokument erfasst wurde – solange der Text lesbar ist.

Wo sie Schwierigkeiten hat

Extrem niedrig aufgelöste Bilder. Wenn Text unscharf oder verpixelt ist, sodass ein Mensch die Augen zusammenkneifen müsste, hat auch die KI Probleme. Ein Foto bei gutem Licht und angemessener Entfernung ist in Ordnung. Eine 200×150 Pixel große Miniaturansicht eines ganzseitigen Dokuments nicht.

Komplexe verschachtelte Tabellen mit verbundenen Zellen. Eine einfache Positionstabelle mit klaren Spalten (Artikel | Menge | Preis | Gesamt) funktioniert gut. Ein Jahresabschluss mit verschachtelten Zwischensummen, verbundenen 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 Summen aufweist – eine im Zusammenfassungsfeld und eine in den Zahlungsanweisungen – muss die KI raten, welche Sie möchten. Meistens liegt sie aufgrund des Kontexts richtig, aber wenn Dokumente wirklich mehrdeutige Informationen enthalten, muss ein Mensch dennoch überprüfen.

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

Ihre erste Extraktion: So starten Sie

Der beste Weg, KI-Dokumentenextraktion zu verstehen, ist, sie selbst auszuprobieren. So genau sieht Ihre erste Extraktion aus – am Beispiel einer Rechnung, dem häufigsten Einstiegspunkt.

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

Schritt 2: Legen Sie die gewünschten Daten fest. Überlegen Sie, welche Spalten Ihre finale Tabelle haben soll, anstatt Felder im Dokument zu markieren. Bei einer typischen Rechnung sind das: Rechnungsnummer, Datum, Fälligkeitsdatum, Lieferantenname, Nettobetrag, Steuer, Gesamtbetrag. Geben Sie diese Spaltennamen genau so ein, wie sie in Ihrer Ausgabe erscheinen sollen.

Schritt 3: Laden Sie das Dokument hoch und lassen Sie die KI es lesen. Die KI verarbeitet das gesamte Dokument – visuelles Layout und Text zusammen – findet jedes von Ihnen angeforderte Feld und setzt die Werte in die richtigen Spalten. Sie erhalten 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 kennzeichnen, keine Konfiguration pro Lieferant. Sie können es direkt hier ausprobieren:

Nach Ihrer ersten Extraktion ist der nächste logische Schritt, mehr zu extrahieren. Und hier liegt der eigentliche Produktivitätsgewinn.

Was passiert, wenn Sie mehr als ein Dokument haben

Ein Dokument in 5 Sekunden statt 3 Minuten zu verarbeiten, ist eine 36-fache Geschwindigkeitssteigerung – spürbar, aber kein Game-Changer, wenn Sie nur wenige Dokumente haben. Die eigentliche Transformation beginnt, wenn Sie mehrere Dokumente auf einmal stapelverarbeiten.

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 Tabelle zusammen. Was stundenlanges manuelles Abtippen wäre, wird zu Minuten unbeaufsichtigter Verarbeitung.

Ein konkretes Beispiel: Ein kleines Unternehmen erhält monatlich 40 Lieferantenrechnungen. Jede Rechnung hat etwa 8 Felder, die in die Buchhaltungstabelle müssen – Rechnungsnummer, Datum, Betrag, Lieferant, Fälligkeitsdatum, Bestellnummer, Steuer und eine Kategorie. Bei 3 Minuten pro Rechnung sind das 2 Stunden Tipparbeit. Mit der Stapelverarbeitung laden Sie alle 40 auf einmal hoch, warten etwa 3 Minuten, während die KI sie verarbeitet, und laden eine Tabelle mit allen 320 bereits ausgefüllten Datenpunkten herunter. Eine detaillierte Anleitung finden Sie unter Rechnungsdaten stapelweise nach Excel extrahieren.

Stapelverarbeitung bietet zudem etwas, das manuelle Eingabe nie kann: Konsistenz. Wenn Sie 40 Rechnungen von Hand tippen, schleichen sich kleine Abweichungen ein – aus „Acme Corp“ wird in einer Zeile „Acme Corp.“ und in einer anderen „Acme Corporation“. Die KI wendet auf jedes Dokument dieselbe Extraktionslogik an, sodass Lieferantennamen, Daten und Beträge über den gesamten Stapel hinweg standardisiert sind.

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

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

Wenn Sie hauptsächlich in Tabellenkalkulationen arbeiten, bringt das Google Sheets-Add-on dieselbe Extraktions-Engine direkt in Ihre Tabellen-Seitenleiste – laden Sie Bilder oder PDFs hoch, definieren Sie Spalten, und die extrahierten Daten werden direkt an Ihr aktives Blatt angehängt, ohne dass Sie zwischen Tabs wechseln müssen. Für einen Vergleich der Arbeitsabläufe siehe Dokumentdaten direkt in Google Sheets extrahieren.

Häufig gestellte Fragen

Funktioniert es mit handschriftlichen Dokumenten?

Ja – bis zu einem gewissen Grad. Moderne Vision-Modelle können Handschrift inklusive Schreibschrift lesen, sofern 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 Zauberwerk. Wenn ein Mensch Schwierigkeiten hätte, es zu lesen, wird die KI es wahrscheinlich auch haben.

Muss ich sie zuerst auf mein Dokumentenformat trainieren?

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

Welche Dateiformate werden unterstützt?

PDF, JPG, PNG, WebP und AVIF. Es verarbeitet auch Webseiten-Screenshots. Wenn Ihr Dokument ein Foto von Ihrem Telefon, ein gescanntes PDF oder eine digitale Datei ist, wird es unterstützt. Die wichtigste Voraussetzung 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 Auslesen 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 die gleiche Weise wie jedes andere Bild. Es gibt einige Überlegungen zu Auflösung und UI-Überladung, 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, Quittungen, Kontoauszüge mit klarem Layout – erreicht die Genauigkeit bis zu 99 %. Bei schwierigeren Szenarien (Handschrift, niedrige Auflösung, ungewöhnliche Layouts) sinkt die Genauigkeit. Die ehrliche Antwort ist, dass kein Tool über alle Dokumenttypen hinweg 100 % Genauigkeit erreicht, und gegenteilige Behauptungen sollten mit Skepsis betrachtet werden. Was die KI-Extraktion anders macht, ist die Art des Scheiterns: Während vorlagenbasierte Tools Daten stillschweigend in die falsche Spalte setzen, sind Fehler der KI-Extraktion meist offensichtlich (eine leere Zelle oder ein eindeutig falscher Wert) anstatt stillschweigend falsch zu sein. Wir behandeln dies ausführlich im Praxisführer 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 Tabelle schreiben lassen können – ohne eine separate App öffnen zu müssen. Es synchronisiert sich mit Ihrem Konto, sodass Ihre Spaltenvorlagen und Ihr Verlauf in Sheets verfügbar sind.

Sind meine Daten sicher?

Hochgeladene Dokumente werden über verschlüsselte Verbindungen verarbeitet. Dateien werden verarbeitet und die extrahierten Daten ausgeliefert – Dokumente werden nicht dauerhaft auf den Verarbeitungsservern gespeichert. Für sensible Dokumente (medizinische Unterlagen, Rechtsverträge, Finanzberichte) 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 Weboberfläche oder eine Tabellenkalkulations-Seitenleiste. Keine Programmierung, keine API-Aufrufe, keine Konfigurationsdateien. Wenn Sie eine Tabelle 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.