So erhalten Sie saubere, präzise Ergebnisse
aus der KI-Dokumentextraktion

Ihre Spaltennamen sind Anweisungen

Wenn Sie einen Spaltennamen in ein KI-Extraktionstool eingeben, beschriften Sie nicht nur eine Tabellenspalte – Sie sagen dem Modell, wonach es suchen soll, wie es es identifizieren und wie es das Ergebnis formatieren soll. Das Modell liest den Spaltennamen als Anweisung und wendet sie auf jedes Dokument im Batch an.

Das bedeutet: Ein vager Spaltenname erzeugt vage Ergebnisse: „Datum" auf einer Rechnung mit fünf verschiedenen Daten liefert Ihnen dasjenige, auf das das Modell zuerst stößt. Ein spezifischer Spaltenname erzeugt spezifische Ergebnisse: „Ausstellungsdatum (JJJJ-MM-TT)" sagt dem Modell, welches Datum es finden und wie es es formatieren soll.

Die acht Tipps unten decken die wichtigsten Möglichkeiten ab, Spaltennamen stärker für Sie arbeiten zu lassen – von der Formatkontrolle über die Disambiguierung bis hin zu strukturellen Techniken, die stille Fehler bei der Batch-Verarbeitung verhindern.

Acht Tipps für bessere Extraktionsergebnisse

1. Formatvorgaben in den Spaltennamen einbetten

Schreiben Sie statt „Datum" besser „Datum (JJJJ-MM-TT)". Schreiben Sie statt „Betrag" besser „Betrag (nur Zahl, ohne Währungssymbol)". Das Modell liest den Spaltennamen sowohl als Feldbezeichner als auch als Formatierungsanweisung.

Das ist wichtig, weil verschiedene Quelldokumente denselben Wert unterschiedlich formatieren – „15. März 2024", „15/03/2024" und „2024-03-15" sind dasselbe Datum in drei Formaten. Wenn Sie die Spalte „Datum (JJJJ-MM-TT)" nennen, wird die Ausgabe über alle Dokumente im Batch auf ein Format standardisiert, ohne dass eine Nachbearbeitung nötig ist. Dasselbe Prinzip gilt für Beträge: „Gesamtbetrag (nur Zahl, 2 Dezimalstellen)" entfernt Währungssymbole und Tausendertrennzeichen, sodass die Spalte ohne Bereinigung für numerische Operationen bereit ist.

2. Eindeutig machen, wenn ein Dokument mehrere Instanzen desselben Feldtyps enthält

Eine Bestellung hat ein Bestelldatum, ein Lieferdatum und ein Zahlungsfälligkeitsdatum. Wenn Sie nach „Datum" fragen, erhalten Sie das Datum, das das Modell zuerst findet. Fragen Sie nach „Bestelldatum", „Lieferdatum" und „Fälligkeitsdatum" als drei separate Spalten – die Spezifität führt die Extraktion jedes Mal zum richtigen Wert.

Dies gilt gleichermaßen für Beträge (Rechnungssumme vs. Anzahlung vs. Restbetrag), Namen (Lieferant vs. Empfänger vs. Ansprechpartner) und Referenznummern (Bestellnummer vs. Rechnungsnummer vs. Sendungsnummer). Jeder Feldtyp, der in einem Dokument mehr als einmal vorkommen kann, benötigt einen eindeutigen Namen.

3. Verwenden Sie natürliche Sprache für abgeleitete oder klassifizierte Felder

Sie müssen nicht wissen, wie ein Dokument ein Feld nennt – Sie können beschreiben, was Sie möchten. „Transaktionstyp (Soll oder Haben)" funktioniert als Spaltenname, selbst wenn verschiedene Banken dasselbe Konzept als „Abbuchung/Einzahlung", „DR/CR" oder nur mit positiven/negativen Beträgen bezeichnen. Das Modell klassifiziert jede Transaktion basierend auf semantischem Verständnis, nicht auf einem Schlüsselwortabgleich mit dem Quelldokument.

Dies funktioniert auch für bedingte Felder: „Status (Bezahlt oder Unbezahlt, basierend auf Zahlungsstempel oder Bestätigungstext)" ist eine gültige Anweisung. Das Modell bewertet das Dokument und wendet Ihre Klassifizierungslogik an – Sie sind nicht auf Felder beschränkt, die wörtlich mit dieser genauen Bezeichnung vorhanden sind.

4. Fügen Sie mehrdeutigen Spalten einen Beispielwert hinzu

Wenn ein Feldname allein auf mehrere Arten interpretiert werden könnte, löst das Hinzufügen eines Beispielwerts in Klammern die Mehrdeutigkeit. Das Modell behandelt das Beispiel als Kalibrierungssignal – derselbe Mechanismus wie Few-Shot-Prompting in einem Sprachmodell-Prompt.

Drei Fälle, in denen dies durchweg hilft:

• Klassifizierungsfelder mit einer spezifischen Taxonomie: „Ausgabenkategorie (z. B. Miete, Nebenkosten, Gehälter, Reisen)" – die Beispielwerte definieren genau, welche Kategorien verwendet werden sollen, anstatt dem Modell zu erlauben, eigene zu erfinden. Ohne die Beispiele könnten zwei zu unterschiedlichen Zeiten verarbeitete Batches inkonsistente Kategorienamen erzeugen.
• Formatverankerung über inkonsistente Quellen hinweg: „Telefon (z. B. +1-415-555-0123)" – wenn Dokumente aus verschiedenen Ländern oder Systemen unterschiedliche Formatierungskonventionen verwenden, legt ein Beispiel die Ausgabe auf ein Format fest, ohne dass eine explizite Formatierungsregel erforderlich ist.
• Unterscheidung zwischen ähnlichen Kennungen: „Bestellnummer (z. B. PO-2024-0892, nicht die Rechnungsnummer)" – bei Dokumenten mit mehreren Referenznummern schließt das Beispiel die falsche explizit aus.

Das Beispiel muss keine echten Daten sein – ein plausibler Beispielwert genügt. Es fungiert als Musterdemonstrator, nicht als Filter.

5. Verstehen Sie, wie die Spaltenindizierung stille Fehler verhindert

Eine strukturelle Eigenschaft zuverlässiger KI-Extraktion: Jeder extrahierte Wert sollte mit seiner Spaltenindexnummer gepaart sein, nicht nur mit seiner Position in einer durch Kommas getrennten Zeichenfolge. Das ist wichtiger, als es zunächst den Anschein hat.

Ohne explizite Spaltenindizierung führt ein fehlendes Feld zu einer stillen Spaltenverschiebung. Wenn eine Zeile fünf Spalten hat, das Modell aber Feld 3 auslässt, weil es in einem bestimmten Dokument fehlt, landen die Felder 4 und 5 in den falschen Spalten dieser Zeile. In einem Batch von 50 Dokumenten ist diese Art von Fehlausrichtung schwer zu erkennen – Summen landen in Spalten für Lieferantennamen, Daten in Betragsspalten – bis die Zahlen nachgelagert nicht mehr übereinstimmen.

Mit indexierter Ausgabe (z. B. „1. 2024-03-15", „2. 1590.00", „3. ACME Supplies") trägt jeder Wert seine Spaltenidentität explizit. Ein fehlendes Feld erzeugt einen leeren Platzhalter am korrekten Index, anstatt nachfolgende Werte stillschweigend nach links zu verschieben. Jede Zeile behält unabhängig davon, wie viele Felder tatsächlich im Quelldokument vorhanden waren, dieselbe Struktur bei, und leere Zellen kennzeichnen fehlende Daten korrekt, anstatt benachbarte Spalten zu beschädigen.

Dies unterdrückt auch eine Klasse von Halluzinationsfehlern: Ohne die Indexbeschränkung kann ein Modell ein fehlendes Feld mit einem plausibel klingenden benachbarten Wert füllen, anstatt es leer zu lassen. Explizite Indizierung macht „hier wurde nichts gefunden" zu einem gültigen, erkannten Ausgabezustand.

6. Verwenden Sie zuerst die automatische Erkennung, wenn Sie mit einem unbekannten Dokumenttyp arbeiten

Wenn Sie auf einen Dokumenttyp stoßen, aus dem Sie noch nie extrahiert haben, laden Sie ihn hoch, ohne Spalten anzugeben. Das Modell analysiert die visuelle Struktur des Dokuments und generiert eine erste Feldliste basierend auf dem, was es findet.

Nutzen Sie diese Ausgabe, um zu verstehen, welche Felder konsistent vorhanden sind und wie das Quelldokument sie beschriftet – und verfeinern Sie dann Ihre Spaltennamen für nachfolgende Batch-Läufe. Das ist schneller, als Spaltennamen zu erraten und durch leere Zellen zu iterieren, um herauszufinden, was das Dokument tatsächlich enthält. Es ist besonders nützlich für unbekannte Layouts: Laborberichte von einem neuen Krankenhaussystem, Kontoauszüge von einer Bank, die Sie gerade zu Ihrem Workflow hinzugefügt haben, oder das Rechnungsformat eines neuen Lieferanten.

7. Geben Sie explizit an, ob Sie eine Zeile pro Dokument oder eine Zeile pro Position wünschen

Eine Rechnung mit acht Positionen kann entweder eine Zeile (mit zusammengefügten oder zusammengefassten Positionen) oder acht Zeilen (eine pro Position) ergeben. Die von Ihnen angegebenen Spaltennamen bestimmen, welches Verhalten Sie erhalten.

Wenn Sie dokumentbezogene Spalten angeben – „Lieferantenname", „Rechnungsdatum", „Gesamtbetrag" – erhalten Sie eine Zeile pro Dokument. Wenn Sie positionsbezogene Spalten angeben – „Artikelbeschreibung", „Menge", „Einzelpreis", „Positionssumme" – erhalten Sie eine Zeile pro Position über alle Dokumente im Batch. Auch die Kombination beider Typen in einem Spaltensatz ist zulässig: Das Modell wiederholt die dokumentbezogenen Werte für jede Positionszeile und erzeugt so eine denormalisierte Tabelle, die sich in Excel leicht filtern und pivotieren lässt.

8. Fassen Sie Dokumente desselben Typs in einem Batch zusammen

Wenn alle Dokumente in einem Batch dasselbe Spaltenschema verwenden, wird jedes Dokument zu einer Reihe von Zeilen in einer sauberen, zusammengeführten Tabelle. Die Kombination grundlegend verschiedener Dokumenttypen ohne unterscheidende Spalte führt zu Mehrdeutigkeit – der „Betrag" aus einer Rechnung und der „Betrag" aus einem Kontoauszug bedeuten unterschiedliche Dinge und sind in der zusammengeführten Ausgabe nicht zu unterscheiden.

Wenn Sie verschiedene Dokumenttypen zusammenführen müssen, fügen Sie eine Spalte „Dokumenttyp" oder „Quelle" hinzu. Das Modell kann diese direkt aus jedem Dokument lesen und automatisch ausfüllen – Sie müssen keine Datei manuell beschriften.

Vorher und Nachher: Vage vs. präzise Spaltennamen

Häufig gestellte Fragen