Eine Woche Lebensmittelgroßhändler-Rechnungen stapelverarbeiten
in einem Bericht

Warum Einzelrechnungs-Extraktionstools die Arbeit im Batch-Kontext vervielfachen

Eine Restaurantgruppe mit drei Standorten erhält in einer typischen Woche Lieferungen von acht bis zehn verschiedenen Lieferanten: ein Großhändler wie Sysco oder US Foods für Trockenwaren und Proteine, ein regionaler Gemüsegroßhändler, ein Spezialfleischlieferant, ein Molkereilieferant, ein Getränkevertrieb sowie mehrere kleinere Lieferanten für Backwaren oder Spezialzutaten. Laut einer Umfrage zum Lebensmittelvertrieb erhält ein durchschnittliches Restaurant 2,6 Lieferungen pro Woche – aber das ist nur der Durchschnitt. Eine Restaurantgruppe mit mehreren Standorten und mehreren Lieferanten verarbeitet regelmäßig 10 bis 15 Rechnungen pro Liefertag, also 20 bis 30 pro Woche.

Einzelrechnungs-Extraktionstools verarbeiten jedes dieser Dokumente einzeln: hochladen, warten, herunterladen, wiederholen. Das Tool funktioniert. Aber die Arbeit hat sich von der Dateneingabe zum Tool-Betrieb verlagert – 15-mal denselben Upload-Extrakt-Download-Zyklus durchklicken und dann 15 separate Tabellen manuell zu einer Masterdatei zusammenführen. Die Extraktion ist automatisiert. Die Aggregation nicht.

Diese Lücke schließt die Batch-Verarbeitung: Sie laden alle Ihre Rechnungen auf einmal hoch – PDFs, Handyfotos, Scans, egal welche Formate Ihre Lieferanten verwenden – in einen einzigen Verarbeitungsauftrag. Die KI extrahiert Daten aus jedem Dokument im Batch und führt die Ausgabe zu einer konsolidierten Tabelle zusammen. Kein Upload-Zyklus pro Dokument. Kein manuelles Zusammenführen von Tabellen. Das Tool übernimmt die Aggregation als Teil der Extraktion.

Drei Probleme, die erst auftreten, wenn Sie 10 Rechnungen statt einer verarbeiten

Die Extraktion einzelner Rechnungen verbirgt Komplexität, die im Batch-Betrieb unvermeidbar wird. Drei strukturelle Probleme treten auf, sobald Sie mehr als ein Dokument in einem Auftrag verarbeiten:

Spaltenabweichung. Bei einer einzelnen Rechnung können Sie die Spaltennamen an das Format des jeweiligen Lieferanten anpassen – „Sysco-Rechnungsnummer" funktioniert für eine Sysco-Rechnung einwandfrei. Aber wenn Sie zehn Rechnungen von zehn verschiedenen Lieferanten hochladen, müssen die Spalten für alle funktionieren. Eine Spalte namens „Sysco-Rechnungsnummer" erzeugt leere Zellen für jede US-Foods- oder lokale Lieferantenrechnung im Batch. Die Spaltendefinition muss von Anfang an lieferantenunabhängig sein.

Zutatenidentität. Bei der Extraktion von einem einzigen Lieferanten stellt sich nie das Problem der Normalisierung von Zutatennamen. Wenn Sie nur Sysco-Rechnungen verarbeiten, ist „BNLS SKNLS CHKN BRST 6OZ IFF" Ihre Hähnchenbrust – Punkt. Aber ein Batch mit drei verschiedenen Lieferanten liefert drei verschiedene Namen für dieselbe Zutat. Die Ausgabe muss sie zu einer konsistenten Bezeichnung zusammenführen, sonst wird die Tabelle für Vergleiche über Zeilen hinweg unbrauchbar.

Formatkollision. Ein Lieferant sendet ein sauberes 5-seitiges PDF mit tabellarisch formatierten Positionen. Ein anderer schickt ein Handyfoto eines handschriftlichen Lieferscheins. Ein dritter mailt ein PDF, in dem Preise in Fließtext statt in Tabellenspalten erscheinen. Ein Tool für einzelne Rechnungen kann auf jedes Format individuell abgestimmt werden. Ein Batch-Tool muss alle drei im selben Auftrag verarbeiten, ohne separate Konfiguration pro Lieferant – sonst geht die beim Hochladen gesparte Zeit bei der Einrichtung wieder verloren.

Keines dieser Probleme ist sichtbar, wenn Sie eine Rechnung nach der anderen verarbeiten. Sie treten erst auf, wenn Sie eine Woche voller Lieferrechnungen in einem Durchgang verarbeiten wollen.

Spaltennamen entwerfen, die über 10 verschiedene Lieferantenformate hinweg Bestand haben

Die Entscheidung mit der größten Hebelwirkung im Batch-Betrieb ist die Spaltenliste. Einmal richtig gemacht, funktioniert sie für jeden Lieferanten und jede Rechnung für den Rest des Jahres. Falsch gemacht – zu lieferantenspezifisch, zu eng oder zu vage – verbringen Sie mehr Zeit mit der Bearbeitung der Ausgabe, als Sie bei der Extraktion gespart haben.

ImageToTable.ai nutzt die Spaltennamensextraktion: Statt Felder einzurahmen oder eine Vorlage pro Lieferant zu trainieren, geben Sie die gewünschten Feldnamen ein – „Rechnungsdatum", „Lieferantenname", „Artikelname" – und die KI findet jeden Wert überall auf der Seite, indem sie versteht, was er bedeutet, nicht wo er steht. Das unterscheidet sich grundlegend von template-basierter OCR, die nach fester Position extrahiert und bei abweichenden Layouts eine Konfiguration pro Lieferant erfordert.

Hier ist eine batch-taugliche Spaltenliste für Lebensmittelgroßhändler-Rechnungen, ausgelegt für Broadline-Distributoren (Sysco, US Foods), regionale Obst- und Gemüsegroßhändler sowie lokale handschriftliche Lieferscheine:

Drei Spalten in dieser Liste leisten Arbeit, die beim ersten Lesen nicht offensichtlich ist:

• "Einheit (lb / Kiste / Stück / Gallone)" — Die Beispiele in Klammern schränken den Ausgabewortschatz der KI ein. Ohne sie könnte "CS" des einen Lieferanten für "Kiste" neben "Kiste" eines anderen Lieferanten erscheinen — inkonsistente Bezeichnungen, die Sortierung und Filterung stören. Die Beispiele standardisieren das Ausgabeformat über alle Lieferanten im Batch hinweg.
• "Stückkosten (Zeilensumme ÷ Packungsgröße, zwei Dezimalstellen)" — Dies ist eine berechnete Spalte: Die KI führt die Berechnung während der Extraktion durch, statt dass Sie sie später in Excel erledigen. Eine 40-lb-Kiste Hähnchenbrust für 112,80 $ erzeugt automatisch Stückkosten von 2,82 $ pro Pfund. Berechnete Spalten unterstützen Arithmetik, zeilenübergreifende Aggregation, bedingte Logik und feste Parameterreferenzen — alles in einfacher Sprache im Spaltennamen oder in einer separaten Regelformat-Definition festgelegt.
• "Artikelname (wie gedruckt)" — Der Klammerzusatz "wie gedruckt" weist die KI an, die exakte Formulierung des Lieferanten beizubehalten. Das ist wertvoll für die Prüfung — Sie können jede Zeile bis zur Originalrechnung zurückverfolgen. Es bedeutet aber auch, dass die Ausgabe über Lieferanten hinweg uneinheitliche Zutatenbezeichnungen verwendet, was direkt im nächsten Abschnitt behandelt wird.

Diese Spaltenliste, nach der ersten Verwendung als Voreinstellung gespeichert, wird zur Vorlage für jeden künftigen Batch. Neuer Lieferant hinzugefügt? Gleiche Spalten. Format geändert? Gleiche Spalten. Die Investition ist frontgeladen: Fünf Minuten zur einmaligen Definition der Spalten, und jeder weitere Batch ist eine Drag-and-Drop-Operation.

Wie die KI "BNLS SKNLS CHKN BRST" mit "Chicken Breast" im Batch-Maßstab abgleicht

Dies ist das schwierigste Problem bei der Batch-Verarbeitung von Lebensmittelrechnungen — und das, bei dem vorlagenbasierte OCR-Tools am sichtbarsten versagen. Wenn ein herkömmliches OCR-System "BNLS SKNLS CHKN BRST 6OZ IFF" auf einer Sysco-Rechnung und "CHICKEN BREAST BONELESS SKINLESS 6 OZ" auf einer US-Foods-Rechnung liest, hat es keinen Mechanismus zu erkennen, dass beide dasselbe Produkt beschreiben. Die Zeichenfolgen haben keine Überschneidung. Das OCR erzeugt zwei verschiedene Zeilen mit unterschiedlichen Bezeichnungen, und der Vergleich, den Sie benötigen — Stückkosten nebeneinander über Lieferanten hinweg — kommt nie zustande.

Ein Vision-Large-Model geht anders vor. Es gleicht keine Zeichen ab; es liest auf Bedeutung. Wenn Sie eine Spalte namens "Chicken Breast" definieren, durchsucht die KI jede Rechnung nach jeder Position, die hähnchenbrust ohne Knochen und Haut beschreibt — unabhängig von Abkürzung, Groß-/Kleinschreibung, Produktcodeformat oder Position auf der Seite. "BNLS SKNLS CHKN BRST", "Chicken Breast Boneless" und ein handschriftliches "chx breast" werden alle derselben Spalte zugeordnet, weil die KI versteht, dass sie sich auf dieselbe Zutat beziehen.

Dieser semantische Ansatz eliminiert den pro-Lieferanten-Abbildungsschritt, den vorlagenbasierte Tools erfordern. Sie müssen dem System nicht mitteilen, dass die Hähnchenbrust auf Sysco-Rechnungen auf Seite 2, Spalte 4, unter Produktcode 472819 steht und auf US-Foods-Rechnungen auf Seite 3, Spalte 2, unter "Geflügel — Frisch". Ein Spaltenname deckt jeden Lieferanten im Batch ab.

Es gibt einen Kompromiss, und er ist in der Praxis relevant. Wenn Sie "Chicken Breast" als Spaltennamen definieren und die KI findet sowohl "CHICKEN BREAST BONELESS SKINLESS 6 OZ" als auch "CHICKEN BREAST BONE-IN 8 OZ" auf verschiedenen Rechnungen, kann sie beide derselben Spalte zuordnen — weil beide Hähnchenbrustpositionen sind. Für einen präzisen SKU-Vergleich nehmen Sie den Produktcode oder die Packungsgrößenspalte neben den Zutatennamen auf und verwenden diese für exaktes Matching in der Ausgabetabelle. Die Batch-Spaltenvorlage oben enthält sowohl "Artikelname" als auch "Artikel-SKU / Produktcode" genau aus diesem Grund.

PDFs, Handyfotos und handschriftliche Notizen in einem Batch – ohne Konfiguration pro Anbieter

Ein echter Liefertag am Dienstag erzeugt eine Formatmischung, die vorlagenbasierte Systeme nicht ohne separate Konfiguration für jeden Dokumenttyp verarbeiten können:

• Sysco: ein 5-seitiges PDF mit Positionen im Tabellenformat, Produktcodes in einer eigenen Spalte und rechtsbündigen Preisen mit zweistelliger Dezimalgenauigkeit
• US Foods: ein per E-Mail gesendetes PDF mit anderem Spaltenlayout – Positionsbeschreibungen vor Produktcodes, Packungsgrößen im Positionsbeschreibungsfeld statt in einer separaten Spalte
• Lokaler Gemüselieferant: ein Handyfoto eines handschriftlichen Lieferscheins – Positionen in Kugelschreiber, Preise ohne Dezimalstellen („12" bedeutet $12.00), einige Positionen ohne explizite Packungsgröße (implizit „pro Stück")
• Getränkegroßhändler: ein 2-seitiges PDF mit Kistenpreisen und Pfandgebühren separat aufgeführt, Abfülldaten in einem eigenen Feld, das die meisten Lebensmittelrechnungen nicht enthalten

Vorlagenbasierte OCR benötigt vier separate Konfigurationen für diesen Batch – eine pro Anbieter. Wenn der lokale Gemüselieferant seinen Schreibstil oder sein Format von Woche zu Woche ändert, bricht die Vorlage. Die Einrichtungskosten steigen mit jedem neuen Anbieter, und die Wartung wird zu einer eigenen wiederkehrenden Aufgabe.

Ein Vision-Modell verarbeitet diese Mischung in einem einzigen Batch-Upload, weil es jedes Dokument nach Bedeutung liest, nicht nach Position. Es findet das „Rechnungsdatum" auf dem Sysco-PDF im Kopfbereich, auf dem US-Foods-PDF in der oberen rechten Ecke und auf der handschriftlichen Notiz oben gekritzelt – nicht weil Sie ihm gesagt haben, wo es auf jedem Dokument suchen soll, sondern weil es versteht, wie ein Rechnungsdatum aussieht, unabhängig davon, wo es erscheint.

Diese Positionsunabhängigkeit macht die Batch-Verarbeitung gemischter Formate ohne Einrichtung pro Anbieter möglich. Dieselbe Spaltennamenliste extrahiert Daten aus einer gedruckten Tabelle, einer handschriftlichen Notiz und einem formatierten PDF – im selben Auftrag, mit Zeilen in derselben Ausgabetabelle. Einige Zellen können leer sein, wenn die Rechnung eines bestimmten Anbieters weniger Felder hat (eine handschriftliche Notiz hat selten einen Produktcode oder eine Steueraufschlüsselung), aber die Spaltenstruktur bleibt über alle Zeilen hinweg intakt.

Bei Dokumenten mit dichter Handschrift oder geringer Bildqualität gibt Precision+ – ein manueller Genauigkeitsschalter in der Extraktionsoberfläche – der KI zusätzliche Denkdurchläufe, um die Felderkennung zu verbessern. Der Kompromiss sind 2–3 zusätzliche Sekunden pro Seite. Bei sauberen PDFs großer Großhändler lassen Sie es aus. Beim Handyfoto einer mit Bleistift geschriebenen Notiz des Gemüselieferanten schalten Sie es ein.

Berechnete Spalten im Batch-Maßstab: Stückkosten, Food-Cost-Prozentsätze und Lieferantenvergleich – alles während der Extraktion

Der wahre Wert der Batch-Verarbeitung liegt nicht darin, schneller zu extrahieren. Es geht darum, dass Sie Berechnungen direkt in die Extraktion einbetten können – und diese Berechnungen laufen automatisch über jedes Dokument im Batch.

Drei berechnete Spalten verwandeln die Batch-Ausgabe von einem Daten-Dump in einen analysierbaren Wochenbericht:

Stückkosten (Zeilensumme ÷ Packungsgröße) normalisieren die Preisgestaltung über Lieferanten hinweg, die in unterschiedlichen Einheiten verkaufen. Sysco verkauft Hähnchenbrust im 40-lb-Karton für 112,80 $. US Foods verkauft sie im 50-lb-Karton für 135,00 $. Ohne Normalisierung sieht der größere Gesamtbetrag wie das schlechtere Angebot aus. Die berechneten Stückkosten – 2,82 $/lb gegenüber 2,70 $/lb – zeigen das Gegenteil. Diese Spalte macht jede Position direkt mit allen Lieferanten im Batch vergleichbar.

Food Cost % geht mit der Normalisierung einen Schritt weiter. Indem Sie Ihre Menüpreise als feste Parameter einbetten – „Food Cost % (Stückkosten ÷ Menüpreis × 100; Hähnchenbrust=28, Lachs=42, Rind=65)" – vergleicht die KI jede extrahierte Zutat mit Ihrem tatsächlichen Verkaufspreis und gibt den Prozentsatz aus. Eine Zeile mit 31 % liegt im Bereich eines 28–35-%-Ziels. Eine Zeile mit 109 % zeigt, dass das Gericht bei den aktuellen Preisen Geld verliert. Diese Berechnung läuft über jede Rechnung im Batch, ohne dass Sie eine Tabellenformel anfassen. Für eine ausführlichere Erläuterung der Food-Cost-Berechnung – einschließlich der Spaltennamen-Methode und des Regelformat-Ansatzes – siehe den Leitfaden zu Berechnung des Food-Cost-Prozentsatzes direkt aus Lieferantenrechnungsfotos.

Lieferantenpreisvergleich ergibt sich natürlich aus der Ausgabestruktur. Der Batch-Modus erzeugt eine einzige Tabelle, in der jede Zeile eine Lieferantenname-Spalte enthält. Sortieren Sie nach Artikelname, und alle Lieferantenpreise für dieselbe Zutat erscheinen in benachbarten Zeilen. Sortieren Sie nach Food Cost %, und die Zutaten, die am dringendsten Aufmerksamkeit benötigen, rücken nach oben. Für einen fokussierten Leitfaden zum lieferantenübergreifenden Preisvergleich – einschließlich der Erkennung unangekündigter Lieferantenerhöhungen Woche für Woche – siehe Vergleich von Lebensmittellieferantenpreisen aus Rechnungen mit KI.

Der wöchentliche Batch-Workflow: Vom Dienstags-Lieferstapel zum Freitags-Lebensmittelkostenbericht

Hier ist der durchgängige wöchentliche Workflow für eine Restaurantgruppe mit drei Standorten und acht bis zehn Lieferanten – der 2–3 Stunden manuelle Dateneingabe auf eine 10-minütige Wochenroutine reduziert:

Schritt 1 – Rechnungen unter der Woche sammeln. Der Dienstag als Liefertag erzeugt den größten Stapel: Sysco, US Foods, Obst/Gemüse, Molkereiprodukte. Ein zweiter Liefertag (Donnerstag oder Freitag) ergänzt Fleisch-, Meeresfrüchte- und Getränkerechnungen. Sammeln Sie alle Rechnungen – per E-Mail weitergeleitete PDFs, Handyfotos von Papierrechnungen, die an der Hintertür aufgenommen wurden – in einem einzigen Ordner. Die Namenskonvention ist locker, weil die KI den Inhalt liest, nicht den Dateinamen. Ein konsistentes Präfix hilft jedoch bei der eigenen Organisation: „Sysco_0515.pdf", „USFoods_0515.pdf", „ProduceLocal_0515.jpg".

Schritt 2 – Den gesamten Wochen-Batch hochladen. Ziehen Sie alle Dateien – 15 bis 25 Dokumente in gemischten Formaten – in den Upload-Bereich. Die KI verarbeitet sie in einem einzigen Auftrag und extrahiert Daten aus jedem Dokument mit derselben Spaltennamen-Vorlage, die Sie beim Setup gespeichert haben. Keine Konfiguration pro Lieferant. Kein Upload-Zyklus pro Dokument.

Schritt 3 – Ausreißer prüfen, nicht jede Zeile. Die Batch-Ausgabe enthält eine Spalte „Lieferantenname", die die Quelle jeder Zeile identifiziert. Stichprobenartig ein oder zwei Positionen pro Lieferant prüfen – verifizieren, dass die Sysco-Hähnchenbrust-Zeile den korrekten Stückpreis zeigt, dass die handschriftliche Obst/Gemüse-Notiz keinen verschmierten Preis falsch gelesen hat. Ein Batch mit 25 Rechnungen und über 200 Positionen dauert etwa 3 Minuten zur Prüfung – auf Anomalien achten, nicht jede Zelle erneut verifizieren.

Schritt 4 – Herunterladen und analysieren. Die Ausgabe ist eine einzige Excel-Datei. Nach Artikelname und Stückpreis sortieren, um einen Preisvergleich über Lieferanten hinweg zu sehen. Nach Lebensmittelkosten-% sortieren, um Gerichte zu identifizieren, die preisliche Aufmerksamkeit benötigen. Eine Pivot-Tabelle erstellen, gruppiert nach Kategorie (Protein, Molkereiprodukte, Obst/Gemüse, Trockenwaren), um zu sehen, welche Kostenkategorien sich seit letzter Woche bewegt haben. Die Datei mit dem Datum der Woche speichern – die Spaltenstruktur ist Woche für Woche konsistent, sodass das Stapeln von Dateien in eine Preishistorie nur das Speichern der jeweiligen Wochenausgabe erfordert.

Für Gruppen mit mehreren Standorten eine Spalte „Standort" zur Extraktionsvorlage hinzufügen (oder separate Ordner pro Standort verwenden) – derselbe Workflow gilt dann bei dreifachem Volumen ohne zusätzliche Konfiguration pro Standort. Für Betreiber, die Rechnungen in noch höherem Volumen verarbeiten, ist ein dedizierter Batch-Rechnungs-zu-Excel-Upload-Flow für die Massenrechnungsverarbeitung verfügbar. Wenn derselbe Wochenordner auch Lieferscheine, Quittungen oder andere Nicht-Rechnungsdokumente enthält, ist der breitere Batch-Datenextraktions-Workflow für gemischte Dokumentensätze der bessere Hub.

Für Einzelrechnungs-Workflows – wenn Sie Daten aus nur einem Lieferantendokument extrahieren müssen – bietet die Seite allgemeine Rechnungsdatenextraktion einen Standard-Upload-Flow mit dem vollständigen Vorlagensystem.

FAQ

Wie viele Rechnungen kann ich in einem Batch verarbeiten?

Es gibt keine feste Obergrenze für die Anzahl der Dateien in einem Batch-Upload. Die praktische Grenze ist die Gesamtseitenzahl – ein Batch mit 25 Rechnungen mit durchschnittlich 3 Seiten (insgesamt 75 Seiten) wird in einem einzigen Auftrag verarbeitet. Bei extrem großen Batches (50+ mehrseitige PDFs) empfiehlt es sich, die Uploads nach Lieferantenkategorie aufzuteilen – Großhändler in einem Batch, Speziallieferanten in einem anderen – um die Verarbeitungszeiten überschaubar zu halten und die Prüfung zu erleichtern.

Was passiert, wenn eine Rechnung im Batch ein völlig anderes Format hat als die anderen?

Nichts bricht. Die Spaltennamensextraktion liest nach semantischer Bedeutung, nicht nach Position. Eine handschriftliche Produktnotiz und eine formatierte Sysco-PDF enthalten beide „Rechnungsdatum", „Lieferantenname", „Positionen" und „Preise" – sie präsentieren sie nur unterschiedlich. Die KI findet jeden Datenpunkt unabhängig von seiner Position auf der Seite. Die Ausgabezeile für die handschriftliche Notiz hat dieselben Spalten wie die Ausgabezeile für die Sysco-PDF. Einige Zellen können leer sein, wenn die handschriftliche Rechnung weniger Felder hat (kein Produktcode, keine Steueraufschlüsselung) – aber die Spaltenstruktur bleibt über alle Zeilen im Batch intakt.

Kann die KI Gutschriften und Korrekturnotizen verarbeiten, die mit regulären Rechnungen im Batch gemischt sind?

Ja, mit der richtigen Spaltendefinition. Wenn Sie eine Spalte wie „Dokumenttyp" oder „Transaktionstyp" in Ihre Vorlage aufnehmen, kennzeichnet die KI jede Zeile basierend auf dem Dokumentinhalt als „Rechnung", „Gutschrift" oder „Korrektur". Gutschriften erscheinen als negative Werte in der Spalte Positionssumme. Für den AP-Abgleich sortieren Sie die Ausgabe nach Dokumenttyp, um Gutschriften vor dem Zahlungslauf von Belastungen zu trennen.

Muss ich für jeden Lieferanten eine separate Vorlage erstellen?

Nein. Eine einzige Spaltennamensvorlage funktioniert für alle Lieferanten im Batch. Dies ist der grundlegende Unterschied zwischen vorlagenbasierten Tools – die lieferantenspezifische Zuordnungen benötigen, weil sie nach fester Position extrahieren – und der Spaltennamensextraktion, die Daten nach Bedeutung findet. Eine Spalte namens „Artikelname" findet Artikelnamen auf Sysco-Rechnungen, US-Foods-Rechnungen, handschriftlichen Produktnotizen und Getränkehändler-PDFs ohne separate Konfiguration für jeden. Das macht die Batch-Verarbeitung machbar, ohne dass der Einrichtungsaufwand mit jedem neuen Lieferanten multipliziert wird.

Wie geht die KI mit Zutatenbezeichnungen um, die zwischen verschiedenen Lieferanten nicht übereinstimmen?

Die KI liest Zutatenbezeichnungen nach Bedeutung, nicht nach Zeichenübereinstimmung. „BNLS SKNLS CHKN BRST 6OZ", „Chicken Breast Boneless" und ein handschriftliches „chx breast" werden derselben Spalte zugeordnet, weil das Modell versteht, dass sie dieselbe Zutat beschreiben. Für einen präzisen Seitenvergleich zwischen Lieferanten fügen Sie sowohl eine Spalte „Item Name" als auch eine Spalte „Product Code" hinzu – der Artikelname liefert die normalisierte Zutat, und der Produktcode liefert die lieferantenspezifische Kennung für exakte Übereinstimmungen, wenn nötig.

Was, wenn ich bestimmte Rechnungsfelder extrahieren muss – wie eine Bestellnummer oder ein Lieferdatum – die auf jeder Lieferantenrechnung anders erscheinen?

Fügen Sie das Feld als Spalte in Ihrer Vorlage hinzu. „PO Number" findet Bestellnummern, unabhängig davon, ob der Lieferant sie als „PO #", „Purchase Order", „Order Ref" oder „Reference Number" bezeichnet – die KI versteht, dass diese dasselbe Konzept meinen, und ordnet sie derselben Spalte zu. Wenn ein bestimmter Lieferant keine Bestellnummer auf seinen Rechnungen angibt, bleibt die Zelle dieser Zeile leer. Der Rest des Batches wird ohne Unterbrechung weiter extrahiert. Für gezielte Feldextraktion aus Rechnungen – bei der nur bestimmte Datenpunkte statt vollständiger Positionszeilen extrahiert werden – bietet das Rechnungsfeldextraktions-Tool eine Vorlage, die für gezielte Rechnungsdatenpunkte optimiert ist.

Wie genau ist die Batch-Extraktion im Vergleich zur Einzelverarbeitung von Rechnungen?

Die Genauigkeit pro Dokument ist dieselbe – die KI wendet auf jedes Dokument im Batch denselben Extraktionsprozess an wie bei einem einzelnen Upload. Der praktische Unterschied besteht darin, dass der Batch-Modus einen Prüfschritt hinzufügt: Sie müssen nicht jede Zeile prüfen, aber Sie sollten 2–3 Positionszeilen pro Lieferant stichprobenartig kontrollieren. Bei gedruckten Tabellendaten großer Distributoren erreicht die Erkennungsgenauigkeit bis zu 99 %. Bei handschriftlichen Notizen oder Fotos in schlechter Qualität hängt die Genauigkeit von der Lesbarkeit ab – ein klares Foto einer sauber geschriebenen Lieferscheinnotiz wird zuverlässig extrahiert; eine verblasste Durchschrift in Schräglage weist Lücken auf. Die Empfehlung ist dieselbe wie bei der Einzelrechnungsverarbeitung: Machen Sie ein sauberes Foto auf einer ebenen Fläche bei gutem Licht, aktivieren Sie Precision+ für schwierige Dokumente und prüfen Sie die extrahierten Werte bei handschriftlichen oder minderwertigen Eingaben gegen das Quellbild.