Stapelverarbeitung einer Woche Lebensmittelgroßhändler-Rechnungen
in einem Bericht

Warum Einzelrechnungs-Tools im Batch-Kontext die Arbeit vervielfachen

Eine Restaurantgruppe mit drei Standorten erhält in einer typischen Woche Lieferungen von acht bis zehn verschiedenen Lieferanten: einem Großhändler wie Sysco oder US Foods für Trockenwaren und Proteine, einem regionalen Obst- und Gemüsegroßhändler, einem spezialisierten Fleischlieferanten, einem Molkereilieferanten, einem Getränkehersteller und mehreren kleineren Lieferanten für Backwaren oder Spezialzutaten. Laut einer Umfrage zur Lebensmittelversorgung erhält ein durchschnittliches Restaurant 2,6 Lieferungen pro Woche – aber das ist der Durchschnitt. Eine Restaurantgruppe mit mehreren Standorten und zahlreichen Lieferanten verarbeitet regelmäßig 10 bis 15 Rechnungen pro Liefertag, also 20 bis 30 pro Woche.

Einzelrechnungs-Tools verarbeiten jedes dieser Dokumente einzeln: hochladen, warten, herunterladen, wiederholen. Das Tool funktioniert. Aber die Arbeit hat sich von der Dateneingabe zur Bedienung des Tools verlagert – 15-mal denselben Upload-Extrakt-Download-Kreislauf durchlaufen, dann 15 separate Tabellen manuell zu einer Masterdatei zusammenführen. Die Extraktion ist automatisiert. Die Aggregation nicht.

Diese Lücke schließt die Stapelverarbeitung: Alle Rechnungen auf einmal hochladen – PDFs, Handyfotos, Scans, egal welches Format Ihre Lieferanten verwenden – in einen einzigen Verarbeitungsauftrag. Die KI extrahiert Daten aus jedem Dokument im Stapel und führt die Ausgabe in einer konsolidierten Tabelle zusammen. Kein dokumentenweiser Upload-Zyklus. Keine manuelle Tabellenkonsolidierung. Das Tool übernimmt die Aggregation als Teil der Extraktion.

Drei Probleme, die erst auftauchen, wenn Sie 10 statt einer Rechnung verarbeiten

Die Einzelrechnungsextraktion verbirgt Komplexität, die im Stapelbetrieb unvermeidbar wird. Drei strukturelle Probleme treten auf, sobald Sie mehr als ein Dokument in einem Auftrag verarbeiten:

Spaltenverschiebung. Wenn Sie eine einzelne Rechnung extrahieren, können Sie die Spaltennamen an das Format des jeweiligen Lieferanten anpassen – „Sysco-Rechnungsnummer" funktioniert für eine Sysco-Rechnung gut. Aber wenn Sie zehn Rechnungen von zehn verschiedenen Lieferanten hochladen, müssen die Spalten über alle hinweg funktionieren. Eine Spalte namens „Sysco-Rechnungsnummer" erzeugt leere Zellen für jede US-Foods- oder lokale Lieferantenrechnung im Stapel. Die Spaltendefinition muss von Anfang an lieferantenunabhängig sein.

Zutatenidentität. Eine Einzellieferantenextraktion steht nie vor dem Problem der Zutaten-Namensnormalisierung. Wenn Sie nur Sysco-Rechnungen verarbeiten, ist „BNLS SKNLS CHKN BRST 6OZ IFF" Ihre Hähnchenbrust – Punkt. Aber ein Stapel mit drei verschiedenen Lieferanten liefert drei verschiedene Namen für dieselbe Zutat. Die Ausgabe muss sie in eine einheitliche Bezeichnung überführen, sonst wird die Tabelle für zeilenübergreifende Vergleiche unbrauchbar.

Formatkonflikt. Ein Lieferant sendet eine saubere 5-seitige PDF mit tabellarischen Positionen. Ein anderer schickt ein Handyfoto eines handschriftlichen Lieferscheins. Ein dritter mailt eine PDF, in der Preise als Fließtext statt in Tabellenspalten erscheinen. Ein Einzelrechnungs-Tool kann auf jedes Format einzeln abgestimmt werden. Ein Batch-Tool muss alle drei im selben Durchlauf verarbeiten – ohne separate Konfiguration pro Lieferant. Sonst wird die Zeitersparnis beim Hochladen durch den Einrichtungsaufwand zunichtegemacht.

Keines dieser Probleme fällt auf, wenn man Rechnungen einzeln verarbeitet. Sie treten erst zutage, wenn man die Lieferrechnungen einer ganzen Woche in einem Durchlauf verarbeiten will.

Spaltennamen entwerfen, die über 10 verschiedene Lieferantenformate hinweg funktionieren

Die entscheidende Stellschraube bei der Batch-Verarbeitung ist die Spaltenliste. Einmal richtig definiert, funktioniert sie für jeden Lieferanten und jede Rechnung das ganze Jahr über. Bei falscher Wahl – zu lieferantenspezifisch, zu eng oder zu vage – verbringt man mehr Zeit mit der Nachbearbeitung als man bei der Extraktion gespart hat.

ImageToTable.ai nutzt Spaltennamensextraktion: Statt Felder einzurahmen oder eine Vorlage pro Lieferant zu trainieren, gibt man die gewünschten Feldnamen ein – „Rechnungsdatum“, „Lieferantenname“, „Artikelbezeichnung“ – und die KI findet die jeweiligen Werte überall auf der Seite, indem sie deren Bedeutung versteht, nicht deren Position. Das unterscheidet sich grundlegend von templatebasierter OCR, die nach festen Positionen extrahiert und bei abweichenden Layouts eine Konfiguration pro Lieferant erfordert.

Hier ist eine batchtaugliche 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 auf den ersten Blick nicht erkennbar ist:

• "Einheit (lb / Karton / Stück / Gallone)" — Die Beispiele in Klammern schränken den Ausgabewortschatz der KI ein. Ohne sie könnte neben dem "Karton" eines Lieferanten ein "CS" eines anderen stehen – 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. Ein 40-lb-Karton Hähnchenbrust für 112,80 € ergibt automatisch Stückkosten von 2,82 € pro Pfund. Berechnete Spalten unterstützen Arithmetik, zeilenübergreifende Aggregation, bedingte Logik und feste Parameterreferenzen – alles in Klartext innerhalb des Spaltennamens oder einer separaten Regelformat-Definition.
• "Artikelname (wie gedruckt)" — Der Zusatz "wie gedruckt" weist die KI an, die exakte Schreibweise des Lieferanten beizubehalten. Dies ist wertvoll für die Prüfung – Sie können jede Zeile zur ursprünglichen Rechnung zurückverfolgen. Es bedeutet aber auch, dass die Ausgabe über verschiedene Lieferanten hinweg inkonsistente Zutatenbezeichnungen verwendet, was im nächsten Abschnitt direkt behandelt wird.

Diese Spaltenliste, die nach der ersten Nutzung als Vorlage gespeichert wird, dient als Vorlage für alle zukünftigen Chargen. Neuer Lieferant hinzugefügt? Gleiche Spalten. Format geändert? Gleiche Spalten. Der Aufwand liegt vorne: fünf Minuten investieren, um die Spalten einmal zu definieren, und jede weitere Charge ist ein reiner Drag-and-Drop-Vorgang.

Wie die KI „BNLS SKNLS CHKN BRST“ mit „Hähnchenbrust“ im Chargenmaßstab abgleicht

Dies ist das schwierigste Problem bei der Chargenverarbeitung von Lebensmittelrechnungen – und der Punkt, an dem vorlagenbasierte OCR-Tools am deutlichsten versagen. Wenn ein herkömmliches OCR-System auf einer Sysco-Rechnung „BNLS SKNLS CHKN BRST 6OZ IFF“ und auf einer US-Foods-Rechnung „CHICKEN BREAST BONELESS SKINLESS 6 OZ“ liest, hat es keine Möglichkeit zu erkennen, dass es sich um dasselbe Produkt handelt. Die Zeichenfolgen überschneiden sich nicht. Die OCR gibt zwei verschiedene Zeilen mit unterschiedlichen Bezeichnungen aus, und der benötigte Vergleich – Stückkosten nebeneinander über verschiedene Lieferanten hinweg – kommt nie zustande.

Ein Vision-Large-Modell geht anders vor. Es gleicht keine Zeichen ab, sondern liest den Sinn. Wenn Sie eine Spalte namens „Hähnchenbrust“ definieren, durchsucht die KI jede Rechnung nach allen Positionen, die hähnchenbrust ohne Haut und Knochen beschreiben – 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, da die KI versteht, dass sie sich auf dieselbe Zutat beziehen.

Dieser semantische Ansatz macht den pro Lieferanten erforderlichen Zuordnungsschritt überflüssig, den vorlagenbasierte Tools benötigen. Sie müssen dem System nicht mitteilen, dass sich die Hähnchenbrust auf Sysco-Rechnungen auf Seite 2, Spalte 4, unter Produktcode 472819 befindet und auf US-Foods-Rechnungen auf Seite 3, Spalte 2, unter „Geflügel – Frisch“. Ein einziger Spaltenname genügt für alle Lieferanten in der Charge.

Es gibt einen Zielkonflikt, der in der Praxis relevant ist. Wenn Sie „Hähnchenbrust“ als Spaltennamen definieren und die KI auf verschiedenen Rechnungen sowohl „HÄHNCHENBRUST OHNE KNOCHEN HAUTLOS 170G“ als auch „HÄHNCHENBRUST MIT KNOCHEN 230G“ findet, kann es beide derselben Spalte zuordnen – da es sich in beiden Fällen um Hähnchenbrust-Positionen handelt. Für einen präzisen SKU-Vergleich sollten Sie die Produktcode- oder Packungsgrößen-Spalte neben dem Zutatennamen führen und diese für exakte Übereinstimmungen in der Ausgabetabelle verwenden. Die obige Batch-Spaltenvorlage enthält aus genau diesem Grund sowohl „Artikelname“ als auch „Artikel-SKU / Produktcode“.

PDFs, Handyfotos und handschriftliche Notizen in einem Batch – ohne Anbieterkonfiguration

Ein echter Dienstag-Liefertag bringt eine Formatmischung mit sich, die vorlagenbasierte Systeme nicht ohne separate Konfiguration für jeden Dokumenttyp bewältigen können:

• Sysco: ein 5-seitiges gedrucktes PDF mit Positionen in Tabellenform, Produktcodes in einer eigenen Spalte und rechtsbündigen Preisen mit zweistelliger Dezimalgenauigkeit
• US Foods: ein PDF per E-Mail mit einem anderen Spaltenlayout – Positionsbeschreibungen vor Produktcodes, Packungsgrößen im Artikelbeschreibungsfeld statt einer separaten Spalte
• Lokaler Gemüsehändler: ein Handyfoto eines handschriftlichen Lieferscheins – Positionen mit Kugelschreiber, Preise ohne Dezimalstellen („12“ bedeutet 12,00 €), einige Artikel ohne explizite Packungsgröße (implizit „Stück“)
• Getränkegroßhändler: ein 2-seitiges PDF mit getrennt ausgewiesenen Kistenpreisen und Pfandgebühren, Braudaten in einem eigenen Feld, das die meisten Lebensmittelrechnungen nicht enthalten

Für diesen Batch sind bei der vorlagenbasierten OCR vier separate Konfigurationen nötig – eine pro Lieferant. Ändert der lokale Obst- und Gemüsehändler von Woche zu Woche seinen Schreibstil oder sein Format, bricht die Vorlage. Der Einrichtungsaufwand steigt mit jedem neuen Lieferanten, und die Wartung wird zur 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 in der Kopfzeile, auf dem US-Foods-PDF oben rechts und auf der handschriftlichen Notiz ganz oben – nicht, weil Sie ihm gesagt haben, wo es auf jedem Dokument suchen soll, sondern weil es versteht, wie ein Rechnungsdatum aussieht, egal wo es steht.

Diese Positionsunabhängigkeit macht die Batch-Verarbeitung gemischter Formate ohne lieferantenspezifische Einrichtung möglich. Dieselbe Spaltennamenliste extrahiert Daten aus einer gedruckten Tabelle, einer handschriftlichen Notiz und einem formatierten PDF – im selben Job, mit Zeilen in derselben Ausgabetabelle. Einige Zellen bleiben leer, wenn eine bestimmte Lieferantenrechnung weniger Felder enthält (eine handschriftliche Notiz hat selten einen Produktcode oder eine Steueraufschlüsselung), aber die Spaltenstruktur bleibt über alle Zeilen hinweg erhalten.

Bei Dokumenten mit dichter Handschrift oder schlechter Bildqualität gibt die Aktivierung von Precision+ – einem manuellen Genauigkeitsschalter in der Extraktionsoberfläche – der KI zusätzliche Durchläufe zur Verbesserung der Felderkennung. Der Nachteil sind 2–3 zusätzliche Sekunden pro Seite. Bei sauberen PDFs großer Händler lassen Sie es ausgeschaltet. Beim Handyfoto einer mit Bleistift geschriebenen Notiz des Gemüsehändlers schalten Sie es ein.

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

Der wahre Wert der Stapelverarbeitung liegt nicht in der schnelleren Extraktion. Sondern darin, dass Sie Berechnungen direkt in die Extraktion einbetten können – und diese Berechnungen automatisch für jedes Dokument im Stapel ausgeführt werden.

Drei berechnete Spalten verwandeln die Stapelausgabe von einem reinen Datenexport in einen auswertungsbereiten Wochenbericht:

Stückkosten (Positionssumme ÷ Packungsgröße) normalisieren die Preise 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 wirkt der höhere Gesamtbetrag wie das schlechtere Angebot. Die berechneten Stückkosten – 2,82 €/lb gegenüber 2,70 €/lb – zeigen das Gegenteil. Diese Spalte macht jede Position direkt mit allen Lieferanten im Stapel vergleichbar.

Food-Cost-Prozentsatz geht noch einen Schritt weiter. Indem Sie Ihre Menüpreise als feste Parameter einbetten – „Food-Cost-Prozentsatz (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 Zielbereich von 28–35 %. Eine Zeile mit 109 % zeigt, dass das Gericht bei den aktuellen Preisen Verlust macht. Diese Berechnung wird für jede Rechnung im Stapel ausgeführt, ohne dass Sie eine Tabellenkalkulationsformel anfassen müssen. Eine ausführliche Erläuterung der Food-Cost-Berechnung – einschließlich der Spaltennamen-Methode und des Regelformat-Ansatzes – finden Sie in der Anleitung zur Berechnung des Food-Cost-Prozentsatzes direkt aus Lieferantenrechnungsfotos.

Preisvergleich der Anbieter ergibt sich direkt aus der Ausgabestruktur. Der Batch-Modus erstellt eine einzelne Tabelle, in der jede Zeile eine Spalte mit dem Anbieternamen enthält. Sortieren Sie nach Artikelname, und alle Preise der verschiedenen Anbieter für dieselbe Zutat erscheinen in benachbarten Zeilen. Sortieren Sie nach Lebensmittelkostenanteil, und die Zutaten, die am dringendsten Aufmerksamkeit benötigen, rücken nach oben. Eine gezielte Anleitung zum anbieterübergreifenden Preisvergleich – einschließlich der Erkennung unangekündigter Preiserhöhungen von Woche zu Woche – finden Sie unter So vergleichen Sie Lebensmittelpreise von Lieferanten aus Rechnungen mit KI.

Der wöchentliche Batch-Workflow: Vom Lieferstapel am Dienstag zum Lebensmittelkostenbericht am Freitag

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

Schritt 1 – Rechnungen unter der Woche sammeln. Der Liefertag Dienstag bringt den größten Stapel: Sysco, US Foods, Obst/Gemüse, Molkereiprodukte. Ein zweiter Liefertag (Donnerstag oder Freitag) fügt Fleisch-, Fisch- und Getränkerechnungen hinzu. 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, da die KI den Inhalt liest, nicht den Dateinamen. Ein einheitliches Präfix hilft jedoch für Ihre eigene Organisation: "Sysco_0515.pdf", "USFoods_0515.pdf", "ProduceLocal_0515.jpg".

Schritt 2 — Laden Sie den gesamten Wochenstapel hoch. Ziehen Sie alle Dateien — 15 bis 25 Dokumente in gemischten Formaten — in den Upload-Bereich. Die KI verarbeitet sie in einem einzigen Durchgang und extrahiert Daten aus jedem Dokument mit derselben Spaltennamen-Vorlage, die Sie bei der Einrichtung gespeichert haben. Keine Konfiguration pro Anbieter. Kein Upload-Zyklus pro Dokument.

Schritt 3 — Prüfen Sie die Ausreißer, nicht jede Zeile. Die Stapelausgabe enthält eine Spalte „Lieferantenname“, die die Quelle jeder Zeile angibt. Überprüfen Sie stichprobenartig ein oder zwei Positionen pro Lieferanten — vergewissern Sie sich, dass die Sysco-Hähnchenbrustzeile die korrekten Stückkosten aufweist und dass die handschriftliche Notiz zu Obst und Gemüse einen verschmierten Preis nicht falsch gelesen hat. Ein Stapel mit 25 Rechnungen und über 200 Positionen benötigt etwa 3 Minuten zur Prüfung — auf der Suche nach Anomalien, nicht zur erneuten Überprüfung jeder Zelle.

Schritt 4 — Herunterladen und analysieren. Die Ausgabe ist eine einzelne Excel-Datei. Sortieren Sie nach Artikelname und Stückkosten, um einen Preisvergleich zwischen Lieferanten zu erhalten. Sortieren Sie nach Lebensmittelkostenanteil, um Gerichte zu identifizieren, die preislich angepasst werden müssen. Erstellen Sie eine Pivot-Tabelle, gruppiert nach Kategorie (Protein, Milchprodukte, Obst & Gemüse, Trockenwaren), um zu sehen, welche Kostenkategorien sich seit letzter Woche verändert haben. Speichern Sie die Datei mit dem Datum der Woche — die Spaltenstruktur ist Woche für Woche konsistent, sodass das Zusammenführen von Dateien zu einer Preishistorie lediglich das Speichern der Ausgabe jeder Woche erfordert.

Für Gruppen mit mehreren Standorten fügen Sie der Extraktionsvorlage eine Spalte „Standort“ hinzu (oder verwenden Sie separate Ordner pro Standort), und derselbe Arbeitsablauf gilt bei dreifachem Volumen ohne zusätzliche Konfiguration pro Standort. Für Betreiber, die Rechnungen in noch größeren Mengen verarbeiten, steht ein spezieller Batch-Rechnung-zu-Excel-Upload-Flow für die Massenverarbeitung von Rechnungen zur Verfügung.

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 Durchgang verarbeiten?

Es gibt keine feste Grenze für die Anzahl der Dateien in einem Batch-Upload. Die praktische Einschränkung ist die Gesamtseitenzahl – ein Batch mit 25 Rechnungen von durchschnittlich 3 Seiten (75 Seiten insgesamt) wird in einem einzigen Job verarbeitet. Bei extrem großen Batches (50+ mehrseitige PDFs) empfiehlt es sich, nach Lieferantenkategorie aufzuteilen – Großhändler in einem Batch, Speziallieferanten in einem anderen –, um die Verarbeitungszeit 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 erfolgt nach semantischer Bedeutung, nicht nach Position. Ein handschriftlicher Produktvermerk und ein formatiertes Sysco-PDF enthalten beide „Rechnungsdatum", „Lieferantenname", „Positionen" und „Preise" – sie stellen sie nur unterschiedlich dar. Die KI findet jeden Datenpunkt unabhängig von seiner Position auf der Seite. Die Ausgabezeile für den handschriftlichen Vermerk hat dieselben Spalten wie die Ausgabezeile für das Sysco-PDF. Einige Zellen können leer sein, wenn die handschriftliche Rechnung weniger Felder hat (keine Artikelnummer, keine Steueraufschlüsselung) – aber die Spaltenstruktur bleibt über alle Zeilen im Batch erhalten.

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

Ja, mit der richtigen Spaltendefinition. Wenn Sie eine Spalte wie „Belegart" oder „Transaktionsart" 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 „Zeilensumme". Für den AP-Abgleich sortieren Sie die Ausgabe vor dem Zahlungslauf nach Belegart, um Gutschriften von Belastungen zu trennen.

Muss ich für jeden Lieferanten eine separate Vorlage erstellen?

Nein. Eine einzige Spaltennamenvorlage funktioniert für alle Lieferanten einer Charge. Das ist der grundlegende Unterschied zwischen vorlagenbasierten Tools – die aufgrund fester Positionen lieferantenspezifische Zuordnungen benötigen – und der Spaltennamenextraktion, die Daten anhand ihrer Bedeutung findet. Eine Spalte namens „Artikelname“ findet Artikelnamen auf Sysco-Rechnungen, US-Foods-Rechnungen, handschriftlichen Produktnotizen und Getränkehändler-PDFs, ohne dass für jede Quelle eine separate Konfiguration nötig ist. Das macht die Stapelverarbeitung praktikabel, ohne dass der Einrichtungsaufwand mit jedem neuen Lieferanten steigt.

Wie geht die KI mit Zutatenbezeichnungen um, die nicht mit denen anderer Lieferanten übereinstimmen?

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

Was ist, 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-Nummer“ findet Bestellnummern, unabhängig davon, ob der Lieferant sie als „PO #“, „Bestellung“, „Auftragsreferenz“ oder „Referenznummer“ bezeichnet – die KI erkennt, dass diese Begriffe 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 Batch-Vorgangs wird ohne Unterbrechung fortgesetzt. Für die gezielte Feldextraktion aus Rechnungen – bei der nur bestimmte Datenpunkte und nicht vollständige Positionen extrahiert werden – bietet das Tool zur Rechnungsfeldextraktion 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 identisch – 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 überprüfen, aber Sie sollten 2–3 Positionen pro Lieferant stichprobenartig kontrollieren. Bei gedruckten Tabellendaten von großen Distributoren erreicht die Erkennungsgenauigkeit bis zu 99 %. Bei handschriftlichen Notizen oder Fotos von geringer Qualität hängt die Genauigkeit von der Lesbarkeit ab – ein klares Foto eines sauber geschriebenen Lieferscheins wird zuverlässig extrahiert; eine verblasste, schräg geschriebene Durchschrift 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 überprüfen Sie die extrahierten Werte bei handschriftlichen oder minderwertigen Eingaben am Quellbild.