Eine Woche Lebensmittelhändler-Rechnungen
in einem Bericht zusammenfassen

Warum Einzelrechnungs-Tools im Batch-Kontext die Arbeit vervielfachen

Eine Restaurantgruppe mit drei Standorten erhält in einer typischen Woche möglicherweise 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 Getränkehändler 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 vielen Lieferanten verarbeitet regelmäßig 10 bis 15 Rechnungen pro Liefertag, also 20 bis 30 pro Woche.

Einzelrechnungs-Tools bearbeiten 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 und dann manuell 15 separate Tabellenblätter in eine einzige Hauptdatei 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 in einer konsolidierten Tabelle zusammen. Kein dokumentenweiser Upload-Zyklus. Keine manuelle Tabellenblatt-Zusammenführung. Das Tool übernimmt die Aggregation als Teil der Extraktion.

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

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

Spaltenwanderung. Wenn Sie eine einzelne Rechnung extrahieren, können Sie die Spaltennamen an das jeweilige Lieferantenformat 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 eines einzelnen Lieferanten stellt sich nie das Problem der Normalisierung von Zutatenbezeichnungen. 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 diese zu einer einheitlichen Bezeichnung zusammenführen, sonst wird die Tabelle für zeilenübergreifende Vergleiche 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 als Fließtext und nicht in Tabellenspalten erscheinen. Ein Tool für Einzelrechnungen kann auf jedes Format individuell abgestimmt werden. Ein Batch-Tool muss alle drei im selben Auftrag verarbeiten können, ohne separate Konfiguration pro Lieferant – sonst wird die Zeitersparnis beim Hochladen durch den Einrichtungsaufwand zunichtegemacht.

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

Spaltennamen entwerfen, die über 10 verschiedene Lieferantenformate hinweg Bestand haben

Die mit Abstand wichtigste Entscheidung bei der Batch-Verarbeitung ist die Spaltenliste. Einmal richtig festgelegt, funktioniert sie für jeden Lieferanten und jede Rechnung für den Rest des Jahres. Falsch gewählt – zu lieferantenspezifisch, zu eng oder zu vage – und Sie verbringen mehr Zeit mit der Nachbearbeitung der Ausgabe, als Sie durch die Extraktion gespart haben.

ImageToTable.ai verwendet die Spaltennamensextraktion: Anstatt Felder mit Rahmen zu markieren oder pro Lieferant eine Vorlage zu trainieren, geben Sie die gewünschten Feldnamen ein – „Rechnungsdatum", „Lieferantenname", „Artikelname" – und die KI lokalisiert jeden Wert überall auf der Seite, indem sie versteht, was er bedeutet, nicht wo er steht. Dies unterscheidet sich grundlegend von vorlagenbasierter OCR, die nach fester Position extrahiert und bei abweichenden Layouts eine Konfiguration pro Lieferant erfordert.

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

Drei Spalten in dieser Liste leisten Arbeit, die auf den ersten Blick nicht offensichtlich ist:

• "Einheit (lb / Kiste / Stück / Gallone)" — Die Beispiele in Klammern schränken den Ausgabewortschatz der KI ein. Ohne sie könnte bei einem Lieferanten "CS" für "Kiste" und bei einem anderen "Kiste" stehen – uneinheitliche 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, sodass Sie sie nicht später in Excel erledigen müssen. Eine 40-lb-Kiste Hähnchenbrust für 112,80 $ ergibt automatisch Stückkosten von 2,82 $ pro Pfund. Berechnete Spalten unterstützen Arithmetik, zeilenübergreifende Aggregation, Bedingungslogik und feste Parameterreferenzen – alles in einfacher Sprache im Spaltennamen oder in einer separaten Regelformat-Definition festgelegt.
• "Artikelname (wie gedruckt)" — Der Zusatz "wie gedruckt" weist die KI an, die genaue Schreibweise des Lieferanten beizubehalten. Dies ist für die Prüfung wertvoll – Sie können jede Zeile bis zur Originalrechnung zurückverfolgen. Es bedeutet aber auch, dass die Ausgabe über Lieferanten hinweg uneinheitliche Zutatenbezeichnungen verwendet, was im nächsten Abschnitt direkt behandelt wird.

Diese Spaltenliste, die nach der ersten Verwendung als Vorlage gespeichert wird, wird zur Vorlage für jeden weiteren Batch. Neuer Lieferant hinzugefügt? Dieselben Spalten. Format geändert? Dieselben Spalten. Der Aufwand liegt vorne: Investieren Sie fünf Minuten, um die Spalten einmal zu definieren, und jeder Batch danach ist ein Drag-and-Drop-Vorgang.

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

Dies ist das schwierigste Problem bei der Batch-Verarbeitung von Lebensmittelrechnungen, und dasjenige, bei dem vorlagenbasierte OCR-Tools am sichtbarsten versagen. Wenn ein traditionelles 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 keinen Mechanismus, um zu erkennen, dass diese dasselbe Produkt beschreiben. Die Zeichenfolgen überschneiden sich nicht. Die OCR gibt zwei verschiedene Zeilen mit unterschiedlichen Bezeichnungen aus, und der benötigte Vergleich – Stückkosten nebeneinander über Lieferanten hinweg – kommt nie zustande.

Ein Vision-Large-Modell geht anders vor. Es gleicht keine Zeichen ab; es liest nach Bedeutung. Wenn Sie eine Spalte namens "Hähnchenbrust" definieren, durchsucht die KI jede Rechnung nach jeder Position, die Hähnchenbrust ohne Haut und Knochen beschreibt – unabhängig von Abkürzung, Groß-/Kleinschreibung, Produktcode-Format 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 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 Spaltenname behandelt jeden Lieferanten im Batch.

Es gibt einen Kompromiss, und in der Praxis ist er relevant. Wenn Sie "Hähnchenbrust" als Spaltennamen definieren und die KI sowohl "CHICKEN BREAST BONELESS SKINLESS 6 OZ" als auch "CHICKEN BREAST BONE-IN 8 OZ" auf verschiedenen Rechnungen findet, kann es sein, dass sie beide derselben Spalte zuordnet – weil es sich bei beiden um Hähnchenbrust-Positionen handelt. Für einen präzisen Vergleich auf SKU-Ebene fügen Sie die Spalte für den Produktcode oder die Packungsgröße neben dem Zutatennamen ein und verwenden Sie diese für den exakten Abgleich in der Ausgabetabelle. Die obige Batch-Spaltenvorlage 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 Dienstag-Liefertag bringt ein Formatgemisch mit sich, das vorlagenbasierte Systeme nicht ohne separate Konfiguration für jeden Dokumententyp 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 PDF mit anderem Spaltenlayout – Positionsbeschreibungen vor Produktcodes, Packungsgrößen im Beschreibungsfeld 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 sowie Abfülldaten in einem eigenen Feld, das die meisten Lebensmittelrechnungen nicht enthalten

Vorlagenbasierte OCR benötigt für diesen Batch vier separate Konfigurationen – eine pro Anbieter. Ändert der lokale Gemüsehändler von Woche zu Woche seinen Schreibstil oder sein Format, bricht die Vorlage. Der Einrichtungsaufwand steigt mit jedem neuen Anbieter, und die Wartung wird zur wiederkehrenden Aufgabe.

Ein Vision-Modell verarbeitet diese Mischung in einem einzigen Batch-Upload, weil es jedes Dokument nach seinem Inhalt liest, nicht nach seiner Position. Es findet das „Rechnungsdatum“ im Sysco-PDF im Kopfbereich, im US-Foods-PDF oben rechts und auf der handschriftlichen Notiz oben hingekritzelt – 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 anbieterspezifische Einrichtung 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 bleiben leer, wenn eine bestimmte Rechnung weniger Felder enthält (eine handschriftliche Notiz hat selten eine Produktcode- oder Steueraufschlüsselung), aber die Spaltenstruktur bleibt über alle Zeilen hinweg erhalten.

Bei Dokumenten mit dichter Handschrift oder geringer Bildqualität aktivieren Sie Precision+ – einen manuellen Genauigkeitsschalter in der Extraktionsoberfläche –, der der KI zusätzliche Durchläufe zur Verbesserung der Felderkennung ermöglicht. Der Nachteil sind 2–3 zusätzliche Sekunden pro Seite. Bei sauberen PDFs großer Händler lassen Sie es aus. Beim Handyfoto einer mit Bleistift geschriebenen Notiz des Gemüsehändlers schalten Sie es ein.

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

Der wahre Wert der Batch-Verarbeitung liegt nicht in schnellerer Extraktion. Sondern darin, dass Sie Berechnungen direkt in die Extraktion einbetten können – und diese Berechnungen automatisch über jedes Dokument im Batch laufen.

Drei berechnete Spalten verwandeln die Batch-Ausgabe von einem Daten-Dump in einen analysereifen 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 sieht der höhere 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 jedem Lieferanten im Batch vergleichbar.

Food Cost % geht noch 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. Ein Wert von 31 % liegt im Zielbereich von 28–35 %. Ein Wert von 109 % zeigt an, dass das Gericht bei den aktuellen Preisen Verlust macht. Diese Berechnung läuft über jede Rechnung im Batch, ohne dass Sie eine Tabellenkalkulationsformel anfassen müssen. Eine ausführliche Anleitung zur Food-Cost-Berechnung – sowohl mit der Spaltennamen-Methode als auch mit dem Regelformat – finden Sie im Leitfaden Food-Cost-Prozentsatz direkt aus Lieferantenrechnungsfotos berechnen.

Lieferantenpreisvergleich ergibt sich auf natürliche Weise aus der Ausgabestruktur. Der Batch-Modus erzeugt eine einzige Tabelle, in der jede Zeile eine Spalte „Lieferantenname“ enthält. Sortieren Sie nach Artikelname, und alle Preise der Lieferanten für dieselbe Zutat erscheinen in benachbarten Zeilen. Sortieren Sie nach Food Cost %, und die Zutaten, die am dringendsten Aufmerksamkeit benötigen, steigen nach oben. Eine gezielte Anleitung zum lieferantenübergreifenden Preisvergleich – einschließlich der Erkennung unangekündigter Preiserhöhungen von Woche zu Woche – finden Sie unter Lebensmittel-Lieferantenpreise aus Rechnungen mit KI vergleichen.

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

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

Schritt 1 – Rechnungen unter der Woche sammeln. Der Dienstag als Liefertag bringt den größten Stapel: Sysco, US Foods, Obst/Gemüse, Molkereiprodukte. Ein zweiter Liefertag (Donnerstag oder Freitag) fügt Fleisch-, Meeresfrüchte- und Getränkerechnungen hinzu. Sammeln Sie alle Rechnungen – per E-Mail weitergeleitete PDFs, per Handy am Hintereingang aufgenommene Fotos von Papierrechnungen – in einem einzigen Ordner. Die Namenskonvention ist locker, da die KI den Inhalt liest, nicht den Dateinamen. Ein konsistenter 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 Durchgang und extrahiert Daten aus jedem Dokument mit derselben Spaltennamen-Vorlage, die Sie beim Einrichten gespeichert haben. Keine Konfiguration pro Lieferant. Kein Upload-Zyklus pro Dokument.

Schritt 3 – Die Ausreißer prüfen, nicht jede Zeile. Die Batch-Ausgabe enthält eine Spalte "Lieferantenname", die die Quelle jeder Zeile identifiziert. Überprüfen Sie stichprobenartig ein oder zwei Positionen pro Lieferant – vergewissern Sie sich, dass die Sysco-Hähnchenbrust-Zeile die korrekten Stückkosten anzeigt, dass die handschriftliche Obst/Gemüse-Notiz einen verschmierten Preis nicht falsch gelesen hat. Ein Batch mit 25 Rechnungen und über 200 Positionen benötigt etwa 3 Minuten zur Überprüfung – 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 sehen. Sortieren Sie nach Lebensmittelkosten %, um Gerichte zu identifizieren, die preislich angepasst werden müssen. Erstellen Sie eine Pivot-Tabelle, gruppiert nach Kategorie (Protein, Molkerei, 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 Stapeln von Dateien in eine 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 Workflow gilt bei dreifachem Volumen ohne zusätzliche Konfiguration pro Standort. Für Betreiber, die Rechnungen in noch größeren Mengen verarbeiten, steht ein dedizierter Batch-Rechnung-zu-Excel-Upload-Flow für die Massenrechnungsverarbeitung zur Verfügung. Wenn derselbe wöchentliche Ordner auch Lieferscheine, Quittungen oder andere Nicht-Rechnungsdokumente enthält, ist der umfassendere 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 Einschränkung ist die Gesamtseitenzahl – ein Batch mit 25 Rechnungen von durchschnittlich 3 Seiten (75 Seiten gesamt) wird in einem einzigen Job 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 geht kaputt. Die Spaltennamensextraktion liest nach semantischer Bedeutung, nicht nach Position. Ein handschriftlicher Produktvermerk und ein formatiertes 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 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 hinweg erhalten.

Kann die KI Gutschriften und Korrekturnoten verarbeiten, die mit regulären Rechnungen im Batch vermischt 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 Kreditorenabgleich 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 Spaltennamensvorlage funktioniert für alle Lieferanten im Batch. Dies ist der grundlegende Unterschied zwischen vorlagenbasierten Tools – die für jeden Lieferanten separate 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 Produktvermerken und Getränkehändler-PDFs, ohne dass für jeden eine separate Konfiguration erforderlich ist. Das macht die Batch-Verarbeitung praktikabel, ohne dass der Einrichtungsaufwand mit jedem neuen Lieferanten multipliziert wird.

Wie verarbeitet die KI Zutatenbezeichnungen, die zwischen Lieferanten abweichen?

Die KI liest Zutatenbezeichnungen sinngemäß, nicht zeichengenau. „BNLS SKNLS CHKN BRST 6OZ", „Chicken Breast Boneless" und handschriftliches „chx breast" werden derselben Spalte zugeordnet, da das Modell erkennt, 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 Abgleiche 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. „Bestellnummer" findet Bestellnummern, unabhängig davon, ob der Lieferant sie als „PO #", „Purchase Order", „Bestellbezug" oder „Referenznummer" bezeichnet – die KI versteht, dass diese sich auf dasselbe Konzept beziehen, 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 – also das Herausziehen nur bestimmter Datenpunkte statt vollständiger Positionen – bietet das Tool zur Rechnungsfeldextraktion eine für gezielte Rechnungsdatenpunkte optimierte Vorlage.

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 kontrollieren, aber Sie sollten 2–3 Positionen pro Lieferant stichprobenartig prüfen. Bei gedruckten Tabellendaten großer Distributoren erreicht die Erkennungsgenauigkeit bis zu 99 %. Bei handschriftlichen Notizen oder Fotos von schlechter Qualität hängt die Genauigkeit von der Lesbarkeit ab – ein klares Foto eines sauber geschriebenen Lieferscheins lässt sich zuverlässig extrahieren; ein verblasster, schräg fotografierter Durchschlag 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.