So verifizieren Sie eine Batch-Extraktion mit 500 Dokumenten
Ohne jede Zeile zu prüfen
Sie haben gerade 500 Rechnungen mit einem KI-Extraktionstool verarbeitet. Die Ausgabe sieht sauber aus – eine Excel-Tabelle mit gefüllten Zeilen, Summen, die plausibel wirken. Doch der Gedanke schleicht sich ein: Was, wenn etwas stillschweigend falsch ist? Ein falsch gelesener Betrag in Zeile 147. Eine fehlende Position in Zeile 323. Ein Datumsformat, das irgendwo in der Mitte Monat und Tag vertauscht hat. Sie können nicht alle 500 prüfen. Aber Sie können ihnen auch nicht blind vertrauen. Dieser Artikel zeigt Ihnen einen Mittelweg – drei bewährte Stichprobenmethoden aus der industriellen Qualitätskontrolle, plus eine praktische Checkliste, die 30 Minuten dauert, nicht 30 Stunden.
Die wichtigsten Erkenntnisse
- 20 Stunden für die manuelle Prüfung von 500 Dokumenten – und nach Dokument 200 sinkt Ihre Fehlererkennungsrate so stark, dass die verbleibenden 300 Prüfungen Ihnen falsche Sicherheit statt Sicherheit bieten.
- Die Fehlerquote bei menschlichem visuellem Vergleich liegt unter idealen Bedingungen bei 3 bis 5 Prozent und nimmt mit Ermüdung ab – weshalb professionelle Prüfer statistische Stichprobenprüfung und nicht 100-Prozent-Prüfung als Standardmethode verwenden.
- ISO 2859-1-Stichprobentabellen – derselbe Standard, den Fabriken nutzen, um 50 von 10000 Einheiten zu prüfen – ermöglichen es Ihnen, 50 Dokumente in 30 Minuten zu prüfen und eine statistisch vertretbare Annahme- oder Ablehnungsentscheidung mit Prüfpfad zu treffen.
Warum die Verifizierung ein eigenes Problem darstellt
Das schmutzige Geheimnis der Dokumentenextraktion – ob Sie Template-OCR, KI-Visionsmodelle oder altmodische manuelle Datenerfassung verwenden – ist, dass keine Methode zu 100 % genau ist. Weder KI noch menschliche Datenerfasser noch eine goldene ERP-Integration. Der Unterschied zwischen den Tools liegt im Fehlerprofil: welche Art von Fehlern sie machen, wie oft und in welchen Feldern.
Ein KI-Visionsmodell wie ImageToTable.ai könnte eine handschriftliche „4" als „9" auf einem Lieferschein fehlinterpretieren – aber es wird niemals versehentlich Ihre Rechnungsdaten und Ihre Bestellnummern vertauschen, wie es ein müder Mensch tun könnte. Traditionelle OCR könnte jedes Zeichen auf einem makellosen gescannten PDF perfekt erkennen und dann bei einem leicht gedrehten Belegfoto Unsinn produzieren. Jedes Tool hat Muster, die Sie lernen können.
Aber hier ist die unbequeme Wahrheit: Sie können nicht wissen, ob eine bestimmte Extraktion korrekt ist, ohne das Quelldokument anzusehen. Kein Konfidenzwert, keine Genauigkeitskennzahl und keine Herstellergarantie sagt Ihnen, ob die Summe dieser einen Rechnung stimmt. Die Frage ist nicht „Kann ich dem Tool vertrauen?" – sondern „Wie viel muss ich prüfen und wie prüfe ich effizient?"
Hier kommt die Methodik der Qualitätskontrolle ins Spiel, die aus einer Disziplin stammt, mit der die meisten Büroangestellten nie in Berührung kommen: statistische Annahmestichprobenprüfung. Dieselbe Logik, die es einer Fabrik ermöglicht, 50 Einheiten aus einer Lieferung von 10.000 Einheiten zu prüfen und zu entscheiden, ob die gesamte Charge die Anforderungen erfüllt, ist die Logik, die Sie für Ihre Extraktionsergebnisse benötigen.
Methode 1 — Statistische Stichprobenprüfung (AQL)
AQL (Acceptable Quality Limit) ist ein ISO 2859-1-Standard, der seit Jahrzehnten in der Fertigung verwendet wird, um genau diese Frage zu beantworten: „Ich habe eine große Charge. Ich kann nicht alles prüfen. Wie viele prüfe ich und wie entscheide ich, ob die Charge gut genug ist?“
Die Logik lässt sich direkt auf die Verifizierung der Dokumentextraktion übertragen. Sie behandeln jedes Dokument in Ihrer Charge als „Einheit“, Sie definieren, was als „Fehler“ gilt (ein falscher Feldwert, eine fehlende Positionszeile, ein falsch gelesener Betrag), und Sie wenden einen Stichprobenplan an.
So wenden Sie AQL auf die Extraktionsprüfung an
| Chargengröße (Dokumente) | Zu prüfende Stichprobengröße | AQL 2,5 % — Annahme | AQL 2,5 % — Ablehnung |
|---|---|---|---|
| 50 | 13 | ≤1 Fehler | ≥2 Fehler |
| 200 | 32 | ≤2 Fehler | ≥3 Fehler |
| 500 | 50 | ≤2 Fehler | ≥3 Fehler |
| 1.000 | 80 | ≤5 Fehler | ≥6 Fehler |
| 5.000 | 200 | ≤10 Fehler | ≥11 Fehler |
Vereinfachter AQL-2,5-%-Stichprobenplan basierend auf ISO 2859-1 (Allgemeiner Prüfumfang II). Stichprobengrößen für die praktische Anwendung gerundet.
So verwenden Sie dies in der Praxis:
Schritt 1: Nehmen Sie Ihre Charge von 500 extrahierten Dokumenten. Wählen Sie mithilfe eines Zufallszahlengenerators (Excel's =RANDBETWEEN(1,500) funktioniert gut) 50 Dokumente zur Prüfung aus.
Schritt 2: Öffnen Sie für jedes ausgewählte Dokument die Originaldatei neben den extrahierten Daten. Prüfen Sie die wichtigsten Felder: Rechnungsnummer, Datum, Gesamtbetrag, Lieferantenname. Markieren Sie, ob jedes Feld korrekt ist oder einen Fehler aufweist. „Fehler“ umfassen fehlende Daten, falsche Werte, Formatfehler (Daten, die wie Seriennummern aussehen) und halluzinierte Daten, die im Originaldokument nicht vorhanden sind.
Schritt 3: Zählen Sie die Gesamtzahl der Dokumente mit einem oder mehreren Fehlern. Wenn ≤2 Dokumente Fehler aufweisen, besteht die Charge — Sie können die Daten mit Zuversicht freigeben. Wenn ≥3 Dokumente Fehler aufweisen, fällt die Charge durch — Sie müssen entweder eine größere Stichprobe erneut prüfen, den Extraktionsprozess korrigieren oder die gesamte Charge zur manuellen Prüfung eskalieren.
Warum das funktioniert: Ein AQL von 2,5 % bedeutet, dass Sie eine maximal tolerierbare Fehlerquote von 2,5 % über die gesamte Charge akzeptieren. Für Finanzdokumente wie Rechnungen und Bestellungen ist dies ein praktikabler Schwellenwert – weit unter den meisten manuellen Dateneingabefehlern (Branchenbenchmarks beziffern manuelle Eingabefehler auf 3–5 %), ohne die unpraktikable Strenge einer 0-%-Toleranz zu verlangen.
Methode 2 – Schichtungsbasierte Stichprobenprüfung nach Dokumenttyp
AQL funktioniert gut, wenn alle Dokumente in der Charge ungefähr vom gleichen Typ sind. Aber reale Chargen sind selten einheitlich. Ihre „Charge von 500" könnte 300 Lieferantenrechnungen, 120 Bestellungen und 80 Lieferscheine umfassen – und hier ist der entscheidende Punkt: Die Genauigkeit variiert je nach Dokumenttyp.
Rechnungen von großen Lieferanten mit konsistentem Layout (denken Sie an Amazon-Business-Rechnungen oder Bürobedarfshändler) weisen eine höhere Extraktionsgenauigkeit auf als handschriftlich ausgefüllte Lieferscheine von Baustellen. Bestellungen mit sauberen, getippten Tabellen verhalten sich anders als mehrseitige Vertragsrechnungen mit dichten Positionszeilen. Wenn Sie diese in einer einzigen AQL-Stichprobe mischen, riskieren Sie, Probleme in der kleineren, risikoreicheren Teilmenge zu übersehen.
Schichtungsbasierte Stichprobenprüfung löst dieses Problem, indem Sie Ihre Charge in Schichten (Gruppen) basierend auf dem Dokumenttyp aufteilen und dann jede Gruppe unabhängig beproben. Dadurch wird sichergestellt, dass jede Dokumentklasse ihre eigene Qualitätsprüfung erhält.
| Schicht | Anzahl | Stichprobengröße | Annahme (≤ N Fehler) | Ablehnung (≥ N Fehler) |
|---|---|---|---|---|
| Lieferantenrechnungen (sauberes Layout) | 300 | 32 | ≤2 | ≥3 |
| Bestellungen (getippt, strukturiert) | 120 | 20 | ≤1 | ≥2 |
| Lieferscheine (handschriftlich, unterschiedlich) | 80 | 13 | ≤1 | ≥2 |
Schichtungsbasierte Stichprobenprüfung angewendet auf eine gemischte Charge von 500 Dokumenten über drei Typen.
Mit der schichtungsbasierten Stichprobenprüfung könnten Sie feststellen, dass die Lieferantenrechnungen problemlos bestehen (0 Fehler in der Stichprobe), die Bestellungen ein geringfügiges Problem aufweisen (1 Fehler – Grenzfall), aber die handschriftlichen Lieferscheine die Stichprobe nicht bestehen (2 Fehler – Ablehnung). Das zeigt Ihnen genau, wo Sie Ihre manuellen Prüfressourcen einsetzen müssen: Nur die Lieferscheine benötigen eine vollständige Überprüfung, nicht die gesamte Charge. Sie sparen Stunden der Prüfung bei den Rechnungen und Bestellungen und haben den eigentlichen Problembereich mit chirurgischer Präzision identifiziert.
Um dies umzusetzen, trennen Sie Ihre Extraktionsausgabe nach Dokumenttyp in Registerkarten oder Arbeitsblätter auf, bevor Sie die Stichprobenprüfung durchführen. Wenn Ihr Extraktionstool eine Spalte „Dokumenttyp" oder „Quelldateiname" hinzufügt – was ImageToTable.ai im Batch-Modus tut – dauert diese Aufteilung nur Sekunden.
Methode 3 — Feldprioritäts-Stichprobenprüfung
Die dritte Methode kehrt die Logik um: Statt ganze Dokumente zu prüfen, zielen Sie auf bestimmte Felder mit unterschiedlichen Prüfraten ab. Nicht alle Daten sind gleich geschaffen. Eine Rechnungssumme von 149.230,00 $, die um 1.000 $ abweicht, ist ein echtes Problem. Wenn das Feld „Zahlungsempfänger-Adresse" um ein Zeichen abweicht, ist das wahrscheinlich keins.
Die Feldprioritäts-Stichprobenprüfung ordnet jedes Feld einer von drei Prüfstufen zu:
| Stufe | Felder | Prüfrate | Warum |
|---|---|---|---|
| Stufe 1 — 100 % | Rechnungssumme, Positionsbeträge, Mengen, Daten, Rechnungsnummer, Bestellnummer, Steuerbeträge | Jedes einzelne Dokument | Diese fließen in Zahlungen, Abstimmungen und Compliance ein. Ein Fehler hier hat direkte finanzielle Auswirkungen. |
| Stufe 2 — Stichprobenprüfung | Lieferantenname, Adresse, Positionsbeschreibungen, Einzelpreise (wenn nicht der Gesamtsummentreiber) | 10–20 % Zufallsstichprobe | Fehler hier sind wichtig, verursachen aber selten finanzielle Verluste. Sie beeinträchtigen die Berichtsgenauigkeit und Auffindbarkeit. |
| Stufe 3 — Nur bei Ausnahmen | Referenzfelder, Notizen, interne Codes, Fußzeilen-Haftungsausschlüsse, Seitenzahlen | Nur wenn durch Validierungsregeln markiert | Diese sind informativ. Eine falsche Fußzeilennummer hat keine geschäftliche Auswirkung. |
Der praktische Arbeitsablauf: Scannen Sie die extrahierten Ergebnisse Spalte für Spalte und wenden Sie die entsprechende Prüfrate für jede Stufe an. Verwenden Sie für Stufe-1-Felder die bedingte Formatierung von Excel, um alles Verdächtige zu markieren – Summen, die nicht mit den Positionssummen übereinstimmen, Daten im falschen Bereich, doppelte Rechnungsnummern. Verwenden Sie für Stufe 2 =RAND(), um eine zufällige Teilmenge für die visuelle Überprüfung zu markieren. Überprüfen Sie Stufe-3-Felder nur, wenn eine Validierungsregel (wie „Feld sollte mit INV- beginnen") fehlschlägt.
Das Schöne an diesem Ansatz ist, dass er skalierbar ist. Bei einem Batch von 500 Dokumenten ist die Überprüfung jedes einzelnen Stufe-1-Feldes immer noch viel Arbeit – aber es konzentriert Ihre Zeit auf die Felder, in denen Fehler echtes Geld kosten. Und wenn Sie Erfahrung mit Ihrer Dokumentmischung sammeln, werden Sie feststellen, welche Felder für Ihren spezifischen Arbeitsablauf in welche Stufe gehören.
Eine 6-Schritte-Praxischeckliste zur Verifizierung
Hier ist der vollständige Arbeitsablauf, vom Abschluss Ihrer Extraktion bis zur Entscheidung, ob die Daten bereit sind. Er kombiniert alle drei Methoden in einem umsetzbaren Prozess.
Wenn Ihr Batch gemischte Dokumenttypen enthält, teilen Sie diese in separate Gruppen auf. Rechnungen zu Rechnungen, Belege zu Belegen, Bestellungen zu Bestellungen. Jeder Typ hat ein anderes Genauigkeitsprofil und benötigt einen eigenen Stichprobenplan.
Bevor Sie sich ein Dokument ansehen, führen Sie Ihre Daten durch grundlegende Validierungsregeln: =SUM(line items) = total (um Abweichungen wie die in unserem Leitfaden zu Abweichungen bei Positionssummen beschriebenen zu erkennen), prüfen Sie, ob alle Rechnungsnummern einem erwarteten Muster entsprechen (INV-#####), markieren Sie Daten außerhalb Ihres Geschäftszeitraums und zählen Sie doppelte Schlüsselfelder. Diese Prüfungen decken etwa 30 % der Fehler auf, ohne ein einziges Dokument zu inspizieren.
Stichprobenartig Summen, Daten, Rechnungsnummern und Mengen auf jedem Dokument prüfen. Wenn die Batchgröße eine 100%ige Prüfung unpraktisch macht (z. B. 5.000+ Dokumente), reduzieren Sie auf eine 20%ige schichtungsbasierte Stichprobe bei Tier 1 – aber prüfen Sie Tier-1-Felder niemals mit weniger als 20%.
Wählen Sie anhand der Tabelle in Methode 1 Ihre Zufallsstichprobe für jede Schicht. Prüfen Sie jedes Feld (alle Stufen) auf jedem Stichprobendokument. Wenn eine Schicht AQL nicht besteht, eskalieren Sie die gesamte Gruppe – gehen Sie nicht davon aus, dass der Fehler zufällig war.
Erstellen Sie ein einfaches Protokoll: Batchdatum, Gesamtzahl der Dokumente, Stichprobengröße pro Schicht, Anzahl der gefundenen Fehler, Annahme-/Ablehnungsentscheidung pro Schicht und ergriffene Korrekturmaßnahmen. Dieses Protokoll dient zwei Zwecken: Es deckt Ihren Prüfpfad ab (wichtig für SOX-konforme Workflows) und hilft Ihnen, Genauigkeitstrends im Laufe der Zeit zu erkennen.
Annahme – alle Schichten bestehen AQL und die Tier-1-Feldprüfungen sehen sauber aus. Daten freigeben. Bedingte Annahme – geringfügige Schichtfehler, die auf Felder mit geringer Auswirkung beschränkt sind. Diese spezifischen Schichten korrigieren und freigeben. Ablehnung – systemische Fehler über alle Schichten hinweg. Batch ablehnen und den Extraktionsprozess korrigieren, bevor Sie ihn erneut ausführen.
Der gesamte Prozess, von Schritt 1 bis Schritt 6, dauert für einen erfahrenen Bediener etwa 30 Minuten für einen Stapel von 500 Dokumenten – im Vergleich zu über 20 Stunden für eine 100%ige manuelle Überprüfung. Der Kompromiss ist nicht „Genauigkeit vs. Geschwindigkeit“ – es geht darum, dass Sie 95% der Sicherheit für 2,5% des Zeitaufwands erhalten und genau wissen, welche Dokumente eine genauere Betrachtung benötigen.
Wenn die Überprüfung nicht ausreicht
Die Stichprobenprüfung zeigt Ihnen, ob ein Stapel gut genug ist. Sie behebt nicht die zugrunde liegende Extraktionsqualität. Wenn Sie bestimmte Muster in Ihren Überprüfungsergebnissen feststellen, ist die richtige Reaktion nicht „aggressiver stichprobenartig prüfen“ – sondern die Extraktionsprozesse vorgelagert zu beheben.
Achten Sie auf diese Signale:
- Systematische Feldausfälle: Jedes Dokument in der Stichprobe weist denselben Feld Fehler auf – zum Beispiel enthält die Spalte „Gesamt“ durchgängig die Zwischensumme anstelle der Endsumme. Dies ist kein zufälliges Rauschen; es ist ein Problem mit der Spaltenzuordnung. Überprüfen Sie Ihre Extraktionskonfiguration oder erwägen Sie, wie Ihr Tool Gesamtfelder behandelt.
- Gehäufte Fehler bei einer bestimmten Dokumentquelle: Alle Fehler stammen von Scans, die mit einem bestimmten Smartphone oder von PDFs eines bestimmten Anbieters erstellt wurden. Dies zeigt, dass das Problem vorgelagert in der Dokumentqualität liegt, nicht im Extraktionsmodell selbst.
- Formatbedingte Korruption: Daten, die als Excel-Seriennummern angezeigt werden, Währungsbeträge ohne Symbole, Positionszeilentabellen, die in einzelne Zellen kollabieren. Diese werden oft durch verbundene Zellen, inkonsistente Tabellenstrukturen oder Quelldokumente mit komplexer Formatierung verursacht – Probleme, die wir in unserem Leitfaden zur Extraktion verbundener Zellen ausführlich behandeln.
- Wiederholte AQL-Ausfälle über mehrere Stapel hinweg: Wenn drei aufeinanderfolgende Stapel die Stichprobenprüfung nicht bestehen, liegt ein systemisches Genauigkeitsproblem vor, das eine erneute Stichprobenprüfung nicht lösen wird. An diesem Punkt ist die ehrliche Antwort: Das aktuelle Tool oder die Konfiguration erfüllt Ihre Qualitätsschwelle nicht. Es ist Zeit, einen anderen Ansatz zu bewerten.
Zu wissen, wann Sie eskalieren sollten, ist genauso wichtig wie zu wissen, wie Sie Stichproben ziehen. Ein Tool wie ImageToTable.ai, das Stapelverarbeitung mit mehreren Extraktionsmodi unterstützt, bietet Ihnen Optionen – der Wechsel vom Modus Nach Tabelle zu Nach Word, die Anpassung von Spaltendefinitionen oder das Ausprobieren verschiedener Erkennungsmodi kann anhaltende Probleme lösen, ohne die Tools vollständig zu wechseln.
Aber wenn Sie Anpassungen versucht haben und die Fehlerquote immer noch über Ihrer AQL-Schwelle liegt, ist die richtige Entscheidung, die Einschränkung anzuerkennen, nicht Ihre Standards zu senken. Einige Dokumenttypen erfordern tatsächlich einen anderen Ansatz – und das ist kein Versagen eines Tools, sondern ein realistisches Verständnis dessen, was aktuelle KI-Extraktion kann und was nicht.
Häufig gestellte Fragen
Wie wähle ich zwischen AQL, geschichteter und feldpriorisierter Stichprobenziehung?
Nutzen Sie alle drei – sie ergänzen sich, schließen sich nicht aus. Beginnen Sie mit der Feldpriorisierung, um Ihre Finanzfelder zu schützen. Verwenden Sie geschichtete Stichproben für gemischte Dokumenttypen. Wenden Sie AQL als statistisches Rückgrat für Bestehen/Nichtbestehen-Entscheidungen an. Die obige Checkliste kombiniert alle drei in einem Arbeitsablauf.
Liefert eine 100%-Prüfung nicht bessere Ergebnisse als Stichproben?
Theoretisch ja. In der Praxis ist die 100%-Prüfung von 500 Dokumenten so zeitaufwändig und mühsam, dass sie ein eigenes Qualitätsproblem schafft – Prüfermüdigkeit. Nach 200 Dokumenten sinkt die Fehlererkennungsrate der meisten Menschen drastisch. Eine disziplinierte 10%-Stichprobe, sorgfältig durchgeführt, erfasst oft mehr Fehler als eine überhastete 100%-Prüfung aus Erschöpfung. Aus demselben Grund verwenden Wirtschaftsprüfer Stichproben: Es ist keine Faulheit, sondern Methodik.
Was ist, wenn meine Charge AQL besteht, ich aber später Fehler finde?
Das ist kein Methodenfehler – es ist ein korrektes statistisches Ergebnis. Ein AQL-2,5%-Plan akzeptiert explizit, dass bis zu 2,5% der Dokumente Fehler aufweisen können. Wenn Sie einen isolierten Fehler nachgelagert entdecken, beheben Sie ihn und machen weiter. Wenn Sie ein systemisches Fehlermuster entdecken, das die Stichprobe übersehen hat, muss Ihr Stichprobenplan angepasst werden – entweder ist Ihr AQL-Grenzwert für Ihren Anwendungsfall zu großzügig oder Ihre Schichtgrenzen sind falsch.
Kann ich Teile dieses Prüfprozesses automatisieren?
Teilweise. Automatisierte Plausibilitätsprüfungen (Schritt 2) können in Excel mit Formeln und bedingter Formatierung durchgeführt werden. Die Stichprobenauswahl (Schritt 3-4) kann mit =ZUFALLSZAHL() oder =ZUFALLSBEREICH() randomisiert werden. Der eigentliche Dokumentenvergleich – das Öffnen des Originals und der Vergleich mit den extrahierten Daten – erfordert derzeit jedoch menschliche Augen. Es gibt KI-gestützte Prüftools, aber sie führen eine zweite Ebene der KI-Unsicherheit ein, was den Zweck einer unabhängigen Prüfung zunichte macht.
Wie oft sollte ich wiederkehrende Chargen prüfen?
Prüfen Sie bei wöchentlichen oder monatlichen Chargen jede Charge, bis Sie eine Erfolgsbilanz haben. Sobald Sie 5+ aufeinanderfolgende Chargen sehen, die AQL beim gleichen Grenzwert bestehen, können Sie auf eine Stichprobenprüfung jeder dritten Charge reduzieren – prüfen Sie jedoch immer die erste Charge nach einer Änderung: neuer Dokumenttyp, neuer Lieferant, neue Extraktionskonfiguration oder Tool-Update. In dem Moment, in dem Sie die Prüfung ganz einstellen, wird ein stiller Fehler durchrutschen.
Die ehrliche Wahrheit
Jedes Dokumentextraktionstool, ob KI-gestützt oder nicht, hat eine Fehlerquote. Der Unterschied zwischen einer guten und einer schlechten Implementierung liegt nicht darin, ob Fehler auftreten – sondern darin, was man dagegen tut.
Ein Unternehmen, das 500 Rechnungen ohne Prüfplan verarbeitet, spielt. Ein Unternehmen, das 40 Stunden damit verbringt, jedes einzelne Feld jeder Rechnung zu prüfen, verbrennt Geld. Ein Unternehmen, das eine strukturierte Stichprobenmethodik anwendet – mit AQL-Grenzwerten, geschichteter Stichprobenziehung nach Dokumenttyp und feldpriorisierter Prüfung – arbeitet professionell. Es kennt seine Fehlerquote, weiß, wann eine Charge anzunehmen und wann zurückzuweisen ist, und hat einen Prüfpfad, der den Prozess belegt.
Diese professionelle Mitte ist es, die Ihnen dieses Framework bietet. Es ist an ISO 2859-1 angelehnt – ein Standard, der seit Jahrzehnten Qualitätsentscheidungen in der Fertigung bestimmt – weil die Mathematik stimmt. Und es funktioniert unabhängig davon, welches Extraktionstool Sie verwenden. Die Methode ist toolunabhängig; nur das erwartete Fehlerprofil ändert sich.
Testen Sie es mit Ihrer nächsten Charge. Wählen Sie 50 Dokumente zufällig aus. Nehmen Sie sich 30 Minuten Zeit, um sie zu prüfen. Sehen Sie, ob die Ergebnisse Ihnen etwas sagen, das Sie noch nicht über Ihre Extraktionsqualität wussten.