Eine WhatsApp-Sprechblase ist kein Bankformular
Kontonummer und Betrag trotzdem extrahieren

Warum eine Chat-Blase wie etwas aussieht, das nicht geparst werden kann

Wenn jemand seine Bankdaten über WhatsApp sendet, enthält die Nachricht in der Regel drei oder vier Informationen in einem einzigen Textblock: den Banknamen, eine Kontonummer, manchmal eine Bankleitzahl oder einen Sort Code sowie den zu überweisenden Betrag. Sie kann als eine Nachricht eintreffen oder auf zwei oder drei Blasen verteilt sein, aber das Kernproblem ist dasselbe — die Daten haben keine Struktur. Es gibt keine Spalte, die besagt: „Diese Zahl ist das Konto“ und „jene Zahl ist der Betrag“. Beides sind nur Zahlen im selben Satz.

Die natürliche Reaktion ist, einen Screenshot zu machen — man möchte eine Aufzeichnung dessen, was gesendet wurde — und dann die Zahlen dort einzutippen, wo man sie tatsächlich benötigt: in eine Tabellenkalkulation, eine Rechnung, eine Buchhaltungs-App oder eine Zahlungsbestätigung. Genau in diesem manuellen Schritt passieren Fehler, besonders wenn man an einem Tag mehrere Kunden Zahlungen abwickelt und jede einen anderen Kontonummer- und Betragswert hat, der in einem anderen Chat nach oben gescrollt ist.

Diese Situation ist häufig. Ein Freiberufler erhält Bankdaten von einem neuen Kunden und macht einen Screenshot vom Chat für seine Unterlagen. Ein Kleinunternehmer erhält eine WhatsApp-Nachricht mit den Kontodaten eines Lieferanten für eine Rechnungszahlung. Ein Mitbewohner sendet sein Bankkonto zur Aufteilung der Miete. In jedem Fall sind die Informationen sichtbar — man kann sie mit den Augen lesen — aber sie in ein nutzbares Format zu bringen, bedeutet entweder, sie abzutippen oder ein Werkzeug zu finden, das die Teile automatisch trennen kann.

Was traditionelle OCR tatsächlich liest (und warum das nicht ausreicht)

Die traditionelle optische Zeichenerkennung liest den WhatsApp-Screenshot und extrahiert jedes Zeichen, das sie finden kann. Die Ausgabe ist eine Textzeichenfolge — „Bank: Chase, Konto: 123456789, Betrag: $500“ — was genau das ist, was ein Mensch beim Betrachten des Bildes lesen würde. Das Problem ist, dass OCR nicht weiß, was diese Wörter bedeuten. Sie sieht Bank, Chase, Konto, 123456789, Betrag, $500 als eine flache Abfolge von Token. Die Zahl 123456789 könnte eine Kontonummer, eine Telefonnummer oder eine Transaktions-ID sein. Die $500 könnten der Überweisungsbetrag oder ein Mindestguthaben sein. Für OCR sind es nur Zeichencluster ohne semantische Rolle.

Dies ist eine grundlegende Einschränkung der positionsbasierten Extraktion: Ohne die Bedeutung der Wörter neben den Zahlen zu kennen, kann das Werkzeug nicht sagen, welche Zahl welche ist. Eine Chat-Blase ohne festes Layout — in der der Absender „Konto-Nr.: 123456789“ oder „Kto. 123456789“ oder einfach nur „123456789“ ohne Beschriftung schreiben könnte — macht jedes System zunichte, das auf Muster oder Position setzt.

Die Lücke liegt nicht in der Erkennungsgenauigkeit. Moderne OCR kann die Zeichen in einem sauberen WhatsApp-Screenshot mit nahezu perfekter Genauigkeit lesen — der Text ist digital, gut beleuchtet und nicht verzerrt. Die Lücke liegt im Verständnis dessen, was diese Zeichen im Kontext bedeuten.

Warum visuelle KI die Kontonummer vom Betrag unterscheiden kann

Der Unterschied zwischen herkömmlicher OCR und einem Vision-Language-Modell liegt nicht darin, wie gut jedes Zeichen gelesen wird – sondern darin, ob das System versteht, was die Wörter bedeuten. Visuelle KI liest den WhatsApp-Screenshot und bleibt nicht bei der Zeichenerkennung stehen. Sie verarbeitet das Bild und erkennt die semantische Struktur der Nachricht: Sie erkennt Account als Bezeichnung, die eine Kontonummer einleitet, Amount als Bezeichnung, die einen Geldbetrag einleitet, und Bank als Bezeichnung für den Namen des Finanzinstituts.

Das ist die Kernidee hinter Benutzerdefinierte Spaltenextraktion: Sie definieren die gewünschten Ausgabespalten – „Kontonummer" und „Betrag" – und die KI findet die passenden Werte überall auf dem Screenshot, indem sie versteht, was diese Bezeichnungen bedeuten. Sie benötigt die Kontonummer nicht an einer bestimmten Position, in einer bestimmten Schriftart oder in einem bestimmten Format. Sie findet die Nummer, die auf das Wort „Account" (oder „A/C" oder „Account No.") folgt, und die Nummer, die auf das Wort „Amount" (oder „$" oder „Total") folgt. Das gleiche Prinzip, das für die Datenextraktion aus Zahlungsscreenshots, die keine formellen Belege sind funktioniert, gilt auch für WhatsApp-Chatblasen, die überhaupt keine formellen Dokumente sind.

Die Extraktion hängt nicht vom visuellen Layout der Chatblase ab – sie hängt davon ab, dass die KI die Sprache der Bankanweisungen versteht. Solange der Absender Bezeichnungen wie „Account", „Amount" oder eine ähnliche Kennung einfügt, kann das System die Zahlen korrekt trennen.

Aus diesem Grund funktioniert der Ansatz auch dann, wenn die Nachricht anders formatiert ist – mit dem Banknamen zuerst, dem Betrag in einer separaten Zeile oder der Kontonummer mitten im Satz. Visuelle KI verarbeitet die gesamte Nachricht als zusammenhängenden Block und ordnet jede Zahl der Bezeichnung zu, die sie beschreibt.

So extrahieren Sie Kontonummer und Betrag aus einem WhatsApp-Screenshot

Der Arbeitsablauf ist unkompliziert und erfordert keine Einrichtung pro Absender oder Nachrichtenformat. So funktioniert es in der Praxis.

Der gesamte Prozess – vom Upload bis zur strukturierten Ausgabe – dauert etwa 5 bis 10 Sekunden pro Screenshot. Für einen Freiberufler, der zehn Kundenzahlungsbestätigungen in einem einzigen Batch verarbeitet, sind das weniger als zwei Minuten statt der zehn oder fünfzehn, die man bräuchte, um jede Kontonummer und jeden Betrag manuell einzutippen, zu überprüfen und die Einträge zu formatieren.

Drei Szenarien, in denen das tatsächlich vorkommt

Das Szenario „Bankdaten in WhatsApp“ ist nicht hypothetisch – es tritt regelmäßig in mehreren realen Kontexten auf, jeweils mit leicht unterschiedlichen Informationsmustern.

Freiberufler, die Zahlungen von Kunden erhalten. Ein freiberuflicher Designer, Autor oder Berater stellt einem Kunden eine Rechnung, und der Kunde antwortet mit „Super, hier sind meine Bankdaten für die Überweisung“, gefolgt von einer Nachricht mit den Kontoinformationen. Der Freiberufler macht einen Screenshot des Chats als Zahlungsbeleg und muss die Daten später in seine Buchhaltungsdatei eintragen. Über einen Monat mit Kundenarbeit hinweg kann das ein Dutzend oder mehr Screenshots von verschiedenen Kunden bedeuten, jeweils mit einer anderen Kontonummer und unterschiedlichen Nachrichtenformaten.

Kleine Unternehmen, die WhatsApp Business nutzen. In Märkten, in denen WhatsApp das primäre Geschäftskommunikationstool ist – in Indien, Brasilien, Mexiko, Nigeria und Südostasien – teilen Lieferanten und Kunden Bankdaten regelmäßig über den Chat als Teil von Bestellbestätigungen und Rechnungsabgleichen. Ein kleiner Einzelhändler könnte an einem einzigen Vormittag Kontodaten von fünf verschiedenen Lieferanten erhalten, jede als WhatsApp-Nachricht, die für den Zahlungslauf gescreenshottet wird.

Private Überweisungen und geteilte Ausgaben. Seltener, aber dennoch üblich: Ein Freund oder Familienmitglied sendet sein Bankkonto für eine Mietzahlung, eine Erstattung für eine Gruppenreise oder ein Geschenk. Der Screenshot liegt als Beleg in der Galerie des Telefons, und die Zahlen müssen in eine Tracking-Tabelle oder ein Ausgabenprotokoll übernommen werden.

In allen drei Fällen ist der Kernbedarf derselbe: Die Informationen sind im Screenshot sichtbar und müssen mit möglichst wenig manuellem Aufwand zu strukturierten Daten werden. Die Menge an wiederholten Screenshots – nicht ein einzelner – macht den Extraktionsansatz wertvoll.

Was das kann und was nicht

Es lohnt sich, klarzustellen, wo die Grenzen liegen. Die KI kann die Kontonummer und den Betrag extrahieren, die in der WhatsApp-Nachricht erscheinen, aber sie kann nicht überprüfen, ob diese Angaben korrekt sind oder ob das Bankkonto der Person gehört, die es gesendet hat. Der Screenshot ist eine Aufzeichnung dessen, was kommuniziert wurde, kein validiertes Finanzdokument. Wenn Sie einen offiziellen Zahlungsnachweis benötigen – einen Kontoauszug, eine Transaktionsquittung oder eine formelle Rechnung – ersetzt der WhatsApp-Screenshot diese allein nicht.

Es gibt auch Formatfälle, in denen die Extraktion weniger zuverlässig ist. Wenn der Absender die Kontonummer und den Betrag ohne jegliche Beschriftung schreibt – nur „123456789 $500“ ohne Kontext – hat die KI weniger semantische Informationen, mit denen sie arbeiten kann. In der Praxis fügen die meisten Menschen zumindest „Konto“ und „Betrag“ oder ein „$“-Zeichen hinzu, aber völlig unbeschriftete Zahlen erhöhen die Wahrscheinlichkeit, dass die falsche Zahl in der falschen Spalte landet. Das Tool funktioniert am besten, wenn die Nachricht identifizierende Beschriftungen enthält – selbst minimale wie „Kto.“ und „$“ – die dem System sagen, welche Zahl welche ist.

Die ehrliche Einschätzung: Ein WhatsApp-Screenshot kann Ihnen zuverlässig die Kontonummer und den Überweisungsbetrag liefern, wie sie im Chat geschrieben wurden. Er liefert Ihnen keinen bankbestätigten Transaktionsnachweis. Für Buchhaltungs- und Nachverfolgungszwecke ist das oft genug. Für Prüfungs- oder Rechtsnachweise benötigen Sie die offizielle Erklärung der Bank.

Häufig gestellte Fragen