Intelligente Dokumentenverarbeitung – Daten aus jedem Geschäftsdokument extrahieren, klassifizieren und validieren ohne Training
Die meisten IDP-Software folgt noch dem Enterprise-Verkaufsplaybook: sechsmonatige Proofs of Concept, Modelltraining pro Dokumenttyp und Preise, die jenseits der meisten Team-Budgets liegen. Diese hier überspringt den Beschaffungszyklus – geben Sie Ihre Spaltennamen ein, laden Sie ein beliebiges Dokument hoch und erhalten Sie in 5–10 Sekunden pro Seite strukturierte Daten zurück.
5–10 s pro Seite · Bis zu 99 % Genauigkeit bei Druckschrift · Null Training · Null Vorlagen
Was Sie extrahieren können — Spalten einmal definieren, überall anwenden
Geben Sie die gewünschten Spaltennamen ein — Lieferant, Referenz-Nr., Betrag, Steuer — und die Bild-KI lokalisiert jeden Wert auf jeder Seite, indem sie versteht, was er bedeutet, nicht wo er steht. Das ist Benutzerdefinierte Spaltenextraktion: Sie definieren das Ausgabeschema einmal, und die KI befüllt diese Spalten aus Rechnungen, Quittungen, Bestellungen, Kontoauszügen, Verträgen und Formularen — alle im selben Batch, alle mit denselben Spaltendefinitionen. Keine Konfiguration pro Dokumententyp. Keine Vorlagen pro Lieferant. Keine Trainingsdaten.
Dies sind beispielhafte Spaltennamen. Sie definieren sie einmal, und dieselben Spalten extrahieren Daten aus Rechnungen, Quittungen, Verträgen, Bestellungen, Kontoauszügen und anderen Geschäftsdokumenten im selben Batch — keine Einrichtung pro Typ, keine zusätzliche Konfiguration, wenn ein neues Lieferantenformat eintrifft.
Zwei IDP-Architekturen, zwei radikal unterschiedliche Einführungswege
IDP-Software teilt sich in zwei grundlegend verschiedene Kategorien – nicht nach Funktionen oder Genauigkeitsversprechen, sondern danach, wer sie nutzen kann und wie lange es bis zum Live-Gang dauert. Das Verständnis dieses Unterschieds entscheidet, ob Sie noch diese Woche Dokumente verarbeiten oder im nächsten Quartal einen Lenkungsausschuss zur Anbieterbewertung einberufen.
ML-Trainiertes IDP: Für den Einkauf entwickelt, nicht für die Produktivität
Das sechsmonatige Einführungsfenster ist eine architekturbedingte Eigenschaft, kein Ausführungsfehler. Enterprise-IDP-Plattformen (ABBYY, Hyperscience, Rossum, UiPath) sind auf ein professionelles Dienstleistungsmodell ausgelegt: Anbieterbewertung, Proof-of-Concept an kuratierten Stichproben, Modelltraining mit 50–100 gelabelten Dokumenten pro Dokumenttyp, Integrationsentwicklung, Abnahmetests und Change-Management. Jeder Schritt erfüllt einen echten Zweck – doch der kumulative Zeitplan bedeutet, dass IDP-Beschaffungen in Quartalen und nicht in Tagen gemessen werden. Das funktioniert für Fortune-500-Unternehmen, die die Einrichtungskosten über Millionen von Dokumenten amortisieren können. Es funktioniert nicht für ein Team, das monatlich 500 Rechnungen von 30 Lieferanten verarbeitet.
Trainingsdaten skalieren mit der Dokumentenvielfalt, und die Vielfalt skaliert mit dem Unternehmenswachstum. ML-basiertes IDP erfordert für jeden zu verarbeitenden Dokumententyp ein neues Modell – oder mindestens 20–50 gelabelte Stichproben, um ein bestehendes Modell anzupassen. Wenn Ihr Unternehmen Rechnungen, Quittungen, Bestellungen, Verträge, Kontoauszüge und Lieferscheine erhält – in Formaten, die je nach Lieferant variieren – vervielfacht sich der Trainingsaufwand. Eine umfassende IDP-Bewertung 2026 auf Reddit rechnet vor: "Wenn Sie 30 Dokumententypen haben, die benutzerdefinierte Modelle benötigen, ist eine Plattform, die 300 Stichproben pro Typ und zwei Wochen ML-Arbeit pro Typ erfordert, eine grundlegend andere Investition." Die Trainingslast ist keine einmalige Einrichtung – sie ist eine fortlaufende Wartungsaufgabe, während sich Formate weiterentwickeln.
Preisintransparenz ist kein Zufall – sie ist ein Qualifikationsfilter. Rossum, ABBYY, Hyperscience und UiPath verstecken ihre Preise alle hinter „Kontakt“-Buttons. Parseurs Tool-Vergleichsleitfaden stellt fest, dass für die Enterprise-Stufe „die Preise nicht auf der Website verfügbar sind; Sie müssen sie direkt kontaktieren.“ Das Muster ist strukturell: Wenn eine Plattform über Lenkungsausschüsse und Beschaffungszyklen verkauft wird, fehlen öffentliche Preise bewusst, weil der Preis verhandelt – nicht entdeckt – wird. Für ein Team ist diese Intransparenz selbst eine Hürde: Sie können ein Tool nicht bewerten, wenn Sie nicht herausfinden können, was es kostet, ohne eine Demo zu vereinbaren.
Vision AI IDP: Spaltennamen statt Training, Minuten statt Monate
Semantisches Verständnis ersetzt Trainingsdaten und beseitigt so die Einführungshürde. Ein Vision-Language-Modell (VLM) liest jedes Dokument so wie ein Mensch – es versteht die Bedeutung von Daten im Kontext. „Rechnungsnummer“ auf einer Seite, „Beleg-Nr.“ auf einer anderen, „Bestell-Nr.“ auf einer dritten und eine unbeschriftete Referenznummer auf einem gescannten Formular – das VLM ordnet sie alle Ihrer Spalte „Referenznummer“ zu, weil es ihre semantische Rolle erkennt. Die Architektur verzichtet auf eine klassifikationsbasierte Logik: Es gibt keinen Schritt, in dem das System entscheidet „das ist eine Rechnung“, bevor es die Extraktion vornimmt. Es liest die Seite, findet, was zu Ihren Spaltennamen passt, und fährt fort. Genau das macht die benutzerdefinierte Spaltenextraktion aus: Sie definieren das Schema, das VLM wendet es universell an – kein typspezifisches Modell, keine Trainingsbeispiele, kein erneutes Training bei Layoutänderungen.
Ein einheitliches Schema für alle Dokumententypen – null Konfigurationsaufwand. Rechnungen von 15 Lieferanten, 10 Ausgabenbelege, 5 Bestellungen, 3 Kontoauszüge – laden Sie alles in einem Batch hoch. Jedes Dokument wird zu einer Zeile in der Ausgabe mit genau den von Ihnen definierten Spalten. Felder, die in einem Dokument fehlen, bleiben leer, ohne den Batch zu stoppen. Die Verarbeitung läuft mit 5–10 Sekunden pro Seite (vs. ~3 Minuten manuelle Dateneingabe pro Seite). Eine neue Dokumentenkategorie – eine Versicherungsbescheinigung, ein Lieferschein, ein Zählerstand – erfordert keine neue Einrichtung, nur die bereits verwendeten Spaltennamen. Die Definition von „produktionsreif“ verschiebt sich von „das PoC ist abgenommen“ zu „Sie haben gerade Ihre erste Tabelle heruntergeladen.“
Self-Service heißt nicht oberflächlich – berechnete und abgeleitete Spalten machen die Ausgabe analytisch, nicht nur extrahiert. Über das reine Extrahieren von Seiteninhalten hinaus können Sie Berechnete Spalten definieren, die während der Extraktion Berechnungen durchführen: Geben Sie Zeilensumme (Menge × Einzelpreis) ein, und die KI multipliziert diese Werte und gibt das Ergebnis direkt aus. Abgeleitete Spalten ermöglichen es der KI, Dokumente anhand ihres Inhalts zu klassifizieren: Kategorie (Optionen: Verpflegung/Transport/Büro/Sonstiges) liest jede Quittung und weist die richtige Kategorie zu – obwohl es kein entsprechendes Feld im Original gibt. Und Sammellinks erzeugen einen teilbaren Link, über den Kunden oder Außendienstmitarbeiter Dokumente direkt in Ihre Verarbeitungswarteschlange hochladen können, ohne sich zu registrieren – nützlich, wenn Dokumente von Personen außerhalb Ihres Teams stammen. Extraktion, Berechnung, Klassifizierung und Sammlung erfolgen in derselben Plattform, nicht über drei Tools und eine E-Mail-Kette hinweg.
Das heißt nicht, dass Enterprise-IDP veraltet ist. Wenn Sie monatlich 500.000 standardisierte Rechnungen in einer stark regulierten Branche verarbeiten, rechtfertigen ABBYYs vorgefertigte Skills oder Hypersciences compliance-konforme Audit-Trails den Implementierungszeitplan. Die Frage ist, ob Sie diese Tiefe brauchen – oder ob Sie Dokumente noch diese Woche in strukturierte Daten umgewandelt haben müssen, ohne einen Ausschuss einzuberufen.
Von „Wir brauchen IDP“ zu strukturierten Daten – ohne Implementierungsphase
Wer bereits IDP-Software evaluiert hat, dem fällt sofort auf: Es gibt keine Einrichtungsphase. So sieht es aus, wenn „Go-Live“ einfach den ersten Upload bedeutet – und nicht ein Meilenstein in drei Monaten.
Spalten einmal definieren – das ist die gesamte Konfiguration
Geben Sie die gewünschten Feldnamen in den Eingabebereich ein. Sie werden zu Ihren Ausgabespalten: Lieferantenname, Belegdatum, Gesamtbetrag, Steuer, Referenznummer. Sie können auch abgeleitete Spalten wie Kategorie (Optionen: Mahlzeiten/Transport/Büro/Sonstiges) hinzufügen, die der KI mitteilen, Dokumente nach Inhalt zu klassifizieren. Oder berechnete Spalten wie Abweichung (Betrag – erwartetes Budget), die während der Extraktion Berechnungen durchführen. Die von Ihnen eingegebenen Spaltennamen sind die exakten Überschriften Ihrer Ausgabetabelle – ohne Mapping-Ebene, ohne Übersetzungsschritt.
Kein Hochladen von Trainingsdaten. Keine Feld-Annotationstools. Kein Modellversions-Tracking. Nur Ihre Spaltennamen.
Beliebige Dokumente hochladen – gemischte Formate, gemischte Typen, kein Vorsortieren
Laden Sie PDFs von fünf verschiedenen Anbietern, JPG-Fotos von Quittungen, einen gescannten Kontoauszug und PNG-Screenshots eines Zahlungs-Dashboards hoch. Die Vision-KI liest das visuelle Layout jeder Seite direkt aus – sie benötigt keine vorab extrahierte Textebene aus einem separaten OCR-Schritt, sodass die strukturelle Verschlechterung, die auftritt, wenn OCR ein mehrspaltiges Layout in einen Textstrom glättet, nie eintritt. Wenn Sie Dokumente von Kunden oder Außendienstmitarbeitern ohne eigenes Konto sammeln müssen, generieren Sie einen Sammlungslink – diese laden über eine einfache Webseite hoch, und die Dateien landen automatisch in Ihrer Verarbeitungswarteschlange.
Keine Dokumenttyp-Routing. Keine Formatkonvertierung. Keine Vortrennung von Dateien. Alles in einem Batch.
Eine strukturierte Tabelle herunterladen – bereit für den nächsten Schritt
Die Verarbeitung dauert 5–10 Sekunden pro Seite. Jedes Dokument wird zu einer Zeile. Die Spalten entsprechen exakt Ihren Benennungen. Fehlende Felder bleiben leer – keine erfundenen Werte, kein Batch-Abbruch. Export als XLSX, CSV oder JSON. Daten und Beträge werden bei der Extraktion standardisiert. Ergebnisse berechneter Spalten erscheinen zusammen mit direkt extrahierten Feldern in derselben Ausgabe – keine manuellen Excel-Formeln nach der Extraktion nötig. Ihr ursprünglicher Dokumentenstapel wird zu einer strukturierten Tabelle, die Sie in Ihre ERP-, Buchhaltungs- oder Analysesoftware importieren können.
Die Lücke zwischen „Das sollten wir automatisieren" und „Hier sind die Daten" schließt sich in der Zeit, die der Upload zur Verarbeitung benötigt – nicht in der Zeit, die die Software-Implementierung dauert.
Der gesamte Workflow – vom Eintippen der Spaltennamen bis zum Herunterladen der zusammengeführten Tabelle – dauert bei kleinen Mengen unter einer Minute. Es gibt keine Einarbeitungszeit, kein Beratungsmandat und keine Lücke zwischen der Entscheidung für Automatisierung und der tatsächlichen Automatisierung.
Wann Vision AI IDP die richtige Wahl ist – und wann nicht
Keine IDP-Plattform kann alles gleich gut – egal, was die Marketingseiten behaupten. Hier eine ehrliche Einschätzung, wann dieser Ansatz passt und wann Sie Alternativen in Betracht ziehen sollten.
Wann es am besten funktioniert
Multi-Vendor-, Multi-Format-Umgebungen, in denen Layout-Vielfalt die Norm ist. Wenn Ihre Dokumente von über 30 Lieferanten mit jeweils eigener Vorlage stammen – oder Sie einen „wilden Mix“ aus PDFs, Scans, Screenshots und Formularen verarbeiten, wie es ein Reddit-Nutzer beschrieb – bewältigt der trainingsfreie Ansatz alle mit einer einzigen Spaltendefinition. Das VLM liest jedes Layout unabhängig durch visuell-semantisches Verständnis, nicht durch Abgleich mit gespeicherten Vorlagen.
Gemischte Dokumententyp-Chargen, verarbeitet unter einem einzigen Schema. Sie können Rechnungen, Quittungen und Bestellungen zusammen hochladen – dieselben Spaltendefinitionen extrahieren die Daten aus jedem Dokument. Dies ist der architektonische Unterschied zu klassifikationsbasierten Plattformen, bei denen jeder Dokumententyp sein eigenes Modell und seine eigene Pipeline erhält.
Teams, die IDP diese Woche brauchen, nicht nächstes Quartal. Wenn Sie 200–5.000 Dokumente pro Monat verarbeiten, übersteigt der Enterprise-IDP-Einführungszeitplan (3–6 Monate) meist Ihre Geduld und Ihr Budget. Training-freies IDP liefert ab der ersten Charge Mehrwert – es gibt keinen „Implementierungsschritt“ zwischen Kontoerstellung und Datenextraktion.
Dokumente von externen Parteien. Wenn Daten außerhalb Ihres Unternehmens entstehen – Spesenbelege von Mitarbeitern, Rechnungen von Lieferanten, Formulare von Kunden – ermöglichen Sammlungslinks den direkten Upload in Ihre Warteschlange. Kein Training für Beitragende, kein Konto nötig, kein Integrationsprojekt.
Wann Vorsicht geboten ist
Stark handschriftliche Dokumente – insbesondere in Schreibschrift – liefern eine geringere Genauigkeit. Die Bild-KI verarbeitet gedruckten Text und saubere Handschrift gut, aber dichte Schreibschrift, blasse Bleistiftnotizen, überlappende Anmerkungen und verblasste Thermorollenbelege verringern die Genauigkeit. Wenn Ihr Arbeitsablauf hauptsächlich aus handschriftlichen Formularen oder Feldnotizen besteht, planen Sie einen manuellen Prüfschritt ein. Dies gilt für alle IDP-Tools in unterschiedlichem Maße – es liegt an der Lesbarkeit der Pixel, nicht an einer Plattformbeschränkung.
Sehr hohes Volumen (100.000+ Dokumente/Monat) bei standardisierten, gleichbleibenden Formaten. Sobald das Volumen eine bestimmte Schwelle bei Dokumenten mit unveränderlichem Layout überschreitet, wird der Kostenvorteil trainierter ML-Modelle pro Dokument spürbar. Enterprise-IDP zu 0,02–0,05 $ pro Seite mit trainierten Modellen kann die tokenbasierte VLM-Preisgestaltung bei extremem Maßstab übertreffen. Dies ist die Architekturentscheidung: Training zahlt sich aus, wenn sich die Trainingsinvestition über Millionen nahezu identischer Dokumente amortisiert.
Niedrig aufgelöste oder stark komprimierte Dokumentbilder. Das VLM arbeitet mit den Pixeln, die Sie bereitstellen. Screenshots, die über Messenger komprimiert wurden, Fotos bei schlechtem Licht oder Scans unter 150 DPI liefern eine geringere Genauigkeit. Eine klare, gut ausgeleuchtete Aufnahme in angemessener Auflösung ist stets die beste Grundlage – die 99%-Genauigkeit bezieht sich auf Quellenmaterial, das eine Person mühelos lesen kann.
Regulierungsumgebungen mit vollständigen Prüfpfaden für Modellentscheidungen. Falls Sie in einer regulierten Branche tätig sind, die Erklärbarkeit auf Modellebene vorschreibt – also dokumentieren muss, wie eine Extraktionsentscheidung zustande kam, nicht nur, was extrahiert wurde – bieten Plattformen wie Hyperscience konforme Prüfpfade, die ein VLM-Ansatz in der Tiefe nicht erreicht. Der Kompromiss liegt zwischen schneller Produktionsreife und Prüftiefe.
Häufig gestellte Fragen
Worin unterscheidet sich diese IDP-Software von Unternehmensplattformen wie ABBYY, Rossum oder Hyperscience?
Der größte Unterschied ist das Fehlen einer Trainings- und Implementierungsphase. Unternehmens-IDP-Plattformen erfordern monatelange Einrichtung: Anbieterbewertung, Proof of Concept, Modelltraining an 50–100 Belegmustern pro Dokumenttyp, Integrationsentwicklung und professionelle Dienstleistungen. Eine Bereitstellungsdauer von 3–6 Monaten ist Standard, da die zugrundeliegende Architektur – ML-Modelle, die pro Dokumentklassifikation trainiert werden – für jeden zu verarbeitenden Dokumenttyp eine Einrichtungsabhängigkeit schafft. Diese Plattform verwendet ein visuelles Sprachmodell (VLM), das Dokumente durch visuell-semantisches Verständnis liest: Es lokalisiert „Rechnungsnummer“ oder „Gesamtbetrag“, indem es erkennt, was diese Felder im Kontext bedeuten, nicht durch Abgleich mit einem gespeicherten Trainingssatz. Sie geben die gewünschten Spaltennamen ein, laden Dokumente hoch und erhalten strukturierte Daten zurück – es gibt kein Modell zu trainieren, keine Vorlage zu konfigurieren und keine professionellen Dienstleistungen erforderlich. Der Nachteil ist, dass Sie nicht das Unternehmensintegrations-Ökosystem oder die Compliance-gerechten Prüfpfade erhalten – aber für Teams, die diese nicht benötigen, sind Sie in Minuten statt Monaten produktiv.
Warum verstecken die meisten Enterprise-IDP-Anbieter ihre Preise – und wie schneidet das im Vergleich ab?
Enterprise-IDP-Preise sind bewusst intransparent. Rossum, ABBYY, Hyperscience und UiPath verlangen alle eine Kontaktaufnahme mit dem Vertrieb, um einen Preis zu nennen – Parseurs unabhängiger Vergleich stellt fest, dass bei den meisten Enterprise-IDP-Tools „Preise nicht auf der Website verfügbar“ sind. Das Modell basiert auf ausgehandelten Verträgen: Volumenverpflichtungen, Professional-Services-Umfang und Integrationskosten sind alles Variablen, die während eines Verkaufszyklus bepreist werden. Das ist für Unternehmen sinnvoll, die sechsstellige Beträge für eine Plattform ausgeben. Für Teams und mittelständische Organisationen entsteht dadurch eine echte Bewertungslücke: Man kann ein Tool nicht beurteilen, wenn man nicht herausfinden kann, was es kostet, ohne einen Demo-Termin zu vereinbaren. ImageToTable.ai geht den umgekehrten Weg: Die Preise sind öffentlich, nach Nutzungsvolumen gestaffelt und beginnen mit einer kostenlosen Stufe, mit der Sie die Extraktion an Ihren eigenen Dokumenten testen können, bevor Sie sich festlegen. Die zugrundeliegende Philosophie: Eine IDP-Bewertung sollte so lange dauern wie ein Upload – nicht so lange wie ein Beschaffungszyklus.
Muss ich für jeden neuen Dokumententyp, den mein Unternehmen verarbeitet, Modelle trainieren?
Nein – und das ist der wesentliche architektonische Unterschied zu ML-basierten IDP-Tools wie Nanonets, Docsumo oder Unternehmensplattformen. Diese Tools benötigen 20–100 beschriftete Beispieldokumente, um ein funktionsfähiges Extraktionsmodell für jeden neuen Dokumententyp zu trainieren. Wenn ein neuer Lieferant seine erste Rechnung in einem unbekannten Layout sendet, müssen Sie Muster sammeln, Felder annotieren und ein Modell trainieren, bevor dieses Format produktiv einsetzbar ist. Ein VLM überspringt diesen Schritt vollständig: Es liest jedes Dokument beim ersten Kontakt, indem es versteht, was die Daten bedeuten. Geben Sie „Referenznummer“ als Spaltennamen ein, und die KI findet sie, egal ob sie als „Rechnungs-Nr.“, „Beleg-Nr.“, „Bestellreferenz“ bezeichnet oder in einer Standardposition unbeschriftet ist – weil sie nach semantischer Rolle und nicht nach gespeichertem Layout sucht. Das bedeutet, dass das Hinzufügen einer neuen Dokumentenkategorie keine zusätzliche Konfiguration erfordert, über die bereits definierten Spaltennamen hinaus. Die Verarbeitung von Kommissionierlisten heute und Versicherungszertifikaten morgen nutzt dieselbe Einrichtung.
Kann die Plattform auch Positionsdetails extrahieren – nicht nur Kopfzeilen wie Daten und Summen?
Ja. Der VLM erfasst das gesamte Seitenlayout und identifiziert Positionstabellen in Dokumenten. Definieren Sie Spalten wie Artikelbeschreibung, Menge, Einzelpreis und Positionssumme – die KI findet den Tabellenbereich, identifiziert Zeilen und ordnet jede Spalte der richtigen Zelle in jeder Zeile zu. Dies funktioniert bei Rechnungen mit 3 Positionen ebenso wie bei Bestellungen mit 50 Positionen. Berechnete Spalten bieten eine Verifikationsmöglichkeit: Nennen Sie eine Spalte Positionssumme (Menge × Einzelpreis) und die KI multipliziert diese Werte während der Extraktion, sodass Sie Abweichungen zur gedruckten Positionssumme im Dokument ohne nachträgliche Formelarbeit prüfen können. Für Dokumente, bei denen Sie neben der Extraktion auch eine Klassifizierung benötigen – etwa um jede Position Kostenstellen zuzuordnen – ermöglichen abgeleitete Spalten wie Kostenstelle (Optionen: Rohstoffe/Arbeit/Logistik/Gemeinkosten) der KI, Kategorien im selben Verarbeitungsdurchlauf zuzuweisen.
Wie schnell kann ich von der Evaluierung dieser IDP-Software zur Verarbeitung echter Dokumente im Produktivbetrieb übergehen?
Von der Kontoerstellung bis zur ersten strukturierten Ausgabe: unter fünf Minuten. Es gibt kein Implementierungsprojekt, keine Einarbeitungszeit, kein Beratungsmandat. Geben Sie Ihre Spaltennamen ein, laden Sie Dokumente hoch, laden Sie die Tabelle herunter. Die einzige Voraussetzung ist, dass Sie wissen, welche Felder extrahiert werden sollen – dieselbe Entscheidung, die Sie vor der Nutzung jedes IDP-Tools treffen müssten. Dies ist die praktische Konsequenz des Architekturunterschieds: Wenn die Extraktions-Engine der Plattform ein VLM und keine Sammlung von ML-Modellen pro Dokumenttyp ist, gibt es keine Einrichtungsarbeit. Für Teams, die prüfen, ob IDP in ihren Workflow passt, ermöglicht der kostenlose Tarif Tests mit echten Dokumenten – nicht mit vom Anbieter bereitgestellten Beispielen – bevor eine Verpflichtung eingegangen wird. So wird aus der Entscheidung „Sollten wir einen Ausschuss bilden, um IDP-Anbieter im nächsten Quartal zu evaluieren?“ die Frage „Sollte ich jetzt versuchen, Daten aus diesem Stapel PDFs zu extrahieren?“.
Weiterlesen: Was Intelligent Document Processing 2026 wirklich bedeutet: Der Wandel von vorlagenbasierter zu KI-gestützter Dokumentenerfassung · IDP-ROI: Die wahren Einsparungen durch Dokumentenverständnis berechnen · Vorlagenfreie Extraktion: Wie Vision-KI Dokumente ohne vorkonfigurierte Regeln liest