Beleg-OCR-Genauigkeit: Thermopapier, zerknittert, verblasst,
und Multi-Währungs-Benchmarks (2026)

Aufschlüsselung nach Belegzustand: Die Degradationsleiter

Die OCR-Genauigkeit von Belegen wird weniger vom System als vom physischen Zustand des Papiers und der Art der Erfassung bestimmt. Derselbe Beleg wandert die Leiter hinunter — frisch und flach, verblasst, zerknittert, als Handyfoto — und jede Stufe kostet 5 bis 30 Genauigkeitspunkte.

Belege unterscheiden sich von Rechnungen in einer Weise, die mehr zählt als das Layout: Das Medium selbst ist instabil. Die meisten Belege werden auf Thermopapier gedruckt, einer wärmeempfindlichen Beschichtung, die mit der Zeit durch Licht, Wärme und Zeit zunehmend verblasst — ein Beleg, der am Kauftag lesbar ist, kann Wochen später teilweise unleserliche Steuerbeträge, Daten und Einzelposten aufweisen, und keine OCR-Engine kann Text wiederherstellen, der physisch vom Papier verschwunden ist. Die SROIE-Organisatoren listen ausdrücklich „schlechte Papierqualität, schlechte Tinten- und Druckqualität, Scanner mit niedriger Auflösung und Scanverzerrungen, gefaltete Rechnungen" zu den Kernherausforderungen des Benchmarks (Huang et al., 2019). Das folgende Diagramm zeigt die veröffentlichte Genauigkeitsspanne für jede Stufe der Leiter; die in jeder Studie verwendete Metrik ist in der Zeile angegeben, da Zeichen-, Wort- und Feldebene nicht austauschbar sind. Die SROIE-Werte sind F1-Scores — das harmonische Mittel aus Präzision und Recall (Hmean), das sowohl erfordert, dass die meisten erkannten Wörter korrekt sind, als auch, dass die meisten Ground-Truth-Wörter gefunden werden.

Quellen: IJSAT (2026) — EasyOCR bei 300 DPI auf gedruckten Dokumenten, Zeichengenauigkeit (flach 94,7 %, zerknittert 86,9 %; dieselbe Studie maß verschmutzt 80,9 % und nass 72,7 %); KORIE (2026) — Wortgenauigkeit bei 748 degradierten koreanischen Thermobelegen, 17.587 Ausschnitten, Open-Source-Engines (Tesseract 64,7 %, EasyOCR 68,6 %, PaddleOCR 73,3 %); RMIT-Textract-Studie (2025) — Exakte-Übereinstimmung-Feldgenauigkeit beim Händlernamen bei 118 echten Belegen (65 % Handyfotos, 50 % gefaltet/zerknittert, 44 % schief). Zeichengenauigkeitswerte sind nicht direkt mit Wort- oder Feldgenauigkeitswerten vergleichbar — siehe Warum die Metriken wichtig sind.

Quellen sind in der obigen Tabelle aufgeführt. Die KORIE-Zeilen sind der einzige veröffentlichte Benchmark, der echte Thermopapier-Artefakte (Tintenverblassen, Druckkopf-Banding, Reibungsabrieb, Knicke) statt synthetischer Degradation bewahrt; seine 300-DPI-Flachbettscans bedeuten, dass selbst der „gescannte“ Bestfall den eigenen Papierzerfall enthält. Die SROIE-Obergrenzenzeile stammt aus der Technologie von 2019 — moderne LLM-Engines erreichen auf demselben Datensatz 84,3–93,0 % Gesamtfeldgenauigkeit (Doubleword, 2026; siehe Engine-Ebenen-Tabelle).

Aufschlüsselung nach Feldtyp: Gesamtbetrag ist einfach, Händlername ist schwierig

Der Feldtyp ist der zweitgrößte Einflussfaktor und ist in jeder Studie, die ihn ausweist, bemerkenswert konsistent: numerische Summenfelder — insbesondere der Gesamtbetrag — werden weitaus zuverlässiger extrahiert als Text-Identitätsfelder wie Händler- oder Lieferantenname. Die folgende Grafik zeigt fünf moderne LLM-Engines auf dem vollständigen SROIE-Testdatensatz mit 626 Belegen, alle gemessen mit demselben Feldgenauigkeitsprotokoll für exakte Übereinstimmung (Doubleword, 2026).

Quellen: Doubleword (2026) — 626 SROIE-Testbelege, Feldgenauigkeit bei exakter Übereinstimmung, 5 Engines (Qwen3-VL-235B/30B, GPT-5-mini/5.2/5-nano). D-Klasse-Anbieter-Benchmark mit vollständig offengelegter Methodik; in der Richtung bestätigt durch ReceiptSense (2024), das feststellte, dass numerische #Units-Felder 93,42 F1 erreichen, während Text-Brand-Felder auf 62,30 F1 bei arabisch-englischen Belegen fallen.

Dieses Muster bleibt unter radikal unterschiedlichen Bedingungen und Sprachen bestehen. Die RMIT-Textract-Studie — echte Handyfotos von Belegen, kein sauberes Korpus — fand heraus, dass der Gesamtbetrag „durchgängig erkannt“ wurde, während Händlernamen fehlschlugen (nahegelegener Text wurde falsch zugeordnet oder „Unbekannt“, wenn nicht vorhanden), was exakt dem Doubleword-Ranking entspricht (2025). Die praktische Konsequenz ist, dass eine Schlagzeile zur „Beleg-OCR-Genauigkeit“ die einfachsten und schwierigsten Felder zu einer einzigen Zahl zusammenfasst — und Spesenworkflows, die nur den Gesamtbetrag benötigen, eine grundlegend einfachere Aufgabe bewältigen als Workflows, die Händlername plus Einzelposten benötigen.

Aufschlüsselung nach Engine-Stufe

Die Wahl der Engine ist weniger entscheidend als Zustand und Feldtyp, aber sie setzt die Obergrenze, die jeder Zustand erreichen kann. Die folgende Tabelle trennt vier Stufen mit inkompatiblen Messkontexten: Forschungsmodelle, die auf Belegkorpora feinabgestimmt sind (Feld-F1 auf den CORD/SROIE-Benchmarks), allgemeine LLMs ohne Feinabstimmung, Cloud-APIs für reale Dokumente sowie ältere/traditionelle Engines.

Quellen in der Tabelle oben aufgeführt. Die CORD- und SROIE-Werte sind feldbezogene F1-Werte auf sauberen Benchmark-Korpora, bei denen das Modell auf die Aufgabe feinabgestimmt wurde — sie stellen die optimistische Obergrenze dar, nicht die reale Erwartung. Die realen Zeilen (Google-Forum, RMIT Textract) messen unterschiedliche Dokumentpopulationen und sind nicht direkt vergleichbar; beide sind mit ihren Bedingungen gekennzeichnet. Der DATABASICS-Wert ist eine Stufenangabe eines einzelnen Anbieters und dient nur als Untergrenzen-Referenz.

Belege mit mehreren Währungen und Sprachen

Globale Spesenworkflows fügen eine dritte Dimension hinzu: Jeder Benchmark-Datensatz auf dieser Seite ist einsprachig oder zweisprachig, und die einzige mehrsprachige Studie mit veröffentlichten feldbezogenen Zahlen zeigt dieselbe Gesamtbetrag-gegenüber-Text-Lücke plus eine zusätzliche Schriftzeichen-Strafe. Bei 20.000 arabisch-englischen Belegen erreichten allgemeine LLMs ohne Feinabstimmung nur 32,07–42,98 F1 im Zero-Shot-Modus, stiegen aber auf 60,60–80,26 F1 mit drei Beispielen pro Feld — während numerische #Units-Felder 93,42 F1 erreichten, gegenüber 62,30 F1 für Text-Markenfelder (ReceiptSense, 2024). Die RMIT-Studie beobachtete denselben Schriftzeichen-Effekt in der Praxis: Belege mit nicht-englischen Produktnamen wurden „teilweise geparst“, wobei Artikeldaten stillschweigend verworfen wurden (2025).

Quellen in der obigen Tabelle aufgeführt. Keine Peer-Review-Studie isoliert den Währungseffekt (Symbol, Dezimalkonvention, Drei-Buchstaben-Codes), während die Schrift konstant gehalten wird — die „Multi-Währungs“-Lücke in realen Arbeitsabläufen wird hauptsächlich durch Schrift- und Layoutvariationen verursacht, während der numerische Wert selbst nach der Erkennung gut extrahiert wird. Dies wird als Datenlücke in Einschränkungen gekennzeichnet und nicht mit Herstellerzahlen gefüllt.

Warum die Metriken wichtig sind: Zeichen, Wort und Feld sind drei verschiedene Antworten

Die breiten Bänder auf dieser Seite sind kein Messrauschen — sie sind drei verschiedene Fragen, die dasselbe Wort „Genauigkeit“ tragen. Ein Beleg kann gleichzeitig 98 % Zeichengenauigkeit, ~85 % Wortgenauigkeit und ~75 % Feldgenauigkeit erreichen, und alle drei Zahlen sind wahr.

Zeichengenauigkeit zählt einzelne Zeichen: Eine Fehlerrate von 1 % bedeutet ein falsches Zeichen pro hundert. Wortgenauigkeit lässt ein ganzes Wort bei jedem einzelnen falsch gelesenen Zeichen durchfallen — gemessen als Wortfehlerrate (WER), weshalb die beste Engine von KORIE nur 15,84 % Zeichenfehler (CER), aber eine WER von 26,73 % zeigt, fast doppelt so viel Fehler auf Wortebene (KORIE, 2026). Feldgenauigkeit lässt ein gesamtes Feld — Händlername, Datum, Gesamtbetrag — bei jedem falschen Zeichen oder Token darin durchfallen, weshalb die SROIE-Organisatoren zu dem Schluss kamen, dass „Beleg-OCR viel höhere Genauigkeitsanforderungen hat als allgemeine OCR-Aufgaben“ und warum die Feld-F1 die Metrik ist, die Ausgaben-Workflows tatsächlich verbrauchen (Huang et al., 2019). Jede Zahl auf dieser Seite ist mit ihrer Ebene gekennzeichnet; sie zu einer einzigen „Beleg-OCR-Genauigkeitszahl“ zu vermischen, ist genau die Art, wie die 99-%-Behauptung hergestellt wird.

So verwenden Sie diese Daten

Sie benötigen kein Pilotprojekt, um abzuschätzen, was Beleg-OCR für Ihren Ausgabenprozess leistet. Eine vierschrittige Überschlagsrechnung mit den obigen Spannen verwandelt „Anbieter sagen 99 %“ in eine vertretbare erwartete Fehleranzahl — und zeigt meist, dass der Zustand Ihrer Belege, nicht die Engine, das Ergebnis bestimmt.

Dies sind grobe Schätzformeln, kein Ersatz für das Benchmarking Ihrer eigenen Dokumente. Jede veröffentlichte Spanne auf dieser Seite wurde an einem fremden Korpus gemessen — die einzige Genauigkeitszahl, die für Ihren Belegfluss gilt, ist die, die Sie daran messen. Der Wert dieser Seite liegt darin, die Erwartung vor der Messung zu setzen und zu wissen, welche Kennzahl Sie anfordern sollten.

Häufig gestellte Fragen

Wie genau ist die OCR für Belege?

Die ehrliche Antwort ist eine Leiter, keine Zahl: 90%+ Wortgenauigkeit bei sauberen gescannten Belegen (bestes SROIE-Team 2019, Huang et al.), 55–73% Wortgenauigkeit bei echten verblassten Thermopapierbelegen (KORIE 2026) und 66,7–68,7% Feldgenauigkeit bei Händlernamen aus echten Handyfotos (RMIT-Textract-Studie 2025). Herstellerangaben von 97–99% beziehen sich auf frische, flache, gut beleuchtete Aufnahmen einfacher Felder — die Spitze der Leiter, nicht die Mitte.

Kann OCR verblasste Thermopapierbelege lesen?

Teilweise — und der Verlust ist physisch: Verblasster Thermopapiertext ist dauerhaft vom Papier verschwunden, daher kann keine Engine ihn wiederherstellen. Bei koreanischen Thermopapierbelegen mit echter Verblassung und Knitterspuren erzielten Open-Source-Engines nur 55–73% Wortgenauigkeit (KORIE 2026) — die beste (PaddleOCR, 73,3%) scheitert weiterhin an etwa jedem vierten Wort. Die einzige zuverlässige Lösung ist, Belege zu erfassen, bevor sie verblassen.

Beeinträchtigt das Zerknüllen eines Belegs die OCR-Genauigkeit?

Ja — messbar. In einem kontrollierten Test mit 300 DPI senkte das Zerknüllen die Zeichengenauigkeit von 94,7% auf 86,9%, etwa 8 Prozentpunkte; Schmutz und Wasserschäden senken sie weiter auf 80,9% und 72,7% (IJSAT 2026). Die realen Belege der RMIT-Studie waren zu etwa 50% gefaltet oder zerknüllt, was mit dem Ergebnis von etwa 67% beim Händlerfeld übereinstimmt.

Welches Belegfeld ist für OCR am schwersten zu extrahieren?

Der Händlername ist durchgängig am schwersten, mit 73,1–87,7% Feldgenauigkeit über fünf LLM-Engines, während der Gesamtbetrag mit 94,9–98,9% am einfachsten ist und das Datum mit 84,3–92,5% dazwischen liegt (Doubleword 2026, 626 SROIE-Belege). Dieselbe Rangfolge zeigt sich bei echten Handyfotos (RMIT 2025) und bei arabisch-englischen Belegen (ReceiptSense 2024: numerische Felder 93,4 vs. Textfelder 62,3 F1).

Ist die OCR-Erkennung von Belegen weniger genau als die von Rechnungen?

Ja, in der Praxis. Rechnungen liegen als kontrollierte PDFs oder Flachbettscans mit standardisierten Layouts vor; Belege sind Thermopapier, Handyfotos, zerknittert und ohne Layout. Der Unterschied zeigt sich bei vergleichbaren Cloud-Engines: Bei Rechnungen liegt die Feldgenauigkeit je nach Engine bei 78–98% (BusinessWareTech 2025), während dieselbe Engine-Klasse bei echten Handyfotos von Belegen nur 66,7–68,7% beim Händlernamen erreichte (RMIT-Textract-Studie 2025).

Wie stark beeinträchtigt ein Handyfoto die OCR-Genauigkeit von Belegen im Vergleich zum Scannen?

Es gibt keinen peer-reviewten kontrollierten Vergleich mit identischen Belegen — eine echte Datenlücke (siehe Einschränkungen). Die vorhandenen Belege: In der RMIT-Studie waren etwa 65% der Belege Handyfotos, davon 44% schief und 12,7% verschwommen, was zu 66,7–68,7% Genauigkeit beim Händlernamen führte, während die Benchmarks SROIE und KORIE, die höhere Werte erzielen, Flachbettscans verwendeten. In der Tendenz fügt das Handyfoto Schräglage, Schatten und Unschärfe hinzu, die jeweils die Genauigkeit auf der Leiter nach unten drücken, aber der genaue Abzug ist in der veröffentlichten Literatur nicht gemessen.

Was ist SROIE und warum ist es wichtig?

SROIE (Scanned Receipt OCR and Information Extraction) ist der ICDAR-2019-Wettbewerb, der den ersten standardisierten Beleg-OCR-Benchmark schuf: 1.000 echte gescannte Belege mit Aufgaben zur Textlokalisierung, OCR und Schlüsselfeldern (Firma, Adresse, Datum, Gesamtbetrag) (Huang et al., 2019). Er ist wichtig, weil er der einzige Beleg-Benchmark mit veröffentlichten teamübergreifenden Ergebnissen ist: Selbst die beste Methode von 2019 blieb hinter der 99%igen Genauigkeit zurück, die Beleg-Anwendungen verlangen. Moderne LLMs erreichen auf demselben Datensatz 84,3–93,0% insgesamt (Doubleword 2026).

Methodik & Quellen

So wurde diese Seite erstellt

Diese Seite bündelt Daten aus 14 unabhängigen Studien aus den Jahren 2019–2026. Die Quellen wurden anhand von drei Kriterien ausgewählt: (1) öffentlich dokumentierte Methodik mit angegebener Stichprobengröße, (2) Daten, die – soweit verfügbar – innerhalb der letzten 3 Jahre erhoben wurden, wobei ältere Quellen im Text mit Jahreszahl gekennzeichnet sind, und (3) Relevanz für belegspezifische OCR und Extraktion statt allgemeiner Dokumentbehauptungen. Wenn mehrere Quellen dieselbe Dimension berichten, werden konservative Spannen (niedrigster–höchster berichteter Wert) verwendet – wir untertreiben lieber. Wo Quellen erheblich voneinander abweichen, wird die Abweichung durch Metrikebene, Dokumentzustand oder Korpus erklärt und nicht weggemittelt.

Die Metrikunterscheidung ist das Rückgrat dieser Seite: Zeichen-, Wort- und Feldebene werden nie zu einer einzigen Zahl vermischt, und jede Diagramm- und Tabellenzeile kennzeichnet ihre Metrik. Selbst gemeldete Zahlen von Anbietern (DATABASICS ~64 % Stufenuntergrenze) sind als D-Note gekennzeichnet und werden nur als bestätigte Referenzen verwendet. Die SROIE-Benchmark-Ergebnisse stammen aus der Technologie von 2019 und sind nach Jahr gekennzeichnet; die modernen LLM-Ergebnisse desselben Datensatzes (Doubleword 2026) werden zur Aktualität daneben gezeigt.

Quellenverzeichnis

1. Huang, Z. et al. — „ICDAR2019 Competition on Scanned Receipt OCR and Information Extraction" (2019). Peer-reviewter Wettbewerbsbericht; 1.000 gescannte Belege, 29/24/18 gültige Einreichungen in drei Aufgaben. Liefert die beste Task-3-F1 von 90,49 %, die Erkenntnisse „nur eines von 18 Teams über 90 %"/„mehr als die Hälfte unter 80 %" sowie die Aussage zu Task-2, dass „selbst die beste Methode die 99-%-Anforderung nicht erreichen kann".
2. Park, S. et al. — „CORD: A Consolidated Receipt Dataset for Post-OCR Parsing" (2019). Akademischer Datensatz-Artikel; über 11.000 indonesische Belege, 30 Felder in 4 Superklassen; öffentliche Teilmenge 800/100/100. Liefert die Korpusdefinition und das feldbezogene F1-Bewertungsprotokoll, das für die Zeilen der Forschungsmodelle verwendet wird.
3. Xu, Y. et al. — „LayoutLMv2" (ACL 2021). Peer-reviewtes Paper. Liefert CORD-Feld-F1 96,01 % (426M Parameter) und SROIE-Feld-F1 97,81 %.
4. Kim, G. et al. — „Donut: OCR-free Document Understanding Transformer" (ECCV 2022). Peer-reviewtes Paper und offizielles Modell-Repository. Liefert CORD-Feld-F1 91,3 % (donut-base-finetuned-cord-v2).
5. „KORIE: A Multi-Task Benchmark for Detection, OCR, and Information Extraction on Korean Retail Receipts" — MDPI Mathematics (2026). Peer-reviewte Fachzeitschrift; 748 koreanische Thermopapierbelege mit realen Verblassungs-, Streifen- und Knitterartefakten; 17.587 OCR-Ausschnitte. Liefert die einzigen realen Degradations-Wortwerte: PaddleOCR WER 26,73 % (73,3 % Wortgenauigkeit), EasyOCR 31,43 %, Tesseract 35,26 %, BiGRU 44,47 %.
6. „Towards Analysing Invoices and Receipts with Amazon Textract" (RMIT, 2025). Akademische Fallstudie (Preprint); 118 australische Belege, ca. 65 % Handyfotos, ca. 50 % gefaltet/zerknittert, 44 % schief. Liefert die Exakte-Übereinstimmung des Händlernamens von 68,7 % (Textlayouts) / 66,7 % (Logolayouts), die Erkenntnis, dass „Summen durchgängig erkannt werden", sowie die Beobachtung zu Spracheinschränkungen.
7. Abdallah, A. et al. — „ReceiptSense: Beyond Traditional OCR" (2024). Akademischer Preprint; 20.000 arabisch-englische Belege, 30.000 OCR-Bilder. Liefert Zero-Shot-F1 32,07–42,98 %, Three-Shot-F1 60,60–80,26 % und die Kluft zwischen numerischen und Textfeldern (93,42 vs. 62,30).
8. „Optical Character Recognition Accuracy on Degraded Documents" — IJSAT 17(2) (2026). Peer-reviewt; EasyOCR bei 300 DPI unter vier physischen Bedingungen. Liefert die Zeichengenauigkeits-Degradationsleiter mit flach 94,7 % / zerknittert 86,9 % / verschmutzt 80,9 % / nass 72,7 %, die für die Zeilen zu physischen Schäden verwendet wird.
9. „Deep Learning based Key Information Extraction from Business Documents: Systematic Literature Review" (2024). Akademische systematische Übersichtsarbeit. Liefert die durchschnittliche Feld-F1 über veröffentlichte Paper: CORD 0,94, SROIE 0,95.
10. „Large language model driven transferable key information extraction mechanism for nonstandardized tables" (2025). Peer-reviewt; LLM-TKIE, ohne Feinabstimmung, 3-Shot. Liefert CORD-F1 80,9 / SROIE-F1 83,9 als LLM-Baseline ohne Einrichtung.
11. Doubleword — „Structured Data Extraction“ SROIE-Benchmark (2026). Anbieter-Benchmark mit vollständig offengelegter Methodik; vollständiger SROIE-Testsatz mit 626 Belegen, Feldgenauigkeit als exakte Übereinstimmung, 5 LLM-Engines. Liefert insgesamt 84,3–93,0 % und die feldspezifischen Spannen (Gesamtbetrag 94,9–98,9 %, Datum 84,3–92,5 %, Händlername 73,1–87,7 %).
12. Google Developer Forum — „Low F1 Score with Document AI on Diverse Invoice and Expense Layouts“ (2024). Anekdotische Nutzermessung im offiziellen Google-Forum; ca. 1.500 verschiedene Dokumente. Liefert die reale Cloud-API-Spanne für F1 von 0,75–0,85.
13. BusinessWareTech — „AWS Textract vs Google, Azure, and GPT-4o: Invoice Extraction Benchmark“ (2025). Unabhängiger Drittanbieter-Benchmark (Note C, transparente Methode, echte Rechnungen). Liefert die Engine-Rangfolge im Rechnungskontext: GPT-4o+OCR 98 %, Azure 93 %, Google 82 %, Textract 78 % — die einfachere Obergrenze für Belege.
14. DATABASICS — Whitepaper „Receipt Capture & OCR for Expense Reports“. Anbieter-Whitepaper (Note D); nur als Untergrenzen-Referenz verwendet. Liefert die Einordnung der Stufen ca. 64 % traditionelle OCR / 85–95 % KI-verbessert / 97–99 % LLM, mit dem Hinweis, dass die Genauigkeit je nach Bildqualität, Layout und Handschrift variiert.

Einschränkungen

• Geografische Abdeckung: Die Quellen konzentrieren sich auf den asiatisch-pazifischen Raum und den Nahen Osten (Malaysia/Singapur, Indonesien, Korea, Ägypten/Arabisch, Australien). Für Nordamerika, Lateinamerika oder Afrika wurde kein belegspezifischer akademischer Benchmark gefunden – die OCR-Genauigkeit für Belege in den USA/Großbritannien ist derzeit nur über Anbieterangaben und anekdotische Forenberichte dokumentiert, nicht über Peer-Review-Studien.
• Methodische Einschränkungen: Die Metrikebenen (Zeichen / Wort / Feld) unterscheiden sich zwischen den Studien und werden pro Zeile gekennzeichnet statt vermischt; mehrere Schlüsselzahlen beruhen auf Einzelstudien (KORIE Thermopapier-Degradation; RMIT Textract Händlername-Feld; ReceiptSense mehrsprachig), und die Doubleword- und Google-Forum-Zahlen sind D/C-Note (Anbieter oder anekdotisch) und werden mit offengelegter Note verwendet. Die IJSAT-Zahlen zu zerknittert/verblasst stammen von gedruckten Dokumenten, nicht von Belegen – es ist zu erwarten, dass Belege auf Thermopapier stärker degradieren, aber das ist eine Schlussfolgerung, die als solche gekennzeichnet ist.
• Zeitliche Lücken: Die SROIE-Wettbewerbsdaten stammen aus dem Jahr 2019; ihre absoluten Zahlen spiegeln die Methoden von 2019 wider und sind nach Jahr gekennzeichnet, wobei moderne LLM-Ergebnisse auf demselben Datensatz (Doubleword 2026) daneben bereitgestellt werden. Nach SROIE 2019 wurde kein neuerer standardisierter Belegwettbewerb mit veröffentlichten teamübergreifenden Ergebnissen gefunden.
• Was wir nicht finden konnten: (1) eine Peer-Review-kontrollierte Studie, die Handyfoto vs. Flachbettscan bei identischen Belegen vergleicht – die am häufigsten zitierte Variable im Anbietermarketing; (2) ein belegspezifischer Benchmark zur Extraktion von Einzelposten (die einzigen Einzelposten-Zahlen stammen aus dem Rechnungskontext, 40–82 % je nach Engine, BusinessWareTech 2025); (3) eine Studie, die den Währungseffekt (Symbol, Dezimalkonvention) bei konstanter Schrift isoliert; (4) Benchmarks für handschriftliche Ergänzungen auf Belegen (Trinkgeld, Notizen, Korrekturen); (5) öffentliche Benchmarks für E-Belege/Screenshots im Vergleich zu fotografiertem Papier. Diese Lücken werden benannt, statt mit nicht verifizierbaren Anbieterzahlen gefüllt.

Verwandte Referenzen: OCR-Genauigkeit nach Dokumenttyp · Genauigkeit der Handschrifterkennung · Kostenaufschlüsselung der Dokumentenverarbeitung · Fehlerraten bei manueller Dateneingabe

Verwandte Lektüre: Die Kosten der manuellen Erfassung handschriftlicher Belege · Wie die Genauigkeit der KI-Handschriftextraktion kontinuierlich steigt