Rechnungen, Verträge und Formulare mit KI lesen: Dokumentenverarbeitung ohne Abtippen
KI liest Rechnungen, Formulare und Verträge zuverlässig, wenn Sie ein Extraktionsmodell mit Validierungsregeln koppeln und Felder mit niedriger Konfidenz an einen Menschen schicken.
8 Min. Lesezeit

Inhalt
KI kann Daten aus Rechnungen, Verträgen und Formularen zuverlässig extrahieren, wenn drei Dinge vorhanden sind: ein zum Dokumenttyp passendes Extraktionsmodell, Validierungsregeln, die das Ergebnis gegen Daten prüfen, denen Sie bereits vertrauen, und ein Mensch, der nur die Felder prüft, bei denen das Modell unsicher ist. Ohne die Prüfungen und den Prüfschritt gelangen Fehler unbemerkt in Ihre Systeme.
Stellen Sie sich ein Handelsunternehmen vor, das Lieferantenrechnungen als PDF-Anhänge, gescannte Lieferscheine aus dem Lager und unterschriebene Kundenverträge per E-Mail erhält. Zwei Personen im Finanzteam tippen Lieferantennamen, Rechnungsnummern, Summen und Fälligkeitsdaten in das Buchhaltungssystem, und jemand anderes kopiert Verlängerungsdaten aus Verträgen in eine Tabelle. Die Arbeit ist gleichmäßig, langsam und zum Monatsende fehleranfällig. Das meiste lässt sich automatisieren. Die Frage ist, welche Teile, mit welchem Tool und wie man die Fehler abfängt.
Was ist intelligente Dokumentenverarbeitung, und wie unterscheidet sie sich von OCR?
Intelligente Dokumentenverarbeitung (IDP) ist Software, die ein Dokument liest und benannte Felder zurückgibt, etwa Lieferantenname, Summe und Fälligkeitsdatum, statt nur den Text der Seite. Optische Zeichenerkennung (OCR) ist der Schritt darunter, der ein Bild von Text in Zeichen umwandelt.
OCR allein liefert einen Textblock. Sie brauchen weiterhin etwas, das entscheidet, dass „12/11/2026“ neben „Due“ das Fälligkeitsdatum ist und dass die größere von zwei Summen die Steuer enthält. IDP fügt diese Schicht hinzu: Sie findet Schlüssel-Wert-Paare, Tabellen und Positionen und ordnet sie Feldern zu, die Ihre Systeme verstehen.
Zwei Arten von Modellen erledigen diese Arbeit inzwischen:
Speziell gebaute Extraktionsmodelle sind auf einen Dokumenttyp trainiert, etwa Rechnungen oder Belege, und liefern einen festen Satz von Feldern mit einem Konfidenzwert für jedes.
Allgemeine Sprachmodelle mit Dokumenteingabe lesen die Seite als Text und Bild und können beliebige Felder zurückgeben, nach denen Sie fragen, was sich für Dokumente ohne festes Layout eignet, etwa Verträge.
Welche Dokumente kann KI heute zuverlässig lesen?
Dokumente mit gemeinsamer Struktur und bekanntem Feldsatz, etwa Rechnungen, Belege und Standardformulare, sind am zuverlässigsten. Verträge und freie Briefe funktionieren für bestimmte Klauseln und Daten, brauchen aber mehr Prüfung, weil die Antwort vom Verstehen der Bedeutung abhängt, nicht von der Position.
Eine praktische Art, Ihre Dokumente zu sortieren:
Rechnungen und Belege: Struktur: über Lieferanten hinweg ähnlich. Felder: Lieferant, Nummer, Datumsangaben, Summen, Steuer, Positionen. Eignung: Vorgefertigte Modelle bewältigen die meisten.
Ihre eigenen Formulare: Struktur: fest, weil Sie sie entworfen haben. Felder: was immer das Formular abfragt. Eignung: Formular-Parser oder ein eigenes Modell, trainiert an einigen Mustern.
Lieferscheine und Bestellungen: Struktur: je nach Lieferant verschieden. Felder: Bestellnummer, Artikel, Mengen. Eignung: vorgefertigte oder eigene Modelle, geprüft gegen die Bestellung in Ihrem System.
Verträge: Struktur: Freitext. Felder: Parteien, Beginn und Ende, Kündigungsfrist, Verlängerungsbedingungen, anwendbares Recht. Eignung: Sprachmodelle, wobei ein Mensch jede extrahierte Klausel bestätigt.
Handschriftliches oder schlechte Scans: Struktur: unvorhersehbar. Eignung: vor der Festlegung testen und mit mehr manueller Prüfung planen.
Die Qualität der Eingabe ist ebenso wichtig wie das Modell. Ein sauberes PDF aus einem Buchhaltungssystem ist leichter als ein Handyfoto eines zerknitterten Lieferscheins.
Welche Tools können Daten aus Rechnungen und Formularen extrahieren?
Die großen Cloud-Anbieter bieten jeweils Dienste zur Dokumentenextraktion mit vorgefertigten Modellen für gängige Dokumente und Optionen zum Training auf Ihre eigenen an, und allgemeine KI-Modelle können PDFs inzwischen direkt lesen. Wählen Sie nach Dokumenttyp, nach dem Ort, an dem Ihre Daten gespeichert werden dürfen, und nach dem, was Ihr Team bereits betreibt.
Azure Document Intelligence (Microsoft): Vorgefertigt: Das vorgefertigte Rechnungsmodell extrahiert Felder wie Kundenname, Rechnungsadresse, Fälligkeitsdatum, offenen Betrag und Positionen, und Microsoft listet Rechnungen, Nebenkostenabrechnungen, Kundenaufträge und Bestellungen als unterstützt auf, in 27 Sprachen. Konfidenz: zurückgegeben für Wörter, Schlüssel-Wert-Paare, Auswahlmarkierungen, Regionen und Unterschriften, wobei Microsoft vermerkt, dass nicht jedes Dokumentfeld eine liefert.
Amazon Textract (AWS): Vorgefertigt: AnalyzeExpense extrahiert Rechnungs- oder Belegdatum und -nummer, Artikelpreise, Gesamtbetrag und Zahlungsbedingungen sowie Positionen. Konfidenz: ein Wert für jede Dateneinheit. Weitere Funktionen: AnalyzeDocument liest Formulare, Tabellen, Unterschriften und Layout und akzeptiert Queries, bei denen Sie eine einfache Frage stellen, etwa welchen Kunden das Dokument nennt.
Google Cloud Document AI: Optionen: Der Form Parser extrahiert Schlüssel-Wert-Paare, Tabellen und Kontrollkästchen ohne vordefinierte Felder, und der Custom Extractor zieht Felder, die Sie in einem Schema definieren. Training: Google empfiehlt, mit der Foundation-Model-Option zu beginnen, die mit bis zu 5 gelabelten Dokumenten vorhersagt und mit mehr als 10 feinabgestimmt werden kann.
Allgemeine KI-Modelle mit PDF-Eingabe: Beispiel: Die PDF-Unterstützung für Claude von Anthropic wandelt jede Seite in ein Bild um und liefert den extrahierten Text daneben, sodass das Modell Tabellen und Diagramme lesen kann. Grenzen: bis zu 600 Seiten pro Anfrage (100, wenn das Kontextfenster unter 1M Token liegt), und jede Seite verbraucht typischerweise 1.500 bis 3.000 Token. Eignung: Verträge und unterschiedliche Dokumente, bei denen Sie die Felder im Prompt definieren.
Preise gelten pro Seite und ändern sich; prüfen Sie die Preisseite jedes Anbieters am Tag des Vergleichs.
Wie entscheiden Sie, welche Felder eine menschliche Prüfung brauchen?
Schicken Sie ein Feld an einen Menschen, wenn die Konfidenz des Modells unter einem von Ihnen gesetzten Schwellenwert liegt, wenn eine Validierungsregel fehlschlägt oder wenn das Feld riskant genug ist, dass Sie immer einen zweiten Blick wollen. Alles andere kann direkt durchlaufen.
Der Leitfaden von Microsoft zu Genauigkeit und Konfidenzwerten beschreibt die Feldkonfidenz als geschätzte Wahrscheinlichkeit zwischen 0 und 1, dass die Vorhersage korrekt ist, und sagt, sie „kann genutzt werden, um zu entscheiden, ob die Vorhersage automatisch akzeptiert oder zur menschlichen Prüfung markiert wird“. Er gibt keinen universellen Grenzwert vor, legen Sie Ihren also anhand Ihrer eigenen Testergebnisse fest.

Konfidenz allein reicht nicht. Ein Modell kann sicher und falsch sein, zum Beispiel wenn es die Zwischensumme als Gesamtsumme liest. Validierungsregeln fangen diese Fälle ab.
Validierungsregeln, die sich zuerst lohnen
Summen stimmen: Positionen plus Steuer ergeben die Rechnungssumme.
Der Lieferant existiert: Der extrahierte Lieferant entspricht einem Lieferanten in Ihrem Buchhaltungssystem, wo möglich anhand der Steuernummer.
Die Bestellung passt: Die Bestellnummer existiert, und die Beträge liegen innerhalb der Toleranz.
Keine Dubletten: Derselbe Lieferant und dieselbe Rechnungsnummer wurden nicht schon einmal verarbeitet.
Datumsangaben ergeben Sinn: Das Fälligkeitsdatum liegt nach dem Rechnungsdatum, und Vertragsenden liegen nach Vertragsbeginn.
Behandeln Sie bei Verträgen jedes extrahierte Verlängerungsdatum und jede Kündigungsfrist als Feld, das bestätigt werden muss. Eine verpasste Kündigungsfrist kostet mehr als die Minute, die eine Prüfung braucht.
Bei AWS wurde Amazon Augmented AI (A2I) für diesen Schritt gebaut und lässt sich in die Operation AnalyzeDocument von Textract integrieren, wobei Prüfungen nach Konfidenzbereich, fehlenden Schlüsseln oder Zufallsstichprobe gestartet werden. Die A2I-Seite von AWS vermerkt inzwischen, dass es für Neukunden nicht mehr offen ist, sodass neue Projekte die Prüfwarteschlange meist in ihrem eigenen Workflow-Tool bauen.
Wie richten Sie einen Dokumentenverarbeitungs-Workflow Schritt für Schritt ein?
Beginnen Sie mit einem Dokumenttyp und einem Zielsystem, messen Sie an echten Mustern und erweitern Sie dann. Eine kleine Pipeline, die jeden Tag läuft, schlägt eine breite, der niemand vertraut.
30 bis 50 echte Muster sammeln eines Dokumenttyps von verschiedenen Absendern, auch die unordentlichen.
Die Felder aufschreiben, die Sie brauchen, und wohin jedes im Zielsystem gehört.
Die Muster durch zwei Kandidaten-Tools laufen lassen und Feld für Feld mit dem vergleichen, was ein Mensch eintippen würde.
Validierungsregeln hinzufügen, die die extrahierten Werte gegen Ihre eigenen Datensätze prüfen.
Prüfschwellen setzen, sodass Felder mit niedriger Konfidenz oder fehlgeschlagener Prüfung in eine Prüfwarteschlange gehen, mit dem Dokument nebeneinander.
Das Ziel anbinden über seine API und Entwürfe oder ausstehende Datensätze schreiben, statt direkt zu buchen.
Jedes Dokument protokollieren, seine extrahierten Felder, etwaige Korrekturen und wer es freigegeben hat.
Parallel laufen lassen zum manuellen Prozess, einige Wochen lang, bevor Sie den manuellen Schritt abschalten.

Der Eingangsschritt ist oft der schwierigste Teil. Dokumente kommen per E-Mail, Upload, gemeinsamem Laufwerk und Scanner. Leiten Sie sie vor der Extraktion in ein Postfach oder einen Ordner und halten Sie die Originaldatei mit jedem Datensatz verknüpft, den sie erzeugt.
Woran erkennen Sie, dass die Extraktion funktioniert?
Messen Sie die Genauigkeit auf Feldebene an einem festen Testsatz, den Anteil der Dokumente, die ohne menschliche Änderung durchlaufen, und die Korrekturen, die Prüfer jede Woche vornehmen. Korrekturen sind das nützlichste Signal, weil sie genau zeigen, welche Felder und Absender Schwierigkeiten machen.
Halten Sie den Testsatz stabil, damit Sie vergleichen können, wenn ein Anbieter sein Modell aktualisiert oder Sie einen Prompt ändern. Fügen Sie ihm neue Fehlerfälle hinzu, sobald Sie sie finden. Wenn das Layout eines Lieferanten immer wieder scheitert, behebt ein kleines eigenes Modell oder eine lieferantenspezifische Regel das meist schneller als ein Toolwechsel.
Achten Sie auch auf stillen Drift. Ein Lieferant ändert seine Rechnungsvorlage, und ein Feld, das immer richtig war, geht plötzlich in die Prüfung. Ein wöchentlicher Blick auf das Prüfvolumen nach Absender fängt das früh ab.
So gehen wir bei Vizio AI vor
Wir beginnen mit den Dokumenten, nicht mit dem Tool. Wir sammeln echte Muster, listen die Felder auf, die jedes Team tatsächlich abtippt, und verfolgen, wohin jeder Wert geht. Dann testen wir zwei oder drei Extraktionsoptionen an denselben Mustern und wählen nach gemessener Feldgenauigkeit, Datenstandort und Kosten pro Seite.
Die Pipeline, die wir bauen, hält bei Feldern mit niedriger Konfidenz und fehlgeschlagenen Prüfungen einen Menschen im Prozess, schreibt als Entwürfe ins Zielsystem und protokolliert jede Korrektur, damit sich die Regeln mit der Zeit verbessern. Für Finanzteams verbindet sie sich mit der Rechnungsabstimmung und Abschlussarbeit, die wir in KI im Finance-Backoffice beschreiben. Wenn das Ziel darin besteht, Fragen aus Dokumenten zu beantworten, statt Felder zu extrahieren, behandelt Mit Ihren Unternehmensdokumenten chatten dieses Muster, und unser früherer Beitrag zu RPA im Dokumentenmanagement behandelt die regelbasierte Seite von Vertrags-Workflows.
Das gehört zur Operations-Arbeit unseres DX Studio.
Quellen
Microsoft Learn, Interpret and improve model accuracy and confidence scores (Document Intelligence): https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/concept-accuracy-confidence
Microsoft Learn, Invoice data extraction (Document Intelligence): https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/prebuilt/invoice
Amazon Textract Developer Guide, Analyzing Invoices and Receipts: https://docs.aws.amazon.com/textract/latest/dg/invoices-receipts.html
Amazon Textract Developer Guide, Analyzing Documents: https://docs.aws.amazon.com/textract/latest/dg/how-it-works-analyzing.html
Amazon SageMaker AI Developer Guide, Use Amazon Augmented AI with Amazon Textract: https://docs.aws.amazon.com/sagemaker/latest/dg/a2i-textract-task-type.html
Google Cloud Document AI, Extracting overview: https://docs.cloud.google.com/document-ai/docs/extracting-overview
Claude Developer Platform, PDF support: https://platform.claude.com/docs/en/build-with-claude/pdf-support
Vizio AI, KI im Finance-Backoffice: Rechnungen, Abstimmung und Monatsabschluss: https://www.vizio.ai/resources/blog/ai-accounts-payable-automation
Vizio AI, Mit Ihren Unternehmensdokumenten chatten: Wann RAG funktioniert und wann nicht: https://www.vizio.ai/resources/blog/rag-company-documents
Vizio AI, RPA im Dokumentenmanagement: https://www.vizio.ai/resources/blog/rpa-in-document-management-automating-contract-lifecycle-and-enhancing-efficiency
Vizio AI, DX Studio: https://www.vizio.ai/studios/dx-studio
FAQs.
Weiterlesen

Attribution That Survives Your Tool Stack: Keeping UTMs From Ad to Booking to CRM

Clean Your CRM Data Before You Add AI: Dedupe, Grain and Ownership

Semantic Layer First: Getting Your BI Ready for AI Agents

How F&B CMOs Use Generative AI In Business For Location Decisions

How Real Estate Firms Use Business Analytics For City Parks To Drive Value

Data Storytelling and Visualization

When Does a Business Actually Need Digital Transformation?

Analytics for Product Recommendations

Data Analyst vs. Data Quality Analyst

The Best NoSQL Analytics Tools 2024



