Dokumentenverarbeitung, aber richtig
Ein PDF ist in Sekunden in ein Sprachmodell geladen. Ein Dokumentenprozess, der zuverlässig, kosteneffizient und nachvollziehbar läuft, ist eine ganz andere Aufgabe.
Diese deutsche Fassung wurde maschinell mit KI aus dem Englischen übersetzt. Zum englischen Original.
Ein PDF in ein Sprachmodell hochzuladen, dauert Sekunden. Einen zuverlässigen, kosteneffizienten und auditierbaren Dokumentenprozess aufzubauen, ist eine ganz andere Aufgabe.
Die meisten denken, Dokumentenverarbeitung heisse einfach, ein PDF in ein Sprachmodell hochzuladen. Unten läuft dieselbe Datei zweimal durch: einmal mit einem einzigen Modellaufruf, einmal durch eine mehrstufige Pipeline. Für jeden Schritt sehen Sie, was dort wirklich passiert.
| Einzelner Modellaufruf | Mehrstufige Pipeline | |
|---|---|---|
| Kosten pro Dokument | Jede Seite geht als Text und als Bild ans Modell, ob die Bilder etwas bringen oder nicht | Günstige Schritte filtern vor, ans Modell geht nur, was wirklich Interpretation braucht |
| Entwicklungsaufwand | Ein Nachmittag | Wochen, und die Geschäftsregeln müssen aufgeschrieben werden |
| Halluzinationen | Das Ergebnis wird nie mit der Quelle abgeglichen | Jeder Wert muss sich in der Quelle finden, Summen müssen aufgehen |
| Fehlerbild | Ein überzeugend falscher Wert, der genau wie ein richtiger aussieht | Ein markiertes Feld samt Quellenverweis |
| Auditierbarkeit | Prompt und Antwort | Für jedes Feld Fundstelle, Methode, Version und Validierungsstatus |
| Bei hohem Volumen | Die Kosten wachsen linear, die Genauigkeit wird nicht besser | Kluge Weiterleitung, Caching und deterministische Methoden senken die Kosten deutlich |
Bei kleinen Mengen, geringer Tragweite oder für einen ersten Prototyp ist der einzelne Aufruf durchaus die richtige Wahl. Das ändert sich, sobald jemand ein Ergebnis erklären muss oder die Monatsrechnung ins Gewicht fällt. Für den zweiten Punkt liefert Anthropic selbst die Zahlen. Geht ein PDF als PDF ans Modell, wird jede Seite in ein Bild umgewandelt und zusammen mit dem extrahierten Text übergeben; eine Einstellung nur für Text gibt es nicht. Dieselbe dreiseitige Datei kostet als extrahierter Text rund 1'000 Tokens, als ganze Datei gesendet rund 7'000 Tokens: die siebenfache Rechnung für ein einziges Dokument.Quelle
Zuerst klären, was zum Fall gehört
Dokumente kommen nicht als Dokumente an, sondern als E-Mail-Anhänge, Portal-Uploads, API-Übermittlungen, gescannte Post und Dateien aus bestehenden Systemen. Ein einziger Fall kann drei Anhänge mitbringen: ein 40-seitiges PDF mit Begleitschreiben, Rechnung und Bericht, ein Duplikat von etwas, das letzte Woche eingereicht wurde, und eine passwortgeschützte Datei, die niemand öffnen kann.
Das System muss wissen, was es vor sich hat. Ist das wirklich ein PDF oder ein Bild in einer PDF-Hülle? Gibt es eine saubere Textebene, oder ist die Datei teils gescannt und teils digital? Wurde genau diese Datei schon einmal eingereicht? Keine dieser Prüfungen braucht ein Modell, und jede davon entscheidet, was der nächste Schritt kostet.
Klassifikation macht Extraktion zum Geschäftsprozess
Ohne Klassifikation liefert die Extraktion generische Daten; erst die Klassifikation macht daraus konkrete Anforderungen. Eine Rechnung braucht Rechnungsnummer, Datum, Nettobetrag, MWST und Total; die Beträge müssen aufgehen, und die Rechnungsnummer darf noch nie vorgekommen sein. Eine Schadenmeldung braucht Policennummer, Schadendatum und die beteiligten Parteien, und das Schadenereignis muss in die Versicherungsdauer fallen. Dieselbe Pipeline, völlig andere Anforderungen.
Welche Felder Pflicht sind, welche Regeln gelten und was im Geschäftsprozess als Nächstes geschieht, hängt also vom Dokumenttyp ab, nicht vom Modell. Ist der Typ falsch, beantworten alle folgenden Schritte die falsche Frage.
Die einfachste zuverlässige Methode wählen
Es geht nicht darum, überall das leistungsfähigste Modell einzusetzen, sondern für jeden Schritt die günstigste zuverlässige Methode.
| Ebene | Geeignet für | Kosten | Wie Sie das Ergebnis prüfen |
|---|---|---|---|
| Deterministische Regeln | Metadaten, Textebenen, IBAN- und Datumsprüfungen, Summen, Hashes zur Duplikaterkennung | Vernachlässigbar | Die Regel ist selbst die Prüfung |
| Klassische Extraktion und OCR | Scans, bekannte Formularlayouts, Tabellenstrukturen | Gering | Reproduzierbares Ergebnis, Konfidenz je Token |
| Sprach- oder Bildmodell | Unstrukturierter Text, ungewöhnliche Layouts, Informationen, die sich über mehrere Seiten verteilen | Hoch | Quellenverweise und anschliessende Validierung |
| Manuelle Prüfung | Mehrdeutigkeiten, Widersprüche, Ausnahmefälle mit hohem Wert | Pro Fall am höchsten | Eine Person gibt frei |
Von oben nach unten steigen in dieser Tabelle die Kosten, und mit ihnen der Aufwand für den Nachweis, dass die Antwort stimmt. Das ist kein Zufall. Genau deshalb gehen günstig und zuverlässig hier meist Hand in Hand.
Eine durchdachte Pipeline fragt nicht: „Kann ein Sprachmodell das?“ Sie fragt: „Was ist für diesen Schritt die einfachste zuverlässige Methode?“
In der Praxis heisst das: Schicken Sie keine Seitenbilder, wenn sich der Text bereits markieren lässt. Kürzen Sie den Kontext vor dem Modellaufruf, sodass von einem 200-seitigen Vertrag vier relevante Klauseln übrig bleiben. Nehmen Sie für Spracherkennung und einfache Klassifikation ein kleines Modell, und heben Sie das grosse für Mehrdeutigkeiten und Widersprüche auf. Speichern Sie OCR-Ergebnisse, extrahierten Text und Seitenklassifikationen zwischen, damit nichts zweimal verarbeitet wird. Hören Sie auf, sobald die Konfidenz genügt.
Erst abgleichen, dann validieren
Die Extraktion sagt, was im Dokument zu stehen scheint. Danach lautet die erste Frage nicht, ob ein Wert stimmt, sondern ob die benötigten Werte überhaupt da sind. Das klärt der Abgleich: Der Dokumenttyp gibt eine Liste von Pflichtfeldern vor, und der Fall bringt bereits eigene Daten mit. Eine Motorfahrzeug-Schadenmeldung ohne Policennummer ist unvollständig, ganz gleich, wie gut sie gelesen wurde.
Der nächste Schritt ist die Validierung. Sie fragt, ob die vorhandenen Werte für sich genommen standhalten. Eine Rechnung weist eine Zwischensumme von CHF 1'000, MWST von CHF 81 und ein Total von CHF 1'200 aus. Die MWST von 8.1% ist korrekt, jedes Feld ist fehlerfrei extrahiert, und trotzdem geht die Rechnung nicht auf. Eine Prüfung ist anderer Natur und wiegt so viel wie alle übrigen zusammen: Steht die extrahierte Zeichenfolge wirklich im Originaltext? Sie kostet fast nichts und schaltet eine ganze Klasse von Halluzinationen aus.
Jedes Ergebnis braucht einen Prüfpfad
Bewahren Sie das Originaldokument auf, dazu das strukturierte Ergebnis, die Fundstellen, die verwendete Methode und Modellversion, die Validierungsergebnisse, manuelle Korrekturen und den Weiterleitungsentscheid.
Ob ein System reif für den produktiven Betrieb ist, entscheidet eine einzige Frage: Kann jemand später nachvollziehen, warum es dieses Ergebnis geliefert hat? Diese Frage stellt sich bei Audits, bei Kundenbeschwerden, bei aufsichtsrechtlichen Prüfungen und bei jedem einzelnen Modellwechsel.
Wie wir bei Voviva vorgehen
Wir bauen Dokumenten-Pipelines für Versicherer, Banken und die öffentliche Hand im DACH-Raum. Das sind regulierte Umfelder: Die Daten sind sensibel, die Pipeline muss On-Premise oder in der eigenen Cloud des Kunden laufen, und jedes Ergebnis muss sich auch später noch verteidigen lassen.
Ein gutes KI-System für die Dokumentenverarbeitung liest nicht einfach Dokumente. Es wählt die passende Verarbeitungsmethode, extrahiert nur, was nötig ist, validiert das Ergebnis anhand der Geschäftsregeln und übergibt es dem nächsten Prozessschritt.
