Dokumenten-KI (IDP): wie KI Rechnungen, Verträge und Bestellungen liest

Dokumente sind für Menschen gemacht, nicht für Systeme

Eine Rechnung enthält für einen Menschen alles Nötige: Absender, Nummer, Datum, Positionen, Beträge, Bankverbindung. Für ein System ist sie ein Bild oder ein PDF mit Text an wechselnden Stellen. Jeder Lieferant baut sie anders. Ein Vertrag ist noch schwieriger: Die entscheidende Klausel steht auf Seite 14, die Frist ergibt sich aus zwei Absätzen zusammen.

Klassische Erfassung löst das mit Schablonen: Für jeden Lieferanten wird einmal festgelegt, wo welches Feld steht. Das funktioniert bei zwanzig Lieferanten und bricht bei zweihundert. Dokumenten-KI dreht den Ansatz um. Statt zu wissen, wo das Feld steht, versteht das System, was ein Rechnungsbetrag ist, unabhängig von der Position auf der Seite.

Ein Sonderfall verdient Erwähnung: Seit dem 1. Januar 2025 müssen inländische Unternehmen im B2B-Geschäft elektronische Rechnungen im strukturierten Format nach der Norm EN 16931 empfangen können, etwa XRechnung oder ZUGFeRD. Wo eine solche Rechnung ankommt, braucht es keine Erkennung, die Daten liegen schon strukturiert vor. Der Bedarf an Dokumenten-KI bleibt trotzdem: für die Übergangsjahre, für ausländische Lieferanten, für Bestellungen, Lieferscheine, Verträge und alles, was nie als E-Rechnung kommt.

OCR, Layout-Verständnis, multimodale Modelle: drei Stufen, drei Grenzen

Die Werkzeuge haben sich in drei Stufen entwickelt, die heute nebeneinander im Einsatz sind. Welche Stufe Sie brauchen, hängt vom Dokument ab, nicht vom Alter der Technik.

In der Praxis kombiniert man. OCR macht aus dem Scan Text mit Koordinaten. Ein Layout- oder Sprachmodell ordnet die Angaben Feldern zu. Fachregeln prüfen das Ergebnis. In einem Projekt mit einem Berufsgeheimnisträger genügte für gescannte Urkunden eine offene OCR-Bibliothek mit deutschem Sprachpaket als Rückfallebene: Auch aus einer reinen Bild-PDF wurde die Aktennummer korrekt gelesen. Für schwierige Vorlagen wäre das nicht genug gewesen; dann kommt die nächste Stufe dazu. Wie Sprachmodelle solche Inhalte anschließend durchsuchbar machen, erklärt Embeddings und Vektordatenbanken.

Klassifikation, Extraktion, Validierung: was IDP im Ablauf tut

Den konkreten Ablauf für Eingangsrechnungen von der Erfassung bis zur Buchung beschreibt Rechnungsverarbeitung automatisieren.

Was „98 Prozent Genauigkeit" wirklich bedeutet

Anbieter nennen gern hohe Genauigkeiten. Drei Fragen machen aus der Zahl eine Aussage. Erstens: Genauigkeit je Feld oder je Dokument? Eine Rechnung mit zehn Pflichtfeldern, die jedes Feld mit 98 Prozent Wahrscheinlichkeit richtig liest, ist rechnerisch nur in rund 82 Prozent der Fälle komplett fehlerfrei (0,98 hoch 10). Der Prüfaufwand richtet sich nach der Dokumentquote, nicht nach der Feldquote.

Zweitens: Auf welchen Dokumenten gemessen? Saubere digitale PDFs großer Lieferanten sind leicht. Gefaxte Lieferscheine, Handschrift und mehrseitige Tabellen sind schwer. Öffentliche Datensätze wie SROIE für Kassenbelege oder DocVQA für Fragen zu Dokumentbildern zeigen, wie stark Ergebnisse je Dokumentart auseinandergehen. Verlangen Sie die Messung auf einer Stichprobe Ihrer eigenen Dokumente.

Drittens: Zählt eine Verwechslung wie eine Lücke? Ein fehlendes Feld fällt auf. Ein vertauschtes Datum oder ein Betrag mit verrutschtem Komma fällt nicht auf und ist teurer. Bei Sprachmodellen kommt die erfundene Angabe hinzu: ein plausibler Wert, der nirgends im Dokument steht. Wie Sie das messen, statt es zu vermuten, steht in KI-Evaluierung. Was gegen erfundene Angaben hilft, in KI-Halluzinationen vermeiden.

Die Freigabe-Schleife: Sicherheit je Feld statt Bauchgefühl je Beleg

Weil kein Verfahren jede Rechnung fehlerfrei liest, ist die Freigabe-Schleife Teil des Systems, nicht ein Notbehelf. Bewährt hat sich ein Aufbau in drei Zonen. Dokumente, bei denen alle Felder über der Sicherheitsschwelle liegen und alle Validierungen bestehen, laufen durch. Dokumente mit einzelnen unsicheren Feldern gehen mit markierten Feldern und Bildausschnitt an eine Person, die nur diese Felder bestätigt. Dokumente mit fehlgeschlagener Validierung oder unbekannter Klasse gehen komplett in die Prüfung.

Zwei Regeln kommen dazu. Beträge über einer definierten Grenze und Änderungen an Bankverbindungen werden immer freigegeben, unabhängig von der Sicherheit des Modells; das ist eine Frage der Verantwortung, nicht der Technik. Und jede Freigabe wird mit Person, Zeitpunkt und Modellstand protokolliert. Die Muster dahinter beschreibt Guardrails und Human-in-the-Loop.

Dokumenten-KI im eigenen Haus betreiben

Rechnungen enthalten Bankdaten, Verträge Geschäftsgeheimnisse, Personalunterlagen besondere Kategorien personenbezogener Daten. Wer solche Dokumente an einen Cloud-Dienst gibt, braucht Auftragsverarbeitung, Rechtsgrundlage und im Zweifel eine Prüfung des Drittlandtransfers, wie sie DSGVO-konforme KI beschreibt. Für Berufsgeheimnisträger und für Dokumente der höchsten Vertraulichkeitsstufe ist der lokale Betrieb oft die einfachere Antwort.

Technisch ist das heute machbar. Offene OCR-Bibliotheken, offene Layout-Modelle und Open-Weights-Sprachmodelle laufen auf einem Server im Haus oder in einer europäischen Private Cloud. Der Preis dafür sind Hardware, Betrieb und Modellpflege, die sonst der Anbieter trägt. Was ein solcher Aufbau braucht, steht in Lokale KI im Unternehmen und KI-Hardware für Unternehmen; was er kostet, in KI-Kosten im Betrieb.

Ein Mittelweg ist verbreitet: Klassifikation und Extraktion laufen lokal mit einem kleinen Modell, nur schwierige Fälle ohne vertrauliche Inhalte gehen an ein großes Modell. Voraussetzung ist eine Prüfung der Datenklasse vor dem Aufruf, damit die Aufteilung nicht vom guten Willen abhängt.

Kurz gesagt

Dokumenten-KI ersetzt das Abtippen durch Klassifikation, Extraktion und Validierung. OCR liest, Layout-Modelle ordnen zu, multimodale Modelle verstehen auch schwierige Vorlagen, und Fachregeln prüfen. Genauigkeitsangaben sind erst mit Bezugsgröße und Dokumentart eine Aussage; die Freigabe-Schleife gehört von Anfang an dazu. Wo Vertraulichkeit zählt, ist der Betrieb im eigenen Haus machbar und oft der kürzere Weg. Weitere Begriffe erklärt das KI-Glossar 2026, weitere Anwendungsfelder die Prozessautomation-Beispiele.

• Xu, Y. et al., LayoutLM: Pre-training of Text and Layout for Document Image Understanding, arXiv:1912.13318, 2020, https://arxiv.org/abs/1912.13318
• Huang, Y. et al., LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking, arXiv:2204.08387, 2022, https://arxiv.org/abs/2204.08387
• Kim, G. et al., OCR-free Document Understanding Transformer (Donut), arXiv:2111.15664, 2022, https://arxiv.org/abs/2111.15664
• Mathew, M. et al., DocVQA: A Dataset for VQA on Document Images, arXiv:2007.00398, 2021, https://arxiv.org/abs/2007.00398
• Huang, Z. et al., ICDAR 2019 Competition on Scanned Receipt OCR and Information Extraction (SROIE), arXiv:2103.10213, 2019, https://arxiv.org/abs/2103.10213
• Pfitzmann, B. et al., DocLayNet: A Large Human-Annotated Dataset for Document-Layout Analysis, arXiv:2206.01062, 2022, https://arxiv.org/abs/2206.01062
• tesseract-ocr, Tesseract Open Source OCR Engine, GitHub, https://github.com/tesseract-ocr/tesseract
• Bundesministerium der Finanzen, GoBD (BMF-Schreiben vom 28.11.2019, geändert durch BMF-Schreiben vom 11.03.2024), Abschnitte zu bildlicher Erfassung und Verfahrensdokumentation
• § 14 UStG in der Fassung des Wachstumschancengesetzes (BGBl. 2024 I Nr. 108): Pflicht zum Empfang elektronischer Rechnungen im B2B-Bereich ab 01.01.2025; Norm EN 16931 (XRechnung, ZUGFeRD)