Zum Inhalt springen

Sprache und Dokumente

Informationsextraktion

Informationsextraktion ist das automatische Herauslösen bestimmter Angaben aus unstrukturiertem Text, etwa Namen, Daten, Beträge, Artikelnummern oder Beziehungen zwischen ihnen, und ihre Ablage in festen, maschinenlesbaren Feldern.

Auch: Information Extraction, Datenextraktion, Named Entity Recognition, Feldextraktion

Eine Reklamation per E-Mail enthält alles, was der Kundendienst braucht: wer schreibt, um welchen Auftrag es geht, welcher Artikel betroffen ist, was kaputt ist und was der Kunde erwartet. Nur steht es nicht in Feldern, sondern in Sätzen, und jeder Kunde formuliert anders. Informationsextraktion ist die Aufgabe, aus solchem Text die gesuchten Angaben herauszulösen und in eine feste Form zu bringen: Kundennummer, Auftragsnummer, Artikel, Mangel, Wunsch.

Das Lehrbuch „Speech and Language Processing“ von Jurafsky und Martin behandelt das Feld in mehreren Teilaufgaben. Die Erkennung benannter Entitäten (Named Entity Recognition) findet Namen von Personen, Firmen, Orten und ähnliche Ausdrücke. Die Relationsextraktion bestimmt, wie diese zueinander stehen, etwa welche Person bei welcher Firma arbeitet; aus solchen Beziehungen lässt sich ein Wissensgraph aufbauen. Hinzu kommen Ereignisse und Zeitangaben. Im Unternehmensalltag geht es meist um eine pragmatischere Form: Zu einem bekannten Dokumenttyp gibt es eine Liste von Feldern, und für jedes Feld soll der richtige Wert gefunden werden.

Wo die Extraktion in der Kette steht

Informationsextraktion setzt voraus, dass Text vorliegt. Bei Scans und Fotos liefert ihn vorher die Texterkennung, bei E-Mails und digital erzeugten PDFs ist er schon da. Die Extraktion ist also nicht dasselbe wie OCR: Die Texterkennung beantwortet, welche Zeichen auf der Seite stehen, die Extraktion, welche davon die Rechnungsnummer sind.

Sie ist auch nicht dasselbe wie Intelligent Document Processing. Dort ist die Extraktion ein Glied in einer längeren Kette, zu der auch das Sortieren der Dokumente, die Prüfung der Werte gegen Stammdaten und die Übergabe an das Zielsystem gehören. Und sie unterscheidet sich von einer Zusammenfassung. Eine Zusammenfassung darf verdichten und umformulieren. Eine Extraktion soll einen Wert so wiedergeben, wie er im Text steht, nur in normierter Form.

Wie Maschinen Werte finden

Über die Jahre haben sich drei Ansätze herausgebildet, die heute nebeneinander verwendet werden.

Regeln. Ein Muster, das den festen Aufbau einer IBAN beschreibt, findet sie zuverlässig, und die eingebaute Prüfziffer bestätigt sie. Für Werte mit fester Form sind Regeln schnell, nachvollziehbar und kostenlos im Betrieb. Für alles, was frei formuliert ist, scheitern sie.

Trainierte Modelle. Statistische und neuronale Modelle lernen aus beschrifteten Beispielen, welche Wörter zu welchem Feld gehören. Jurafsky und Martin beschreiben die Erkennung benannter Entitäten als Sequenzmarkierung: Jedes Wort bekommt ein Etikett, etwa „Beginn eines Firmennamens“ oder „außerhalb“. Solche Modelle sind genau und günstig, brauchen aber für jeden neuen Feldtyp neue Trainingsdaten.

Sprachmodelle mit Schema. Ein Large Language Model erhält den Text und eine Beschreibung der gewünschten Felder und gibt die Werte in dieser Struktur zurück. OpenAI und Anthropic bieten dafür Verfahren an, die garantieren, dass die Antwort dem vorgegebenen JSON-Schema entspricht. Der große Vorteil: Neue Felder und neue Dokumentarten lassen sich ohne Training ergänzen, auch bei frei formulierten E-Mails.

Form ist nicht Inhalt

Die Garantie einer strukturierten Ausgabe betrifft die Form: Ein Feld „Liefertermin“ existiert und enthält ein Datum, aber nicht unbedingt das richtige. Für die Extraktion steckt darin eine Falle: Wenn ein Pflichtfeld immer gefüllt werden muss, der Wert aber im Text nicht vorkommt, füllt das Modell die Lücke mit etwas Plausiblem. Diese Form der Halluzination ist bei der Extraktion besonders tückisch, weil der erfundene Wert genauso aussieht wie ein echter.

Daraus folgen drei Regeln für die Gestaltung:

  • „Nicht gefunden“ muss erlaubt sein. Jedes Feld braucht einen zulässigen leeren Wert, und die Anweisung an das Modell muss sagen, wann er zu verwenden ist. OpenAI empfiehlt ausdrücklich, im Prompt festzulegen, wie mit Eingaben umzugehen ist, die keine gültige Antwort ergeben.
  • Die Fundstelle gehört zum Wert. Wo möglich, sollte das System zu jedem Wert die Textstelle oder die Position im Dokument mitliefern. Dann kann ein Mensch in Sekunden prüfen, ob der Wert wirklich dasteht.
  • Prüfen, was sich prüfen lässt. Summen nachrechnen, Prüfziffern kontrollieren, Kundennummern gegen den Stamm abgleichen. Jede solche Regel fängt Fehler ab, bei denen das Modell sich sicher ist und trotzdem irrt.

Normalisieren: der unterschätzte zweite Schritt

Ein Wert ist erst nützlich, wenn er in der Form vorliegt, die das Zielsystem erwartet. „14.09.26“, „14. Sept. 2026“ und „2026-09-14“ sind dasselbe Datum. „1.249,50 €“ und „1,249.50 EUR“ sind derselbe Betrag, aber nur, wenn man weiß, welches Trennzeichen welche Bedeutung hat. Microsoft beschreibt für seine eigenen Extraktionsmodelle, dass man jedem Feld einen Typ zuweist, etwa Zahl oder Datum, und das Modell die Werte danach normalisiert. Bei Sprachmodellen gehört die gewünschte Form in die Feldbeschreibung.

Viele Fehler in Extraktionsprojekten sind keine Lesefehler, sondern Normalisierungsfehler: das amerikanische Datum, das als europäisches gelesen wird, die Menge in Kartons statt in Stück, der Nettobetrag im Feld für den Bruttobetrag.

Wie man Qualität misst

Für jedes Feld lassen sich zwei Fragen stellen. Wie viele der ausgegebenen Werte sind richtig? Das ist die Präzision. Und wie viele der tatsächlich vorhandenen Werte wurden gefunden? Das ist die Trefferquote, englisch Recall. Ein System kann eine hohe Präzision erreichen, indem es im Zweifel nichts ausgibt, oder eine hohe Trefferquote, indem es immer etwas ausgibt. Für die Automatisierung ist meist die Präzision wichtiger, denn ein leeres Feld fällt auf, ein falsch gefülltes nicht.

Gemessen wird an einer Stichprobe eigener Dokumente, deren richtige Werte jemand von Hand festgehalten hat. Diese Stichprobe ist zugleich der Maßstab für jede spätere Änderung: Wer das Modell, den Prompt oder den Anbieter wechselt, lässt sie erneut laufen und vergleicht.

Ein Beispiel aus dem Kundendienst

Ein konstruiertes Beispiel: Ein Hersteller von Pumpen erhält Reklamationen per Mail. Die Extraktion liest aus jeder Nachricht Kundennummer, Seriennummer, Fehlerbild und gewünschte Lösung. Die Seriennummer wird gegen die Gerätedatenbank geprüft, die Kundennummer gegen das CRM. Passt beides, legt das System einen Reklamationsfall mit allen Feldern an. Fehlt die Seriennummer, ist das Feld leer statt geraten, und der Fall bekommt eine Rückfrage an den Kunden. Damit verschwindet ein typischer Medienbruch: das Abtippen der Mail in die Fallmaske.

Quellen

  1. Speech and Language Processing, 3. Auflage (Entwurf), Kapitel 18 und 21, Daniel Jurafsky und James H. Martin, Stanford University, 2026
  2. Structured model outputs, OpenAI, API-Dokumentation
  3. Structured outputs, Anthropic, Claude-Dokumentation
  4. Was ist Azure Dokumentintelligenz in Foundry Tools?, Microsoft Learn, 2026

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.