Zum Inhalt springen

Sprache und Dokumente

Intelligent Document Processing (IDP)

Intelligent Document Processing (IDP) bezeichnet Systeme, die eingehende Dokumente automatisch erkennen, nach Art sortieren, die benötigten Angaben auslesen, gegen Regeln und Stammdaten prüfen und als Datensatz an die Fachanwendung übergeben. Unsichere Fälle legen sie einem Menschen vor.

Auch: IDP, intelligente Dokumentenverarbeitung, Document AI

Intelligent Document Processing, kurz IDP, ist weniger eine einzelne Technik als ein Zusammenbau. Der Begriff fasst die Schritte zusammen, die nötig sind, damit aus einem Stapel gemischter Eingangspost verwertbare Datensätze werden: erkennen, sortieren, auslesen, prüfen, übergeben. Jeder dieser Schritte hat einen eigenen Namen und eigene Fehlerquellen. IDP ist das Wort für die ganze Kette, und an der Kette entscheidet sich, ob am Ende Arbeit wegfällt oder nur verlagert wird.

Google beschreibt seine Plattform Document AI in diesem Sinn: Sie nimmt unstrukturierte Daten aus Dokumenten und wandelt sie in strukturierte Daten um. Die Bausteine heißen dort Digitalisieren, Klassifizieren, Aufteilen und Extrahieren. Microsoft bezeichnet seinen Dienst Document Intelligence als Kombination aus OCR und intelligenter Dokumentverarbeitung, die die Extraktion von Schlüsseldaten aus Formularen und Dokumenten automatisiert. Die Begriffe der Anbieter unterscheiden sich, die Glieder der Kette sind dieselben.

Die Glieder der Kette

Eingang. Dokumente kommen per E-Mail, Scanner, Upload, Fax oder Portal. Ein IDP-System sammelt sie an einer Stelle und merkt sich, woher jedes Stück stammt. Schon hier fallen Entscheidungen, etwa ob der E-Mail-Text selbst ausgewertet wird oder nur die Anhänge.

Digitalisieren. Wo ein Bild vorliegt, macht die Texterkennung daraus Text mit Positionen. Bei PDFs, die bereits eine Textebene haben, entfällt dieser Schritt.

Klassifizieren und Aufteilen. Ist das eine Rechnung, ein Lieferschein, eine Reklamation? Die Textklassifikation ordnet jedes Dokument einer Art zu, weil davon abhängt, welche Felder gesucht und wohin sie geschickt werden. Oft steckt in einer PDF-Datei mehr als ein Dokument, etwa eine Rechnung mit angehängtem Lieferschein. Google nennt als Beispiel für das Aufteilen ausdrücklich eine PDF-Datei mit mehreren realen Dokumenten. Microsoft beschreibt seine Klassifizierer so, dass sie die Dokumentart bestimmen, bevor ein Extraktionsmodell aufgerufen wird.

Extrahieren. Die Informationsextraktion findet die gesuchten Werte und legt sie in Felder: Lieferant, Datum, Positionen, Beträge.

Prüfen. Erst hier wird aus erkannten Werten ein verlässlicher Datensatz. Stimmt die Summe der Positionen mit dem Gesamtbetrag überein? Gibt es den Lieferanten im Stamm, und passt die Bankverbindung zu der hinterlegten? Existiert die Bestellnummer? Diese Plausibilitäts- und Stammdatenprüfungen sind fachlich und kommen nicht vom Anbieter, sondern aus dem eigenen Haus.

Vorlegen oder übergeben. Was alle Prüfungen besteht, geht an das ERP-, DMS- oder Buchhaltungssystem. Was unsicher ist, landet bei einem Menschen, mit markiertem Feld und dem Ausschnitt des Originals daneben. Diese Arbeitsteilung heißt Human in the Loop, und ihre Gestaltung entscheidet mehr über den Nutzen als jedes Modell.

Drei Bauweisen für das Auslesen

Für den Kern der Kette, das Finden der richtigen Werte, gibt es drei Ansätze, die sich in Aufwand und Reichweite unterscheiden.

Ansatz Wie er arbeitet Stärke Schwäche
Vorlagen feste Positionen je Layout sehr genau bei gleichbleibenden Formularen jedes neue Layout braucht eine neue Vorlage
trainierte Modelle lernen aus beschrifteten Beispieldokumenten kommen mit wechselnden Layouts zurecht brauchen Trainingsdaten und Pflege
Sprachmodelle lesen das Dokument und füllen ein vorgegebenes Schema ohne Training einsetzbar, verstehen auch freie Texte können Werte ergänzen, die nicht dastehen

Microsoft unterscheidet bei eigenen Modellen ebenfalls zwischen Vorlagenmodellen für statische Layouts und neuronalen Modellen für gemischte Dokumenttypen. Für Standardbelege wie Rechnungen und Quittungen bieten die großen Anbieter zusätzlich vortrainierte Modelle an.

Sprachmodelle haben das Feld in den letzten Jahren stark verändert, weil sie ohne Training auch Briefe, Mails und ungewöhnliche Formulare verarbeiten. Anthropic und andere Anbieter garantieren inzwischen, dass die Ausgabe einem vorgegebenen Schema entspricht. Das sichert die Form, nicht den Inhalt: Ein Pflichtfeld ist dann immer gefüllt, aber nicht unbedingt mit dem richtigen Wert. Gerade bei Pflichtfeldern muss das System erlauben, „nicht gefunden“ zu sagen, sonst füllt das Modell die Lücke.

Woran man den Nutzen misst

Die naheliegende Kennzahl, die Erkennungsgenauigkeit, führt in die Irre. Ein Rechenbeispiel mit angenommenen Werten: Liest ein System jedes Feld mit 90 Prozent Wahrscheinlichkeit richtig und hat ein Beleg zehn Felder, ist im Schnitt ein Feld je Beleg falsch, und nur gut jeder dritte Beleg ist ganz fehlerfrei. Für den Betrieb zählen deshalb andere Größen:

  • Anteil ohne Eingriff. Wie viele Dokumente laufen vollständig ohne menschliche Berührung durch? Das ist die Quote der Dunkelverarbeitung, in der englischsprachigen Literatur die STP-Rate.
  • Fehler, die durchrutschen. Wie oft wird ein falscher Wert übernommen, ohne dass jemand gefragt wurde? Diese Zahl muss nahe null liegen, auch wenn dafür mehr Fälle zur Prüfung gehen.
  • Aufwand je Ausnahme. Wie lange braucht ein Mensch, um einen vorgelegten Fall zu klären? Hier entscheidet die Prüfoberfläche: Wer das markierte Feld neben dem Ausschnitt des Originals sieht, ist schneller als jemand, der erst das ganze Dokument öffnen muss.

Die zweite Größe ist die wichtigste und wird am seltensten gemessen. Ein Konfidenzwert allein reicht dafür nicht. Erst die fachlichen Prüfungen fangen die Fehler ab, bei denen das Modell sich sicher und trotzdem falsch ist.

Ein Beispiel aus der Kreditorenbuchhaltung

Ein konstruiertes Beispiel: Ein Maschinenbauer erhält Lieferantenrechnungen als PDF, als Papier und zunehmend als E-Rechnung. Das IDP-System nimmt alle drei Wege an. E-Rechnungen werden direkt gelesen und auf ihr Format geprüft, PDFs und Scans laufen durch Texterkennung und Extraktion. Danach folgt für alle derselbe Abgleich: Lieferant gegen Kreditorenstamm, Bestellnummer gegen offene Bestellungen, Mengen gegen den Wareneingang. Passt alles, entsteht ein Buchungsvorschlag. Weicht der Preis einer Position ab, sieht die Sachbearbeiterin genau diese Position, die Bestellung und den Ausschnitt aus der Rechnung nebeneinander.

Fragen, bevor man sich für ein System entscheidet

  • Mit welchen eigenen Dokumenten wurde das System getestet, und wie wurde gezählt?
  • Kann jedes Feld „nicht gefunden“ zurückgeben, und was geschieht dann?
  • Lassen sich eigene Prüfregeln und Stammdatenabgleiche einbauen, oder endet das System bei der Extraktion?
  • Wie sieht die Prüfoberfläche für Ausnahmen aus, und fließen Korrekturen in die Verbesserung zurück?
  • Wo werden die Dokumente verarbeitet und gespeichert, und wer hat Zugriff?

Die letzte Frage ist keine Formsache. Eingangspost enthält personenbezogene Daten, Bankverbindungen und Vertragsinhalte, und mit ihr wandern diese Daten zu jedem Dienst, der in der Kette sitzt.

Quellen

  1. Document AI overview, Google Cloud Dokumentation
  2. Was ist Azure Dokumentintelligenz in Foundry Tools?, Microsoft Learn, 2026
  3. OCR-Datenextraktion mit dem Read-Modell, Document Intelligence, Microsoft Learn, 2026
  4. Structured outputs, Anthropic, Claude-Dokumentation

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.