Für einen Computer ist ein gescannter Lieferschein zunächst nur ein Bild: Millionen farbiger Punkte, unter denen zufällig auch Buchstaben sind. Texterkennung, im Fachjargon OCR für Optical Character Recognition, macht aus diesen Punkten Zeichen, aus Zeichen Wörter und aus Wörtern Zeilen. Danach lässt sich das Dokument durchsuchen, kopieren und weiterverarbeiten. Mehr leistet OCR für sich genommen nicht, und genau das wird in Projekten oft unterschätzt.
Was zwischen Scan und Text passiert
Eine moderne Texterkennung arbeitet in mehreren Schritten, auch wenn sie als ein einziger Knopf erscheint.
Das Bild aufbereiten. Zuerst wird die Vorlage begradigt, entrauscht und meist in reines Schwarz-Weiß umgerechnet. Die Dokumentation der verbreiteten Open-Source-Engine Tesseract nennt diese Schritte ausdrücklich als Stellschrauben für die Qualität: Schräglage verschlechtert die Zerlegung der Seite deutlich, dunkle Scanränder werden fälschlich als Zeichen gelesen, und Rauschen senkt die Genauigkeit.
Die Seite zerlegen. Dann sucht das Verfahren Textblöcke, Spalten und Zeilen. Dieser Schritt entscheidet, in welcher Reihenfolge der Text später herauskommt. Bei zweispaltigen Briefen, Tabellen oder Stempeln quer über dem Text geht hier am meisten schief.
Die Zeichen erkennen. Früher wurde jedes Zeichen einzeln mit Mustern verglichen. Heute lesen neuronale Netze ganze Zeilen am Stück. Tesseract hat mit Version 4 eine solche Engine eingeführt, die nach eigener Beschreibung auf die Erkennung von Zeilen ausgerichtet ist. Weil das Netz den Zusammenhang einer Zeile sieht, kann es unsaubere Zeichen besser einordnen als ein Einzelvergleich.
Das Ergebnis ausgeben. Am Ende steht nicht nur Text. Gute Verfahren liefern zu jedem Wort seine Position auf der Seite und einen Konfidenzwert, der angibt, wie sicher die Erkennung ist. Microsoft beschreibt das für sein Read-Modell so: Es gibt Zeilen und Wörter mit Begrenzungskoordinaten und einem Konfidenzwert je Wort aus und markiert, welche Zeilen handschriftlich sind. Diese Zusatzangaben sind für die Automatisierung wertvoller als der Text selbst.
Text ist noch keine Information
OCR liefert eine Zeichenkette wie „Rechnung Nr. 2026-0412 vom 14.09.2026 Gesamtbetrag 1.249,50 EUR“. Welche dieser Zahlen die Rechnungsnummer ist und welche der Betrag, weiß die Texterkennung nicht. Das herauszufinden ist eine eigene Aufgabe, die Informationsextraktion. Und ob es sich überhaupt um eine Rechnung handelt und nicht um eine Mahnung oder ein Angebot, entscheidet eine Klassifikation. Systeme, die alle diese Schritte bis zur Übergabe an die Fachanwendung verbinden, nennt man Intelligent Document Processing.
| Schritt | Frage, die er beantwortet | Ergebnis |
|---|---|---|
| OCR | Welche Zeichen stehen wo auf der Seite? | Text mit Positionen und Konfidenz |
| Informationsextraktion | Welcher Wert gehört in welches Feld? | strukturierte Felder, etwa Rechnungsnummer und Betrag |
| Intelligent Document Processing | Was ist das für ein Dokument, und was geschieht damit? | geprüfter Datensatz im Zielsystem oder eine Ausnahme zur Prüfung |
Die Abgrenzung ist mehr als Begriffspflege. Wer ein „OCR-Projekt“ ausschreibt, bekommt oft genau das: durchsuchbare PDFs. Die Arbeit, deretwegen das Projekt eigentlich begonnen wurde, das Abtippen der Felder, bleibt dann bestehen.
Was die Erkennungsqualität bestimmt
Die Genauigkeit hängt weniger vom Produkt ab als von der Vorlage. Einige Faktoren lassen sich beeinflussen:
- Auflösung. Tesseract arbeitet nach seiner Dokumentation am besten mit Bildern ab 300 dpi. Handyfotos und Faxe liegen oft darunter.
- Kontrast und Hintergrund. Graues Recyclingpapier, Durchschläge, Wasserzeichen und farbige Formularhintergründe erschweren die Umrechnung in Schwarz-Weiß.
- Tabellen. Die Tesseract-Dokumentation hält fest, dass die Engine Schwierigkeiten hat, Text aus Tabellen zu erkennen, wenn man die Seite nicht eigens zerlegt. Spezialisierte Layoutmodelle lösen das besser, aber Tabellen bleiben die häufigste Fehlerquelle.
- Handschrift. Einige Dienste erkennen Handschrift, sauber gedruckte Schrift gelingt aber meist zuverlässiger als ein handschriftlicher Vermerk am Rand.
Belastbare Aussagen über die Qualität bekommt man nur mit eigenen Dokumenten. Allgemeine Erkennungsraten aus Prospekten sagen wenig, weil sie auf anderen Vorlagen gemessen wurden. Eine Stichprobe von einigen hundert echten Belegen, deren richtige Werte jemand von Hand festhält, ist der ehrlichste Test.
Wann man OCR gar nicht braucht
Viele PDFs, die per E-Mail eintreffen, wurden direkt aus einer Software erzeugt und nie gedruckt. Solche Dateien enthalten bereits eine Textebene, der Text lässt sich markieren und kopieren. Sie noch einmal durch eine Texterkennung zu schicken, ist unnötig und kann Fehler erst einführen. Ein gutes System prüft deshalb zuerst, ob eine Textebene vorhanden ist, und erkennt nur dort, wo wirklich ein Bild vorliegt.
Noch besser ist ein Eingang, der gar kein Bild mehr ist. Mit der E-Rechnung kommen Rechnungsdaten als strukturierte XML-Datei an, und die Erkennung entfällt für diesen Belegtyp vollständig. Für Lieferscheine, Auftragsbestätigungen, Formulare und Briefe bleibt OCR aber auf absehbare Zeit nötig.
Sprachmodelle, die Bilder lesen
Multimodale Sprachmodelle können ein Dokumentbild direkt verarbeiten und gleich die gesuchten Felder ausgeben. Das verwischt die Grenze zwischen Texterkennung und Extraktion. Für die Praxis ändert es zweierlei. Erstens liefern solche Modelle oft keine Konfidenzwerte je Wort und nur ungefähre Positionen, was die gezielte Nachprüfung erschwert. Zweitens können sie bei schlechten Vorlagen Werte ergänzen, die nicht dastehen. Anthropic weist in der Dokumentation zu Claude darauf hin, dass das Modell bei minderwertigen, gedrehten oder sehr kleinen Bildern halluzinieren oder Fehler machen kann, und rät davon ab, es ohne menschliche Kontrolle für Aufgaben einzusetzen, die vollkommene Genauigkeit verlangen. Viele Lösungen kombinieren deshalb beides: klassische Texterkennung für Text und Positionen, ein Sprachmodell für die Deutung.
Wenn das Papier danach weg soll
Wer Eingangspost scannt und die Originale vernichten will, betreibt ersetzendes Scannen. Dafür fasst das BSI in der Technischen Richtlinie TR-03138 (RESISCAN) entlang des Scanprozesses die technischen und organisatorischen Sicherheitsmaßnahmen zusammen, mit dem Ziel, dass das Scanprodukt einen Beweiswert möglichst nahe am Original erreicht. Die Texterkennung ist dabei ein nachgelagerter Schritt. Entscheidend ist, dass das Bild des Originals selbst vollständig und lesbar gesichert ist, denn ein OCR-Fehler lässt sich nur korrigieren, solange das Bild noch da ist.
Quellen
- Improving the quality of the output, Tesseract OCR, Projektdokumentation
- Tesseract Open Source OCR Engine, tesseract-ocr, GitHub
- OCR-Datenextraktion mit dem Read-Modell, Document Intelligence, Microsoft Learn, 2026
- Vision: Limitations, Anthropic, Claude-Dokumentation
- BSI TR-03138 Ersetzendes Scannen (RESISCAN), Bundesamt für Sicherheit in der Informationstechnik
Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

