OCR oder LLM zum Lesen deiner Dokumente: Was du brauchst (und warum der Hybrid gewinnt)

Fast jede Woche kommt dieselbe Mail: „Wir bekommen tausende Dokumente im Monat und tippen sie von Hand ab — machen wir das mit OCR oder mit KI?“ Klingt nach einer technischen Frage und ist in Wahrheit eine Einkaufsfrage: Da liegen zwei Angebote auf dem Tisch, eines billig und berechenbar, eines flexibel und teuer, und jemand will hören, welches. Die ehrliche Antwort ist ein bisschen unbequem: Das entscheidet nicht die Technik. Das entscheidet die Form deiner Dokumente.

Die These in einem Satz: Es geht nicht um KI ja oder nein. Es geht um stabile Vorlage gegen chaotisches Format, und am Ende entscheiden die Kosten pro Dokument. Wenn deine Dokumente immer dieselbe Form haben, ist klassisches OCR billiger, deterministisch und prüfbar. Wenn jedes so ankommt, wie es gerade will, liest ein multimodales LLM alles ohne Vorlage — und stellt dir jede Seite in Rechnung. Deshalb gewinnt in Produktion fast nie eines von beiden allein: Es gewinnt der Hybrid.

OCR oder LLM, um Daten aus Dokumenten zu extrahieren: Was genau jedes von beiden tut

Klassisches OCR macht aus dem Bild Text, und darüber entscheidet eine Regelschicht, welcher Text welches Feld ist: Die Rechnungsnummer sitzt im Kasten oben rechts, die Summe ist das, was auf das Wort GESAMT folgt. Die Intelligenz steckt nicht im Lesen, sie steckt in der Vorlage. Du gibst ihr eine Zone oder ein Muster, und bei gleicher Eingabe bekommst du immer exakt dasselbe zurück.

Ein multimodales LLM liest keine Zonen: Es schaut auf die ganze Seite —Text, Tabellen, Stempel, eine handschriftliche Notiz, das schiefe Handyfoto— und gibt dir die Felder, die du verlangst, weil es versteht, was eine Rechnung, ein Lieferschein oder ein Vertrag ist. Keine Vorlage zu pflegen. Auch keine Garantie, dass zwei Durchläufe über dasselbe Dokument Zeichen für Zeichen dasselbe zurückgeben.

Der Unterschied, der zählt, ist nicht, wer schlauer ist. Es ist der Dienstag, an dem ein Lieferant sein Rechnungslayout umbaut, ohne jemandem Bescheid zu sagen.

Klassisches OCR scheitert, wenn du die Form änderst. Das LLM scheitert, wenn das Dokument mehrdeutig ist und es die Lücke mit etwas Glaubwürdigem füllt. Zwei verschiedene Fehlermodi, zwei verschiedene Sicherheitsnetze. Was keines von beiden von allein tut: dir sagen, dass es gerade danebenlag. Diesen Teil baust du — oder es gibt ihn nicht.

Wann du klassisches OCR mit Vorlage wählst

Nimm klassisches OCR, wenn das Dokument immer dieselbe Form hat und diese Form von niemandem draußen abhängt. Das gilt für alles, was dein eigenes System erzeugt, und für eine kurze Liste stabiler Absender: derselbe Lieferschein derselben Spedition, dasselbe Formular, das deine Kunden ausfüllen, derselbe Kontoauszug Monat für Monat.

• Hohes Volumen, kurze Formatliste. Wenige Absender, viele Dokumente: Die Vorlage rechnet sich mit jedem Tag.
• Du brauchst immer dasselbe Ergebnis. Ein Prozess, der geprüft wird oder eine Zahlung auslöst, darf nicht davon abhängen, dass heute so läuft wie gestern.
• Du musst erklären, woher jedes Feld kommt. Mit Regeln zeigst du auf Zone und Muster; mit einem Modell zeigst du auf einen Absatz Prosa — vor einem Prüfer ist das nicht dasselbe.
• Die Kosten pro Dokument müssen flach bleiben. Wenn du nächstes Jahr das Volumen vervielfachst, fallen seitenabhängige Kosten viel früher auf, als du denkst.

Der Preis dieser Option wird in Wartung bezahlt und taucht auf keiner Softwarerechnung auf: Jeder neue Absender ist eine neue Vorlage, jedes fremde Redesign eine kaputte. Wenn deine Absenderliste von selbst wächst, kaufst du keine billige Technik — du schaffst eine feste Stelle für jemanden.

Wann du ein multimodales LLM wählst

Nimm ein LLM, wenn die Form das Problem ist. Dokumente von hunderten verschiedenen Absendern, Verträge, bei denen die wichtige Angabe in einer Klausel steckt, die jede Kanzlei anders formuliert, Mails mit Anhängen, die als PDF, als Foto und manchmal dreimal weitergeleitet ankommen. Da ist eine Vorlage nicht teuer: Da ist sie unmöglich.

• Jedes Dokument kommt von woanders. Die Kosten, eine Vorlage pro Absender zu pflegen, übersteigen die Kosten des Modells — und sie hören nie auf.
• Das Feld ist keine Zone, es ist ein Gedanke. „Gibt es eine Verzugsstrafe?“ steht in keinem Kästchen: Man muss den Text verstehen, um das zu beantworten.
• Das Volumen ist klein oder unregelmäßig. Bei ein paar Dokumenten im Monat ist der Bau und die Pflege von Vorlagen ein Projekt, das sich nie amortisiert.
• Du bist noch am Erkunden. Bevor du irgendetwas industrialisierst, sagt dir ein Modell in einer Woche, welche Felder wirklich extrahierbar sind und welche sich sperren. Billigere Geländeerkundung gibt es nicht.

Der Preis ist hier spiegelverkehrt: Du zahlst pro Dokument, jeden Monat, für immer — und du zahlst zusätzlich die Validierung. Ein Modell, das eine fast korrekte IBAN liefert, ist schlimmer als eines, das gar nichts liefert, weil das „fast“ sauber durch jede Prüfung rutscht, die nur schaut, ob das Feld gefüllt ist.

Warum in Produktion der Hybrid gewinnt

Sobald so ein System ein paar Monate läuft, landen fast alle bei derselben Architektur: die einen, weil sie sie so entworfen haben, die anderen, weil sie sich dorthin gestoßen haben. Das ist kein lauwarmer Kompromiss zwischen zwei Optionen. Es ist die einzige Art, gleichzeitig die Kosten von OCR und die Abdeckung des Modells zu haben.

1. Zuerst klassifizieren. Bevor irgendetwas extrahiert wird, entscheidet das System, welcher Dokumenttyp das ist und von wem er kommt. Dieser Schritt ist billig und bestimmt alles Weitere — genau das ist die Arbeit, die eingehenden Dokumente zu klassifizieren.
2. Das bekannte Gros über die billige Spur. Passt das Dokument auf eine Vorlage, die du schon hast, extrahieren Regeln. Das ist der Großteil des Volumens, und zweitausend zu verarbeiten kostet ungefähr so viel wie tausend.
3. Das Seltsame geht ans Modell. Neuer Absender, Format passt nicht, schlechter Scan: Da verdient sich das LLM seinen Platz, weil es das Dokument nicht vorher gesehen haben muss. Du zahlst den hohen Preis nur für den Rand, nicht für den ganzen Katalog.
4. Semantische Gegenprüfung. Das Modell taugt auch dazu, das Ergebnis der Regeln nachzulesen: Ergibt die Summe der Positionen den Gesamtbetrag? Liegt die Fälligkeit nach dem Ausstellungsdatum? Existiert dieser Lieferant in deinem Stammdatensatz? Das sind Fehler, die eine Vorlage nie findet, weil sie einen falschen Wert perfekt gelesen hat.
5. Eine Konfidenzregel, die entscheidet, wer hinschaut. Jedes Feld kommt mit einem Wert heraus; unter der Schwelle geht das Dokument in eine Prüfliste statt ins ERP. Diese Schwelle ist ein Geschäftshebel, kein technisches Detail: Sie hochzusetzen kostet Personenstunden, sie herunterzusetzen kostet Fehler, die spät auffallen.
6. Alles, was ein Mensch korrigiert, fließt zurück. Eine Korrektur, die sich beim selben Absender wiederholt, ist das Signal, dass dieser Absender jetzt seine eigene Vorlage verdient hat. So wird der Hybrid von allein billiger: Der teure Rand verwandelt sich Stück für Stück in billiges Volumen.

Das ist das Grundmuster jedes von Anfang bis Ende mit KI automatisierten Prozesses: der glückliche Pfad über die billigste Spur, die Ausnahme über die fähigste, und eine ausdrückliche Tür zum Menschen. Bei der Dokumentenextraktion sieht man es fast brutal deutlich, weil die Kosten pro Dokument alles schwarz auf weiß hinschreiben.

Was das Lesen eines Dokuments wirklich kostet

Die Angebotszeile ist der kleine Teil. Die echten Kosten eines Extraktionssystems verteilen sich auf fünf Stellen, und nur eine davon steht im Angebot des Anbieters:

• Verarbeitung. Was es kostet, das Dokument durch die Maschine zu schicken. Flach bei OCR, proportional zu Seiten und Länge beim LLM.
• Formatpflege. Neue Vorlagen und kaputte Vorlagen. Praktisch null beim Modell; wächst mit deiner Absenderliste bei Regeln.
• Menschliche Prüfung. Was du für jedes Dokument zahlst, das jemand ansehen muss. Meist der größte Posten und fast nie in dem Vergleich, den man dir zeigt.
• Nachverarbeitung. Dokumente, die noch einmal durch müssen, weil sie abgeschnitten ankamen, doppelt hochgeladen wurden oder der Stapel auf halbem Weg abgebrochen ist.
• Der Fehler, der durchrutscht. Ein falsch gelesener Betrag, der in der Buchhaltung ankommt, wird nicht in Software-Euro bezahlt: Er wird in einer Doppelzahlung bezahlt, in einer Gutschrift, in einem Abschluss, der sich verschiebt. Der teuerste Posten — und der einzige ohne eigene Zeile in irgendeinem Angebot.

Bevor du irgendetwas unterschreibst: Bring diese fünf Posten für beide Szenarien auf dasselbe Blatt, mit deinem echten Volumen und deiner echten Absendermischung. Es ist dieselbe Übung wie den ROI einer KI-Automatisierung zu berechnen: Wenn die Ersparnis nur auftaucht, sobald du die menschliche Prüfung ignorierst, gibt es die Ersparnis nicht.

Wie man Qualität misst: Genauigkeit pro Feld, nicht globale „Präzision“

Hier gehen die Hälfte der Projekte unter. Ein Anbieter zeigt dir eine globale Präzisionszahl, und diese Zahl bedeutet nichts, weil sie Felder mittelt, die nicht gleich viel wert sind. Den Handelsnamen des Lieferanten falsch zu lesen ist ein Ärgernis; den Betrag falsch zu lesen ist falsch bewegtes Geld. Eine einzige Zahl vermischt beides und beruhigt dich genau dort, wo du nervös sein solltest.

Die Messung, die etwas taugt, sieht so aus:

1. Eine Zahl pro Feld, nicht eine für alles. Genauigkeit bei Betrag, Datum, Steuernummer, Belegnummer. Jedes mit eigener Latte, gesetzt danach, was ein Fehler in genau diesem Feld kostet.
2. Exakte Übereinstimmung, nicht Ähnlichkeit. Bei IBAN oder Steuernummer ist „fast“ falsch. Verglichen wird Zeichen für Zeichen gegen einen Satz Dokumente, den jemand aus deinem Team von Hand annotiert hat — nicht gegen die Demo des Anbieters.
3. Trenne „ich weiß es nicht“ von „ich denke mir was aus“. Ein leeres Feld ist ein Prüffall; ein gefülltes und falsches Feld ist ein Vorfall. Ein System, das schweigt, wenn es zweifelt, ist mehr wert als eines, das immer antwortet.
4. Miss auch pro Absender. Der Durchschnitt versteckt den Lieferanten, dessen Format seit drei Wochen bricht, ohne dass es jemand merkt.
5. Miss neu, sobald sich etwas ändert. Neues Modell, neue Anbieterversion, Vorlage angefasst: Derselbe Testsatz läuft noch einmal. Ohne das weißt du nicht, ob du besser geworden bist oder hier repariert und dort kaputt gemacht hast.

Mit diesen Zahlen in der Hand ändert das Gespräch die Tonlage: Du hörst auf, Demos zu vergleichen, und fängst an, Ergebnisse auf deinen Dokumenten zu vergleichen — den einzigen, die du am Ende verarbeitest.

Was man mit der menschlichen Prüfung macht

Menschliche Prüfung ist nicht das Scheitern der Automatisierung: Sie ist das Teil, das sie überhaupt einsatzfähig macht. Der Fehler liegt darin, wie man sie baut. Jemanden hundert Prozent der Ausgabe prüfen zu lassen heißt, Tippen gegen Lesen getauscht zu haben — und Bildschirme voller korrekter Daten zu lesen ist eine Aufgabe, in der Menschen miserabel sind: Nach zwanzig Minuten wird alles ungesehen freigegeben, und die Kontrolle existiert nur noch im Organigramm.

Was funktioniert, ist das Gegenteil: Das System entscheidet, wem es was zeigt. Zur Person geht nur, was die Konfidenzschwelle als zweifelhaft markiert, was einen bestimmten Betrag übersteigt und was von einem nie gesehenen Absender kommt. Und es kommt mit dem Feld im Bild markiert an, nicht als leeres Formular, das man mit dem PDF daneben ausfüllt. Genau darum geht es bei Mensch im Regelkreis einer KI-Automatisierung: Der Wert liegt nicht im Überwachen, sondern in der Entscheidung, was überwacht wird.

Wann sich das Automatisieren nicht lohnt

Es gibt Fälle, in denen die richtige Antwort Nein lautet, und das laut auszusprechen spart ganze Projekte:

• Niedriges, stabiles Volumen. Wenn die Arbeit in eine Stunde pro Woche passt, kostet das Projekt —Integration, Tests, Wartung— mehr als das Problem. Nicht automatisieren: aufschreiben und weitermachen.
• Dokumente, die schon strukturiert ankommen. Wenn der Absender dir dieselben Daten per API, als XML oder als E-Rechnung schicken kann, ist das Lesen eines PDF Selbstverletzung. Frag nach den Daten in ordentlicher Form, bevor du einen Leser baust.
• Niemand weiß, was das richtige Ergebnis ist. Wenn dein eigenes Team darüber streitet, was „das Datum“ eines Dokuments ist, wird keine Technik diesen Streit entscheiden. Erst entscheiden, dann automatisieren.
• Das Dokument löst etwas Unumkehrbares aus. Extrahieren, um vorzuschlagen: ja. Extrahieren, um ohne Prüfung eine Zahlung, eine Kündigung oder einen Bescheid auszuführen: noch nicht.
• Die Dokumente sind schon an der Quelle schlecht. Abgeschnittene Fotos, unlesbare Scans, Seiten verkehrt herum. Die Erfassung zu reparieren bringt meist mehr als jedes Modell — und kostet deutlich weniger.

Dieser Filter ist derselbe, mit dem man entscheidet, welche Prozesse man mit KI automatisiert: wiederholend, digitale Eingabe, definiertes Erfolgskriterium und jemand, der für das Ergebnis geradesteht. Fehlt das Vierte, hast du kein Projekt — du hast ein Experiment mit Budget.

Die Entscheidung in drei Fragen

1. Wie viele verschiedene Absender erzeugen den Großteil meiner Dokumente? Wenige und stabil: Fang mit Vorlagen an. Viele und wechselnd: Fang mit einem Modell an.
2. Was kostet mich ein falsch gelesenes Feld, das niemand entdeckt? Wenn die Antwort „eine Doppelzahlung“ ist, liegt deine Konfidenzschwelle hoch und deine menschliche Prüfung ist nicht optional.
3. Kann ich diese Woche hundert echte Dokumente von Hand annotieren? Wenn nicht, kannst du nicht messen; und ohne Messung ist die Wahl zwischen OCR und LLM eine Vorliebe, keine Entscheidung.

Die Frage, mit der du gekommen bist —„OCR oder LLM?“— ist die Frage eines Katalogs, nicht die deines Betriebs. Deine lautet anders: Welcher Teil meiner Dokumente hat eine stabile Form, welcher nicht, und was kostet mich jeder Teil. Ist das beantwortet, fällt das Design von selbst heraus: Regeln für das Bekannte, Modell für das Seltsame, eine Konfidenzzahl, die entscheidet, wann ein Mensch eingreift, und ein Zähler, der dir sagt, ob der teure Rand schrumpft. Der Rest ist Logoauswahl.