KI dort, wo sie echten Wert schafft: Dokumentenerkennung, Klassifizierung, Datenextraktion – On-Premise auf Ihrer eigenen Hardware.
Der größte Teil der Information, die ein Unternehmen erreicht, kommt als Dokument: Rechnung, Lieferschein, Auftragsbestätigung, Zertifikat – als PDF, als Scan, als Foto im Mailanhang. Menschen lesen das gut, Systeme nicht. Texterkennung allein löst das nicht: Sie liest die Zeichen, sagt aber nicht, welche davon die Rechnungsnummer ist. Diese Zuordnung übernehmen feste Vorlagen — und die brechen, sobald ein Lieferant sein Layout ändert; für jeden Absender muss eine eigene gepflegt werden. Also tippt jemand ab. Gleichzeitig verbietet sich für viele dieser Dokumente der naheliegende Weg über einen Cloud-Dienst: Auf ihnen stehen Preise, Personendaten oder Konstruktionsdetails, die das Haus nicht verlassen sollen. Zwischen „nicht maschinenlesbar“ und „nicht cloudfähig“ bleibt die Arbeit liegen.
Wir fangen mit einer Dokumentenart an, nicht mit einer Plattform – und mit echten Belegen aus Ihrem Posteingang, nicht mit Musterdateien. Daran messen wir, was ein Modell tatsächlich erkennt, verglichen mit dem, was heute manuell herauskommt. Erst wenn diese Quote steht, wird gebaut. Die Modelle laufen auf Ihrer eigenen Hardware, wenn die Daten es verlangen; die Auswahl richtet sich nach der Aufgabe, nicht nach dem Namen des Anbieters. Erkannte Werte gleichen wir gegen Ihre eigenen Stammdaten ab – Kreditoren, Kostenstellen, Artikel –, weil ein Abgleich gegen bekannte Werte zuverlässiger ist als freies Raten. Fälle unterhalb der vereinbarten Erkennungssicherheit gehen an einen Menschen, sichtbar gekennzeichnet. Im Betrieb bleibt die Erkennungsquote messbar, damit auffällt, wenn sie sinkt.
Rechnungen werden erkannt, dem richtigen Kreditor und der richtigen Kostenstelle zugeordnet und indexiert an Archiv beziehungsweise Prüfung übergeben. Der Abgleich läuft gegen die lokalen Stammdaten des Hauses, die Verarbeitung vollständig On-Premise, ohne Cloud-Anbindung. Ein solches System läuft heute produktiv.
Lieferscheine, Auftragsbestätigungen, Zertifikate: Vision-Modelle lesen auch dann zuverlässig, wenn das Layout wechselt oder der Scan schief liegt – dort, wo regelbasierte Texterkennung für jeden Absender eine eigene Vorlage bräuchte. Die ausgelesenen Felder gehen als strukturierte Daten in die vorhandene Strecke weiter.
Wo ein Fall nicht eindeutig ist, formuliert das System eine Rückfrage in natürlicher Sprache und schickt sie an den zuständigen Menschen – per Mail oder Messenger. Das ist der Unterschied zwischen einer KI, die Arbeit abnimmt, und einer, die stillschweigend falsche Daten erzeugt.
Aus einem Vergleich, den wir vor der Einführung machen: Ein Stapel echter Belege wird einmal manuell und einmal maschinell verarbeitet und Feld für Feld gegeneinander gehalten. Daraus ergibt sich eine Quote je Dokumentenart und die Schwelle, ab der ein Fall automatisch durchläuft. Alles darunter geht an einen Menschen. Im laufenden Betrieb messen wir weiter, weil sich Belegformate ändern – eine sinkende Quote soll auffallen, bevor sie jemandem im Rechnungslauf auffällt.
Nur, wenn die Daten es verlangen. Für Dokumente mit Personenbezug, Preisen oder Konstruktionsdaten empfehlen wir lokale Modelle – dann läuft die Verarbeitung auf Hardware in Ihrem Haus. Welche das sein muss, hängt von der Dokumentenmenge und der geforderten Antwortzeit ab und wird in der Analyse bestimmt, nicht vorab geschätzt. Für unkritische Aufgaben kann ein Cloud-Modell der schnellere Weg sein. Vorhandene Server lassen sich häufig mitnutzen; ein Neukauf ist nicht zwangsläufig nötig.