Document Intelligence

Document Intelligence bezeichnet die KI-gestützte Verarbeitung von Dokumenten wie PDFs, Scans oder Bildern, bei der drei Bausteine zusammenspielen: Layout-Erkennung (welcher Block ist Überschrift, Tabelle, Fußzeile), Texterkennung (Optical Character Recognition, kurz OCR, also die Umwandlung von Pixeln in Buchstaben) und inhaltliche Auslesung (welche Zahl ist der Rechnungsbetrag, welche Zeile ist eine Position). Ziel ist nicht ein lesbares Dokument, sondern ein maschinenlesbarer Datensatz, den ein nachgelagerter Prozess (Buchhaltung, Vertragsprüfung, Warenannahme) direkt weiterverarbeiten kann.

Was ist Document Intelligence?

Document Intelligence verbindet drei Techniken, die vorher getrennt liefen: Bildverarbeitung (Computer Vision, also das maschinelle Erkennen von Strukturen in Bildern), klassische Texterkennung (OCR) und Sprachmodelle (Large Language Models, kurz LLMs, also die KI-Systeme hinter ChatGPT und ähnlichen Assistenten). International wird der Begriff auch als Document AI oder Intelligent Document Processing (IDP) verhandelt. Microsoft hat die Benennung 2023 mit der Umbenennung von Form Recognizer zu Azure AI Document Intelligence in den Markt getragen, parallel führen Google Document AI und AWS Textract vergleichbare Angebote. Kern-Aufgabe: aus einem rohen Dokument einen strukturierten Datensatz erzeugen, der in eine Datenbank, eine Buchungszeile oder ein Ziel-Schema fließt.

Der Standard-Aufbau folgt heute einer zweistufigen Pipeline. Die erste Schicht macht aus dem Dokument einen strukturierten Stream: Blöcke, Tabellen mit Zellen-Koordinaten, Schlüssel-Wert-Paare, Reading Order und Konfidenz-Werte pro erkanntem Element. Typische Vertreter dieser Schicht sind Azure AI Document Intelligence, AWS Textract, Google Document AI, Unstructured.io, Docling aus IBM Research und Mistral OCR. Die zweite Schicht überführt den Stream in ein Ziel-Schema: Ein Sprachmodell bekommt die Blöcke zusammen mit einem JSON-Schema und liefert die Felder, die der Geschäftsprozess braucht (Rechnungsnummer, Beträge, Vertragsdatum, Mandats-ID). Anschließend prüfen deterministische Regeln (Plausibilität, Format, Cross-Checks) das Ergebnis und ordnen jedem Feld eine Konfidenz zu.

Der Begriff hat sich als eigenständige Kategorie etabliert, weil reines OCR nur Zeichen ohne Layout-Kontext liefert, Template-basierte Extraktion für jedes neue Layout Aufwand braucht und Sprachmodelle direkt auf PDF-Bytes an Layout-Grenzen halluzinieren. Document Intelligence organisiert Layout-Verständnis, schemabasierte Extraktion und Konfidenz-Scoring als zusammenhängende Pipeline. Typische Anwendungsdomänen sind Rechnungswesen, Vertragsanalyse, Schadensregulierung, Logistik-Lieferscheine, medizinische Dokumentation und KYC-/Onboarding-Unterlagen.

Abgrenzung zu OCR, RAG, Enterprise Search und Computer Vision

Der Begriff wird häufig mit angrenzenden Verfahren vermischt, die andere Teilaufgaben lösen.

OCR sitzt heute als Zeichen-Ebene innerhalb einer Document-Intelligence-Pipeline; Layout- und Semantik-Ebene laufen darüber. Ein reiner OCR-Prozess endet mit einem Fließtext; die Struktur (welches Feld ist der Betrag, welche Zeile gehört zu welcher Position) fehlt.

Zu RAG ist die Trennung eine Frage des Ziel-Objekts. RAG holt Textabschnitte, damit ein Sprachmodell eine Frage beantworten kann. Document Intelligence erzeugt Datenzeilen, damit ein Prozess weiterläuft. Beide Verfahren nutzen ähnliche Ingest-Bausteine (Parsing, [Chunking](/insights/glossar/chunking/), Embedding), unterscheiden sich aber im Ergebnis: RAG antwortet, Document Intelligence extrahiert. In größeren Architekturen sitzen beide nebeneinander, weil derselbe Dokumentenbestand für Beleg-Extraktion und für Wissens-Suche taugt.

Enterprise Search adressiert die Auffindbarkeit eines Dokuments im Bestand (Query in, ranked Treffer out); Document Intelligence leitet Daten aus dem Dokument ab. Computer Vision schließlich ist die breitere Oberklasse für die maschinelle Bildinterpretation; Document Intelligence ist eine spezialisierte Anwendung mit Fokus auf Dokumenten-Layout und Text-Semantik.

Beispiel: Rechnungs-Verarbeitung im Rechnungswesen

Ein Rechnungs-Eingang verarbeitet PDFs unterschiedlicher Lieferanten mit heterogenen Layouts. Layer 1 (Azure AI Document Intelligence oder Docling) liefert einen strukturierten Stream: Header-Block mit Absender und Datum, Tabellen mit Zellen-Koordinaten für die Positionen, Fußbereich mit Steuersätzen und Bankverbindung, plus Konfidenz-Werte pro Element. Layer 2 übergibt den Stream an ein Sprachmodell (etwa GPT-4o oder Claude) mit einem JSON-Schema. Das Modell extrahiert Rechnungsnummer, Rechnungsdatum, Nettobetrag, Steuersätze, IBAN und eine Zeilen-Liste mit Menge, Einzelpreis und Position pro Eintrag.

Nach der Extraktion prüfen deterministische Regeln das Ergebnis: Brutto muss Netto plus Steuerbetrag entsprechen, die IBAN muss dem erwarteten Länderformat folgen, die Lieferanten-Nummer muss in den Stammdaten existieren. Jedes Feld bekommt eine Konfidenz aus OCR-Konfidenz und Modell-Selbstbewertung. Liegt der Wert unter einer definierten Schwelle oder schlägt eine Regel an, geht das Dokument in eine Human-in-the-Loop-Queue; alle anderen Belege laufen direkt in den Buchungslauf. Die zwei Schichten bleiben austauschbar: Ein Wechsel des Sprachmodells in Layer 2 lässt die OCR-Vendor-Wahl unberührt, und ein Layer-1-Wechsel hält die JSON-Verträge im nachgelagerten Prozess stabil.