Schlechte Scans, leere Seiten, falsche Reihenfolge: KI-Eingaben prüfen

Ein KI-Ergebnis ist nur prüfbar, wenn die zugrunde liegenden Dokumente vollständig, lesbar und dem richtigen Vorgang zugeordnet sind. Eine sauber formatierte Ausgabe sagt nichts darüber aus, ob beim Scan eine Seite fehlt oder zwei Rechnungen versehentlich zu einer Datei zusammengefügt wurden. Die Eingangsprüfung muss deshalb vor jeder fachlichen Folgeaktion stattfinden.

Dabei geht es um mehr als OCR. OCR erkennt Zeichen in einem Bild. Ein Verarbeitungssystem muss zusätzlich wissen, welche Seiten zusammengehören, welche Version gilt und welche Informationen für die Aufgabe erforderlich sind. Ein Text kann technisch lesbar und für die konkrete Entscheidung trotzdem unbrauchbar sein.

Dieser Artikel beschreibt eine eigene Prüfmethode für einen fiktiven Dokumenteneingang. Er ergänzt die Architektur für strukturierte Datenextraktion um die Frage, welches Material überhaupt in die Verarbeitung gelangt. Produktgrenzen müssen immer für das eingesetzte Modell und dessen Version geprüft werden.

Drei Ebenen der Eingangsqualität

Auf der technischen Ebene steht die Frage, ob die Datei geöffnet und verarbeitet werden kann. Dazu gehören Dateiformat, Verschlüsselung, beschädigte Inhalte und die unterstützten Grenzen des jeweiligen Dienstes. Ein erfolgreiches Hochladen bestätigt lediglich diesen ersten Schritt, nicht die Vollständigkeit des Belegs.

Auf der visuellen Ebene geht es um Lesbarkeit. Sind Beträge, Datumsangaben und Referenzen erkennbar? Verdeckt ein Stempel eine Ziffer? Schneidet der Scan den rechten Tabellenrand ab? Für eine Zusammenfassung reicht möglicherweise ein teilweise lesbarer Fliesstext. Für die Übernahme einer Bankverbindung reicht das nicht.

Auf der fachlichen Ebene wird die Zusammengehörigkeit geprüft. Enthält die Datei genau den erwarteten Vorgang? Fehlen Anlagen? Gehört die letzte Seite zum nächsten Kunden? Ist die Reihenfolge relevant? Diese Fragen verlangen Kontext über den Prozess. Ein allgemeiner Bildqualitätswert beantwortet sie nicht.

Die Modellübersicht von Azure AI Document Intelligence trennt unter anderem OCR-, Layout- und spezialisierte Extraktionsmodelle. Diese Produktdokumentation hilft bei der Auswahl der unterstützten Verarbeitung. Sie belegt keine vollständige fachliche Prüfung eines Dokumentensatzes durch ein einzelnes Modell.

Ein fiktiver Dreiseitenfall

Ein Unternehmen erhält eine dreiseitige Leistungsabrechnung. Seite eins nennt Kunde und Abrechnungszeitraum. Seite zwei enthält die Positionen. Seite drei enthält die Summe und einen Hinweis auf eine Korrektur. Im normalen Ablauf werden alle Seiten gemeinsam geprüft.

Beim Scan entstehen zwei Fehler: Seite zwei fehlt, und Seite drei wird vor Seite eins eingefügt. Die KI liest eine plausible Gesamtsumme und erstellt eine strukturierte Ausgabe. Die Ausgabe enthält sogar einen Abrechnungszeitraum. Trotzdem fehlen die Positionen, an denen die Summe fachlich geprüft wird.

Eine gute Eingangsprüfung stoppt diesen Fall mit einer konkreten Begründung: "Positionsseite fehlt oder ist nicht zugeordnet; Abgleich der Gesamtsumme nicht möglich." Sie ergänzt keine erfundenen Positionen und ersetzt die fehlende Seite nicht durch eine Schätzung. Die zuständige Person fordert das vollständige Dokument an.

Die falsche Reihenfolge ist ein eigener Befund. Wenn Seitenkennzeichen vorhanden sind, wird die vorgeschlagene Reihenfolge daran geprüft. Ohne eindeutige Kennzeichen bleibt die Zuordnung offen. Ein sprachlich sinnvoller Ablauf allein beweist nicht, dass Seiten zum selben Beleg gehören.

Fehlerklassen vor dem ersten Test festlegen

Ich empfehle, technische und fachliche Fehler getrennt zu benennen. Eine Meldung wie "Dokument schlecht" hilft der Person am Eingang kaum. Sie muss wissen, ob ein neuer Scan, eine fehlende Anlage oder eine Entscheidung über zwei Versionen erforderlich ist.

Diese Einteilung wird an den tatsächlichen Prozess angepasst. Ein leerer Scan ist beispielsweise nicht in jedem Fall ein Fehler: Eine bewusst leere Rückseite kann korrekt sein. Der Ablauf muss zwischen erwarteter Leerseite und fehlender Information unterscheiden. Ein pauschales Entfernen aller leeren Seiten zerstört eventuell die nachvollziehbare Seitenstruktur.

Kritische Felder verdienen strengere Regeln

Nicht jede Unschärfe hat dieselbe Bedeutung. Ein kaum lesbarer Werbeslogan am unteren Rand ist für eine Rechnungsprüfung möglicherweise irrelevant. Eine unlesbare Dezimalstelle im Betrag ist es nicht. Deshalb erhält jedes benötigte Feld eine fachliche Bedeutung und eine zulässige Behandlung bei Unsicherheit.

Für das Beispiel lautet die Regel: Rechnungsnummer, Lieferantenidentität, Währung und Gesamtbetrag müssen anhand einer sichtbaren Fundstelle geprüft werden. Fehlt die Fundstelle oder bleibt sie unlesbar, wird der Wert als ungeklärt behandelt. Das System darf ihn nicht aus benachbarten Belegen übernehmen.

Eine zusätzliche Plausibilitätsprüfung ersetzt die Fundstelle nicht. Ein Betrag kann zur Summe anderer Felder passen und trotzdem aus dem falschen Dokument stammen. Umgekehrt kann eine rechnerische Abweichung auf einen echten Rabatt oder eine Korrektur hinweisen. Die Prüfung meldet den Widerspruch; die Fachperson entscheidet über seine Bedeutung.

Auch ein vom Dienst ausgegebener Konfidenzwert braucht eine anwendungsspezifische Bewertung. Ein Grenzwert wird nicht allein deshalb übernommen, weil er nach einer hohen Sicherheit klingt. Zuerst muss das Team prüfen, welche Fehler bei seinen Dokumenten oberhalb und unterhalb dieses Werts auftreten. Der Wert ist kein allgemeines Zertifikat für die Richtigkeit einer Entscheidung.

Original und Bearbeitung getrennt halten

Bildverbesserungen wie Drehen oder Kontrastanpassung helfen bei der Verarbeitung, verändern aber die Arbeitskopie. Ich empfehle, das Original unverändert aufzubewahren und Bearbeitungsschritte nachvollziehbar zu protokollieren. So lässt sich später prüfen, ob eine vermeintlich korrigierte Darstellung einen Strich, eine Ziffer oder einen Randinhalt verloren hat.

Eine Arbeitskopie erhält eine Referenz auf ihr Original. Wenn Seiten getrennt oder neu sortiert werden, bleibt die Zuordnung zu den ursprünglichen Seiten erhalten. Die spätere Ausgabe nennt die tatsächliche Fundstelle. "Seite zwei" ist ohne Versionsbezug unklar, sobald zwei unterschiedliche Seitensortierungen existieren.

Die Speicherung muss zum vorhandenen Berechtigungs- und Aufbewahrungskonzept passen. Der Artikel verlangt keine zusätzliche unkontrollierte Kopiensammlung. Wenn das Dokumentenmanagement Versionen und Bearbeitungsschritte bereits sauber verwaltet, wird diese vorhandene Struktur genutzt.

Beim Weiterreichen an ein KI-System müssen zudem nur die erforderlichen Seiten übergeben werden. Eine grössere Dokumentenmenge ist nicht automatisch besser. Die Anleitung zum Auswählen passender Unterlagen für KI beschreibt diese inhaltliche Auswahl vor der Verarbeitung.

Ein kleines Testset selbst aufbauen

Für den ersten Test wird ein freigegebener, nicht sensibler Beispieldatensatz verwendet. Alternativ erstellt das Team vollständig synthetische Dokumente. Aus einem korrekten Ausgangsdokument entstehen kontrollierte Varianten: eine fehlende Seite, eine gedrehte Seite, ein abgeschnittener Betrag und eine zusätzliche Seite aus einem anderen Vorgang.

Jede Variante bekommt ein Soll-Ergebnis. Beim abgeschnittenen Betrag lautet es nicht "die KI findet vermutlich den richtigen Betrag", sondern "Betrag bleibt ungeklärt; keine automatische Folgeaktion". Bei einer gedrehten, weiterhin vollständig lesbaren Seite lautet es beispielsweise "Drehung erkannt oder verarbeitet; Fundstellen weiterhin korrekt".

Die Tests müssen auch unveränderte gute Dokumente enthalten. Ein System, das jeden Eingang stoppt, vermeidet zwar automatische Fehler, erfüllt aber die Arbeitsaufgabe nicht. Das Team bewertet deshalb sowohl übersehene Probleme als auch unnötige Stopps. Beide verursachen Aufwand, aber nicht dieselben Folgen.

Ein hilfreicher Gegenfall ist eine absichtlich leere Rückseite. Wenn die Verarbeitung sie als fehlenden Inhalt meldet, muss die Regel verbessert werden. Ein weiterer Gegenfall ist eine neue Rechnung mit gleichem Layout. Sie darf nicht allein wegen der Ähnlichkeit mit einem bekannten Beleg zusammengeführt werden.

Die Ergebnisse nach Fehlerkosten auswerten

Eine einzige Gesamtquote verdeckt möglicherweise den gefährlichsten Fehler. Angenommen, ein Test enthält viele einfache Seiten und eine unlesbare Kontoverbindung. Ein hoher Anteil korrekt gelesener Wörter macht die falsche Kontoverbindung nicht akzeptabel. Die Auswertung muss deshalb nach Feld und Fehlerklasse unterscheiden.

Für jede Klasse wird festgehalten: erkannt, übersehen oder unnötig gemeldet. Zusätzlich wird dokumentiert, welche Folgeaktion verhindert oder ausgeführt wurde. Die fachliche Abnahme interessiert sich besonders für falsch freigegebene kritische Angaben. Eine reine OCR-Wortgenauigkeit reicht dafür nicht.

Das Testset ist kein statistischer Nachweis für alle künftigen Dokumente. Ein kleiner Satz zeigt zunächst, ob die bewusst eingebauten Fehler behandelt werden. Für eine belastbare betriebliche Bewertung folgen repräsentative Fälle aus dem erlaubten Einsatzbereich. Umfang und Auswahl richten sich nach Risiko, Vielfalt und Fehlerkosten.

Die Abnahme von KI-Dokumentenverarbeitung verbindet diese Einzelfälle mit einem Freigabeverfahren. Dort muss auch feststehen, wer eine Ausnahme bearbeitet und wann ein Prozess wieder anlaufen darf.

Rückmeldungen so formulieren, dass jemand handeln kann

Eine gute Fehlermeldung nennt das betroffene Dokument, die konkrete Stelle, den Befund und den nächsten benötigten Schritt. Im Beispiel lautet sie: "Beleg D-17, erwartete Positionsseite nicht vorhanden. Gesamtbetrag ist lesbar, Positionsprüfung bleibt offen. Vollständige Fassung anfordern."

Die Meldung enthält keine unbelegte Ursache. "Scanner defekt" ist erst nach einer technischen Prüfung eine belastbare Aussage. Bis dahin steht dort lediglich, was beobachtet wurde. Ebenso wird "Seite fehlt" nur dann als Tatsache formuliert, wenn die Vollständigkeit tatsächlich aus Nummerierung oder erwarteter Dokumentstruktur hervorgeht. Sonst lautet der Befund "Vollständigkeit nicht bestätigt".

Für die Rückgabe gibt es einen benannten Eingangskanal. Eine neu eingereichte Datei wird dem bestehenden Prüffall zugeordnet. Ohne diese Verbindung beginnt dieselbe Prüfung möglicherweise mehrfach, während die ursprüngliche Fehlermeldung offen bleibt. Der Prozess muss auch erkennen, wenn die neue Fassung das Problem nicht behebt.

Die Rückseite gezielt in den Test aufnehmen

Ein häufiger Denkfehler im Testdesign ist die Annahme, dass alle wichtigen Informationen auf der ersten Seite stehen. Im eigenen Prozess muss geprüft werden, ob Rückseiten, Anlagen oder handschriftliche Ergänzungen für die Entscheidung relevant sind. Die Dokumentenliste benennt diese erwarteten Bestandteile.

Für den fiktiven Test steht auf der Rückseite eine Einschränkung des Leistungsumfangs. Die Vorderseite allein wirkt vollständig und enthält alle üblichen Kopfdaten. Das Soll-Ergebnis verlangt trotzdem die Prüfung der Einschränkung. So zeigt der Test, ob der Ablauf nur bekannte Felder sammelt oder den tatsächlich erforderlichen Dokumentensatz berücksichtigt.

Wenn der Eingangskanal grundsätzlich nur Vorderseiten liefert, ist das zunächst ein Prozessproblem. Ein leistungsfähigeres Modell kann die fehlende Rückseite nicht zuverlässig rekonstruieren. Die verantwortliche Person muss den Eingang ändern oder den erlaubten Einsatz entsprechend begrenzen. Diese Entscheidung wird in der Arbeitsanweisung festgehalten, damit die technische Verarbeitung keine Vollständigkeit behauptet, die der Kanal nicht liefert.

Qualität im laufenden Betrieb beobachten

Nach der Einführung werden neue Fehlerbilder in das Testset aufgenommen. Besonders relevant sind Änderungen am Scanner, neue Lieferantenlayouts und neue Dokumenttypen. Sie verändern die Eingaben, auch wenn das KI-Modell gleich bleibt.

Das Team verfolgt ausserdem die Belastung der Ausnahmebearbeitung. Wenn jede zehnte Datei manuell nachbearbeitet wird, beschreibt diese Zahl allein noch keinen Erfolg oder Misserfolg. Entscheidend für die Bewertung sind die Art der Fälle, der tatsächliche Aufwand und die vermiedenen Fehlaktionen. Eine organisatorische Verbesserung am Eingang kann sinnvoller sein als ein Wechsel des Modells.

Der erste belastbare Abschluss besteht aus einem freigegebenen Eingangsraster, einem geprüften Testset und einem funktionierenden Rückgabeweg. Erst wenn diese drei Bestandteile zusammenpassen, gelangt ein fehlerhafter Scan zuverlässig zu einer Person, die ihn korrigiert, statt unbemerkt in eine plausible KI-Ausgabe einzugehen.

Quellenstand: 22.10.2026. Die Microsoft-Dokumentation belegt die beschriebenen Modellkategorien. Prüfraster, Beispieldokumente, Fehlerklassen und Abnahmekriterien sind eigene Vorschläge für die betriebliche Umsetzung.