Das Problem
In österreichischen Mittelstandsbetrieben sehen wir 2026 dieselbe Szene immer wieder: zwei bis drei Buchhalter, die täglich vier bis sechs Stunden Rechnungen, Lieferscheine und Verträge händisch in das ERP tippen. Klassisches OCR allein hat dieses Problem nicht gelöst — Tesseract liegt bei unstrukturierten Belegen je nach Quelle bei 70 bis 78 Prozent Feldgenauigkeit, und das reicht für produktiven Einsatz schlicht nicht. Ein Lieferschein mit falsch erkannter Mengenangabe kostet im schlimmsten Fall mehr Aufräumarbeit als die händische Erfassung gespart hätte. Genau hier setzt die Kombination aus OCR plus LLM-Validierung plus klarem Confidence-Schwellwert an — und liefert 2026 reproduzierbar 94 bis 97 Prozent Genauigkeit.
So funktioniert die KI-Lösung
Ein produktiver Document-Extraction-Stack besteht aus fünf Schichten, die sauber entkoppelt sind. Erstens: ein Input-Layer, der Dokumente aus drei typischen Quellen einsammelt — eingehende Mail-Anhänge, Web-Upload-Portal, gescannte Papierbelege via Multifunktionsdrucker. Zweitens: ein OCR-Layer, der bei strukturierten Dokumenten (PDFs mit Textebene) den Text direkt nimmt und bei Scans Azure Document Intelligence, AWS Textract oder Tesseract verwendet — je nach Sensitivität und EU-Hosting-Anforderung.
Drittens: eine LLM-Validierungs-Schicht, die den OCR-Output gegen ein Schema prüft (Rechnungsnummer, Datum, Beträge, USt-ID, Lieferdaten) und für jedes Feld einen Confidence-Score ausgibt. Viertens: ein Human-in-the-Loop-Gate — alles unter 90 Prozent Confidence landet in einer Review-Queue mit Side-by-Side-Ansicht, alles darüber geht automatisch weiter. Fünftens: ein Schema-Mapping ins ERP (SAP, BMD, RZL, DATEV, Microsoft Dynamics) via API oder Datev-Buchungsstapel-Export.
Architektur-Skizze
So sieht ein typisches Setup aus, das wir 2026 für österreichische Logistik- und Versicherungs-Kunden bauen:
- Input: Mailbox-Polling (Microsoft Graph / Gmail API), Web-Upload-Portal (Next.js + S3-kompatibler EU-Speicher), Scan-Hot-Folder via SFTP
- OCR-Layer: Azure Document Intelligence (EU-West-Region) als Default, Tesseract 5 als On-Prem-Fallback für hochsensible Dokumente, AWS Textract nur wenn Compliance es zulässt
- LLM-Validation: Anthropic Claude Sonnet 4.5 mit strukturiertem JSON-Output und Schema-Validation via Pydantic / Zod; Confidence pro Feld aus log-prob-Aggregation
- Confidence-Threshold: Default 90 Prozent; konfigurierbar pro Dokumenttyp (Rechnungen strenger, interne Lieferscheine lockerer)
- Review-Queue: Eigene Next.js-Oberfläche oder Embed in Microsoft Power Apps, Side-by-Side-Ansicht Original + Extraction
- Schema-Mapping: SAP S/4-OData, BMD-NTCS-API, DATEV-Connect, Dynamics 365 Business Central oder generischer Buchungsstapel-CSV-Export
- Audit-Trail: Vollständige Trace via Langfuse, jede Entscheidung (Auto vs. Review) mit Begründung und Confidence dokumentiert
Dein ROI-Rechner
Schiebe die Regler auf deine Zahlen — der Rechner läuft komplett im Browser, kein Server-Call, keine Datenübertragung.
Berechnung läuft komplett im Browser — kein Server-Call, keine Datenübertragung. Diese Zahl ist eine Schätzung — die echte Range ergibt sich aus deinem Audit.
Geschätzte Ersparnis
€ 4.914 / Jahr
Was wir empfehlen
Quick-Win Sprint
ab € 14.000
Amortisation: 44 Monate
84 Stunden / Jahr eingespart
ROI im Audit verifizieren- Schaetzung basierend auf Standardannahmen — die echte Range ergibt sich aus dem Audit (ab €3.500).
- Vollkosten/Stunde enthalten Lohnnebenkosten und anteilige Gemeinkosten. Reine Bruttoloehne ergeben niedrigere Werte.
- Laengere Amortisation — Hybrid-Modell mit Erfolgsbeteiligung (Revenue-Share) auf Anfrage moeglich.
DSGVO und EU AI Act
Document Extraction ist in den meisten Fällen kein Hochrisiko-System nach EU AI Act, sondern fällt unter minimal-risk — die Extraktion ist deterministische Klassifikation und Strukturierung, keine Entscheidung mit rechtlicher Wirkung über eine Person. Voraussetzung: keine automatische Bonitätsbewertung, keine Kreditentscheidung, kein automatisches Vertragsabschluss-Routing ohne Human-in-the-Loop. Sobald solche Use Cases dazukommen, springt die Klassifizierung auf Hochrisiko und damit auf einen ganz anderen Compliance-Aufwand.
Datenschutzrechtlich kritisch: Rechnungen und Verträge enthalten personenbezogene Daten (Namen, Adressen, USt-IDs natürlicher Personen, Bankverbindungen). Daher: EU-Hosting ohne Wenn und Aber, Verarbeitungsverzeichnis nach Art. 30 DSGVO mit klarer Zweckbestimmung, Auftragsverarbeitungs-Vertrag mit dem LLM-Anbieter (Anthropic und Azure haben EU-DPA standardmäßig), Aufbewahrungsfristen nach §132 BAO (sieben Jahre für Belege) sauber in den Storage-Lifecycle eingebaut.
ROI-Beispiel
Realer Case aus einem österreichischen Logistik-Mittelständler mit rund 300 Lieferscheinen und 80 Eingangsrechnungen pro Tag:
| Kennzahl | Vorher | Nach 3 Monaten | Differenz |
|---|---|---|---|
| Belege / Tag manuell | 380 | 38 (Review) | -90 % |
| Erfassungszeit pro Tag (FTE) | 16 Stunden | 2 Stunden | -14 Stunden |
| Feldgenauigkeit | 99 % (mit Tippfehlern in 4 %) | 95 % auto + 100 % review-checked | qualitätsneutral |
| Buchhaltungs-FTE-Bedarf | 2,0 FTE | 1,1 FTE | -0,9 FTE |
| Jahres-Personalkosten Buchhaltung | €112.000 | €62.000 | -€50.000 |
Setup-Kosten: €35.000 einmalig (6 Wochen Implementation inkl. ERP-Anbindung). Laufende Kosten: rund €600 pro Monat (Azure Document Intelligence + LLM + Hosting + Langfuse). Amortisation nach 9 Wochen. Wichtig: Die 0,9 FTE wurden nicht entlassen, sondern auf höherwertige Aufgaben verlagert — Kreditoren-Verhandlungen mit Lieferanten und Cashflow-Optimierung. Die dortigen Effekte addierten im ersten Jahr weitere €40.000.
Amortisationszeit bei 300 Lieferscheinen/Tag und €35k Setup-Investition
Implementation-Aufwand
Wir liefern Document Extraction in drei Größenordnungen:
- Sprint S (4 Wochen, €12.000–22.000): 1 Dokumenttyp (z.B. nur Eingangsrechnungen), 1 ERP-Anbindung, Standard-Review-Queue, max. 100 Dokumente/Tag
- Sprint M (6–8 Wochen, €30.000–55.000): 3–5 Dokumenttypen, Multi-Channel-Input, ERP-Integration mit bidirektionaler Statussynchronisation, Confidence-Tuning pro Dokumenttyp
- Sprint L (10–14 Wochen, €70.000–140.000): Multi-Site, mehrsprachige Belege (DE/EN/CEE), kundenspezifische Schemata pro Lieferant, Quality-Assurance-Layer mit Sampling-Audit
Laufende AI-Care-Kosten: €450–1.800 pro Monat für Confidence-Monitoring, Schema-Updates bei neuen Belegformaten und Re-Tuning der Edge-Case-Klassifikatoren.
Häufige Fehler
Aus den ersten Document-Extraction-Audits sehen wir vier wiederkehrende Anti-Patterns:
- Kein Confidence-Threshold: Wer "die KI macht das schon" auf 100 Prozent Auto-Pilot stellt, fängt sich binnen sechs Wochen einen Buchhaltungs-Vorfall ein, bei dem eine 6-stellige Rechnung mit falschem Konto verbucht wurde. Confidence-Gate ist nicht optional.
- Kein Human-in-the-Loop für Edge Cases: Neue Lieferanten, unbekannte Belegformate, gestempelte Korrekturen — alles, was das System nicht kennt, muss in eine Review-Queue. Wer das wegoptimiert, spart 5 Prozent Aufwand und kassiert dafür 100 Prozent Fehler bei genau diesen Belegen.
- OCR-only ohne LLM-Validierung: Wer nur Tesseract oder Textract einsetzt, kommt nicht über 78 Prozent Feldgenauigkeit hinaus. Die LLM-Validierungs-Schicht hebt das auf 94–97 Prozent — sie ist nicht der Luxus, sondern der eigentliche Hebel.
- Edge Cases ignoriert: Rechnungen mit handschriftlichen Notizen, Lieferscheine mit Stempel-Overlays, mehrseitige Verträge mit Anlagen — wer diese Fälle in der Pilotierung übersieht, baut ein System, das auf 80 Prozent der Belege funktioniert und beim Rest stillschweigend schlechte Daten ins ERP kippt.
Häufige Fragen
Was Geschäftsführer und CFOs zu Document Extraction fragen.
Welche Genauigkeit ist 2026 realistisch erreichbar?
Welches OCR-Tool ist DSGVO-konform und produktiv brauchbar?
Wie integriert ihr das in unser ERP?
Was passiert bei Belegen mit Tippfehlern, schlechtem Scan oder fehlenden Feldern?
Wie lange dauert ein typisches Document-Extraction-Projekt?
Bereit für ein erstes Audit?
Wenn in eurer Buchhaltung mehr als 100 Belege pro Tag händisch erfasst werden, lohnt sich der Blick auf Document Extraction praktisch immer. Im Audit S (€3.500) analysieren wir euer Belegvolumen, eure Dokumenttypen, eure ERP-Landschaft und liefern eine ROI-Schätzung mit realistischem Implementation-Pfad. Buch dir einen 30-minütigen Discovery-Call — danach weißt du, ob der nächste Schritt für dein Unternehmen rechnet.