Datenextraktion ist der wohl klarste Anwendungsfall für generative KI. Wir zeigen realistische Trefferquoten, den Aufwand des Fachbereichs und wie man den Business-Case belastbar rechnet.
Datenextraktion mit KI heißt: aus unstrukturierten Quellen (PDF, Mail, Fax-Scan, Formular) strukturierte Datensätze erzeugen (ERP-Positionen, CRM-Felder, DMS-Metadaten). Das ist einer der wenigen Anwendungsfälle, bei dem der ROI in fast jedem Mittelstandsbetrieb positiv ist, wenn das Volumen stimmt.
Typische Quellen: eingehende Bestellungen im PDF-Format, Auftragsbestätigungen von Lieferanten, Rechnungen, Reklamationen per Mail, Angebotsanfragen mit Anhang. Die Extraktion liefert die relevanten Felder (Positionen, Mengen, Preise, Termine, Kundennummern) und übergibt sie an das Zielsystem.
Der klassische alternative Weg ist manuelle Erfassung durch Sachbearbeitung. Zwischen 4 und 12 Minuten pro Dokument, je nach Komplexität. Mit KI-Vorbereitung sinkt das auf 1 bis 3 Minuten (der Mensch prüft und bestätigt statt tippt). Das ist der Kern des Business-Cases.
Realistische Trefferquoten pro Feldtyp: einfache Metadaten (Kundennummer, Datum, Belegnummer) 95 bis 99 Prozent, Positionsdaten (Artikelnummer, Menge, Einzelpreis) 85 bis 95 Prozent, Freitext-Angaben (Lieferbedingungen, Sonderwünsche) 70 bis 85 Prozent. Wer 99 Prozent über alle Feldtypen verspricht, verkauft Träume.
Der entscheidende Punkt ist nicht die durchschnittliche Trefferquote, sondern was mit falschen Extraktionen passiert. Bei einer Konfidenz-basierten Übergabe an einen Sachbearbeiter (Konfidenz unter Schwelle X = manuelle Prüfung) lässt sich der Fehler abfangen. Ohne diesen Fallback landen 5 bis 15 Prozent der Vorgänge falsch im ERP.
Der Fachbereichs-Aufwand sinkt nicht auf null. Realistisch bleibt der Sachbearbeiter für 15 bis 30 Prozent der Vorgänge im Loop, entweder als Prüfer bei niedriger Konfidenz oder als Klärer bei komplexen Fällen. Das ist gut so, weil sonst niemand den Prozess mehr beherrscht.
Erstens: Bildqualität. Scans mit schiefer Ausrichtung, niedriger Auflösung oder Handnotizen senken die Trefferquote drastisch. Wer Faxe aus den 90ern extrahieren will, braucht ein Vorverarbeitungs-Modul, das oft teurer ist als das eigentliche LLM.
Zweitens: Sonderfälle. Ein Kunde mit einer exotischen Formularvariante, die einmal im Jahr kommt, wird das Modell nie sauber verarbeiten. Für solche Fälle ist die Konfidenz-Schwelle wichtig, damit sie sofort in die manuelle Bearbeitung fließen.
Drittens: Sprachvielfalt. Mehrsprachige Extraktion funktioniert, kostet aber Trefferquote. Wer Deutsch, Englisch, Französisch und Italienisch mit einem Modell abbilden will, liegt typisch 3 bis 8 Prozentpunkte unter einem sprachspezifischen Setup. Für den Mittelstand mit klarem deutschsprachigen Schwerpunkt ist das meistens akzeptabel.
Wir prüfen an 100 echten Dokumenten aus Ihrem Betrieb, welche Trefferquote in Ihrem konkreten Prozess realistisch ist. Kein Whitepaper, sondern eine Zahl auf Ihren echten Daten.
Zum Audit: /audit