Wie die KI-gestützte Dokumentendatenextraktion funktioniert

Das Dokument gelangt in den Extraktions-Workflow

Alles beginnt mit dem Quelldokument.

• ein digitales PDF;
• ein gescanntes PDF;
• ein Bild;
• eine Rechnung;
• ein Beleg;
• ein Vertrag;
• ein Kontoauszug;
• ein internes Formular;
• ein anderes geschäftsspezifisches Dokument.

Das Format spielt eine Rolle, weil nicht alle Dokumente ihren Inhalt auf dieselbe Weise zugänglich machen. Ein digital erzeugtes PDF enthält möglicherweise bereits maschinenlesbaren Text. Ein gescanntes PDF enthält möglicherweise nur Bilder von Seiten. Ein Vertrag besteht überwiegend aus Absätzen, eine Rechnung dagegen aus Beschriftungen, Summen und Tabellen.

Aus Anwendersicht in Heyyel Data Extractor beginnt der Workflow mit dem Hochladen des Dokuments und der Entscheidung, welche Art von Ergebnis benötigt wird. Bei gängigen Dokumenttypen können Sie mit vorgeschlagenen Feldern beginnen. Für einen geschäftsspezifischen Workflow können Sie mit Benutzerdefiniert / Leer die Extraktionsstruktur selbst festlegen.

Sie liefern nicht nur ein Dokument. Sie legen auch fest, was Sie daraus zurückerwarten.

Der Inhalt wird maschinenlesbar

Bevor ein System Geschäftsinformationen identifizieren kann, braucht es Zugriff auf den Dokumentinhalt.

Bei digitalen PDFs ist der Text möglicherweise schon vorhanden. Bei gescannten Dokumenten oder Bildern wird in der Regel OCR – optische Zeichenerkennung – benötigt, um sichtbare Zeichen zu erkennen.

Invoice Number: INV-45821
Invoice Date: 12 August 2026
Total Due: $7,817.50

Das ist eine wichtige Phase, aber nicht das Ende der Extraktion. OCR kann dem System mitteilen, dass das Dokument mehrere sichtbare Beträge enthält:

$8,250.00
$1,567.50
$2,000.00
$7,817.50

Das bedeutet nicht automatisch, dass der Workflow weiß, welcher Wert total_due darstellt.

OCR macht Dokumentinhalte lesbar. Die strukturierte Extraktion bestimmt, welche Teile dieses Inhalts den vom Workflow benötigten Informationen entsprechen.

Sie legen die erwartete Extraktionsstruktur fest

Hier wird die feldbasierte Extraktion wichtig. Statt das System alles zurückgeben zu lassen, was in der Rechnung steht, legen Sie fest, welche Informationen Sie tatsächlich brauchen.

supplier_name
invoice_number
invoice_date
project
contract_reference
total_due

In Heyyel Data Extractor lassen sich diese Felder mit passenden Datentypen konfigurieren:

Dieses Schema teilt dem Extraktions-Workflow mit, was das Endergebnis enthalten soll.

Das System nutzt den Dokumentkontext, um Werte zu identifizieren

Dokumente vermitteln Bedeutung durch mehr als einzelne Wörter. Position, Beschriftungen, umgebender Text und Struktur helfen, Beziehungen herzustellen.

Invoice Date: 12 August 2026
Due Date: 11 September 2026

Beide Werte sind Datumsangaben. Das Extraktionsproblem lautet nicht „Finde ein Datum“. Es lautet „Finde das Datum, das invoice_date entspricht“.

Contract Reference: CTR-8841

Der Wert CTR-8841 erhält seine Bedeutung durch die umgebende Beschriftung und den Dokumentkontext. Das ist ein Grund, warum die KI-gestützte Extraktion flexibler sein kann als ein Parser, der vollständig von festen Koordinaten abhängt.

Extraktionsanweisungen helfen, Mehrdeutigkeiten aufzulösen

Feldnamen reichen nicht immer aus. Extraktionsanweisungen können zusätzlichen Kontext liefern, wenn ein Feld mehr Präzision braucht. Unsere Beispielrechnung enthält vier Geldbeträge:

Subtotal: $8,250.00
Tax: $1,567.50
Amount already paid: $2,000.00
Total Due: $7,817.50

Ein Feld namens amount wäre mehrdeutig. Ein besseres Feld ist total_due.

Den nach Steuern, Rabatten und früheren Zahlungen noch zu zahlenden Endbetrag extrahieren.

Nun hat der Workflow zwei Kontextinformationen:

• Feld: total_due
• Anweisung: noch zu zahlender Endbetrag

Der erwartete Wert lautet dann 7817.50 statt 8250.

Dasselbe Prinzip gilt für Datumsangaben. Verwenden Sie statt eines vagen Feldes wie date ein präziseres Feld wie contract_effective_date mit einer Anweisung wie:

Das Datum extrahieren, an dem die Vereinbarung wirksam wird, nicht das Unterschriftsdatum.

Auch Tabellen und wiederholte Informationen brauchen Struktur

Nicht jedes Dokument besteht aus isolierten Schlüssel-Wert-Feldern. Rechnungen können Positionen enthalten. Kontoauszüge enthalten Buchungen. Berichte können wiederholte Messwerte enthalten.

Jede Zelle als unzusammenhängenden Text zu extrahieren, würde wichtige Zusammenhänge verlieren. Eine brauchbare strukturierte Darstellung bewahrt diese Zusammenhänge:

{
  "items": [
    {
      "description": "Design work",
      "quantity": 2,
      "unit_price": 2500,
      "total": 5000
    },
    {
      "description": "Development",
      "quantity": 1,
      "unit_price": 3250,
      "total": 3250
    }
  ]
}

Deshalb werden wiederholte Informationen oft als Listen oder verschachtelte Strukturen dargestellt, statt alles in ein einziges Textfeld zu zwängen.

Extrahierte Informationen werden zu normalisierten strukturierten Daten

Sobald die angeforderten Werte identifiziert sind, kann das Ergebnis mit einheitlichen Datentypen dargestellt werden.

Invoice Date: 12 August 2026
Total Due: $7,817.50

kann werden zu:

{
  "invoice_date": "2026-08-12",
  "total_due": 7817.50
}

Das Dokument verwendet Datumsangaben in natürlicher Sprache, Währungsformatierung, Beschriftungen und Freitext. Die Ausgabe verwendet vorhersehbare Feldnamen, definierte Datentypen und eine einheitliche Struktur.

{
  "supplier_name": "Northstar Services",
  "invoice_number": "INV-45821",
  "invoice_date": "2026-08-12",
  "project": "Website Redesign",
  "contract_reference": "CTR-8841",
  "total_due": 7817.50
}

Das praktische Ziel ist nicht einfach PDF → Text, sondern Dokument → Informationen, die zu strukturierten Daten werden können, die ein anderes System nutzen kann.

Prüfen Sie das Ergebnis, bevor Sie es weiterverwenden

KI-Extraktion sollte nicht automatisch als perfekt gelten. Reale Dokumente können schlechte Scans, fehlende Felder, unerwartete Layouts, mehrdeutige Beschriftungen, handschriftliche Angaben, mehrseitige Tabellen und mehrere ähnliche Datumsangaben oder Beträge enthalten.

Bei wichtigen Workflows müssen extrahierte Werte daher möglicherweise mit dem Quelldokument abgeglichen werden, bevor sie anderweitig verwendet werden.

total_due = 7817.50

sollte entsprechen:

Total Due: $7,817.50

und nicht:

Subtotal: $8,250.00

Menschliche Prüfung und Automatisierung müssen keine Gegensätze sein. Ein guter Workflow automatisiert das repetitive Abrufen und behält die Prüfung dort bei, wo sie Mehrwert bringt.

Das strukturierte Ergebnis exportieren

Sind die extrahierten Informationen bereit, müssen sie zum nächsten Schritt weitergegeben werden. Mit Heyyel Data Extractor lassen sich strukturierte Ergebnisse als JSON oder CSV exportieren.

Der ursprüngliche Workflow könnte so aussehen:

Rechnung öffnen → Wert suchen → Kopieren → In Tabelle einfügen → Wiederholen

Der automatisierte Workflow lautet:

Hochladen → Felder festlegen → Extrahieren → Prüfen → Exportieren