Von 360.000 Stunden auf Sekunden: Wie KI die Dokumentenverarbeitung verändert

Im Februar 2017 berichtete Bloomberg, dass JPMorgan Chase ein System namens COIN — Contract Intelligence — eingesetzt hatte, um 12.000 gewerbliche Kreditverträge pro Jahr zu verarbeiten. Arbeit, die zuvor 360.000 Stunden Zeit von Anwälten und Kreditsachbearbeitern beanspruchte. Compliance-bezogene Fehler sanken um etwa 80%.

Das ist ein Großunternehmens-Beispiel. Aber das Muster wiederholt sich auch in kleinerem Maßstab.

Das Geschäftsproblem

Jedes Unternehmen hat Dokumente. Rechnungen, Verträge, Formulare, Berichte, Zertifikate. Und irgendjemand muss sie lesen, die relevanten Informationen herausziehen und in ein anderes System eingeben.

Diese Arbeit ist eintönig und fehleranfällig. Eine falsch gelesene Zahl kann zu Abrechnungsfehlern, Compliance-Problemen oder verpassten Fristen führen. Mitarbeiter mögen diese Aufgaben nicht. Und trotzdem verschlingen sie enorme Mengen an Zeit.

Die Herausforderung liegt nicht in der Komplexität der Arbeit — sondern in der schieren Menge. Ein Einkaufsteam verarbeitet vielleicht 500 Rechnungen pro Monat. Eine Rechtsabteilung prüft Hunderte von Verträgen. Eine Personalabteilung bearbeitet Tausende von Bewerbungen.

Was JPMorgan konkret gebaut hat

COIN kombiniert mehrere Technologien, die zusammenarbeiten.

Optische Zeichenerkennung (OCR) liest den Text aus Dokumenten — auch aus gescannten PDFs und Bildern. Das ist die Grundlage: Pixel in Zeichen umwandeln.

Natürliche Sprachverarbeitung (NLP) versteht, was der Text bedeutet. Sie unterscheidet ein Zahlungsdatum von einem Vertragsdatum, identifiziert Parteinamen und erkennt wichtige Klauseln.

Maschinelles Lernen verbessert das System mit der Zeit. Laut Berichten nutzt COIN unüberwachtes Lernen — es verarbeitet die Vertragsdaten der Bank, um wiederkehrende Klauseln zu identifizieren und zu kategorisieren. Wenn das System mehr Dokumente verarbeitet und Menschen seine Fehler korrigieren, wird es bei Variationen immer besser.

Das Ergebnis: Software, die etwa 150 Datenpunkte aus 12.000 gewerblichen Kreditverträgen in Sekunden statt Monaten kumulativer menschlicher Arbeit extrahiert.

Weitere Belege aus verschiedenen Branchen

Diese Ergebnisse sind nicht auf ein Unternehmen oder eine Branche beschränkt.

Deutsche Post DHL Group hat die intelligente Dokumentenverarbeitungsplattform von ABBYY in Kombination mit Robotic Process Automation (RPA) implementiert. Laut der veröffentlichten ABBYY-Fallstudie brachte dies eine 70%ige Steigerung der Verarbeitungseffizienz bei Überweisungsbelegen und Rechnungen. Das Unternehmen, das 2022 über 100 Milliarden Dollar Umsatz erzielte, war zuvor auf manuelle Verarbeitung für einen Teil der jährlich Hunderttausenden von Rechnungen angewiesen. Mit IDP verarbeiten sie automatisch Rechnungen in mehreren Sprachen von 124 Lieferanten.

Thermo Fisher Scientific verarbeitet mit UiPaths Document Understanding-Plattform etwa 824.000 Rechnungen jährlich. Laut UiPaths Fallstudie erreichten sie eine 70%ige Reduzierung der Rechnungsbearbeitungszeit, wobei 53% der Rechnungen jetzt durch "Straight-through Processing" laufen — ohne menschlichen Eingriff. Das System arbeitet mit 85% Genauigkeit, menschliche Prüfer bearbeiten die Sonderfälle.

Aviva Insurance hat Tungsten TotalAgility mit OCR-Funktionen in ihre Betrugserkennungsprozesse für Schadensfälle integriert. 2020 deckten sie laut der veröffentlichten Fallstudie mehr als 12.000 Fälle von Versicherungsbetrug im Wert von über 113 Millionen Pfund auf. Aktueller meldete Aviva, 2024 betrügerische Ansprüche im Wert von 127 Millionen Pfund in 12.700 Fällen erkannt zu haben — das entspricht 35 aufgedeckten Betrugsfällen pro Tag.

Wie Dokumenten-KI tatsächlich funktioniert

Moderne Dokumentenverarbeitungssysteme folgen einer Pipeline mit sechs Hauptphasen.

Zunächst werden Dokumente per E-Mail, Scan, Upload oder API erfasst. Das System akzeptiert PDFs, Bilder, sogar Fotos von Papierdokumenten.

Dann folgt die Klassifizierung. Die KI bestimmt, um welche Art von Dokument es sich handelt — Rechnung, Vertrag, Lieferschein, Antragsformular. Verschiedene Dokumenttypen erfordern unterschiedliche Extraktionsregeln.

Anschließend extrahiert das System relevante Felder basierend auf dem Dokumenttyp. Bei einer Rechnung: Lieferantenname, Rechnungsnummer, Positionen, Summen, Daten. Bei einem Vertrag: Parteien, Gültigkeitsdaten, wichtige Bedingungen, Pflichten.

Die extrahierten Daten durchlaufen eine Validierung. Stimmt die Summe mit den Einzelpositionen überein? Ist dieser Lieferant in unserem System? Sind die Daten logisch? Diese Prüfungen fangen Fehler ab, bevor sie in nachgelagerte Systeme gelangen.

Validierte Daten fließen dann direkt in Ihr ERP, CRM oder Ihre Buchhaltungssoftware — ohne manuelle Dateneingabe.

Schließlich gehen Dokumente mit niedrigen Konfidenzwerten oder Validierungsfehlern an menschliche Prüfer. Mit der Zeit lernt das System aus diesen Korrekturen und verbessert seine Genauigkeit bei ähnlichen Dokumenten.

Die ehrlichen Einschränkungen

Dokumenten-KI funktioniert sehr gut bei:

• Dokumenten mit hohem Volumen und standardisiertem Format (Rechnungen, Formulare)
• Dokumenten mit konsistenter Struktur (Verträge nach Vorlagen)
• Klarem, maschinenlesbarem Text

Sie hat Schwierigkeiten mit:

• Handschriftlichen Dokumenten (obwohl sich das verbessert)
• Stark variierenden Formaten von verschiedenen Lieferanten
• Dokumenten, bei denen Kontext wichtiger ist als Text (z.B. Interpretation von Absichten)
• Scans oder Fotos in schlechter Qualität

Die Implementierung erfordert auch eine ehrliche Bestandsaufnahme Ihrer aktuellen Situation. Wenn Ihre Prozesse chaotisch sind — Dokumente verstreut über E-Mail, verschiedene Laufwerke und physische Aktenschränke — müssen Sie das zuerst ordnen. KI automatisiert gute Prozesse; sie repariert keine schlechten.

Was das für kleinere Unternehmen bedeutet

Sie brauchen nicht die Größe von JPMorgan, um davon zu profitieren. Selbst bei 50 Rechnungen pro Monat schafft effizientere Verarbeitung Freiraum für wertschöpfendere Arbeit.

Beginnen Sie mit einem Dokumenttyp. Wählen Sie Ihr häufigstes, am besten standardisiertes Dokument und automatisieren Sie das zuerst. Für die meisten Unternehmen sind das entweder Eingangsrechnungen oder Standardformulare.

Messen Sie Ihren Ausgangspunkt, bevor Sie etwas implementieren. Wie lange dauert die Verarbeitung heute tatsächlich? Wie viele Fehler passieren? Ohne diese Zahlen können Sie keinen ROI nachweisen und nicht wissen, ob die Implementierung erfolgreich war.

Prüfen Sie Cloud-Optionen statt eigene Systeme zu bauen. Dienste wie Microsoft Azure Document Intelligence, AWS Textract und Google Document AI bieten Bezahlung pro Dokument, die auch für kleinere Volumen wirtschaftlich sinnvoll ist. Sie können mit einigen Hundert Dokumenten testen, bevor Sie sich zu einem größeren Rollout verpflichten.

Die Unternehmen, die 50-70% Zeiteinsparung erreichen, machen nichts Exotisches. Sie wenden ausgereifte Technologie auf Routinearbeit an — und geben ihren Mitarbeitern Zeit für Aufgaben, die tatsächlich menschliches Urteilsvermögen erfordern.

Fragen zur Selbsteinschätzung

1. Was sind unsere häufigsten Dokumenttypen? (Listen Sie Ihre Top 3-5 auf)
2. Wie viele Stunden pro Woche verbringen wir mit manueller Dateneingabe aus Dokumenten?
3. Wie hoch ist unsere Fehlerquote bei manueller Verarbeitung? (Verfolgen Sie es einen Monat lang, wenn Sie es nicht wissen)
4. Sind unsere Dokumente hauptsächlich digital oder papierbasiert?
5. In welche Systeme müssten die extrahierten Daten fließen?
6. Wer macht diese Arbeit heute, und was könnte diese Person stattdessen tun?

Die Technologie ist erprobt. Die Frage ist, ob Ihre spezifischen Dokumente und Prozesse dafür geeignet sind — und das erfordert einen ehrlichen Blick darauf, wie die Dinge heute tatsächlich laufen.