Dokumenteneingang
Scan + PDF
- speist
- OCR
Alle Fallstudien
LLMRAGDocument AI4 Monate
Document Intelligence (OCR, Extraktion, RAG)
Jede Rechnung wurde von Hand gelesen und abgetippt. Vier von fünf laufen jetzt ohne Eingriff durch.
Dunkelverarbeitung
81 %
Extraktion mit Routing nach Konfidenz
Vorher
0 %
Jedes Dokument von Hand erfasst
In einfachen Worten
Worum es geht.
In diesem Abschnitt kein Fachjargon. Die technische Beschreibung folgt weiter unten.
Was schieflief
Verträge und Rechnungen kamen als Scans in sehr unterschiedlicher Qualität an. Mitarbeiter lasen sie und tippten die Werte ein – langsam, fehleranfällig und ohne Möglichkeit zu belegen, woher eine bestimmte Zahl stammte.
Was wir gebaut haben
Wir haben eine Extraktion gebaut, die die Dokumente liest, für jeden Wert angibt, wie sicher sie ist, und nur die zweifelhaften an einen Menschen schickt – wobei jeder Wert mit genau der Stelle auf der Seite verknüpft ist, aus der er stammt.
Was sich geändert hat
Vier von fünf Dokumenten laufen jetzt durch, ohne dass jemand sie anfasst, manuelle Arbeit beschränkt sich auf echte Ausnahmen, und der Monatsabschluss wartet nicht mehr auf Papierkram. Jede Zahl lässt sich bis zu ihrer Seite zurückverfolgen.
Architektur
Wie alles zusammenpasst.
Scrollen Sie durch die Phasen. Alles, was als hinzugefügt markiert ist, ist eine Komponente, die es vor diesem Projekt nicht gab.
OCR
layoutbewusst
- erhält von
- Dokumenteneingang
- speist
- Extraktion · RAG-IndexChunks
Extraktion
47 Felder
- erhält von
- OCR
- speist
- Prüf-Queueniedrige Konf.
RAG-Index
Quellenangaben
- erhält von
- OCRChunks
Prüf-Queue
nach Konfidenz
- erhält von
- Extraktionniedrige Konf.
- speist
- ERP-Sync
ERP-Sync
validiert
- erhält von
- Prüf-Queue
Dokumenteneingang
Scan + PDF
- speist
- OCR
OCR
layoutbewusst
- erhält von
- Dokumenteneingang
- speist
- Extraktion · RAG-IndexChunks
Extraktion
47 Felder
Das haben wir hinzugefügt- erhält von
- OCR
- speist
- Prüf-Queueniedrige Konf.
RAG-Index
Quellenangaben
Das haben wir hinzugefügt- erhält von
- OCRChunks
Prüf-Queue
nach Konfidenz
Das haben wir hinzugefügt- erhält von
- Extraktionniedrige Konf.
- speist
- ERP-Sync
ERP-Sync
validiert
- erhält von
- Prüf-Queue
Die Beschreibung
Wie es gebaut würde.
Datensatz, Vorgehen, Zielmetriken und der Stack. Geschrieben für die Person, die es prüfen muss.
LLMRAGDocument AI4 Monate
Document Intelligence (OCR, Extraktion, RAG)
PDFs in strukturierte Daten und durchsuchbares Wissen mit Quellenangaben verwandeln.
Problem
Verträge und Rechnungen kamen als Scans in unterschiedlicher Qualität an. Die manuelle Erfassung war langsam und fehleranfällig, und es gab keinen Prüfpfad, der ein Feld mit der Seite verknüpfte, aus der es stammte.
Datensatz
- Zeilen
- 840 Tsd. Seiten
- Features
- 47 extrahierte Felder
- Quellen
- Scans, PDFs, E-Mail-Anhänge
- Zeitraum
- 30 Monate
Vorgehen
- 01OCR mit Layout-Erhalt, damit Tabellenstrukturen die Extraktion überstehen
- 02Feldextraktion mit Konfidenz pro Feld und Herkunftsnachweis auf Span-Ebene
- 03RAG-Index über den Bestand für Abfragen in natürlicher Sprache mit Quellenangaben
- 04Prüf-Queue nach Konfidenz geroutet, Korrekturen fließen zurück
Metriken
- 96,8 %
- Feldgenauigkeit +14,2 pp
- 81 %
- Dunkelverarbeitung ohne menschlichen Eingriff
- 0,07 $
- Kosten / Dokument -1,90 $
- 100 %
- Quellenabdeckung Span-verknüpft
Evidenz
- Quelle
- Referenzdesign
- Zahlen
- Illustrativ – typische Werte für dieses Design
- Messung
- Nicht gemessen. Typische Werte für ein Referenzdesign dieser Art, nicht auf einem Kundensystem beobachtet.
- Referenz
- Für dieses Projekt nicht verfügbar
- zuletzt geprüft
- 2026-08-25
Geschäftlicher Effekt
- Manuelle Erfassung auf die Bearbeitung von Ausnahmen reduziert
- Jeder extrahierte Wert bis zu Seite und Bounding Box rückverfolgbar
- Der Monatsabschluss wartet nicht mehr auf die Dokumentenverarbeitung
Tech-Stack
- Python
- Tesseract
- DocTR
- LayoutLM
- PostgreSQL
- Qdrant
- FastAPI
- Next.js
Weiter
Brauchen Sie ein System wie dieses?
Beantworten Sie sechs Fragen, und wir sagen Ihnen, ob diese Form zu Ihrem Problem passt – auch wenn sie es nicht tut.