PDF-Daten automatisch auslesen und weiterverarbeiten

Automatisches PDF-Auslesen bedeutet, dass Software die fachlich relevanten Angaben eines Dokuments – Absender, Belegnummern, Positionen, Beträge, Termine – als strukturierte Daten erfasst, validiert und an ein Zielsystem übergibt. Der Unterschied zum bloßen „Text aus dem PDF holen“ liegt in der Struktur: Nicht der Fließtext ist das Ziel, sondern geprüfte Datenfelder, mit denen ein ERP-, Buchhaltungs- oder Dispositionssystem arbeiten kann.

Warum PDFs so viel Handarbeit erzeugen

Das PDF ist als Format für Menschen gebaut: Es garantiert, dass ein Dokument überall gleich aussieht – aber es transportiert keine Bedeutung. Ob eine Zahl eine Menge, ein Preis oder eine Postleitzahl ist, steht nirgends im Dateiformat. Jeder Lieferant baut seine Belege anders auf, Positionstabellen brechen über Seiten um, und wichtige Angaben stehen mal im Kopf, mal in der Fußzeile.

Deshalb sitzt in vielen Unternehmen jemand da und überträgt Werte von einem Bildschirmfenster ins andere. Diese Arbeit ist nicht nur langsam, sie ist auch fehleranfällig – ein Zahlendreher bei einer Belegnummer fällt oft erst Wochen später auf.

Zwei Arten von PDFs: nativ digital und gescannt

Technisch entscheidend ist, wie das PDF entstanden ist:

• Native (digital erzeugte) PDFs stammen direkt aus einer Software – etwa dem Fakturierungsprogramm des Lieferanten. Der Text ist als Text enthalten und kann direkt gelesen werden; die Herausforderung liegt allein in der Interpretation des Layouts.
• Gescannte PDFs sind Bilder: fotografierte oder eingescannte Papierdokumente, oft schief, mit Stempeln, Knicken oder handschriftlichen Vermerken. Hier muss zunächst eine Texterkennung (OCR) das Bild in Text übersetzen – ein Schritt, der eigene Fehlerquellen mitbringt, etwa verwechselte Zeichen bei schlechter Scanqualität.

Ein produktives System muss mit beiden Arten umgehen und erkennt automatisch, welcher Weg nötig ist. Bei Scans gilt grundsätzlich: Je schlechter die Vorlage, desto wichtiger die nachgelagerte Validierung.

Starre Templates vs. KI-Extraktion

Klassische Auslese-Software arbeitet mit Templates: Für jedes Dokumentlayout wird definiert, an welcher Position welches Feld steht – die Rechnungsnummer rechts oben, die Summe unten links. Das funktioniert zuverlässig, solange das Layout exakt gleich bleibt. Bei zehn Lieferanten heißt das zehn Vorlagen; ändert einer sein Rechnungsformular, fällt die Erkennung aus, bis jemand die Vorlage anpasst.

KI-gestützte Extraktion geht anders vor: Ein Modell, das Sprache und Dokumentstrukturen versteht, erfasst die Bedeutung der Inhalte – es erkennt eine Positionstabelle als Positionstabelle, auch wenn es dieses Layout noch nie gesehen hat. Neue Lieferanten und geänderte Formulare brauchen dadurch in der Regel keine Anpassung mehr.

Der Preis für diese Flexibilität: Das Ergebnis ist probabilistisch, nicht garantiert. Die KI kann Felder falsch zuordnen oder in ungünstigen Fällen Werte ergänzen, die im Dokument nicht stehen. KI-Extraktion ohne nachgelagerte Validierung ist deshalb in produktiven Prozessen fahrlässig – die Kombination aus flexibler Erkennung und strenger, regelbasierter Prüfung macht den Ansatz erst tragfähig.

Die Prozesskette: vom Dokument zum Datensatz

1. Lesen: Das PDF wird eingelesen; bei Scans übersetzt OCR das Bild in Text. Mehrseitige Dokumente und Anhänge mit mehreren Belegen werden getrennt.
2. Erkennen: Die KI extrahiert die fachlichen Felder – Absender, Empfänger, Belegnummer, Datum, Positionen mit Menge und Bezeichnung, Summen.
3. Klassifizieren: Um welchen Belegtyp handelt es sich – Rechnung, Lieferschein, Bestellung, Gutschrift? Die Antwort bestimmt Pflichtfelder und Zielprozess.
4. Validieren: Feste Regeln prüfen das Ergebnis: Sind alle Pflichtfelder gefüllt? Ergeben die Positionssummen den Gesamtbetrag? Existiert der Absender in den Stammdaten? Passt das Datum in den erwarteten Zeitraum?
5. Übertragen: Geprüfte Daten gehen ins Zielsystem. Je nach System können bestehende Anwendungen über APIs, Datenimporte oder andere geeignete Schnittstellen angebunden werden.
6. Archivieren: Das Originaldokument wird dem Vorgang zugeordnet abgelegt, damit jeder Datensatz jederzeit auf seine Quelle zurückführbar bleibt.

Wichtig ist, diese Kette als Ganzes zu betrachten: Eine exzellente Erkennung nützt wenig, wenn die Übergabe manuell bleibt – und eine perfekte Schnittstelle nützt wenig, wenn ungeprüfte Daten hindurchfließen. Der Nutzen entsteht erst, wenn der Beleg vom Eingang bis zur Ablage ohne Medienbruch durchläuft und jeder Schritt dokumentiert ist.

Qualitätssicherung: worauf es wirklich ankommt

Die Güte einer PDF-Automatisierung zeigt sich nicht am Schönwetterfall, sondern am Umgang mit Unsicherheit. Vier Mechanismen haben sich bewährt:

• Pflichtfelder: Für jeden Belegtyp ist definiert, welche Felder zwingend vorhanden sein müssen. Fehlt eines, wird der Beleg nicht still verarbeitet, sondern zur Nachbearbeitung markiert.
• Plausibilitätsregeln: Rechnerische und fachliche Prüfungen – Summen müssen aufgehen, Mengen in realistischen Bereichen liegen, Datumsangaben zusammenpassen.
• Konfidenz: Moderne Systeme bewerten, wie sicher eine Erkennung ist. Eindeutige Fälle laufen durch, unsichere werden gekennzeichnet – die Schwelle lässt sich je nach Kritikalität des Prozesses setzen.
• Mensch bei Unsicherheit: Alles, was Prüfungen nicht besteht oder unter der Konfidenzschwelle liegt, landet in einer Prüfansicht: Dokument und erkannte Daten nebeneinander, der Mitarbeiter korrigiert oder bestätigt mit wenigen Klicks.

Dieselben Mechanismen helfen auch im laufenden Betrieb: Wenn ein Lieferant sein Formular umstellt oder ein neuer Belegtyp auftaucht, fallen die betroffenen Dokumente in die Prüfansicht statt still falsch verarbeitet zu werden – und man sieht früh, wo nachjustiert werden sollte.

Typische Anwendungsfälle

• Eingangsrechnungen: Erfassen, mit Bestellung oder Vorgang abgleichen, zur Freigabe und Verbuchung vorbereiten – der Klassiker der Belegautomatisierung.
• Lieferscheine: Wareneingänge und Tauschvorgänge erfassen, Abweichungen zwischen bestellter und gelieferter Menge sichtbar machen.
• Bestellungen: Kundenbestellungen aus dem Postfach direkt als Auftrag vorbereiten – meist kombiniert mit automatischer E-Mail-Verarbeitung, wie sie unser Artikel E-Mails automatisch verarbeiten und ins ERP übertragen beschreibt.

Fazit

PDF-Daten automatisch auszulesen ist heute auch ohne starre Templates möglich: KI-Extraktion versteht wechselnde Layouts, OCR erschließt gescannte Belege. Verlässlich wird das Ganze aber erst durch die Prozesskette dahinter – Klassifizierung, Pflichtfeld- und Plausibilitätsprüfung, Konfidenzbewertung und ein sauberer Weg zum Menschen bei Unsicherheit. Wer nur die Erkennung betrachtet, misst die halbe Lösung.

ET Systems setzt solche Dokument-Automatisierungen produktiv um – als Teil der Office-Automatisierung oder eingebettet in größere Prozesse. Wenn bei Ihnen täglich Belege abgetippt werden, sprechen Sie mit uns – wir sehen uns Ihre Dokumente an und sagen Ihnen, was realistisch ist.