Gescannte Dokumente für einen Chatbot lesbar machen

Das Problem

In vielen Büros stehen Ordner mit Papier. Verträge, Lieferscheine, alte Protokolle: Man hat sie irgendwann eingescannt und als PDF abgelegt, damit sie «digital» sind. Doch ein gescanntes PDF ist oft nichts anderes als ein Foto der Seite.

Ein Chatbot, der nur Text lesen kann, findet darin nichts. Er antwortet dann «Dazu liegen keine Informationen vor», obwohl die Antwort in Ihrem Archiv steht. Das ist frustrierend, vor allem für Frau Müller, die genau weiss, dass das Dokument vorhanden ist.

Die Lösung heisst Texterkennung, auf Englisch OCR («Optical Character Recognition»). Dabei liest ein Programm die Zeichen aus dem Bild und erzeugt daraus echten Text. Das Ergebnis ist aber nie perfekt, und genau dort lauern die Fallstricke.

So lösen Sie es mit KI – Schritt für Schritt

1. Prüfen, ob es ein Scan ist. Öffnen Sie das PDF und versuchen Sie, einen Satz mit der Maus zu markieren oder mit Strg+F nach einem Wort zu suchen. Funktioniert das nicht, ist es ein Bild.
2. Wichtigkeit abwägen. Nicht jedes Papier muss in den Chatbot. Wählen Sie zuerst die Dokumente, die oft gebraucht werden.
3. Scanqualität sicherstellen. Scannen Sie in Farbe oder Graustufen mit mindestens 300 dpi (Punkte pro Zoll, ein Mass für die Schärfe). Legen Sie Seiten gerade ein und scannen Sie keine Fotokopien von Fotokopien.
4. OCR durchführen. Nutzen Sie die OCR-Funktion Ihres Scanners, Ihrer PDF-Software oder eines Dienstes, der Ihren Datenschutzvorgaben entspricht. Stellen Sie die Sprache auf Deutsch (Schweiz) oder die passende Sprache ein.
5. Ergebnis stichprobenartig prüfen. Öffnen Sie fünf Dokumente und vergleichen Sie Text und Bild. Achten Sie besonders auf Zahlen, Daten, Namen und Tabellen.
6. Fehler korrigieren oder ausschliessen. Bei wichtigen Dokumenten tippen Sie schlecht erkannte Stellen nach. Hoffnungslose Fälle (Handschrift, Stempel, verblasste Seiten) bleiben vorerst draussen.
7. Hinweis auf Original speichern. Notieren Sie, wo das Papieroriginal liegt. Der Chatbot kann darauf verweisen.
8. Chatbot testen. Stellen Sie Fragen, deren Antwort Sie im Dokument kennen, und prüfen Sie, ob die Fundstelle stimmt.

Vorlage zum Kopieren

Mit diesem Prompt prüfen Sie, wie sauber eine Texterkennung ist. Kopieren Sie einen kurzen, unkritischen Ausschnitt in ein KI-Werkzeug, das Sie für solche Inhalte freigegeben haben:

Hier ist ein Textausschnitt, der per Texterkennung aus einem Scan entstanden ist:
[Ausschnitt einfügen, ohne Personendaten oder vertrauliche Angaben]
Aufgabe:
1. Markiere Stellen, die wie Erkennungsfehler aussehen (zum Beispiel «rn» statt «m», «0» statt «O», «l» statt «1»).
2. Liste Zahlen, Daten und Beträge auf, die ich im Original prüfen sollte.
3. Korrigiere nichts, was du nicht sicher weisst, sondern frage nach.
Gib das Ergebnis als Liste mit «Stelle», «Verdacht», «Vorschlag».

Verwenden Sie dafür nur unkritische Ausschnitte oder anonymisierte Texte; bei vertraulichen Inhalten prüfen Sie von Hand.

Wann lohnt sich der Aufwand?

Texterkennung kostet Zeit und Prüfung. Fragen Sie sich deshalb pro Dokumentgruppe: Wie oft wird das gebraucht? Gibt es eine digitale Originalfassung? Ist das Dokument noch gültig?

Ein Mietvertrag, der nur bei Streit hervorgeholt wird, muss nicht im Chatbot sein. Ein Wartungsprotokoll, das wöchentlich gesucht wird, dagegen schon. Lohnend sind meist wiederkehrende Auskünfte mit klaren Fakten. Alles, was selten, vertraulich oder rechtlich heikel ist, lassen Sie lieber im geordneten Archiv.

Worauf Sie achten müssen

• Zahlen sind anfällig. Eine 5 wird zur 6, eine 1 zum l. Beträge, Daten und Nummern müssen Sie im Original gegenprüfen.
• Tabellen und Spalten. OCR vermischt Spalten gern. Siehe Tabellen in PDFs.
• Handschrift. Handgeschriebene Notizen werden schlecht erkannt. Mehr dazu unter Handschriftliche Notizen.
• Datenschutz bei Online-Diensten. Wer Scans an einen Online-Dienst schickt, gibt Inhalte aus der Hand. Klären Sie Verarbeitungsort und Vertrag, bevor Sie Personendaten hochladen.
• Aufbewahrungspflichten. Das digitale Abbild ersetzt nicht automatisch das Original. Ob Papier vernichtet werden darf, klären Sie im Einzelfall mit Fachpersonen.

Ein Beispiel aus der Praxis

Ein Beispiel: Eine Liegenschaftsverwaltung in Olten hat 15 Jahre alte Hauswartungs-Protokolle als Scans. Frau Rizzi möchte per Chatbot wissen, wann ein Boiler zuletzt gewartet wurde.

Vorher: Der Chatbot findet nichts, weil die PDFs reine Bilder sind. Nachher: Sie lässt die 400 wichtigsten Seiten mit OCR durchlaufen, prüft 20 davon stichprobenartig und korrigiert zwei Datumsfehler. Der Chatbot nennt nun die Fundstelle, und sie öffnet das Original zur Kontrolle. Die verblassten Faxe bleiben ausgeschlossen.

So hilft Ihnen Alpasana

Wenn grössere Papierarchive digital nutzbar werden sollen, hilft die KI-Beratung und digitale Transformation von Alpasana bei der Planung: Prozesse aufnehmen, Systeme verbinden, Umsetzung dokumentieren und Einsatzregeln festlegen. So entscheiden Sie, welche Unterlagen sich wirklich lohnen.

Häufige Fragen

Wie erkenne ich eine gute Scanqualität?

Der Text ist scharf, die Seite gerade, und nichts ist abgeschnitten. Als Faustregel gelten 300 dpi. Zu dunkle oder verschwommene Scans liefern schlechte Ergebnisse.

Kann der Chatbot Bilder und Stempel lesen?

Manche moderne Systeme können Bilder beschreiben, doch Stempel und Unterschriften werden oft nicht verlässlich erkannt. Verlassen Sie sich bei solchen Inhalten nicht auf den Chatbot.

Muss ich alle Altakten erfassen?

Nein. Beginnen Sie mit den häufig genutzten Dokumenten. Der Rest kann bei Bedarf später folgen.

Ist OCR kostenlos?

Es gibt Programme und Funktionen in gängiger Software, auch kostenlose. Preise und Bedingungen unterscheiden sich; prüfen Sie vor dem Einsatz Qualität und Datenschutz.