Was sind OCR, NLP und wie liest KI Dokumente? Vom Scan zu Daten im System

1. Was ist OCR und wie funktioniert es?

⚡ In einem Satz

OCR (Optical Character Recognition) ist eine Technologie, die ein Bild von Text — einen Scan, ein Foto, ein PDF — in digitalen Text umwandelt, den ein Computer lesen und durchsuchen kann.

💡 Einfach erklärt

Stellen Sie sich einen Stapel Papierrechnungen auf einem Schreibtisch vor. Für einen Computer ist jede davon einfach ein Bild — dunkle und helle Pixel. Der Computer sieht sie so, wie Sie ein Bild in einem fremden Alphabet sehen: Formen ohne Bedeutung.

OCR löst dieses Problem. Wenn ein Dokument als Bild ins System gelangt (ein Scan, ein Handyfoto, ein PDF), analysiert OCR es in zwei Schritten:

• Zeichenerkennung — der Algorithmus analysiert die Formen im Bild und ordnet sie bekannten Buchstaben, Ziffern und Symbolen zu. Moderne OCR-Systeme nutzen neuronale Netze, die auf Tausenden von Beispielen trainiert sind — weshalb sie mit verschiedenen Schriftarten, Druckqualitäten und sogar teilweise mit Handschrift zurechtkommen.
• Das Ergebnis — digitaler Text, der durchsucht, kopiert, bearbeitet und weiterverarbeitet werden kann.

Nach OCR „sieht" der Computer Wörter statt Pixel. Aber Achtung: Er sieht Wörter — er „versteht" sie noch nicht. OCR weiß nicht, dass „1.250,00 PLN" ein Betrag auf einer Rechnung ist und dass „Jan Kowalski" der Name eines Kunden ist. OCR liest — es interpretiert nicht.

🔧 Zum Vertiefen

OCR als Technologie hat Wurzeln, die bis in die 1920er Jahre zurückreichen (die ersten Experimente mit Zeichenerkennung), aber kommerzielle Systeme erschienen in den 1960er und 1970er Jahren — zuerst zum Sortieren von Post und Lesen von Schecks, dann als Allzweckwerkzeuge (Ray Kurzweils Omni-Font-OCR, 1970er Jahre). Der Durchbruch bei der Genauigkeit kam mit dem Einsatz neuronaler Netze: Systeme wie Tesseract (Open Source, ursprünglich HP, von 2006 bis 2018 von Google gesponsert, heute von der Community entwickelt) und kommerzielle Lösungen wie ABBYY FineReader werden anhand von Hunderttausenden Beispielen darauf trainiert, Zeichen zu erkennen. Die Genauigkeit moderner OCR-Systeme bei sauberem, gut gescanntem gedrucktem Text erreicht 95–99 %, je nach System und Qualität der Eingabe — die besten kommerziellen Lösungen nähern sich unter idealen Bedingungen 100 %.

Die wichtigste Einschränkung: Die OCR-Qualität hängt unmittelbar von der Qualität der Eingabe ab. Ein unscharfer Scan, niedrige Auflösung (unter 300 DPI), ein schiefes Dokument, Handschrift — all das verringert die Genauigkeit. Deshalb ist in der Implementierungspraxis der erste Schritt, die Art zu standardisieren, wie Dokumente ins System gelangen (vgl. Was ist Prozessoptimierung? — der Abschnitt zur Prozessmodellierung).

2. Was ist NLP und wie unterscheidet es sich von OCR?

⚡ In einem Satz

NLP (Natural Language Processing) ist eine Technologie, die es einem Computer erlaubt, die Bedeutung von Text zu „verstehen" — nicht nur die Wörter zu lesen, sondern aus ihnen konkrete Informationen, Absichten und Zusammenhänge zu extrahieren.

💡 Einfach erklärt

OCR gibt uns Text. Aber Text allein ist noch keine Information.

Nehmen wir eine Rechnung als Beispiel. Nach OCR sieht der Computer eine Zeichenkette: „Mehrwertsteuerrechnung Nr. 2024/03/0147, Ausstellungsdatum: 15.03.2024, Bruttobetrag: 4.920,00 PLN, Zahlungsfrist: 14 Tage". Er sieht das als reinen Text — genauso wie er die Kopfzeile, die Fußzeile und die Absenderadresse sieht. Er weiß nicht, was was ist.

NLP löst dieses Problem. Es analysiert den Text und extrahiert daraus Struktur:

• Es erkennt, dass „4.920,00 PLN" ein Betrag ist — keine Telefonnummer und kein Produktcode.
• Es identifiziert „15.03.2024" als Ausstellungsdatum und „14 Tage" als Zahlungsfrist.
• Es ordnet „2024/03/0147" als Dokumentnummer zu.
• Es klassifiziert das gesamte Dokument als „Mehrwertsteuerrechnung" — keine Bestellung, keine Reklamation.

Der Unterschied zwischen OCR und NLP lässt sich in einem Satz beschreiben: OCR ist das Auge, NLP ist das Gehirn. OCR sieht die Buchstaben, NLP „versteht", was sie im Kontext bedeuten. Hinzuzufügen ist: Wenn KI ein Bild nicht analysiert, um Text zu lesen, sondern um Objekte, Defekte oder Szenen zu erkennen — ist das bereits die Domäne von Computer Vision, nicht von OCR.

🔧 Zum Vertiefen

NLP (Verarbeitung natürlicher Sprache) ist ein Zweig der KI, der mehrere Techniken umfasst, von denen die im Kontext der Dokumentenverarbeitung wichtigsten sind:

• Tokenisierung — das Aufteilen von Text in Einheiten (Wörter, Sätze, Fragmente). Sie ist der Ausgangspunkt für die weitere Analyse (vgl. Was ist Künstliche Intelligenz? — der Abschnitt zur Mechanik der KI).
• NER (Named Entity Recognition) — das Erkennen von Entitäten: Daten, Beträge, Firmennamen, Adressen, Dokumentnummern. Es ist die Grundlage der automatischen Datenextraktion aus Dokumenten.
• Textklassifizierung — das Zuordnen eines Dokuments zu einer Kategorie (Rechnung, Reklamation, Bestellung, Schadenskorrespondenz). Das System benötigt keine Regelliste — es wird anhand von Beispielen trainiert.
• Sentiment- und Intent-Analyse — im Kontext der Korrespondenz: Fragt der Kunde, beschwert er sich, droht er, bittet er um Information? Das erlaubt es, Angelegenheiten automatisch an die richtigen Personen zu leiten.

NLP ist keine einzelne Technologie — es ist ein Satz von Werkzeugen. Welche davon man einsetzt, hängt vom Geschäftsproblem ab. In einem einfachen Fall (Extraktion von Daten aus strukturierten Rechnungen) genügt NER. In einem komplexen (Klassifizierung von Versicherungskorrespondenz in mehreren Sprachen) braucht man eine Kombination aus Klassifizierung, Intent-Analyse und NER. NLP ist zugleich die Grundlage der RAG-Technologie, bei der Text nicht nur analysiert, sondern zum Generieren von Antworten auf Fragen genutzt wird (vgl. Was ist RAG und ein KI-Agent?).

Ein wichtiger Vorbehalt: Wenn wir schreiben, dass NLP Text „versteht", ist das eine Vereinfachung. NLP versteht nicht im menschlichen Sinne — es verarbeitet statistische Muster und ordnet Text gelernten Kategorien zu (vgl. Was ist Künstliche Intelligenz? — der Abschnitt dazu, wie KI „denkt"). Der Effekt kann dem Verstehen nahekommen, aber der Mechanismus ist grundlegend anders.

3. Wie KI Dokumente liest — vom Scan zu Daten im System

⚡ In einem Satz

Die Verarbeitung eines Dokuments mit KI ist eine Kette von Schritten: Scan → OCR (Lesen des Textes) → NLP („Verstehen" der Bedeutung) → die Daten gelangen ohne menschliches Zutun ins System.

💡 Einfach erklärt

Verfolgen wir den Weg einer einzelnen Rechnung — vom Moment, in dem sie ins Unternehmen gelangt, bis zu dem Moment, in dem ihre Daten im System sind.

1. Das Dokument gelangt ins System. Die Rechnung kommt per E-Mail als PDF an, oder jemand scannt sie von Papier. Eine wichtige Unterscheidung: Ist das PDF „von Geburt an digital" (von einem Buchhaltungssystem oder einem Editor erzeugt), ist der Text bereits enthalten — OCR wird nicht benötigt, man kann direkt zu Schritt 3 übergehen. Ist das PDF jedoch ein Scan eines Papierdokuments oder ein Foto — sieht der Computer ein Bild, keinen Text, und genau hier beginnt die Rolle von OCR.
2. OCR liest den Text. Das OCR-System analysiert das Bild und wandelt es in digitalen Text um. Nach diesem Schritt haben wir den vollständigen Inhalt der Rechnung als Text — aber immer noch als eine Zeichenkette, ohne Struktur.
3. NLP extrahiert die Daten. Das NLP-System analysiert den Text und extrahiert konkrete Informationen: die Rechnungsnummer, das Datum, den Betrag, die Steuernummer des Lieferanten, die Positionen, die Zahlungsfrist. Es ordnet jede Information dem passenden Feld zu.
4. Die Daten gelangen ins System. Die extrahierten Daten gelangen ins Buchhaltungssystem, ins ERP oder in eine Tabelle — automatisch, ohne manuelle Eingabe. Eine Person erhält einen fertigen Datensatz zum Prüfen und Freigeben.

Die Verarbeitung des Dokuments selbst — vom Moment, in dem das System es „sieht", bis zu dem Moment, in dem die Daten extrahiert sind — dauert Sekunden. Der ganze Weg (einschließlich Herunterladen des Anhangs, Vorverarbeitung, Speichern ins System) — Minuten, nicht Stunden.

Aber ein wichtiger Vorbehalt: Diese Kette funktioniert gut, wenn das Unternehmen weiß, welche Daten es extrahieren will und in welcher Form es sie speichert. Ohne einen organisierten Prozess (welche Dokumente, woher sie kommen, wohin die Daten gehen, wer sie prüft) wird Technologie das Problem nicht lösen — weil unklar ist, was mit den Daten zu tun ist (vgl. Was ist Automatisierung? — der Abschnitt zu den Stufen der Automatisierung).

🔧 Zum Vertiefen

In der Implementierungspraxis verschwimmt die Grenze zwischen OCR und NLP zunehmend. Moderne multimodale Modelle — auf Basis der Transformer-Architektur (vgl. Was ist Künstliche Intelligenz? — der Abschnitt zu Transformer und LLM) — können ein Dokument gleichzeitig als Bild und als Text analysieren. Sie brauchen keinen separaten OCR-Schritt und dann einen separaten NLP-Schritt. Sie betrachten die ganze Seite: Sie sehen das Layout, die Tabellen, die Überschriften — und extrahieren die Daten direkt.

Das bedeutet, dass die traditionelle Aufteilung „erst OCR, dann NLP" für klassische Systeme gilt. In den neuesten Lösungen können beide Stufen auf einmal geschehen. Für ein Unternehmen, das eine solche Lösung einführt, ist der Effekt derselbe — in Daten umgewandelte Dokumente — aber die Technologie darunter ist einfacher und flexibler.

Unabhängig von der Technologie gilt jedoch dasselbe Prinzip: Die Qualität der Ergebnisse hängt von der Qualität der Eingabedaten und der Organisation des Prozesses ab. Ein multimodales Modell kommt mit einem schlechten Scan besser zurecht als klassisches OCR — aber es braucht trotzdem ein klar definiertes Ziel: welche Daten zu extrahieren sind, in welchem Format, in welches System.

„Die Technologie der Dokumentenverarbeitung hat sich in den letzten Jahren radikal verändert. Früher bauten wir separate Pipelines: OCR, dann Extraktionsregeln, dann einen Klassifikator. Heute erledigt ein multimodales Modell das in einem Schritt. Aber eines hat sich nicht geändert: Bevor man das System startet, muss man genau wissen, welche Daten man extrahieren will und was man mit ihnen tun will. Ohne das produziert selbst das beste Modell Daten, die niemand nutzt."

— Michael Jan Rogocki, AI Engineer & Data Scientist, cm-opti

4. Wo es in der Praxis funktioniert — eine Fallstudie aus dem Versicherungsmarkt

⚡ In einem Satz

Ein Versicherungsunternehmen auf dem deutschen Markt setzte einen NLP-Agenten zur Klassifizierung der Schadenskorrespondenz ein — der Effekt: 30 % weniger Rückstände, 90 % Genauigkeit beim Erkennen der Risikokategorie.

💡 Einfach erklärt

Das ist der Alltag eines mittelgroßen Versicherungsunternehmens auf dem deutschen Markt. Schadenskorrespondenz — Briefe, E-Mails, Anhänge — kommt täglich in großen Mengen an (jährliches Datenvolumen: eine hohe sechsstellige Zahl). Jedes Dokument erfordert eine Einschätzung: Ist das dringend? Welche Risikokategorie? An welche Abteilung weiterleiten? Ein stark reguliertes Umfeld — Verzögerungen bergen das Risiko, dass Ansprüche verjähren und die Kundenzufriedenheit sinkt.

Vor der Einführung: Die Mitarbeiter lasen jedes Dokument manuell, klassifizierten es und leiteten es an den passenden Prozess weiter. Die Bearbeitungszeit wuchs, die Rückstände türmten sich auf.

Was das System tat:

• Dokumente lesen — OCR las den Inhalt eingehender Dokumente (Scans, PDFs, E-Mails).
• Den Inhalt „verstehen" — der NLP-Agent analysierte den Text, bewertete die Bedeutung des Dokuments, erkannte die Risikokategorie und die Absicht des Absenders.
• Automatisches Weiterleiten — relevante Dokumente gingen automatisch an die passenden Prozesse. Irrelevante Dokumente (Duplikate, Spam, informative Schreiben ohne Handlungsbedarf) wurden aussortiert — allein das reduzierte das Volumen um etwa 25 %.

Ergebnisse:

• 30 % Reduktion des Rückstands bei der Dokumentenverarbeitung.
• Etwa 25 % weniger manuell zu bearbeitende Korrespondenz (Aussortierung irrelevanter Dokumente).
• 90 % Genauigkeit beim automatischen Erkennen der Risikokategorie.

Die Mitarbeiter verloren ihre Arbeitsplätze nicht — die Art ihrer Arbeit änderte sich. Statt Hunderte Briefe am Tag zu lesen und zu sortieren, prüfen sie die Entscheidungen des Systems und kümmern sich um Angelegenheiten, die Urteilsvermögen und Erfahrung erfordern.

🔧 Zum Vertiefen

Einige technische Entscheidungen, die den Erfolg dieses Projekts bestimmten:

• Eine Private-Cloud-Lösung. Versicherungsdaten unterliegen strengen Vorschriften. Das System läuft in einer Private Cloud — die Daten verlassen die kontrollierte Umgebung nicht. Das ist in einem regulierten Sektor nicht optional.
• Ein NLP-Agent, kein Regelsatz. Klassische regelbasierte Automatisierung (wenn ein Dokument Wort X enthält → an Y weiterleiten) reichte nicht aus, weil die Korrespondenz zu vielfältig ist — dieselben Angelegenheiten werden in Dutzenden verschiedener Formulierungen, in verschiedenen Sprachen beschrieben. Ein NLP-Agent erkennt die Absicht; er sucht nicht nach bestimmten Phrasen.
• Eine stufenweise Einführung. Im Einklang mit dem Ansatz, den cm-opti in der Praxis anwendet: zuerst das Organisieren der Kategorien und Klassifizierungsregeln (Stufe 1), dann das Automatisieren der Weiterleitung (Stufe 2) und schließlich die Einführung des NLP-Agenten (Stufe 3). Ohne Stufe 1 gäbe es nichts, womit man die Ergebnisse von Stufe 3 vergleichen könnte (vgl. Was ist Automatisierung? — der Abschnitt zu den Stufen der Automatisierung).

„Das Erste, was wir in diesem Projekt taten, hatte nichts mit Technologie zu tun. Wir setzten uns mit dem Team zusammen und schrieben die Dokumentenkategorien, die Bearbeitungspfade und die Dringlichkeitskriterien auf. Erst als das klar war, hatten wir ein Fundament für die Automatisierung. Ein Unternehmen, das diesen Schritt überspringt, führt ein System ein, das Dokumente nach Regeln sortiert, die niemand definiert hat — und dann vertraut niemand seinen Entscheidungen."

— Karol Jurewicz, Business Process Architect, cm-opti

5. Was OCR und NLP nicht leisten — und wann ein Mensch gebraucht wird

⚡ In einem Satz

OCR und NLP kommen mit wiederkehrenden, strukturierten Dokumenten zurecht — aber dort, wo der Inhalt mehrdeutig, der Kontext unklar oder die Stakes hoch sind, trifft ein Mensch die Entscheidung.

💡 Einfach erklärt

OCR und NLP sind Werkzeuge — sie sind weder allwissend noch unfehlbar. Es lohnt sich zu wissen, wo ihre Fähigkeiten enden:

• Die Qualität der Eingabe beeinflusst die Qualität der Ausgabe. Ein unscharfer Scan, eine Fotokopie einer Fotokopie, Handschrift, ein teils von einem Stempel verdecktes Dokument — all das verringert die OCR-Genauigkeit. Das Prinzip „garbage in, garbage out" gilt hier gnadenlos.
• Die Mehrdeutigkeit der Sprache. NLP interpretiert Text auf Basis von Mustern. Aber Sprache kann mehrdeutig sein: Ironie, ungewöhnliche Formulierungen, Branchenjargon, Grammatikfehler — das sind Situationen, in denen das System sich irren kann.
• Neue Dokumenttypen. Ein auf Rechnungen trainiertes System erkennt nicht automatisch ein Bauabnahmeprotokoll.
• Entscheidungen mit hohem Einsatz. Ist ein Anspruch berechtigt? Enthält ein Vertrag riskante Klauseln? Hier bereiten OCR und NLP die Daten vor, aber ein Mensch trifft die Entscheidung.

🔧 Zum Vertiefen

In der Implementierungspraxis ist ein wichtiger Begriff der Confidence Score — der Grad der Sicherheit, mit dem das System ein Dokument klassifiziert oder Daten extrahiert. Ein gut konzipiertes System trifft bei niedrigem Confidence-Niveau keine Entscheidungen — stattdessen leitet es das Dokument zur Prüfung an einen Menschen weiter.

Dieser „Human-in-the-Loop"-Ansatz erlaubt es, die Geschwindigkeit der Automatisierung mit der Sicherheit menschlichen Urteils zu verbinden. Das System verarbeitet Dokumente mit hohem Confidence-Niveau automatisch und leitet die ungewöhnlichen oder mehrdeutigen zur Prüfung an einen Menschen weiter. Mit der Zeit, während das System an neuen Beispielen trainiert wird, sinkt der Anteil der Dokumente, die eine manuelle Prüfung erfordern.

Eine wichtige Beobachtung: Der Confidence Score ist kein Maß für Wahrheit — er ist ein Maß dafür, wie sehr das Muster eines neuen Dokuments den Mustern ähnelt, an denen das System gelernt hat. Ein hoher Confidence Score bei schlechten Trainingsdaten gibt ein falsches Sicherheitsgefühl. Deshalb sind die Qualität der Trainingsdaten und die regelmäßige Validierung der Ergebnisse keine einmalige Aufgabe, sondern ein fortlaufender Prozess (vgl. Was ist Prozessoptimierung? — der Abschnitt zur kontinuierlichen Verbesserung).

6. Wo beginnt man mit der Dokumentenverarbeitung im Unternehmen

⚡ In einem Satz

Beginnen Sie mit einem Dokumenttyp, der am häufigsten verarbeitet wird und die meiste Zeit verbraucht — dort liefern OCR und NLP den schnellsten, messbaren Effekt.

💡 Einfach erklärt

Sie müssen nicht gleich den gesamten Dokumentendurchlauf automatisieren. Die besten Implementierungen beginnen mit einem konkreten Bereich:

• Identifizieren Sie den Engpass. Welcher Dokumenttyp verbraucht die meiste Zeit? Rechnungen? Verträge? Berichte? Korrespondenz? Zählen Sie einfach: wie viele Dokumente pro Tag/Woche, wie viele Minuten pro Dokument, wie viele Fehler. Das Pareto-Prinzip (vgl. Was ist Automatisierung?) hilft Ihnen, die 20 % der Dokumente zu finden, die 80 % der Arbeit erzeugen.
• Prüfen Sie die Qualität der Eingabe. Kommen die Dokumente in einem einheitlichen Format an? Sind die Scans lesbar? Gibt es einen Kanal (E-Mail, System) oder fünf? Je standardisierter die Eingabe, desto schneller und günstiger die Einführung.
• Definieren Sie, welche Daten Sie extrahieren wollen. Nicht „alles" — konkret: Nummer, Datum, Betrag, Name des Geschäftspartners, Kategorie. Je genauer Sie das Ziel definieren, desto besser arbeitet das System vom ersten Tag an. Die extrahierten Daten können Dashboards und BI-Berichte speisen, mit denen Sie schneller Entscheidungen treffen.
• Beginnen Sie mit einem Menschen in der Schleife (Human-in-the-Loop). Die erste Stufe ist keine vollständige Automatisierung — es ist ein System, das vorschlägt, und ein Mensch, der freigibt. Mit der Zeit wächst der Anteil der automatischen Entscheidungen.

Eine eigene Frage ist die Art der Einführung — eine fertige Plattform, ein No-Code-Werkzeug oder eine von Grund auf gebaute Lösung. Das hängt vom Umfang, der Komplexität der Dokumente und davon ab, wie unüblich der Prozess ist. Wir vertiefen dieses Thema im Artikel über die Systemintegration.

Unternehmen in Polen und Deutschland stehen vor demselben Problem: ein wachsendes Dokumentenvolumen, schrumpfende Teams, Druck zur Schnelligkeit. OCR und NLP sind bewährte Werkzeuge, die dieses Problem lösen — aber nur, wenn die Einführung beim Prozess beginnt, nicht bei der Technologie. Unser erster Schritt ist stets eine Diagnose: welche Dokumente, woher sie kommen, wohin die Daten gehen, wer die Entscheidungen trifft. Erst mit diesem Bild wählen wir die Werkzeuge — denn Technologie sollte dem Prozess dienen, nicht umgekehrt.

— Die Perspektive von cm-opti

Häufig gestellte Fragen (FAQ)

Kommt OCR mit Handschrift zurecht?

Teilweise. Moderne OCR-Systeme auf Basis neuronaler Netze erkennen in Druckbuchstaben geschriebene Handschrift (z. B. handausgefüllte Formulare), aber die Genauigkeit ist geringer als bei gedrucktem Text. Freie Handschrift (Briefe, Notizen, Unterschriften) ist weiterhin eine Herausforderung — die Genauigkeit sinkt erheblich.

Wie unterscheidet sich OCR von NLP?

OCR wandelt ein Bild in Text um — es sieht Buchstaben. NLP analysiert Text und extrahiert daraus Bedeutung — es „versteht", was diese Buchstaben im Kontext bedeuten. OCR ist das Auge, NLP ist das Gehirn.

Erfordert die Einführung von OCR und NLP ein großes Budget?

Nicht unbedingt. Eine einfache OCR-Einführung für einen Dokumenttyp (z. B. Rechnungen) ist ein Projekt, das sich in Wochen starten lässt. Die Kosten hängen von Umfang, Dokumentenkomplexität und Datensicherheitsanforderungen ab. Die erste Frage lautet nicht „wie viel kostet die Technologie", sondern „wie viel kostet das Fehlen von Automatisierung" — zählen Sie die Teamstunden, die für manuelles Übertragen aufgewendet werden.

Kann KI Menschen bei der Dokumentenverarbeitung vollständig ersetzen?

Nein. KI übernimmt den mechanischen Teil — Lesen, Klassifizieren, Datenextraktion. Aber Entscheidungen, die Urteilsvermögen, Erfahrung und Kontextwissen erfordern, bleiben bei den Menschen. Ein gut eingeführtes System verändert die Art der Arbeit: Statt zu übertragen, prüfen und entscheiden die Menschen.

Verwandte Artikel in der cm-opti Wissensdatenbank

• Was ist Künstliche Intelligenz?
• Was ist Automatisierung?
• Was ist RAG und ein KI-Agent?
• Was ist Computer Vision?
• Was ist Prozessoptimierung?
• Was ist Systemintegration?
• Was ist Datenanalyse und BI?

Concepts explained in this article → Glossar

OCR (Optical Character Recognition), NLP (Natural Language Processing), NER (Named Entity Recognition), Tokenisierung, Textklassifizierung, multimodale Modelle, Confidence Score, Human-in-the-Loop, Transformer

Quellen und Referenzen

• Definition von OCR — basierend auf IBM, TechTarget, Wikipedia und öffentlich verfügbarem technischem Wissen.
• Definition von NLP — basierend auf öffentlich verfügbarem Branchenwissen im Bereich der Verarbeitung natürlicher Sprache.
• Versicherungsfallstudie — ein cm-opti-Projekt auf dem deutschen Markt. Daten: 30 % Reduktion der Rückstände, ~25 % weniger manuell zu bearbeitende Korrespondenz, 90 % Genauigkeit beim Erkennen der Risikokategorie.
• OCR-Genauigkeit für gedruckte Dokumente (95–99 %) — basierend auf OCR-Benchmarks (AIMultiple 2026, Parsea 2026).