Datenextraktion mit KI – aber zuverlässig

Der Rohstoff moderner Unternehmen ist Wissen. Es steckt in zahllosen Dokumenten und muss von dort extrahiert werden, um es zu nutzen. Weder manuelles Abtippen noch bisherige Software-Lösungen sind jedoch den Anforderungen des KI-Zeitalters gewachsen. Warum Tools von heute mehr können müssen.

In einer aktuellen Bitkom Studie zum Thema KI-Nutzung in Deutschland geben 81 Prozent der befragten Unternehmen an, dass KI für sie die Zukunftstechnologie für sie ist. Auch die Investitionsbereitschaft steigt kontinuierlich, so möchten 29 Prozent mehr Unternehmen als im Vorjahr in diesen Bereich weiter investieren. KI ist damit eindeutig in der deutschen Wirtschaft angekommen.

Doch mit der wachsenden Bedeutung von KI rückt eine zentrale Voraussetzung stärker in den Fokus: die Qualität und Verfügbarkeit der zugrunde liegenden Daten. Denn viele Unternehmen unterschätzen, wie viel Zeit, Personal und finanzielle Mittel jedes Jahr darauf verwendet werden, Datensätze aus unterschiedlichsten Dokumenten zu extrahieren. Dieser Prozess ist aufwendig, aber unverzichtbar. Verträge, Produktblätter, Diagramme oder Formulare enthalten genau jene Informationen, die im täglichen Geschäft benötigt werden. Im KI-Zeitalter gewinnen diese Inhalte zusätzlich an strategischem Wert. Sie bilden das Unternehmenswissen, das KI-Agenten den notwendigen Kontext liefert, um echten Mehrwert zu schaffen. Voraussetzung dafür ist jedoch eine effektive, fehlerfreie und umfassende Datenextraktion.

Bislang kommt meist eine von zwei Alternativen zum Einsatz: Entweder Mitarbeiter, die zu viel Zeit auf das Suchen und Eingeben bestimmter Daten verwenden oder technische Hilfsmittel in Form von OCR-Scannern. Diese können Inhalte zwar einigermaßen zuverlässig lesen, haben aber dennoch klare Grenzen. Die gute Nachricht ist, dass nun aber für Tools zur Datenextraktion dank KI ein neues Level aufgeht.

Woran gewöhnliche LLMs scheitern

An diesem Punkt stellt sich die naheliegende Frage, warum es überhaupt Speziallösungen braucht. Schließlich können auch gewöhnliche LLM-basierte KI-Bots Texte extrahieren. Wenn es aber an die Anforderungen von Unternehmen kommt, wird es kompliziert. Hier gibt es mehrere Problemstellen:

1. Die Genauigkeit: Allgemeine KI-Modelle erfordern präzise und sorgfältige Eingaben, um beim Extrahieren von Daten auch wirklich das gewünschte Ergebnis zu liefern. Ansonsten sind auch bei dieser Aufgabe Halluzinationen möglich.
2. Der Umgang mit verschiedenen Formaten: Am besten funktionieren KI-Modelle aktuell immer dann, wenn sie mit Informationen als Text oder Markdown arbeiten können. Unternehmen benötigen jedoch diverse Dokumenttypen, etwa komplexe Tabellen, gescannte Formulare, Bilder oder PDFs. Nicht immer kommen LLMs damit reibungslos zurecht.
3. Kontext und Länge: Verträge, Pläne oder Forschung können nicht selten hunderte Seiten Umfang haben. Ihre wichtigsten Informationen sind hochkomplex und lang gleichermaßen.
4. Skalierbarkeit: Reine API-Aufrufe sind bei geringen Mengen noch machbar, doch bei größeren Mengen an Dokumenten stellen sich die Fragen nach Fehlerbehandlung, Kostenkontrolle und Orchestrierung des Ablaufs.

Das Hochladen von Dokumenten in ein LLM ist also das Hoffen auf einen Analysten, der ohne Struktur, ohne Qualitätskontrolle und ohne Erinnerung arbeitet. Zwar ist das ein erster Schritt, doch er reicht nicht aus.

Agenten müssen Bedeutung verstehen, nicht nur Text erkennen

In der heutigen Welt zählen Geschwindigkeit und Präzision der Datenverarbeitung. Gleichzeitig gilt es, die Kosten des Prozesses und Datenschutzfragen im Auge zu behalten. Dieses Gemenge ist es, das bestimmt, was letzten Endes unter dem Strich steht.

Circa 90 Prozent aller Unternehmensdaten liegen heute in unstrukturierten Dokumenten. Das ultimative Ziel ist, diese möglichst effektiv nutzbar zu machen, und zwar an jeder Stelle im Unternehmen, an der sie gebraucht werden. Am besten noch dazu in Form von automatisierten Workflows. Um dies zu leisten und damit Metadaten zuverlässig und korrekt aus Dokumenten extrahiert werden, muss Analyse auf Verständnis treffen.

Warum spezialisierte KI-Agenten unumgänglich sind, wird auch dann noch einmal klarer, sobald man den Faktor Layout mit ins Spiel bringt. Ein Dokument kann unterschiedliche Tabellen, Absätze, Diagramme, Inhaltsblöcke oder auch handschriftliche Anmerkungen umfassen. Einzig den Text zu scannen, reicht nicht. Ohne Verständnis für Kontext und Zusammenhang, gibt es auch kein Verständnis für die Inhalte des Dokuments. An diesem Punkt befindet sich die gewöhnliche OCR-Texterkennung.

Spezialisierte Agenten aber, die die Kapazität zur tieferen Analyse mitbringen, können die extrahierten Informationen automatisch als strukturierte Metadaten aufbereiten, so dass sie als durchsuchbares Unternehmenswissen zur Verfügung stehen. Die Daten können einheitlich aufbereitet in die zentrale Content-Datenbank des Unternehmens eingespeist werden, damit alle Anwendungen im Unternehmen damit arbeiten können. Erst dann können Teams wirklich effektiv Geschäftsprozesse automatisieren, die korrekten Informationen finden und intelligentere Entscheidungen treffen. Das Ergebnis sind im Idealfall also weniger Ärger, mehr Geschwindigkeit und mehr Informationen.

Mehrwerte durch strukturierte Metadaten gibt es überall

Metadaten-Extraktion erleichtert auch den Zugang zu Expertenwissen. Wenn beispielsweise alle Dokumente zu den Inhaltsstoffen eines Produkts im System aufbereitet sind, dann kann die KI zuverlässig auf Fragen antworten wie „Gibt es Konflikte mit regulatorischen Anforderungen zu Chemikalien?“ Statt eine Fachkraft mehrere Stunden mit Recherche und Prüfen zu beschäftigen, schrumpft der Prozess auf wenige Minuten.

Beinah jede Branche, die mit Dokumenten arbeitet, kann profitieren. So können Versicherer bei Schadensfällen Daten aus handschriftlichen Notizen, Fotos und gescannten Formularen in einem einzigen Workflow extrahieren. Banken, die Kreditanträge analysieren, können komplexe Tabellen mit Zahlungshistorien und narrativen Beschreibungen der Beschäftigung analysieren. Behörden können Genehmigungen beschleunigen, Finanzdienstleister etwa die Kreditvergabe. Auch Teams aus Medien und Unterhaltung profitieren, wenn sie Informationen wie Titel, Autor oder Schlagwörter nicht manuell verarbeiten müssen. Und Juristen haben deutlich leichteres Spiel mit langen Verträgen.

Mit der Möglichkeit, verschiedene Inhaltstypen an spezialisierte Agenten weiterzuleiten, können Unternehmen also endlich die gesamte Vielfalt der Dokumente verarbeiten, die sie besitzen – nicht nur die sauberen, einheitlichen.

Spezialisten bergen den Wissensschatz

Standalone-Extraktionswerkzeuge haben eine grundlegende Einschränkung: Die extrahierten Daten müssen irgendwo gespeichert werden und durch manuelle Querverweise mit den Quellen verknüpft bleiben. Spezialisierte neue Lösungen wie Box Extract dagegen kombinieren mehrere KI-Modelle, Schritte und Abfragen und ermöglichen damit alles in einem einzigen System: Das Speichern und Extrahieren von unstrukturierten Daten bis zur Abfrage der schlussendlich einheitlich aufbereiteten Metadaten. Es gleicht einer Bibliothek, bei der man zuvor nicht wusste, in welchem Regal welches Buch verborgen ist. Nun aber steht die gesamte Welt des Wissens offen.