IDP und ECM: Wie KI die Input-Technik verändert

Grenzen zwischen IDP und ECM verschwimmen

Dokumente gehören weiterhin zum Rückgrat vieler Geschäftsprozesse – vom Kreditantrag über Rechnungen bis zur Schadenmeldung. Zugleich wächst der Druck, diese informationsgetriebenen Abläufe stärker zu automatisieren. Technologien wie Intelligent Document Processing (IDP) und Enterprise Content Management (ECM) rücken dabei immer näher zusammen. Während ECM-Plattformen zunehmend Funktionen zur intelligenten Dokumentenerfassung integrieren, erweitern IDP-Systeme ihr Portfolio um Content-Services und Workflow-Funktionen. Gemeinsam ist in beiden Fällen, dass sie immer stärker KI-Technologien einbinden.

Doch ab wann spricht man gerade bei der Datenerfassung von KI? »Die Grenze verläuft dort, wo Machine-Learning-Algorithmen zum Einsatz kommen. Solange ein System ausschließlich auf festen Vorlagen und definierten Regeln basiert, handelt es sich um klassische Capture-Logik«, erklärt Manuel Zapp, VP AI & Executive Advisor DocuWare AI Hub.

Klassische regelbasierte Systeme erkennen Inhalte mittels Zeichenerkennung beziehungsweise Optical Character Recognition (OCR) aus Bildern oder gescannten Dokumenten. »Anschließend extrahieren Template-basierte Systeme mit fest definierten Positionsregeln oder Layoutmustern diese Inhalte«, erläutert Thomas Uber, Geschäftsführer der applord GmbH.

Manuel Zapp, VP AI & Executive Advisor DocuWare AI Hub (Bild: DocuWare)

Von OCR bis LLMs

In der nächsten Stufe können Lösungen mit Machine-Learning- (ML-) Verfahren aus Beispielen lernen, Dokumenttypen zu erkennen oder bestimmte Inhalte zu extrahieren. Gehen ML-Verfahren über regelbasierte und statistische Methoden hinaus und nutzen Deep-Learning handelt es sich um moderne KI-Verfahren.

Noch eine Stufe weiter gehen dann Transformer-Modelle, auf denen Large Language Modelle basieren, die natürliche Sprache verstehen, Zusammenhänge erkennen und Texte generieren. Kombiniert sind all diese Ausprägungen – von OCR über ML bis generative KI – in IDP-Lösungen und -Funktionen zu finden. Echte KI beginne laut Jens Büscher, CEO von Amagno dort, »wo Inhalte im Zusammenhang verstanden, flexibel klassifiziert und weiterverarbeitet werden.«

KI muss nicht zum Einsatz kommen

Trotz aller Fortschritte bleibt die Frage, wann IDP-Lösungen mit hoch entwickelter KI überhaupt erforderlich sind oder klassische regelbasierte System genügen? Zwar seien letztere günstiger und robuster, aber »regelbasierte Systeme sind schlicht weniger flexibel«, sagt Zapp, der nicht glaubt, dass sich heute noch jemand ernsthaft damit zufrieden geben würde.

Thomas Uber, Geschäftsführer von ecoDMS (Bild: ecoDMS)

Allerdings sollten die Anwenderinnen und Anwender schon prüfen, welche KI-Modelle tatsächlich erforderlich sind. Schließlich entstehen zusätzlich nutzungsabhängige Kosten, wenn KI-Systeme eingebunden werden.

In bestimmten Fällen stimmt Uber zu, dass regelbasierte Systeme tatsächlich effizienter sind. Das gelte insbesondere dann, wenn die Dokumente klar strukturiert sind, beispielsweise standardisierte Rechnungen oder Formulare. »Dann können Systeme mit definierten Templates und Regeln sehr zuverlässig arbeiten. Bei variierenden oder unstrukturierten Dokumenten stoßen solche Lösungen allerdings an ihre Grenzen«, schränkt auch Uber ein.

Wo IDP heute eingesetzt wird

Relativ stark ist IDP bereits in der Finanz- und Versicherungsbranche verbreitet, wo viel Endkundenkommunikation stattfindet und große Dokumentenvolumina entstehen. »In Versicherungen ist die Schadenbearbeitung ein klassischer Anwendungsfall, bei Banken der Kreditantragsprozess«, erläutert René Weseler, Senior Executive Manager von Buildsimple. »Rund um diese Kernprozesse entstehen viele Dokumente – von der Antragstellung über Policierung bis zum Änderungsmanagement.« Doch auch andere Branchen wie die Luftfahrtindustrie und Logistikunternehmen entdecken das Potenzial.

Moderne Plattformen automatisieren komplette Posteingänge und orchestrieren Folgeprozesse über Workflow-Funktionen, Regelwerke und Stammdatenintegration. Und die nächste Evolutionsstufe zeichnet sich bereits ab: KI-Agenten, die auf internes Unternehmenswissen zugreifen und eigenständig Prozessentscheidungen treffen. »Das Ziel ist, Mitarbeitenden fallabschließende Entscheidungen zu ermöglichen – nicht nur Dokumente auszulesen«, so Weseler.

Systematische Fehler vermeiden

Allerdings kann eine höhere Automatisierungsrate auch dazu führen, dass Fehler systematisch weitergegeben werden, wenn keine Kontrollmechanismen greifen. Um systematische Fehler frühzeitig zu erkennen, empfiehlt Büscher definierte Prüfpfade, Stichproben, Freigaben und eine saubere Protokollierung. »Extraktion und Folgeaktion müssen kontrolliert gekoppelt sein. Bestenfalls erlaubt die KI die Verprobung von Prompts zu vielen Dokumenten, um die Qualität im Vorfeld zu überprüfen«, so der Amagno-Chef.

Ein bewährter Ansatz zur Fehlervermeidung ist laut Zapp »der Einsatz statistischer Konfidenzmaße, also: Wie sicher ist sich das System bei einer Entscheidung? Auf Basis dieser Werte lassen sich Schwellenwerte definieren, ab denen ein menschlicher Prüfer eingebunden wird.« Ergänzend dazu biete es sich an, manuelle Regeln und Business-Logik zu implementieren, beispielsweise den Abgleich mit Stammdaten.

Jens Büscher, CEO von Amagno (Bild: Amagno)

Vorteil vom Human in the Loop Ansatz

In fünf bis 20 Prozent der Fälle sollten Anwendende nach der Erfahrung Ubers mit einer manuellen Korrektur rechnen. Es sei empfehlenswert, dass Menschen die Ergebnisse immer dann prüfen, wenn sie mit weitreichenden Folgen verbunden sind. Durch eine entsprechende Rückmeldung an die KI steigt deren Lernkurve kontinuierlich an. Zugleich sinken die Kosten von KI-Projekten, da die Nachjustierung eines Modells in der Regel kostengünstiger ist als der Entwurf und das Training eines neuen Modells. Ein weiterer Vorteil von »Human in the Loop« ist nach Ansicht Ubers »die Akzeptanz von KI-Modellen, da Mitarbeitende die Ergebnisse überprüfen können und so Vertrauen in das System entwickeln.« Daher empfehle applord diesen Ansatz, um die Stärken leistungsfähiger Algorithmen mit dem Urteilsvermögen von Menschen zu verbinden. KI kann sich so in ein kontrolliertes, skalierbares Business-Asset verwandeln.

Nachvollziehbarkeit sicherstellen

René Weseler, Senior Executive Manager von Buildsimple (Bild: Buildsimple)

Wichtig ist vor allem auch, nach einem positiven Pilotprojekt sicherzustellen, dass die KI-Lösungen im Produktivbetrieb ebenfalls den Anforderungen standhalten. Dabei stehen die Reproduzierbarkeit und Erklärbarkeit der Ergebnisse im Vordergrund. Verantwortliche müssen wissen, wie die KI arbeitet und warum sie sich so entscheidet, um beispielsweise Halluzinationen zu erkennen. Denn LLMs sind für Frage-Antwort-Szenarien gemacht, aber nicht für Automatisierungs-Use-Cases. Buildsimple nutzt daher neben generativer KI auch klassisches Machine Learning und trainiert Modelle mit Beispieldokumenten der Kunden, wie Weseler ausführt: »Wir nehmen den höheren Anfangsaufwand in Kauf, da wir dadurch extrem genau sind. So können wir wirklich garantieren und bei großen Volumina sicherstellen, dass wir bei gleichen Dokumenten und in wiederholten Fällen das identische Ergebnis bekommen.«

Trotz aller Sicherheitsmaßnahmen und Vorkehrungen ist es generell so, dass man auch bei der IDP-Nutzung mit gewissen Fehlerquoten rechnen muss. »Auch Menschen machen Fehler, und das sollte bei jeder ehrlichen Bewertung von KI-Systemen mitgedacht werden«, sagt Zapp. Daher sei der Mensch der eigentlich relevante Vergleichsmaßstab.