Wer eine neue Dokumentart automatisieren wollte, musste dem System bisher zeigen, wo welche Information steht: über Vorlagen, die für jedes Layout gepflegt werden, oder über trainierte Modelle, die eine grosse Zahl annotierter Beispiele brauchen. Zero-Shot bedeutet, dass ein Modell eine Dokumentart liest, die es vorher nie gesehen hat, und zwar allein anhand einer Beschreibung der gewünschten Felder. Dieser Beitrag zeigt, was sich damit im Betrieb ändert, wo der Ansatz trägt, wo er an Grenzen stösst und wie Sie ihn an den eigenen Dokumenten messen.
Wie Dokumentenverarbeitung bisher funktioniert hat
Klassische Erfassungssysteme arbeiten mit Vorlagen. Für jedes Layout wird festgelegt, in welchem Bereich der Seite die Rechnungsnummer, das Datum oder der Betrag stehen. Das funktioniert, solange die Dokumente gleich aussehen. Sobald ein neuer Lieferant, ein neues Formular oder eine geänderte Fusszeile dazukommt, fällt das Dokument in die manuelle Erfassung, bis jemand die Vorlage anpasst.
Die zweite Generation hat Vorlagen durch trainierte Modelle ersetzt. Für jede Dokumentart werden Beispiele gesammelt und Feld für Feld annotiert, danach wird ein Modell darauf trainiert. Das ist robuster gegenüber Layoutvarianten, verschiebt den Aufwand aber nur: Bevor die erste Rechnung oder der erste Arztbrief produktiv läuft, vergehen oft Wochen für Sammlung, Annotation und Training, und jede neue Dokumentart beginnt wieder von vorn.
Beide Ansätze haben dieselbe wirtschaftliche Folge. Automatisiert werden nur die wenigen Dokumentarten mit dem grössten Volumen, weil sich der Aufwand nur dort rechnet. Der lange Rest, also Zuweisungen von Praxen mit eigenem Briefkopf, Unterlagen von Drittbanken oder seltene Antragsformulare, bleibt Handarbeit.
Was Zero-Shot ändert
Möglich wird Zero-Shot durch Vision Language Models, die Bild und Text einer Seite gemeinsam verarbeiten. Sie erkennen nicht nur die Zeichen, sondern auch deren Bedeutung im Zusammenhang: dass eine Zahl unter «Total» der Rechnungsbetrag ist oder dass eine Liste unter «Diagnosen» mehrere Einträge hat. Statt dem System Beispiele zu zeigen, beschreiben Sie in einer Spezifikation, welche Felder Sie brauchen, welchen Datentyp sie haben und ob eine Gruppe einmal oder mehrfach vorkommt.
Für einen Arztbrief kann eine solche Spezifikation so aussehen:
{"type": "extraction",
"items": {
"patient": {"type": "group", "items": {
"name": {"type": "string"},
"geburtsdatum": {"type": "date"}}},
"absender": {"type": "group", "items": {
"praxis": {"type": "string"},
"briefdatum": {"type": "date"}}},
"diagnosen": {"type": "group", "cardinality": "many", "items": {
"diagnose": {"type": "string"},
"icd_code": {"type": "string"}}}}}Es gibt keine Positionsangaben und keine Beispieldokumente. Dieselbe Spezifikation gilt für den Brief der Hausarztpraxis ebenso wie für den Bericht einer Universitätsklinik, auch wenn die Diagnosen einmal im Fliesstext und einmal in einer Tabelle stehen.
Zero-Shot heisst allerdings nicht, dass keine Vorarbeit nötig ist. Welche Felder ein Prozess braucht und was sie fachlich bedeuten, bleibt eine Entscheidung des Fachbereichs. Diese Arbeit dauert aber Stunden statt Wochen, lässt sich direkt an echten Dokumenten prüfen und muss bei einem neuen Layout nicht wiederholt werden.
| Vorlagen | Trainiertes Modell | Zero-Shot | |
|---|---|---|---|
| Was pro Dokumentart nötig ist | eine Vorlage je Layout | annotierte Beispiele und ein Training | eine Spezifikation der Felder |
| Neues Layout derselben Dokumentart | neue Vorlage | oft zusätzliche Beispiele | keine Anpassung |
| Neue Dokumentart | neue Vorlagen | neues Training | neue Spezifikation |
| Wer die Arbeit macht | Spezialisten für das Erfassungssystem | Annotationsteam und Data Science | Fachbereich, auf Wunsch mit Unterstützung |
Drei Beispiele aus regulierten Branchen
Bank, Kreditdossier. Ein Hypothekardossier enthält neben den eigenen Formularen der Bank Dokumente, deren Layout die Bank nicht bestimmt: Kontoauszüge anderer Banken, Betreibungsauszüge, Grundbuchauszüge, Schätzungen und Arbeitsverträge. Mit Vorlagen ist dieser Teil des Dossiers kaum zu erfassen, weil jede Quelle anders aussieht. Mit einer Spezifikation je Dokumentart liest das Modell die relevanten Werte unabhängig vom Aussteller.
Versicherung, Kostengutsprache. Gesuche um Kostengutsprache kommen von Spitälern, Kliniken, Therapeuten und Praxen, jeweils auf eigenen Formularen oder als Brief. Versichertennummer, beantragte Leistung, Zeitraum und Begründung stehen bei jedem Absender an anderer Stelle. Zero-Shot erlaubt, alle Gesuche mit einer Spezifikation zu erfassen, statt nur die Formulare der grössten Leistungserbringer.
Krankenhaus, Zuweisungen und Arztbriefe. Ein Krankenhaus erhält Zuweisungen und Vorbefunde von hunderten Praxen. Für die Aufnahme und später für die Abrechnung zählt, dass Patient, Absender, Datum und Diagnosen korrekt am Fall hängen. Wie das im Alltag aussieht, beschreiben wir für Zuweisungen und Arztberichte und für den klinischen Posteingang.
Wo Zero-Shot an Grenzen stösst
Ein Modell, das ohne Beispiele liest, kann sich irren. Es kann eine Zahl falsch lesen, zwei ähnliche Felder verwechseln oder ein Feld leer lassen, weil es die Information nicht findet. Ein leerer Wert kann dabei zweierlei bedeuten: Die Information fehlt im Dokument, oder das Modell hat sie nicht erkannt.
Schwieriger wird es bei Handschrift, bei schlechten Scans und Faxen, bei langen Positionstabellen über mehrere Seiten und bei Feldern, deren Bedeutung nicht im Dokument steht, etwa eine interne Kostenstelle. Auch die Spezifikation selbst ist eine Fehlerquelle: Ein unklar benanntes Feld liefert unklare Ergebnisse. Und die Werte kommen so, wie sie auf der Seite stehen, ein Betrag also als «1’234.50» oder als «1.234,50». Die Normalisierung ist ein eigener Schritt.
Daraus folgt: Zero-Shot löst das Lesen, nicht die Frage, ob ein Wert stimmt. Diese Frage muss jede Organisation selbst beantworten, bevor sie ein Ergebnis ungeprüft weitergibt.
Wie Sie Zero-Shot an den eigenen Dokumenten messen
Öffentliche Benchmarks geben eine Orientierung. In einem Benchmark mit fünf Datensätzen und 3’365 realen Geschäftsdokumenten erreicht das spezialisierte Modell Dokumentli 89,1 Prozent (cANLS@0.8), das stärkste der fünf getesteten allgemeinen Sprachmodelle 85,3 Prozent. Dokumentli verarbeitet dabei im Schnitt 1,14 Dokumente pro Sekunde, das genaueste Referenzmodell 0,60. Der Vergleich zeigt, dass ein kleines, auf Dokumente spezialisiertes Modell die grossen Allzweckmodelle bei dieser Aufgabe übertreffen kann.
Für eine Entscheidung reicht das nicht. Aussagekräftig sind drei Werte, gemessen an einer Stichprobe der eigenen Dokumente:
- Feldgenauigkeit auf den Feldern, die zählen. Ein falsches Briefdatum wiegt weniger als eine falsche Versichertennummer. Gemessen wird pro Feld, nicht als Durchschnitt über alles.
- Automationsrate. Der Anteil der Dokumente, der ohne menschliche Sichtprüfung durchläuft, weil alle relevanten Felder über dem festgelegten Threshold liegen.
- Zeit bis zur ersten produktiven Dokumentart. Hier zeigt sich der Unterschied zu Vorlagen und Training am deutlichsten.
Was es für den Betrieb zusätzlich braucht
Damit Zero-Shot in einem regulierten Prozess trägt, braucht es um das Modell herum eine Prüf- und Automationsschicht. Sie weist für jedes Feld eine Konfidenz aus, gibt Dokumente unterhalb eines Thresholds zur Sichtprüfung, gleicht Werte mit Stammdaten und Regeln ab und hält jeden maschinellen und menschlichen Schritt im Audit Log fest. Warum diese Schicht unabhängig vom eingesetzten Modell nötig ist, beschreiben wir im Beitrag zur Prüfschicht für Dokumentenpipelines.
Zero-Shot und Prüfschicht ergänzen sich: Das Modell macht neue Dokumentarten in Stunden lesbar, die Prüfschicht sorgt dafür, dass nur geprüfte Werte in Kernbanken-, Leistungs- oder Krankenhausinformationssysteme gelangen.
Umsetzung mit Dokumentli und der Parashift Plattform
Dokumentli ist ein Vision Language Model, das Parashift auf Geschäftsdokumente spezialisiert hat. Sie übergeben die Seiten und eine Spezifikation mit Gruppen und Feldern, Dokumentli liefert das Ergebnis in genau dieser Struktur zurück. Neben Text, Zahlen und Datumsangaben erkennt es auch, ob ein Kästchen angekreuzt und ob ein Dokument unterschrieben ist. Die Schnittstelle folgt dem verbreiteten Standard von OpenAI, sodass bestehende Bibliotheken und eigene Agenten ohne Anpassung damit arbeiten. Dokumentli läuft auf einer einzelnen GPU mit 24 GB Speicher im eigenen Rechenzentrum, auf Wunsch auf der Infrastruktur unseres Partners onprem.ai, oder in der Parashift Cloud mit Datenhoheit Schweiz oder Deutschland.
Die Parashift Plattform ergänzt das Modell um die Prüf- und Automationsschicht: Thresholds je Feld und Dokumentart, Validierung durch Ihre Mitarbeitenden, Regeln und die Übergabe an Ihre Fachsysteme.
Fazit
Zero-Shot verschiebt die Grenze dessen, was sich wirtschaftlich automatisieren lässt. Statt nur die grössten Dokumentarten mit eigenen Vorlagen oder Trainings zu erschliessen, lassen sich auch die vielen kleineren Dokumentarten mit einer Spezifikation lesen. Was bleibt, ist die Frage nach der Qualität. Sie beantworten Sie nicht mit einem Benchmark, sondern mit einer Messung an den eigenen Dokumenten und mit einer Prüfschicht, die unsichere Werte erkennt, bevor sie in ein Fachsystem gelangen.
Selbst testen
Im Dokumentli Playground laden Sie ein eigenes Dokument hoch, legen die gewünschten Felder fest und sehen das Ergebnis sofort. Wenn Sie eine Messung an einer Stichprobe Ihrer Dokumente planen, sprechen Sie mit uns.
