KI-Dokumentenanalyse im Business: der komplette Guide

Der Rahmenvertrag kommt Donnerstagnachmittag per Mail. 68 Seiten mit Anlagen, Unterschrift bis Montag. Du ziehst das PDF ins Chatfenster, tippst „Fass zusammen und nenn mir die Risiken”, und zwanzig Sekunden später steht da eine ordentliche Liste mit sieben Punkten. Die Liste liest sich gut. Ob die sieben Punkte tatsächlich so im Vertrag stehen, weißt du nicht.

An dieser Stelle entscheidet sich, ob dir KI-Dokumentenanalyse Arbeit abnimmt oder dir eine neue Sorte Arbeit macht: die Arbeit, ein plausibel formuliertes Ergebnis nachträglich gegen 68 Seiten zu prüfen.

Das Thema stammt nicht von mir. Eine Kursanbieterin, mit der ich ein Kurskonzept entwickelt habe, hat ihren Markt selbst abgefragt und Dokumentenanalyse anschließend auf Prio A gesetzt. Sinngemäß beschrieb sie den Bedarf so: Wie analysiere ich ein 200-seitiges PDF sinnvoll, also Verträge, Richtlinien, Handbücher, Lastenhefte. Ihr zweiter Satz macht die Zielgruppe noch deutlicher. Extrem wichtig für B2B, sagt sie, also Verträge prüfen, Ausschreibungen analysieren, Rechnungen, Angebote.

Dieser Guide beantwortet die Frage dahinter. Wie analysierst du geschäftliche Dokumente mit KI, ohne dich auf Ergebnisse zu verlassen, die nicht halten? Die kurze Antwort passt in vier Zeilen: das Dokument nicht am Stück bearbeiten, eine Entscheidungsfrage stellen statt „fass zusammen”, zu jeder Aussage eine Fundstelle mit wörtlichem Zitat verlangen, danach fünf Angaben von Hand nachschlagen. Der Rest begründet, warum jede dieser Zeilen nötig ist, und nennt die Fälle, in denen sie zusammen nicht reichen.

Warum zehn Seiten funktionieren und zweihundert kippen

Bei einem kurzen Dokument funktioniert „ins Chatfenster werfen” erstaunlich gut. Vier Seiten Angebot, eine Seite Kündigungsschreiben, sechs Seiten Protokoll. Der komplette Text passt bequem in den Kontext, das Modell muss nichts auswählen, und du selbst kennst den Inhalt noch. Wenn die Antwort daneben liegt, merkst du es beim Überfliegen. Diese stille Kontrolle ist der Grund, warum kurze Dokumente so verlässlich wirken.

Bei zweihundert Seiten fallen gleich drei Sicherungen gleichzeitig aus.

Erstens kannst du nicht mehr gegenlesen. Du hast das Dokument ja gerade deshalb hochgeladen, weil du es nicht in zwei Stunden durcharbeiten willst. Zweitens wird die Aufmerksamkeit des Modells über die Länge hinweg dünner. Und drittens klingt eine falsche Antwort exakt so souverän wie eine richtige, weil die Formulierungsqualität nichts über die Trefferquote sagt.

Der zweite Punkt ist gut untersucht. Nelson F. Liu und Kolleginnen von der Stanford University haben in „Lost in the Middle: How Language Models Use Long Contexts” gemessen, wo im Kontext eine Information stehen muss, damit sie gefunden wird. Ergebnis: Die Trefferquote folgt einer U-Kurve. Liegt die relevante Passage in der Mitte, bricht die Genauigkeit deutlich ein, und zwar auch bei Modellen, die ausdrücklich für lange Kontexte gebaut wurden. Ein Modell schnitt mit zwanzig Dokumenten sogar schlechter ab als ganz ohne Dokumente. Die Arbeit erschien 2024 in den Transactions of the ACL und prüfte sechs Modelle von vier Anbietern.

Zwei jüngere Untersuchungen zeigen, dass das Problem mit größeren Kontextfenstern nicht verschwunden ist. Der Benchmark NoLiMa von Ali Modarressi und Kolleginnen, vorgestellt 2025 bei der ICML, entfernt den wörtlichen Suchtreffer aus der Aufgabe: Frage und Fundstelle teilen sich keine Stichwörter, das Modell muss den Sinn verstehen statt Zeichenketten zu vergleichen. Bei 32.000 Token fielen 10 von 12 getesteten Modellen unter die Hälfte ihrer eigenen Kurzkontext-Leistung. Und das Forschungsteam von Chroma um Kelly Hong hat im Juli 2025 unter dem Stichwort „Context Rot” 18 aktuelle Modelle über wachsende Eingabelängen laufen lassen. Die Genauigkeit sank bei allen 18, je länger die Eingabe wurde, und der Abfall begann deutlich vor dem angegebenen Limit des jeweiligen Kontextfensters.

Praktisch heißt das: Die Größe des Kontextfensters ist eine Kapazitätsangabe, keine Qualitätszusage. Ein Modell, das 200 Seiten annimmt, hat nicht versprochen, 200 Seiten gleich gründlich zu lesen. Die Mechanik dahinter und was daraus für die Modellwahl folgt, steht ausführlich in Kontextfenster: warum lange Dokumente kippen und in warum manche Modelle mit langen Dokumenten besser umgehen.

Die wichtigste Entscheidung bei einem langen Dokument ist deshalb nicht die Modellwahl, sondern der Zuschnitt. Wie der konkret abläuft, inklusive Zusammenführung der Teilergebnisse, beschreibe ich in ein 200-seitiges PDF sinnvoll analysieren.

Was ein Dokument für ein Sprachmodell eigentlich ist

Ein großer Teil der enttäuschenden Ergebnisse entsteht, bevor die Analyse überhaupt beginnt: beim Einlesen.

Ein PDF ist ein Druckformat. Es beschreibt, wo auf der Seite welches Zeichen sitzt, nicht, was zusammengehört. Überschrift, Fußnote, Kopfzeile, Tabellenspalte: für die Datei ist das alles gleichwertig positionierter Text. Bei einem einspaltigen Word-Export merkst du davon nichts. Bei einem zweispaltigen Lastenheft mit Randnotizen wird daraus schnell ein Textstrom, in dem die Zeilen zweier Spalten abwechselnd ineinanderlaufen.

Drei Sorten Dokument verhalten sich grundverschieden.

Digitaler Text. Ein PDF, das aus Word, LaTeX oder einem Vertragstool exportiert wurde, enthält eine echte Textebene. Das ist der einfache Fall.

Scan. Ein eingescannter oder abfotografierter Vertrag enthält ein Bild. Der Text muss erst erkannt werden, per OCR oder dadurch, dass das Modell die Seite als Bild anschaut. Beides funktioniert ordentlich, aber nicht fehlerfrei, und die Fehler sind heimtückisch, weil aus einer 3 eine 8 wird und niemand es sieht.

Tabelle. Der schwierigste Fall, obwohl er sich am harmlosesten anfühlt. Preistabellen, Leistungsverzeichnisse, Anlagenübersichten.

Benchmarks aus der Rechnungsverarbeitung zeigen, wie groß der Unterschied ausfällt. In einer Untersuchung von Businessware Technologies erreichte ein allgemeines Sprachmodell mit vorgeschalteter OCR-Aufbereitung bei Rechnungspositionen 57 Prozent Genauigkeit, während spezialisierte Dokumentendienste im selben Test bei 87 beziehungsweise 82 Prozent lagen. Der Test ist nicht begutachtet und misst nur einen Ausschnitt, er zeigt aber die Richtung: Der Verarbeitungsweg schlägt das Modell.

Bei Tabellen wird es unangenehm konkret. Ein Forschungsteam hat 2024 in der Zeitschrift Computers untersucht, wie gut Sprachmodelle quantitative Angaben aus Tabellen in Geschäftsberichten auslesen. Getestet wurden ChatGPT 4 und Google BARD. Die Vorlage: Auszüge aus 46 Geschäftsberichten großer Schweizer Konzerne, mit acht Auswertungsfragen je Bericht. Das Ergebnis schwankte erheblich zwischen beiden Modellen, und die Autoren stufen die Fähigkeit, Tabellendaten korrekt zu lesen, als sehr begrenzt ein. Eine eigene Auswertung widmen sie dabei den Antworten mit falscher Größenordnung: Fälle, in denen nicht die Ziffern danebenlagen, sondern Tausender und Millionen durcheinandergerieten.

Für Dokumentenparsing gibt es eigene Benchmarks. OmniDocBench, 2025 auf der CVPR vorgestellt, prüft an 1.651 PDF-Seiten quer über zehn Dokumenttypen und fünf Layout-Arten, wie gut Text, Tabellen, Formeln und Lesereihenfolge rekonstruiert werden. Es gäbe diesen Benchmark nicht, wenn die Sache gelöst wäre.

Ein Vorab-Check, drei Minuten, spart dir gelegentlich einen halben Tag:

1. PDF öffnen, mit der Maus über einen Absatz auf Seite 40 ziehen. Lässt sich Text markieren? Wenn nicht, ist es ein Scan.
2. Mit der Suchfunktion nach einem Wort suchen, von dem du weißt, dass es weit hinten steht. Findet die Suche es, existiert dort eine Textebene.
3. Eine typische Tabelle anschauen. Verbundene Zellen, Fußnoten in der Tabelle, Beträge über zwei Zeilen? Dann diese Tabelle separat behandeln, notfalls von Hand abtippen.

Welches Format wie gelesen wird, von Word über Excel bis zum Handyfoto, steht in PDF, Scan, Excel, Word: was wirklich gelesen wird.

Der Ablauf, der trägt

Vier Schritte, immer in dieser Reihenfolge. Sie sehen bürokratisch aus und kosten beim ersten Mal zehn Minuten mehr, als das Dokument einfach hochzuwerfen. Ab dem zweiten Mal sparen sie Zeit.

Schritt 1: die Frage vor dem Dokument

Schreib auf, welche Entscheidung du treffen willst, bevor du irgendetwas hochlädst. Nicht „Was steht drin”, sondern: „Kann ich diesen Vertrag unterschreiben, ohne bei Kündigung, Haftung und Preisanpassung ein Problem zu bekommen?”

Bei einem wirklich langen Dokument gehört zu dieser Frage noch eine zweite Entscheidung: welche Teile du überhaupt anfasst. Ein 200-seitiges Handbuch hat selten 200 relevante Seiten. Üblich sind zwanzig. Mein Vorgehen dafür ist unelegant und funktioniert: erst das Inhaltsverzeichnis als eigenen kleinen Auftrag durchgehen lassen und die Kapitel benennen lassen, die zu meiner Frage passen. Dann diese Kapitel einzeln bearbeiten, jedes mit derselben engen Frage und derselben Tabellenvorgabe. Am Ende die Teilergebnisse zusammenlegen und nur noch prüfen, ob sie sich widersprechen. Das kostet drei Durchgänge statt einem, und es hält die Aufmerksamkeit des Modells auf einer Textmenge, die es tatsächlich gründlich lesen kann.

„Fass zusammen” ist der teuerste Prompt der Dokumentenanalyse. Er klingt nach wenig Aufwand und produziert einen Text, den du komplett gegenprüfen musst, weil du vorher keine Kriterien festgelegt hast. Eine Zusammenfassung ohne Frage dahinter ist Beschäftigungstherapie mit gutem Layout.

Schritt 2: das Ausgabeformat festlegen

Sag vorher, wie das Ergebnis aussehen soll. Eine Tabelle mit festen Spalten schlägt Fließtext um Längen, weil du bei fehlenden Werten sofort siehst, dass etwas fehlt.

Beispiel für eine Vertragsprüfung

Gib eine Tabelle aus mit den Spalten: Thema | Regelung im Vertrag | Fundstelle (Paragraf und Seite) | wörtliches Zitat (max. 25 Wörter) | Abweichung von der Standardregelung.

Themen, die du prüfst: Laufzeit, Kündigungsfristen, automatische Verlängerung, Preisanpassung, Haftungsbegrenzung, Vertragsstrafen, Gerichtsstand, Abtretung, Nutzungsrechte.

Wenn ein Thema im Vertrag nicht geregelt ist, schreib in die Zeile „nicht geregelt” und lass die Zitatspalte leer. Erfinde keine Fundstellen.

Eine leere Zelle ist ein sichtbares Ergebnis. In einem Fließtext verschwindet dieselbe Lücke geräuschlos.

Schritt 3: Zitatpflicht

Jede Aussage bekommt eine Fundstelle und ein wörtliches Zitat. Das ist der wirksamste Hebel in diesem Guide: Er stellt die Prüfung vom Lesen auf Nachschlagen um. Du liest nicht mehr 68 Seiten. Du kopierst neun Zitate in die Suchfunktion und siehst in vier Minuten, welche davon existieren.

Warum das nötig bleibt, auch wenn das Dokument direkt vorliegt: Das RegLab der Stanford University und das dortige Institute for Human-Centered AI haben 2024 in „Hallucination-Free?” die großen juristischen Recherchesysteme getestet, also Werkzeuge, die ihre Antworten aus einer hinterlegten Dokumentensammlung ableiten. Halluzinationsrate trotzdem: 17 bis 33 Prozent. In einer zweiten Arbeit desselben Labors, „Large Legal Fictions”, lagen Allzweckmodelle bei überprüfbaren Fragen zu US-Bundesgerichtsverfahren je nach Modell zwischen 58 und 88 Prozent Fehlerquote. Besonders relevant für uns ist ein Nebenbefund: Die Modelle übernahmen falsche Annahmen aus der Frage häufig unkritisch. Wer fragt „Wo steht die Vertragsstrafenklausel?“, bekommt mit erhöhter Wahrscheinlichkeit eine, auch wenn keine existiert.

Wie folgenreich das im Alltag wird, lässt sich inzwischen zählen. Der Jurist und Forscher Damien Charlotin führt eine öffentliche Datenbank mit Gerichtsentscheidungen, in denen ein Gericht ausdrücklich festgestellt hat, dass eine Partei sich auf KI-erfundene Inhalte gestützt hat, meist auf nicht existierende Fundstellen. Stand Anfang Juli 2026 standen dort rund 1.670 Fälle. Anfang 2026 waren es gut 700. Die Liste wächst wöchentlich weiter; wenn du das hier liest, ist die Zahl höher. Das sind Menschen mit juristischer Ausbildung, unter Haftung. Die haben nicht schlampig gearbeitet, weil sie faul waren, sondern weil ein flüssig formuliertes Ergebnis nicht danach aussieht, als müsste man es prüfen.

Formulierungen, die eine echte Zitatpflicht erzwingen, und die typischen Ausweichmanöver von Modellen, stehen in Zitatpflicht: Halluzinationen in der Dokumentenanalyse erkennen. Den kompletten Prompt-Aufbau mit Rolle, Aufgabe und Ausgabeformat behandle ich in Der Prompt für die Dokumentenanalyse.

Schritt 4: die Stichprobe

Prüfe fünf Angaben nach, immer, auch wenn alles gut aussieht. Nicht die ersten fünf, sondern diese:

• zwei zufällig ausgewählte, am besten aus der Mitte des Dokuments
• die teuerste Angabe, also die mit der größten finanziellen Wirkung
• eine Aussage, die dir zu bequem vorkommt, weil sie genau das bestätigt, was du hören wolltest
• eine Zeile, in der „nicht geregelt” oder „nicht enthalten” steht

Der letzte Punkt ist der wichtigste, und er wird fast immer ausgelassen. Abwesenheit korrekt festzustellen ist für ein Sprachmodell ungleich schwerer, als etwas Vorhandenes zu finden. Ein fehlender Haftungsausschluss fällt dir sonst erst auf, wenn er gebraucht würde.

Wenn von fünf Stichproben eine falsch ist, hast du keine kleine Ungenauigkeit. Du hast eine Fehlerquote von 20 Prozent auf dem gesamten Ergebnis, und dann gehört das Dokument in eine zweite Runde mit engeren Fragen.

Der Einwand, den ich ernst nehme

Spätestens beim vierten Schritt kommt der Einwand, der diesen ganzen Ablauf in Frage stellt:

„Wenn ich am Ende sowieso alles nachprüfen muss, kann ich es auch gleich selbst lesen.”

Für manche Dokumente stimmt das. Bei sechs Seiten liest du schneller, als du einen ordentlichen Prompt formulierst. Genau deshalb steht die Frage nach der Länge in diesem Guide ganz vorn.

Ab einer gewissen Menge kippt die Rechnung allerdings, aus einem Grund, der wenig mit Geschwindigkeit zu tun hat: Du prüfst nicht dasselbe wie beim Selberlesen. Lesen heißt, 68 Seiten aufzunehmen und dabei zu entscheiden, was wichtig ist. Prüfen heißt, neun Fundstellen nachzuschlagen, bei denen du vorher weißt, worauf du achtest. Der zweite Vorgang ist weniger fehleranfällig, weil deine Aufmerksamkeit nicht über Stunden gleichmäßig hoch bleiben muss.

Was der Einwand richtig trifft: Wer die Prüfung weglässt, hat nichts gewonnen. Er hat nur die Fehlerquelle verschoben, von seiner eigenen Müdigkeit hin zu einem System, das seine Fehler besser formuliert.

Die vier Anwendungsfälle

Vier Dokumentsorten decken das meiste ab, was in kleinen Betrieben tatsächlich anfällt. Sie sind unterschiedlich lohnend, und die Frage, welche davon sich für dich rechnet, beantwortet keine Feature-Liste, sondern dein Kalender: Welche dieser vier Sorten landet bei dir wöchentlich auf dem Tisch, und welche zweimal im Jahr?

Verträge prüfen

Was die KI zuverlässig übernimmt: Klauseln finden und benennen, zwei Vertragsfassungen gegeneinanderstellen, Fristen und Termine in eine Liste ziehen, Juristendeutsch in einen verständlichen Satz übersetzen, und die Prüfung gegen eine Checkliste, die du selbst vorgibst.

Was beim Menschen bleibt: die Bewertung. Ob eine Haftungsbegrenzung von 50.000 Euro für dich tragbar ist, hängt von deinem Auftragsvolumen ab, von deiner Versicherung und davon, was schiefgehen kann. Diese Information steht nirgends im Vertrag. Ebenso bleiben Verhandlungsstrategie, Unterschrift und alles, was eine Frist auslöst, deine Sache.

Die Belege dazu sind erfreulich uneindeutig, und genau deshalb erwähne ich sie. Der Vals Legal AI Report vom Februar 2025 hat juristische KI-Werkzeuge gegen eine Vergleichsgruppe von Anwältinnen und Anwälten antreten lassen. In vier von sieben Aufgabenfeldern lagen die Systeme vorn. Bei Fragen zu einem vorliegenden Dokument etwa mit 94,8 gegenüber 70,1 Prozent. Beim reinen Extrahieren von Angaben schrumpft der Abstand allerdings auf wenige Punkte: 75,1 Prozent für das beste System, 71,1 Prozent für die menschliche Vergleichsgruppe. Beide Werte bedeuten, dass ungefähr ein Viertel der extrahierten Angaben nicht stimmte.

Zum Kontrast eine Zahl aus der Forschung: Auf CUAD, einem von Juristinnen annotierten Datensatz aus 510 Verträgen mit mehr als 13.000 Markierungen in 41 Klauselkategorien, erreichte das beste getestete Modell 44 Prozent Präzision bei 80 Prozent Trefferquote. Und die viel zitierte LawGeex-Studie von 2018, in der eine KI bei der Prüfung von Geheimhaltungsvereinbarungen auf 94 Prozent kam und zwanzig erfahrene Anwälte auf 85, stammt vom Hersteller selbst, umfasste fünf Verträge und eine sehr eng umrissene Aufgabe. Sie taugt als Hinweis, nicht als Beweis.

Beim Finden ist KI schnell und gut. Beim abschließenden Urteil ist sie es nicht, und beide Fehlerquellen liegen in einer Größenordnung, die man nicht ignorieren kann. Was genau auslagerbar ist und welche Prüfschritte zwingend bei dir bleiben, steht in Verträge mit KI prüfen.

Ausschreibungen und Lastenhefte

Pro Vorgang springt hier am meisten heraus, weil die Aufgabe mechanisch ist und trotzdem Stunden frisst. Aus 90 Seiten Vergabeunterlagen muss eine Liste werden: Was wird verlangt, ist es Pflicht oder Wunsch, wer bei uns kann das, und was fehlt uns.

Das Institut für Mittelstandsforschung Bonn hat 2023 aufgearbeitet, woran kleine und mittlere Unternehmen bei öffentlichen Ausschreibungen scheitern. Probleme treten in allen Phasen auf, von der Suche über die Prüfung der Teilnahme bis zur Angebotserstellung, und der Verwaltungsaufwand ist der meistgenannte Grund für Zurückhaltung. Wer schon an der Frage scheitert, ob eine Ausschreibung überhaupt zu ihm passt, verliert Aufträge an der Sichtungsphase.

Ein Modell zieht daraus die durchnummerierte Anforderungsliste mit Fundstelle, sortiert nach Muss und Kann, und findet dabei die Widersprüche zwischen Leistungsbeschreibung und Anlagen, die beim Lesen untergehen. Dazu eine erste Lücken-Übersicht.

Das Feld ist größer, als es aus einem kleinen Betrieb heraus aussieht. Das Statistische Bundesamt erhebt seit Oktober 2020 die Vergabestatistik flächendeckend, inklusive der Rolle kleiner und mittlerer Unternehmen bei öffentlichen Aufträgen. Wer sich die Sichtung von Unterlagen bisher schlicht nicht leisten konnte, verschiebt mit einer sauberen Anforderungsliste die Schwelle, ab der ein Verfahren für ihn überhaupt in Frage kommt.

Beim Menschen bleibt: die Bieten-oder-nicht-Entscheidung, die Kalkulation, jede rechtsverbindliche Erklärung und die Einhaltung der formalen Vorgaben. Formfehler kosten hier den Ausschluss, und ein Modell kennt eure internen Nachweise nicht. Das Vorgehen mit Beispiel-Ausgabeformat steht in Ausschreibungen und Lastenhefte analysieren.

Rechnungen

Der Fall mit dem klarsten Nutzen und dem größten Automatisierungspotenzial, weil die Felder immer dieselben sind: Rechnungsnummer, Datum, Lieferant, Netto, Steuer, Brutto, Leistungszeitraum, Positionen.

Zwei rechtliche Rahmenbedingungen gehören dazu, weil sie ohnehin gerade alle betreffen. Seit dem 1. Januar 2025 muss jedes inländische Unternehmen E-Rechnungen im Format nach EN 16931 empfangen können, etwa XRechnung oder ZUGFeRD; ein normales PDF gilt dabei nicht als E-Rechnung, sondern als sonstige Rechnung. Die Pflicht zum Versenden greift gestaffelt ab dem 1. Januar 2027 für Unternehmen mit mehr als 800.000 Euro Vorjahresumsatz und ab dem 1. Januar 2028 für alle übrigen. Und mit dem Vierten Bürokratieentlastungsgesetz wurde die Aufbewahrungsfrist für Buchungsbelege zum Jahresbeginn 2025 von zehn auf acht Jahre verkürzt, während es für Handelsbücher, Inventare und Jahresabschlüsse bei zehn Jahren bleibt.

Genau deshalb schrumpft der Anwendungsfall, je weiter die Pflicht greift. Strukturierte E-Rechnungen brauchen keine KI-Extraktion, die liest jedes Buchhaltungssystem direkt ein. Wer hier trotzdem ein Modell dazwischenschaltet, baut eine Fehlerquelle in einen Vorgang, der vorher keine hatte. Übrig bleibt der Rest: das PDF vom Handwerker, der Kassenbon, die Auslandsrechnung mit ungewohntem Layout, die abfotografierte Quittung aus dem Urlaub.

Die sachliche Freigabe bleibt Handarbeit. Ob die Leistung so erbracht wurde, steht auf keiner Rechnung, und die Zahlung löst ohnehin ein Mensch aus. Wie eine solche Strecke praktisch aussieht, steht in Rechnungen automatisch auslesen.

Angebote vergleichen

Drei Angebote für dieselbe Leistung, drei völlig verschiedene Strukturen. Eines rechnet nach Tagen, eines pauschal, eines mit Grundgebühr plus Staffel. In dieser Nicht-Vergleichbarkeit steckt die Arbeit, und die nimmt KI dir gut ab.

Eine Vergleichsmatrix mit einheitlichen Zeilen, alles umgerechnet auf eine gemeinsame Bezugsgröße, dazu die Leistungen, die nur ein Anbieter enthält, und die Positionen, die bei einem anderen fehlen. Fleißarbeit, und dafür ist das Werkzeug gebaut.

Die Gewichtung kann dir niemand abnehmen. Ob Preis, Termintreue oder Erreichbarkeit den Ausschlag gibt, kann kein Modell wissen. Nützlich ist die KI hier vor allem als strukturierte Zweitmeinung: Sie stellt die Fragen, die du dem Anbieter noch stellen solltest. Mehr dazu in Angebote vergleichen mit KI.

Vertraulichkeit und Rechtsrahmen, kurz gefasst

Das hier ersetzt keine Rechtsberatung. Es nennt vier Punkte, die in kleinen Teams am häufigsten untergehen.

Auftragsverarbeitung. Sobald personenbezogene Daten in ein KI-Tool wandern, und ein Vertrag mit Namen, Adressen und Ansprechpartnern enthält sie fast immer, brauchst du nach Artikel 28 DSGVO einen Auftragsverarbeitungsvertrag mit dem Anbieter. Geschäftstarife der großen Anbieter stellen so etwas bereit. Private Gratis-Accounts nicht.

Trainingsnutzung. Prüfe in den Einstellungen deines Tarifs, ob Eingaben zur Modellverbesserung genutzt werden. Die Voreinstellung unterscheidet sich zwischen Privat- und Geschäftszugängen und ändert sich immer wieder.

Behördliche Orientierung. Die Datenschutzkonferenz, das Gremium der deutschen Datenschutzaufsichtsbehörden, hat am 6. Mai 2024 eine Orientierungshilfe „Künstliche Intelligenz und Datenschutz” veröffentlicht. Sie ist als Checkliste für Auswahl und Nutzung von KI-Anwendungen gedacht und damit die naheliegendste Quelle, wenn du wissen willst, worauf eine Aufsichtsbehörde schaut.

KI-Kompetenz. Artikel 4 der KI-Verordnung (EU) 2024/1689 gilt seit dem 2. Februar 2025. Er verlangt von Anbietern und Betreibern, für ausreichende KI-Kompetenz beim eigenen Personal zu sorgen, unabhängig von der Risikoklasse. Zertifikate schreibt die Verordnung nicht vor. Eine dokumentierte kurze Einweisung reicht: was das Werkzeug tut, wo seine Grenzen liegen, was nicht hineingehört.

Für den Alltag hat sich bei mir eine simple Dreiteilung bewährt. Grün sind Dokumente, die ohnehin öffentlich sind: Ausschreibungsunterlagen, veröffentlichte Normen, dein eigenes Marketingmaterial. Gelb sind interne Dokumente ohne Personenbezug, etwa Lastenhefte oder Preislisten, die in ein Werkzeug mit Auftragsverarbeitungsvertrag dürfen. Rot sind Personalakten, Gesundheitsdaten, Mandantenunterlagen und alles unter Berufsgeheimnis. Rot heißt nicht „niemals”, sondern „vorher mit jemandem sprechen, der haftet”.

Welches Dokument in welches Werkzeug darf, mit Prüffragen und Formulierungshilfen, steht in DSGVO und Vertraulichkeit bei KI-Dokumentenanalyse. Das ist die einzige Stelle im Cluster, an der ich das ausführlich behandle.

Vom Einzelfall zur Routine

Irgendwann fällt auf, dass du dieselbe Analyse zum vierten Mal machst. Ab da lohnt sich die Frage nach Automatisierung.

Mein eigener belegbarer Fall ist unspektakulär und läuft seit einer Weile: Ich habe eine eigene E-Mail-Adresse, an die Rechnungen gehen. Was dort ankommt, wird ausgelesen und in ein System übertragen. Keine Oberfläche, kein Tool zum Öffnen, kein zusätzlicher Klick in meinem Tag. Der entscheidende Teil daran ist nicht die Extraktion, die ist inzwischen Standardtechnik. Entscheidend ist, dass der Auslöser bereits existierte. Die Rechnung kommt sowieso per Mail.

Daran hängt meine Faustregel. Vier Bedingungen müssen zusammenkommen, sonst baust du dir Wartungsarbeit statt Entlastung:

1. Gleicher Dokumenttyp. Rechnungen ja, „Dokumente” nein.
2. Gleiche Felder. Du kannst die Zielspalten aufschreiben, ohne nachzudenken.
3. Gleiches Ziel. Es gibt einen Ort, an den das Ergebnis wandert, und der wird auch benutzt.
4. Mindestens wöchentlich. Darunter ist Handarbeit billiger als Pflege.

Und eine fünfte, die wichtigste: Ein Fehler muss auffallen und korrigierbar sein, bevor er Schaden anrichtet. Bei Rechnungen ist das gegeben, weil vor der Zahlung ein Mensch freigibt. Bei einer automatisch versendeten Vertragsantwort wäre es das nicht.

In einem meiner Workshops haben Teilnehmende ihre eigenen Zeitfresser benannt. Auf der Liste standen unter anderem: Angebote und Rechnungen erstellen, Datenexport aus diversen Tools, Dokumentation von CRM-Strecken und Einstellungen, Logging in Hubspot. Vier von vier Antworten sind Dokument- und Datenarbeit, und keine davon ist die eigentliche Wertschöpfung dieser Betriebe. Genau dort liegt der Hebel, und zwar nicht bei der spektakulären Analyse eines Rahmenvertrags, sondern bei der langweiligen Strecke, die zwölfmal im Monat läuft.

Fang trotzdem mit dem Einzelfall an. Automatisieren kannst du erst, wenn du weißt, wo dieselbe Aufgabe von Hand schiefgeht, und das weißt du nach drei bis vier Durchläufen. Wer zuerst automatisiert, automatisiert seinen eigenen blinden Fleck.

Die ehrlichen Grenzen

Vier Dinge, die diese Methode nicht kann, und eine fünfte, die keine Methode je können wird.

Reproduzierbarkeit. Dasselbe Dokument, dieselbe Frage, zwei Durchläufe, zwei leicht verschiedene Antworten. Für eine Vorprüfung ist das verschmerzbar. Als Grundlage für eine Aussage gegenüber Dritten ist es ein Problem: Ergebnisse festhalten, nicht bei Bedarf neu erzeugen.

Abwesenheit. „Was fehlt in diesem Vertrag?” ist die schwerste Frage, die du stellen kannst. Ein Modell erkennt vorhandene Muster gut, es kann aber keine Vollständigkeit gegen einen Standard prüfen, den es nicht kennt. Die Gegenmaßnahme ist deine eigene Checkliste als Vorgabe.

Zahlen und Tabellen. Siehe die Befunde weiter oben. Bei allem, was addiert, gestaffelt oder in Spalten steht, gehe ich davon aus, dass es falsch sein kann, bis ich zwei Werte nachgerechnet habe.

Selbsteinschätzung. Ein Modell klingt bei einer erfundenen Fundstelle genauso sicher wie bei einer echten. Die Formulierung trägt keine Information über die Richtigkeit.

Und dann die fünfte. Unter dem Angebot steht dein Name, unter der Unterschrift auch. Die Gerichtsfälle weiter oben in diesem Text sind alle an dieser Stelle entstanden: Jemand hat ein Ergebnis übernommen, das gut aussah, und stand am Ende allein dafür gerade. Die Technik wird besser. Diese Stelle bleibt, wo sie ist.

Die häufigsten Fehler samt Gegenmitteln, von der Riesendatei ohne Vorbereitung bis zur ungeprüften Weiterverwendung, habe ich in häufige Fehler bei der KI-Dokumentenanalyse gesammelt.

Was du diese Woche testen kannst

Nimm ein Dokument, das du bereits von Hand analysiert hast und dessen Ergebnis du kennst. Ein Vertrag, den du geprüft hast. Eine Ausschreibung, auf die du geboten hast. Das ist wichtig, weil du sonst die Qualität der Antwort an ihrer Formulierung misst.

Dann gib es mit der Tabellenvorgabe und der Zitatpflicht aus Schritt 2 und 3 in dein Werkzeug. Prüfe anschließend fünf Angaben nach dem Stichprobenmuster oben. Notier dir zwei Zahlen: wie viele der fünf gestimmt haben, und wie lange du für die Prüfung gebraucht hast.

Diese zwei Zahlen sind deine Entscheidungsgrundlage. Liegst du bei fünf von fünf und zehn Minuten Prüfzeit, hast du eine Methode, die für diesen Dokumenttyp trägt. Bei drei von fünf hast du einen Vorbereitungsfehler gefunden. Meistens steckt der im Format oder im Zuschnitt und lässt sich beheben. Beides ist ein brauchbares Ergebnis, im Gegensatz zu dem Gefühl, dass die Antwort ja eigentlich ganz gut aussah.

Falls dabei herauskommt, dass in deinem Betrieb niemand sagen kann, welche Dokumente überhaupt in welches Werkzeug dürfen, ist das kein Technikproblem. Dann ist der KI-Readiness-Check der sinnvollere nächste Schritt, weil er genau diese Fragen der Reihe nach durchgeht.

Quellen

• Lost in the Middle: How Language Models Use Long Contexts – Liu et al., Transactions of the ACL, 2024
• Lost in the Middle: How Language Models Use Long Contexts (Preprint) – Stanford NLP, 2023
• NoLiMa: Long-Context Evaluation Beyond Literal Matching – Modarressi et al., ICML/PMLR, 2025
• NoLiMa – Official repository, Adobe Research, 2025
• Context Rot: How Increasing Input Tokens Impacts LLM Performance – Chroma Research, Juli 2025
• Context Rot: Evaluating LLM Performance Degradation with Increasing Input Tokens – ZenML LLMOps Database
• Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive – Stanford Law School, 2024
• Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models – Stanford RegLab
• Legal use of GenAI tools is massively error-prone, Stanford researchers say – Legal Dive
• Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools – Stanford RegLab & HAI, 2024
• AI Hallucination Cases Database – Damien Charlotin, laufend aktualisiert
• Attorneys, Track AI Hallucination Cases With This New Tool – Forbes, Juli 2025
• AI Hallucination Cases: A Compiled List – eDiscovery Today
• Vals Publishes Results of First Legal AI Benchmark Study – Artificial Lawyer, Februar 2025
• AI vs. Attorneys: Insights from the Vals Legal AI Report – Maryland State Bar Association
• Vals AI's Latest Benchmark Finds Legal and General AI Now Outperform Lawyers in Legal Research Accuracy – LawSites, Oktober 2025
• CUAD: Contract Understanding Atticus Dataset (NeurIPS 2021) – The Atticus Project
• CUAD: An Expert-Annotated NLP Dataset for Legal Contract Review – Hendrycks et al., 2021
• LawGeex Hits 94% Accuracy in NDA Review vs 85% for Human Lawyers – Artificial Lawyer, 2018
• This AI outperformed 20 corporate lawyers at legal work – World Economic Forum, 2018
• Comparing the Performance of Artificial Intelligence to Human Lawyers in the Review of Standard Business Contracts – LawGeex, 2018
• Assessing Large Language Models Used for Extracting Table Information from Annual Financial Reports – Computers 13(10), MDPI, 2024
• Evaluating Large Language Models for Table Data Extraction from Annual Reports in PDF – ResearchGate
• OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations – CVPR 2025
• OmniDocBench – Repository, OpenDataLab
• Research: AI Models Invoice Processing Benchmark – Businessware Technologies
• E-Rechnungspflicht ab 2025 – IHK Frankfurt am Main
• E-Rechnungspflicht: Entwicklungen und gesetzliche Regelungen – DATEV eG
• Übergangsfristen zur E-Rechnung 2025–2028 – EU-Rechnung
• Bürokratieentlastungsgesetz: Aufbewahrungspflichten verkürzt – Haufe
• Steuerrechtliche Aufbewahrungsfristen – IHK Berlin
• Verkürzung der Aufbewahrungsfristen für Buchungsbelege auf 8 Jahre – Becker Büttner Held, 2025
• Orientierungshilfen der Datenschutzkonferenz (DSK), u. a. „Künstliche Intelligenz und Datenschutz" vom 6. Mai 2024
• Künstliche Intelligenz datenschutzkonform einsetzen – Unabhängiges Landeszentrum für Datenschutz Schleswig-Holstein, 2024
• DSK-Orientierungshilfe KI für Unternehmen und Behörden – LDI Nordrhein-Westfalen
• Article 4: AI literacy – EU Artificial Intelligence Act (Verordnung (EU) 2024/1689)
• Text der KI-Verordnung (EU) 2024/1689 als Website – AI Act Law
• KI-Verordnung: Art. 4 KI-VO und die Pflicht zur KI-Kompetenz – ITMR Legal
• Mittelstandsfreundliche Gestaltung von öffentlichen Ausschreibungen, IfM-Materialien 301 – Institut für Mittelstandsforschung Bonn, 2023
• IfM: Beteiligung an öffentlichen Bauausschreibungen stellt KMU vor erhebliche Belastungen – Vergabeblog, 2024
• Vergabestatistik – Statistisches Bundesamt