# Welche Dateien KI wirklich lesen kann: PDF, Scan, Excel, Word

> Text-PDF oder Scan, Tabelle oder Zahlensalat, Word mit oder ohne Änderungsverfolgung: Woran du erkennst, dass beim Einlesen etwas verloren ging, und was du in jedem Fall dagegen tust.

- Autor: Benedikt Backhaus (https://benediktbackhaus.com/ueber-mich/)
- Veröffentlicht: 2026-08-13
- URL: https://benediktbackhaus.com/blog/welche-dateien-ki-lesen-kann/
- Themen: Praxis, Tools, Studien

Du lädst eine Rechnung hoch und fragst nach dem Nettobetrag. Die Antwort kommt sofort, klingt bestimmt und ist falsch. Nicht ein bisschen daneben, sondern um eine Stelle verrutscht. Beim Nachsehen im Original stellt sich heraus: Das PDF war ein Foto vom Ausdruck, und aus der 8 in 1.842,00 ist eine 3 geworden.

Solche Fehler sind unauffällig, weil sie plausibel aussehen. Kein Modell schreibt dazu, dass es geraten hat. Wann hast du zuletzt eine Zahl, die aus einem hochgeladenen Dokument kam, im Original nachgeschlagen?

Für jeden Dateityp lohnt es sich deshalb, einmal zu wissen, was beim Einlesen passiert, woran man den Verlust erkennt und was dagegen hilft.

## Der erste Handgriff dauert drei Sekunden

Öffne das PDF und versuche, einen Satz mit der Maus zu markieren. Lässt er sich markieren und kopieren, enthält die Datei echten Text. Springt stattdessen ein blauer Kasten über die halbe Seite, ist es ein Bild.

Dieser Unterschied entscheidet über alles Weitere. Ein Text-PDF wird ausgelesen, ein Bild-PDF muss erst durch eine Texterkennung, und dort entstehen Fehler, die es im ersten Fall gar nicht geben kann.

## Text-PDF: der Text ist da, die Reihenfolge nicht

Auch beim sauberen Text-PDF geht etwas verloren, nur nichts an Zeichen: die Anordnung.

Ein PDF speichert keine Absätze, sondern Zeichen an Koordinaten. Was daraus als Lesereihenfolge rekonstruiert wird, ist eine Interpretation. Bei einseitigem Fließtext klappt das fast immer. Bei zweispaltigen Seiten, Randnotizen, Kopf- und Fußzeilen oder eingeschobenen Kästen wird es unzuverlässig.

Der Benchmark olmOCR-Bench, entwickelt vom Allen Institute for AI, misst genau solche Fälle getrennt. Das System Surya des Anbieters Datalab erreicht dort über 8.413 Testfälle hinweg 83,3 Prozent (Stand Juli 2026), aufgeschlüsselt aber sehr ungleich: 99,7 Prozent bei Standarddokumenten, 82,4 Prozent bei mehrspaltigen Seiten. Bei einfachem Layout ist die Sache erledigt, bei Spalten sitzt jeder sechste Testfall daneben.

Merken wirst du das an Sätzen, die mitten drin das Thema wechseln, an einer Fußnote, die im Fließtext steht, oder an einer Seitenzahl, die im Zitat auftaucht. Dagegen hilft, nach Fundstellen mit Seitenzahl zu fragen und bei mehrspaltigen Dokumenten zwei, drei Zitate im Original nachzulesen. Bei Zeitschriften- und Zeitungslayouts lädst du besser die relevanten Seiten einzeln hoch statt der ganzen Datei.

## Gescanntes PDF: hier entstehen die Zahlendreher

Ein Scan durchläuft eine optische Zeichenerkennung, und deren Qualität hängt an der Vorlage. Die Tesseract-Dokumentation nennt zwei Punkte, die in der Praxis den Unterschied machen: mindestens 300 dpi Auflösung, und ein Blatt, das nicht schief liegt. Zu einer schiefen Seite hält die Dokumentation ausdrücklich fest, dass die Zeilensegmentierung deutlich schlechter wird und damit die gesamte Erkennung leidet.

Wie groß der Abstand zwischen sauberer Vorlage und altem Papier ist, zeigen dieselben Surya-Werte: 99,7 Prozent bei Standarddokumenten stehen 41,8 Prozent bei alten Scans gegenüber. Das ist der Unterschied zwischen „stimmt praktisch immer" und „stimmt in weniger als der Hälfte der Fälle".

Ordne diese Zahlen ehrlich ein, sonst rechnest du damit falsch. Es sind Bestehensquoten auf Testfällen, keine Zeichenfehlerraten. Ein Wert von 41,8 Prozent bedeutet nicht, dass 58 Prozent der Buchstaben falsch sind. Er bedeutet, dass bei alten Scans mehr als die Hälfte der geprüften Einzelaussagen nicht korrekt reproduziert wurde. Eine allgemeingültige OCR-Genauigkeit gibt es ohnehin nicht, weil sie von Papier, Schrift, Auflösung und Sprache abhängt.

Die typischen Verwechslungen: 0 und O, 1 und l und I, 5 und S, 8 und B. Dazu Komma und Punkt in Beträgen, Umlaute mit schwachen Punkten, Stempel oder Unterschriften über dem Text, durchgestrichene Zeilen.

Woran du es merkst: Beträge in der falschen Größenordnung. Wörter mit Ziffern darin. Ein „Iahresumsatz". Datumsangaben, die es nicht gibt.

Was hilft: Neu scannen mit 300 dpi und geradem Einzug, wenn das Original erreichbar ist. Sonst arbeitest du rückwärts: Lass dir jede Zahl mit Fundstelle geben und prüfe fünf davon im Original nach. Wenn dabei eine falsch ist, prüfst du alle. Wie du diese Stichprobe systematisch anlegst, steht in [Halluzinationen in der Dokumentenanalyse erkennen](/blog/halluzinationen-dokumentenanalyse-erkennen/). Für wiederkehrende Belege wie Eingangsrechnungen lohnt statt der Handarbeit ein fester Ablauf, siehe [Rechnungen automatisch auslesen](/blog/rechnungen-automatisch-auslesen/).

## Tabellen: der Fall, bei dem am meisten verloren geht

Eine Tabelle ist auf dem Papier ein Raster und im PDF eine Ansammlung von Textstücken. Welche Zelle zu welcher Zeile und Spalte gehört, muss rekonstruiert werden. Genau daran scheitern Systeme reihenweise.

Drei unabhängige Messungen, drei verschiedene Maßstäbe:

Microsoft Research hat mit PubTables-1M einen Datensatz aus 947.642 vollständig annotierten Tabellen veröffentlicht und das eigene Modell Table Transformer darauf getestet. Der Wert für inhaltliche Genauigkeit auf Zellebene liegt bei 0,8243. Das Material besteht dabei aus digital erzeugten wissenschaftlichen PDFs, also aus den saubersten Vorlagen, die es gibt.

OmniDocBench, ein Benchmark aus 1.651 PDF-Seiten über zehn Dokumenttypen, gehört zu den breiteren Prüfungen und wurde 2025 auf der CVPR vorgestellt. Gemessen wird dort unter anderem in TEDS. Das Maß vergleicht die Baumstruktur der erkannten Tabelle mit der echten. Die Spitze der Bestenliste liegt bei knapp 95 Punkten, die verbreiteten Allzweckmodelle und Pipeline-Werkzeuge dagegen zwischen 66 und 83 (Stand Juli 2026). Welches Werkzeug du benutzt, macht bei Tabellen also mehr aus als bei Fließtext.

Surya erreicht in der Tabellenkategorie von olmOCR-Bench 86,6 Prozent.

Die drei Prüfungen messen Verschiedenes und lassen sich nicht verrechnen. Ihre Aussage ist trotzdem verwandt: Außerhalb der jeweiligen Spitzensysteme kommt ungefähr eine von sechs bis sieben Tabellen nicht sauber durch, und das unter guten Bedingungen. Bei einer Preistabelle mit Rabattstaffel ist das die falsche Quote.

Woran du es merkst: Zeilensummen, die nicht aufgehen. Spalten, die um eins verrutscht sind. Verbundene Zellen, deren Inhalt in mehreren Zeilen wiederholt auftaucht. Eine Positionsnummer, die zweimal vorkommt.

Was hilft: Liefere die Tabelle getrennt als CSV oder Excel, wenn du sie hast. Sonst baust du dir eine Kontrollrechnung ein. Frag zuerst nach der Anzahl der Zeilen und nach der Summe einer Spalte. Stimmen beide, arbeitest du weiter; stimmen sie nicht, hat sich der Rest erledigt.

## Excel: die Formel ist selten das, was ankommt

Beim Einlesen einer Tabellenkalkulation bekommst du Werte, nicht Rechenwege. Bibliotheken, die XLSX-Dateien verarbeiten, haben typischerweise keine eigene Rechenmaschine an Bord; sie lesen das Ergebnis, das beim letzten Speichern in der Datei stand. Wurde eine Datei maschinell erzeugt und nie in Excel geöffnet, kann dieser zwischengespeicherte Wert fehlen.

Dazu kommen die stillen Verluste: ausgeblendete Zeilen und Spalten, weitere Arbeitsblätter, die niemand erwähnt hat, Zahlenformate, die auf zwei Nachkommastellen runden, während in der Zelle etwas anderes steht.

Auffällig wird das an Summen, die um Cent-Beträge abweichen, an Kennzahlen, die sich aus den gelieferten Spalten nicht nachrechnen lassen, und an einer erklärten Berechnung, die das Modell gar nicht sehen konnte. Exportier deshalb jedes relevante Blatt einzeln als CSV und mach Ausgeblendetes vorher sichtbar. Wenn die Logik hinter einer Spalte wichtig ist, beschreibst du sie in zwei Sätzen dazu, statt zu hoffen, dass sie aus den Zahlen hervorgeht.

## Word: Änderungsverfolgung und Kommentare verschwinden lautlos

Dieser Punkt kostet in Vertragsverhandlungen echtes Geld. Werkzeuge, die DOCX-Dateien in Text umwandeln, treffen eine Vorentscheidung darüber, was aus den Markups wird. Der weit verbreitete Konverter Pandoc etwa akzeptiert Einfügungen und Löschungen standardmäßig und ignoriert Kommentare vollständig; nur mit einer ausdrücklichen Einstellung kommen Kommentare samt Autor und Zeitstempel mit.

Für dich heißt das: Du analysierst die bereinigte Fassung und siehst die Auseinandersetzung darüber nicht. Wer was gestrichen hat und welche Anmerkung am Rand steht, ist genau die Information, die du bei einem Vertragsentwurf brauchst. Was davon überhaupt sinnvoll auslagerbar ist, steht in [Verträge mit KI prüfen](/blog/vertraege-mit-ki-pruefen/).

Was hilft: Exportiere zusätzlich eine Fassung mit allen Markups, oder kopiere die Kommentare in eine eigene Liste und lade sie mit hoch.

## Präsentationen, Bilder, geschützte Dateien

**Präsentationen.** Text aus Platzhaltern und Textfeldern kommt meist an, die Anordnung auf der Folie nicht. Was in einer Grafik, einem Diagramm oder einer SmartArt steckt, geht verloren, sofern die Folie nicht als Bild ausgewertet wird. Sprechernotizen sind Glückssache. Prüfen kannst du das mit einer Frage nach einer Zahl, die nur im Diagramm steht.

**Bilder in Dokumenten.** Ob ein Organigramm oder ein Screenshot berücksichtigt wird, hängt davon ab, ob das Werkzeug die Seiten zusätzlich als Bild an ein Modell mit Bildverständnis gibt. Werkzeuge wie Docling, entstanden bei IBM Research Zürich und heute in der LF AI & Data Foundation, kombinieren beides. Ein reiner Textextraktor tut das nicht. Woran du es merkst: Antworten wie „die Abbildung zeigt die Entwicklung", ohne dass eine einzige Zahl daraus genannt wird.

**Passwortgeschützte Dateien.** PDF kennt zwei Passwörter. Das Nutzerpasswort öffnet die Datei überhaupt, das Eigentümerpasswort hebt Einschränkungen auf. Das qpdf-Handbuch weist darauf hin, dass diese Einschränkungen allein von der Software durchgesetzt werden, weil jedes Programm, das die Datei lesen kann, ohnehin den Schlüssel besitzt. Ohne Nutzerpasswort kommt also kein Text heraus, und ein „Kopierschutz" ohne Passwort hält niemanden auf. Wenn du das Passwort legitim hast, entfernst du es vor dem Hochladen. Ob die Datei danach überhaupt in dieses Werkzeug darf, ist eine andere Frage, und die klärt [DSGVO und Vertraulichkeit bei KI-Tools](/blog/dsgvo-dokumente-ki-tools/).

## Lohnt der ganze Aufwand?

Der naheliegende Einwand: Wer hinter jeder Zahl herprüft, kann das Dokument auch selbst lesen. Das trifft, solange du pro Datei denkst, und nicht mehr, sobald du pro Dateisorte denkst. Die Prüfung gehört einmal an den Anfang, wenn zum ersten Mal Scans von diesem Lieferanten oder Exporte aus diesem System vor dir liegen. Danach weißt du, ob dieser Kanal Zahlen liefert, denen du trauen kannst.

Bei einer Sorte lautet die ehrliche Antwort trotzdem: gar nicht erst hochladen. Ein schiefer Scan einer alten Handakte, aus dem eine Frist hervorgeht, ist kein Fall für eine Stichprobe.

Nimm also die Datei, die als Nächstes auf deinem Schreibtisch liegt, und mach nur den ersten Schritt: markieren. Wie der komplette Ablauf von der Vorbereitung bis zur Prüfung aussieht, steht im [Leitfaden zur KI-Dokumentenanalyse im Business](/blog/ki-dokumentenanalyse-business-guide/) und für den Einzelfall in [ein langes PDF mit KI analysieren](/blog/langes-pdf-mit-ki-analysieren/). Lässt der Text sich nicht markieren, brauchst du den Ablauf noch gar nicht. Dann weißt du schon, dass jede Zahl aus dieser Datei eine Stichprobe braucht.