OCR
Optical Character Recognition (OCR) ist eine Software, die Bilder von gedrucktem oder handgeschriebenem Text (eingescannte Rechnungen, Zahlungsavis-PDFs, Schecks, Liefernachweise) in maschinenlesbare Daten umwandelt. In der Debitorenbuchhaltung und im Order-to-Cash-Prozess steht OCR am Anfang der Erfassungsprozesse, wird bei Dokumenten mit variablem Layout jedoch zunehmend durch Vision-Language-Models (VLMs) ergänzt oder ersetzt.
Optical Character Recognition (OCR) ist die Technologie, mit der ein Computer gedruckte oder handschriftliche Zeichen aus einem Bild liest. In der Debitorenbuchhaltung oder im Order-to-Cash ist dieses Bild fast immer ein Dokument: eine Lieferantenrechnung, ein Zahlungsavis zu einer Überweisung, ein Scheckabschnitt, der Scan eines Liefernachweises oder ein PDF mit Belegen zu einem Abzug. Vor OCR erfassten Mitarbeiter diese Dokumente von Hand. Ein Shared-Service-Team in Manila oder Krakau, das täglich 4.000 E-Mails öffnete und Rechnungsnummern in ein ERP-System eintippte, war bis etwa 2015 das Standardmodell für die globale Debitorenbuchhaltung.
OCR veränderte die Kosten pro Vorgang grundlegend. Ein Dokument, dessen manuelle Erfassung 1,20 Euro kostete, ließ sich nun für 0,10 bis 0,25 Euro erfassen. Diese Differenz finanzierte die erste Welle der Automatisierung: die Cash Application (automatischer Zahlungsabgleich), Tools zur Erfassung von Eingangsrechnungen in der Kreditorenbuchhaltung und die Digitalisierung von Lockbox-Verfahren. OCR ließ die Dokumente nicht verschwinden, machte sie aber so günstig, dass Finanzteams sie nicht mehr als Kostenfaktor pro Vorgang wahrnahmen.
Klassisches OCR durchläuft eine Reihe eng gefasster Verarbeitungsschritte. Zunächst wandelt das System das Bild in reines Schwarzweiß um (Binarisierung), entzerrt es und zerlegt es in Zeilen und Zeichen. Danach vergleicht eine Mustererkennung jede Zeichenform mit einer trainierten Bibliothek von Glyphen und gibt den wahrscheinlichsten Buchstaben oder die wahrscheinlichste Ziffer zurück. Nachgelagerte Schichten wenden dann Wörterbücher, reguläre Ausdrücke und Vorlagen an (zum Beispiel: Die Rechnungsnummer sitzt immer in einem Bereich von 60 mal 20 Pixel oben rechts im Layout dieses Lieferanten), bereinigen so den Rohtext und erzeugen strukturierte Felder.
Entscheidend eingeschränkt wird das Verfahren durch seine Abhängigkeit von Vorlagen. Ein klassisches OCR-System arbeitet hervorragend, wenn es das Layout bereits kennt und die Scanqualität hoch ist. Sobald jedoch eine dieser Voraussetzungen fehlt, liefert es schlechte Ergebnisse.
Im Order-to-Cash-Prozess kommt OCR an fünf Stellen zum Einsatz. Rechnungserfassung auf der Kreditorenseite: Hier liest OCR Lieferantenrechnungen in das ERP-System ein. Extraktion von Zahlungsavisen auf der Debitorenseite: Hier wertet OCR Zahlungsavise von Kunden (PDFs, E-Mails, Portal-Screenshots) auf Rechnungsnummern und Beträge aus, bevor sie an ein System zum Zahlungsabgleich gehen. Scheckverarbeitung in Märkten wie den USA, Frankreich und Kanada, wo noch immer physische Schecks in Lockboxen eingehen. Digitalisierung von Liefernachweisen: Hier erfasst und indexiert OCR unterzeichnete Liefernachweise, sodass Ihr Debitorenteam Streitfälle in Minuten statt Tagen klärt. Dokumentation von Abzügen: Hier liest OCR Reklamationsunterlagen von Kunden ein, oft Konvolute aus mehr als 30 Seiten mit Frachtbriefen, Marketing-Abzügen und Preisschreiben, sodass Ihren Abzugsanalysten durchsuchbarer Text statt Bild-PDFs zur Verfügung steht.
OCR wurde für eine Welt standardisierter Formulare entwickelt. Moderne Debitorenbelege haben damit nichts mehr gemein. Ein einzelner mittelständischer Hersteller erhält Zahlungsavise womöglich in 40 verschiedenen Formaten: PDF-Tabellen, gescannte Scheckabschnitte, Screenshots von Kundenportalen, handschriftliche Notizen, die aus der Kreditorenbuchhaltung eines Krankenhauses gefaxt wurden, mehrseitige Bankauszüge.
Reines OCR scheitert an vier Dingen. Variable Layouts: Derselbe Kunde schickt jeden Monat ein anderes Avis-Format. Mehrseitige Dokumente, bei denen sich der Kontext über mehrere Seiten zieht (die Rechnungsnummer steht auf Seite 1, der Zahlbetrag auf Seite 3). Kontextbezogene Unterscheidung: etwa wenn Sie eine 7-stellige Bestellnummer von einer 7-stelligen Rechnungsnummer trennen müssen, obwohl beide im selben Block auftauchen. Handschrift und Scans in schlechter Qualität, bei denen die Genauigkeit auf Zeichenebene unter 70 Prozent einbricht und Fehler in jedes nachgelagerte Feld weiterträgt. Fachleute, die klassisches OCR in großem Umfang einsetzen, berichten bei realen Belegmischungen aus der Debitorenbuchhaltung von einer Feldgenauigkeit zwischen 75 und 85 Prozent. Das heißt: Rund jedes fünfte Zahlungsavis müssen Sie weiterhin manuell bearbeiten.
Die entscheidende Entwicklung der letzten 18 Monate: Vision-Language-Models lesen ein Dokument so wie ein Mensch. Sie erfassen die gesamte Seite, erkennen, wo Bezeichnungen und Werte zueinander stehen, und stützen sich dabei auf ihr Vorwissen, wie eine Rechnung oder ein Zahlungsavis aussieht. Eine Vorlage brauchen sie nicht. Sie müssen das Layout eines Kunden nicht einmal je zuvor gesehen haben.
Beim exakt gleichen variablen Dokumentenmix aus der Debitorenbuchhaltung, bei dem klassische OCR bei 75 bis 85 Prozent stagniert, erreichen moderne VLMs inzwischen 95 bis 99 Prozent Feldgenauigkeit. Einzelposten und mehrzeilige Tabellen extrahieren sie mit 95 bis 97 Prozent Genauigkeit. Der Abstand ist genau dort am größten, wo es in der Debitorenbuchhaltung am meisten schmerzt: bei Handschrift, mehrseitigen Dokumentenpaketen, unbekannten Layouts und Tabellen mit verbundenen Zellen.
Die zweite Entwicklung ist semantischer Natur. OCR liefert Ihnen eine Zeichenfolge. Ein VLM liefert Ihnen eine Zeichenfolge und dazu eine Einschätzung, was diese Zeichenfolge im Kontext bedeutet (Ist das die Zahlungsanschrift oder die Rechnungsanschrift? Ist das eine Rechnungsnummer oder der Bezug auf eine Gutschrift?). Für den Zahlungsabgleich macht genau diese kontextuelle Ebene den zweiten manuellen Eingriff überflüssig.
Das gängige Produktionsmuster im Jahr 2025 setzt nicht allein auf VLM, sondern auf ein geroutetes Hybridmodell. Saubere, strukturierte elektronische Dokumente (ein EDI 820, eine BAI2-Datei, ein sauber aufgebautes PDF-Zahlungsavis eines Tier-1-Kunden) durchlaufen einen klassischen OCR- oder Direct-Parse-Pfad, weil das pro Dokument schneller und günstiger ist. Alles, was die Konfidenz sinken lässt (erkannte Handschrift, unbekanntes Layout, mehrseitig, geringe Scanqualität), geht an ein VLM. Die Ergebnisse beider Pfade laufen anschließend in derselben Matching-Engine zusammen.
Für Finanzentscheider heißt das konkret: Bewerten Sie Erfassungsanbieter nicht anhand einer plakativen OCR-Genauigkeitszahl. Fragen Sie nach Dunkelverarbeitungsquoten, aufgeschlüsselt nach Dokumenttyp (strukturiertes PDF, gescanntes PDF, handschriftlich, mehrseitiges Paket). Diese Aufschlüsselung zeigt, ob ein Anbieter wirklich hybrid arbeitet oder ob er im Stillen auf Offshore-Erfassungskräfte setzt, die die OCR-Fehler bereinigen, bevor die Zahlen berichtet werden.
Ja, allerdings als ein Baustein in einem hybriden Stack und nicht mehr als treibende Kraft. Für saubere, strukturierte Dokumente bleibt OCR der günstigste und schnellste Weg (formal korrekte PDF-Avise, maschinell gedruckte Rechnungen) und deckt nach wie vor einen großen Teil des täglichen Volumens ab. Der Unterschied: Variable, handschriftliche oder mehrseitige Dokumente leiten Sie heute an ein Vision Language Model weiter, statt sie in einer Warteschlange zur manuellen Bearbeitung liegen zu lassen.
Bei einem repräsentativen Mix aus Lieferanten-Avisen, Lockbox-Aufnahmen und POD-Scans erreicht klassisches OCR auf Feldebene rund 75 bis 85 Prozent Genauigkeit. Saubere, maschinell gedruckte PDFs liegen am oberen Ende dieser Spanne; handschriftliche oder qualitativ schlechte Scans drücken den Durchschnitt nach unten. Nennt ein Anbieter eine Quote von 95 Prozent, bezieht sich diese meist auf die Zeichengenauigkeit bei Benchmark-Datensätzen und nicht auf die Feldgenauigkeit bei Ihrem tatsächlichen Belegmix.
OCR wandelt Pixel über Mustererkennung und Vorlagen in Zeichen um. Ein Vision Language Model betrachtet die gesamte Seite und erschließt Struktur, Kontext und Bedeutung, so wie es ein menschlicher Leser tut. Das VLM erkennt, dass eine siebenstellige Zahl oben rechts die Rechnungsnummer ist und nicht die Bestellnummer, selbst bei einem Layout, das es noch nie gesehen hat, weil es versteht, was eine Rechnung ist.
Technisch ja, wirtschaftlich aber selten die richtige Entscheidung. Die VLM-Inferenz kostet pro Seite mehr als klassisches OCR, und bei strukturierten Dokumenten mit hohem Volumen fällt der Genauigkeitsgewinn gering aus. Wirtschaftlich sinnvoll ist es, nach Konfidenz zu steuern: günstiges OCR für die einfachen 70 bis 80 Prozent des Volumens, VLM für den Long Tail, an dem OCR gescheitert wäre.
OCR sitzt zwischen dem Eingang eines Belegs und der Matching-Engine. Eine Avis-E-Mail geht ein, das System extrahiert die Anhänge, OCR (oder ein VLM) wandelt das Bild in strukturierte Felder um (Kunde, Rechnungsnummern, Beträge, Abzüge), und diese Felder gehen an die Matching-Engine, die sie mit den offenen Posten und dem Kontoauszug abgleicht. Findet OCR keinen Treffer, eskaliert die KI für den Zahlungsabgleich entweder an ein VLM oder stellt den Vorgang in die Aufgabenliste eines menschlichen Analysten.
Ignorieren Sie die plakative Genauigkeitsquote und stellen Sie drei Fragen. Wie hoch ist Ihre Dunkelverarbeitungsquote je Belegtyp (strukturiertes PDF, gescanntes PDF, handschriftlich, mehrseitiges Paket)? Wie steuern Sie die Verteilung der Dokumente zwischen klassischem OCR und VLM-Extraktion? Und wie viele Ihrer ausgewiesenen Automatisierungsraten hängen von einer manuellen Nachbearbeitung im Ausland ab, die in der Plattform verborgen bleibt? Die Antworten trennen wirklich KI-native Erfassungs-Stacks von umetikettiertem OCR mit einem Team von Datentypisten dahinter.
