Alte Pläne und schlechte Scans: was Texterkennung leistet

Texterkennung funktioniert am besten bei sauberer Druckschrift in guter Auflösung. In meinem eigenen, nicht unabhängig geprüften Test an Rechnungen kam ein Vision-Modell auf 99,85 Prozent Zeichengenauigkeit, Standard-OCR auf 64,2 Prozent. Für Pläne, Handschrift und Ihre eigenen Scans sagt diese Zahl nichts aus, dort entscheidet die Stichprobe.

Zwei Wege, einen Scan zu lesen

Die klassische OCR erkennt Zeichen Bild für Bild und setzt daraus Zeilen zusammen. Ein bekanntes freies Beispiel ist Tesseract. Seine Dokumentation sagt offen, wofür es gebaut ist: Standardmäßig ist es auf zusammenhängende Sätze ausgelegt. Es arbeitet am besten ab 300 dpi. Wenn eine Seite zu schief liegt, sinkt die Qualität der Zeilenerkennung deutlich. Bestimmtes Rauschen kann die Software nicht entfernen, und dunkle Scanränder liest sie leicht als Zeichen.

Ein Vision-Sprachmodell betrachtet die Seite als Bild und liest sie im Zusammenhang. Nach meiner Einschätzung hilft das bei Spalten, Tabellen und Beschriftungen, weil das Umfeld einer Zahl mitgesehen wird. Dazwischen liegen Dienste für die Layout-Analyse. Microsoft beschreibt sie als Kombination aus OCR und Modellen, die Überschriften, Kopf- und Fußzeilen, Tabellen und Abbildungen als Struktur herausziehen.

Welcher Weg passt, hängt vom Bestand ab. Ein Archiv mit sauberen Briefen verträgt eine einfache OCR. Bei gemischten Beständen mit Tabellen und Formularen kann sich ein Modell lohnen, das den Zusammenhang sieht. Was es je Seite kostet und was es bringt, messen Sie am besten in einem Pilot an Ihren eigenen Unterlagen.

Mein Test an Rechnungen

Ich habe beide Wege an Rechnungen gegeneinander gemessen. Das Vision-Modell erreichte 99,85 Prozent Zeichengenauigkeit, die Standard-OCR 64,2 Prozent. Beide Werte stammen aus meinem eigenen Test, den niemand unabhängig nachgeprüft hat. Er umfasste nur Rechnungen. Zahl der Rechnungen und eingesetzte Programme sind hier nicht veröffentlicht, deshalb lässt sich der Wert von außen nicht nachvollziehen. Verallgemeinern lässt er sich nicht, schon gar nicht auf Pläne. Wie eine besser aufbereitete klassische OCR oder ein anderer Dokumenttyp abschneiden würde, zeigt der Test nicht.

Zur Einordnung ein Rechenbeispiel mit erfundenen Zahlen: Hat eine Seite 2.000 Zeichen, bleiben bei 99,85 Prozent rechnerisch drei falsche Zeichen übrig. Steht eines davon in einer Maßzahl, einer Menge oder einem Betrag, ist die Aussage falsch, obwohl die Seite „fast perfekt“ gelesen wurde. Wo Zahlen zählen, hilft eine hohe Zeichengenauigkeit allein nicht.

Wo die Grenzen liegen

Die folgenden Angaben stammen aus den Herstellerdokumentationen (Stand November 2026). Anthropic schreibt in der Dokumentation seiner Vision-Funktion, das Modell könne bei Bildern von niedriger Qualität, bei gedrehten oder sehr kleinen Bildern (unter 200 Pixeln) halluzinieren oder Fehler machen. Ortsangaben im Bild seien nur ungefähr. Starke JPEG-Kompression kann Text schwer lesbar machen. Microsoft nennt für seinen Read-Dienst eine Mindesthöhe der Schrift: 12 Pixel bei einem Bild von 1.024 mal 768 Pixeln, das entspricht etwa 8 Punkt bei 150 dpi. Handschrift erkennt der Dienst nur in den unterstützten Sprachen.

Für Bauunterlagen heißt das:

Wie gut das bei Ihren Plänen funktioniert, habe ich nicht gemessen. Die Zeilen zu Planköpfen und Maßketten sind meine Einschätzung aus den genannten Herstellerangaben und aus dem Aufbau solcher Pläne, kein Messergebnis.

Ein zweites Risiko betrifft Vision-Modelle. Anthropic spricht in der Dokumentation von Halluzinationen: Bei einer schlechten Vorlage kann ein Modell Text liefern, der plausibel klingt, aber nicht im Bild steht. Beim Lesen fällt das nicht von selbst auf, deshalb braucht es den Vergleich mit dem Original.

Was Sie vor dem Scannen beeinflussen können

Ein großer Teil der Qualität entsteht, bevor irgendeine Software läuft. Die Dokumentation von Tesseract rät zu mindestens 300 dpi, zu gerade ausgerichteten Seiten und zum Entfernen dunkler Scanränder. Microsoft verlangt ein klares Foto oder einen hochwertigen Scan je Dokument und nennt die Mindestschrifthöhe von etwa 8 Punkt bei 150 dpi. Anthropic weist darauf hin, dass starke Kompression Text schwer lesbar macht und dass sehr große Bilder vor der Verarbeitung verkleinert werden können, wodurch kleine Schrift weniger gut lesbar wird.

Für den Bestand heißt das: Prüfen Sie zuerst, was bereits Text enthält. PDFs, die direkt aus Word oder aus einem Planungsprogramm exportiert wurden, tragen den Text oft schon in sich, ein Test durch Markieren genügt. Nur reine Bildscans brauchen eine Texterkennung. Bei wichtigen, schlecht gescannten Plänen kann ein neuer Scan sinnvoller sein als eine nachträgliche Korrektur. Warum der Text für eine durchsuchbare Ablage vorhanden sein muss, steht im Beitrag Projektablage durchsuchbar machen.

Warum Stichproben bleiben

Daraus folgt ein festes Vorgehen. Vor dem Einlesen eines Bestands ziehen Sie eine Stichprobe aus jeder Dokumentart, als Annahme zum Start etwa 20 Seiten je Art. Sie legen den erkannten Text neben das Original und vergleichen Zahlen, Maße, Daten und Planstände. Die Fehler schreiben Sie auf, nach Art und Dokumenttyp sortiert. Daraus ergibt sich, wo ein besserer Scan, ein anderes Verfahren oder eine Prüfpflicht nötig ist.

Microsofts Read-Dienst liefert zu jedem erkannten Wort einen Konfidenzwert. Solche Werte lassen sich nutzen, um unsichere Stellen zur Prüfung vorzulegen. Sie sind ein Hinweis, kein Beweis, und ersetzen die Stichprobe nicht.

Im Betrieb bleibt das Original erreichbar. Jeder Treffer einer Wissensbasis nennt Dokument und Seite, und wer eine Zahl verwenden will, liest sie auf dem Scan.

Was Sie jetzt tun können

1. Markieren Sie in zehn PDFs aus Ihrem Archiv einen Satz. Geht das nicht, ist der Scan ein reines Bild ohne Textebene.
2. Scannen Sie drei Vorlagen neu (ein Brief, eine Tabelle, ein Plan) in mindestens 300 dpi und vergleichen Sie sie mit dem alten Scan.
3. Machen Sie einen kleinen eigenen Test: Seite erkennen lassen, neben das Original legen, Zahlen und Maße abgleichen, Fehler zählen.
4. Legen Sie fest, welche Angaben nie ohne Blick aufs Original verwendet werden: Maße, Beträge, Fristen und Planstände.