Dokumentenverarbeitung mit KI: zwölf Anwendungsfälle mit Zahlen

Was leistet Dokumentenverarbeitung mit KI heute, und was nicht?

Sie liest ein eingehendes Dokument und überführt es in strukturierte Felder: Rechnungsnummer, Umsatzsteuer-Identifikationsnummer, Endbetrag, Datum, Positionen. Was sie nicht leistet, ist eine Garantie, dass der gelesene Wert stimmt. Vision-Modelle scheitern auf eine eigene Art, sie geben eine formal korrekte und sachlich falsche Zahl zurück. Deshalb gehören Prüfschicht und Ausnahmebehandlung dazu.

Dieser Unterschied wiegt schwerer, als er klingt. Klassische OCR scheitert, wenn sie ein Zeichen nicht erkennt, und dann steht Unsinn im Feld. Das sieht man. Ein Vision-Modell liest von einem Beleg 42,50, wo 45,20 steht: gültige Zahl, gültiges Format, kein Alarm. Diesen Fehlermodus beschreibt der OCR-Leitfaden von 2026, und er ist das stärkste Argument dafür, dass ein Modell allein noch kein Produkt ist.

Zwei Dinge werden im Markt vermischt und sollten getrennt bleiben. Ein RAG-System existiert zum Suchen und Antworten: Sie stellen eine Frage und bekommen die Antwort aus Ihren Unternehmensdokumenten. Die Dokumentenverarbeitung, im Englischen intelligent document processing, ist dagegen strukturierte Extraktion. Aus jedem eingehenden Vorgang müssen dieselben zwanzig Felder fallen, im selben Schema, damit das ERP sie annimmt. Andere Metrik, andere Architektur, andere Fehlertoleranz.

OCR oder Vision-Modell: was brauchen Ihre Dokumente?

Für saubere, formatgleiche Druckdokumente ist klassische OCR schneller und günstiger. Bei verrauschten Scans, Handschrift und Absenderformaten, die sich jeden Monat ändern, liegt das Vision-Modell vorn. Wählen müssen Sie nicht: Die günstige Engine läuft zuerst, und nur die Seiten mit niedriger Konfidenz gehen weiter. In diesem Routing entscheidet sich der Preis.

Diese Zahlen verdienen etwas Vorsicht. Der DeltOCR-Benchmark von AIMultiple läuft auf 300 Dokumenten, alle englisch. Der olmOCR-Bench nutzt 8.413 Unit-Tests auf 1.403 PDF-Seiten, ebenfalls englisch. Die Genauigkeitstabelle nach Dokumenttyp stammt ursprünglich von Parsli, und Parsli konkurriert mit den Werkzeugen, die dort bewertet werden. Eine neutrale Quelle ist das nicht.

Unser Vorgehen an dieser Stelle: Wir bauen aus den Dokumenten des Kunden einen Prüfsatz von 100 bis 200 Stück und lassen die Kandidaten darauf laufen. Das kostet eine Woche, und danach reden Sie über gemessene Werte statt über Zusagen. Diakritika sind die typische Falle. Im Deutschen sind es ä, ö, ü und das ß, das manche Engine als B liest. Ausschließen, nicht voraussetzen.

Wie ist eine Pipeline für Dokumentenverarbeitung aufgebaut?

In vier Stufen, und jede ist teurer als die vorige. Ein Dokument versucht zuerst den günstigsten Weg und steigt nur auf, wenn die Konfidenz unter den Schwellenwert fällt. Genau das hält die Kosten im Rahmen, denn der größte Teil des Eingangs erreicht die teure Stufe nie.

Das Routing zu kalibrieren wiegt schwerer als die Modellwahl. Eine einzige Durchschnittskonfidenz auf Seitenebene reicht nicht. Kritische Felder wie Umsatzsteuer-Identifikationsnummer, Endbetrag und IBAN brauchen eigene, strengere Schwellen, je Dokumentklasse mit eigener Regel. Wer das auslässt, schickt entweder alles an das teure Modell oder lässt falsche Werte durch.

Die Prüfschicht, ohne die kein Produktivstart stattfindet

Weil das Vision-Modell plausible und falsche Werte erzeugt, muss der Fehler nach dem Modell abgefangen werden, nicht darin. Vier Prüfungen laufen bei uns über jede Rechnung, und jede davon ist billig im Vergleich zu einer falschen Buchung.

• Rechnerischer Abgleich, also Netto plus Umsatzsteuer gegen Brutto und die Summe der Positionen gegen den Endbetrag.
• Formatprüfung per regulärem Ausdruck auf Datum, Umsatzsteuer-Identifikationsnummer, IBAN und Telefonnummer.
• Gegenprüfung mit einem zweiten Modell, allerdings nur auf den kritischen Feldern, sonst verdoppeln sich die Kosten.
• Abgleich gegen den strukturierten Rechnungsdatensatz, wo es einen gibt. Im inländischen B2B-Geschäft wird das von Jahr zu Jahr häufiger der Fall sein.

Auch die Messung unterscheidet sich nach Aufgabentyp. Fließtext wird über Zeichen- und Wortfehlerrate bewertet, Formulare und Belege über die exakte Trefferquote und den F1-Wert je Feld, Tabellen über TEDS, fragebasierte Extraktion über ANLS. Steht in einem Angebot nur eine globale Genauigkeitsangabe, fragen Sie nach, welche Metrik gemeint ist.

Die zwölf Anwendungsfälle: Zeitaufwand, Automatisierungsanteil, Fehlerquote, Prüfung

Es folgen zwölf Aufgaben der Dokumentenverarbeitung, jede mit denselben vier Angaben. Die Hälfte davon ist öffentlich gemessen, die andere Hälfte nicht. Wir kaschieren das nicht: Die sechs gemessenen Fälle tragen eine benannte Quelle, die sechs übrigen sind als Schätzung ausgewiesen.

Die sechs gemessenen Anwendungsfälle

Die sechs ohne öffentliche Messung

1. Eingangsrechnung

Der am besten dokumentierte Fall der Liste und zugleich der am stärksten überversprochene. Der AP-Benchmark von Ardent Partners aus 2025 nennt 9,40 USD Durchschnittskosten je Rechnung, 2,78 USD im obersten Viertel und 9,2 Tage Durchlaufzeit. Der Median von APQC liegt bei 21,40 USD, das obere Quartil bei 10,18. Hypatos beziffert die Dunkelverarbeitung in SAP- und Oracle-Umgebungen auf 85 bis 92 Prozent, während der unabhängige Durchschnitt über alle Käufer bei etwa 25 Prozent liegt.

Die wichtige ROI-Aussage ist nicht der Prozentsatz, sondern die Kostenstruktur. IOFM verortet die Datenerfassung bei 30 bis 35 Prozent der gesamten Rechnungsbearbeitungskosten, die Ausnahmebehandlung bei 20 bis 25 Prozent. Die KI zielt also auf etwa die Hälfte der Kosten. Wer 80 Prozent Ersparnis im Rechnungseingang zusagt, hat die eigenen Zahlen nicht angesehen.

2. Vertragsauswertung

Das COIN-System von JPMorgan sparte jährlich 360.000 Arbeitsstunden von Juristen und Kreditsachbearbeitern bei der Durchsicht kommerzieller Kreditverträge, über mehr als 12.000 Verträge im Jahr. Das Detail, das die meisten Agenturtexte weglassen: Diese Zahl stammt aus 2017 und ist neun Jahre alt. Die NDA-Studie von LawGeex hinter den 94 Prozent KI-Genauigkeit gegenüber 85 Prozent bei erfahrenen Juristen ist von 2018.

Die Extraktion selbst ist nahezu vollständig automatisierbar. Kündigungsfristen, Vertragsstrafen, Gewährleistung und anwendbares Recht kommen sauber heraus. Die juristische Wertung nicht, und zwar nicht wegen fehlender Modellfähigkeit, sondern weil sich Berufshaftung nicht an eine API delegieren lässt. Diese Grenze gehört ins Angebot geschrieben.

3. E-Mail-Triage

Eine auf Gartner verweisende Messung setzt 31 Prozent der gesamten Bearbeitungszeit im Service für das Lesen, Kennzeichnen und Weiterleiten eingehender Nachrichten an, eine andere Messung nennt 20 bis 30 Prozent des Arbeitstages. Nach den CX-Trends-Daten von Zendesk aus 2025 gehen oberhalb von 500 Mails am Tag rund 22 Prozent der Nachrichten durch Fehlleitung, Dubletten oder gerissene Fristen verloren.

Zwischen 55 und 70 Prozent der Erstanfragen lassen sich abfangen: Bestellstatus, Öffnungszeiten, Rücksendung, Bestand. Bei Eskalation senkt eine automatische Zusammenfassung die Bearbeitungszeit um 35 bis 45 Prozent. Die 98 Prozent Klassifikationsgenauigkeit sind eine Anbieterangabe ohne unabhängige Messung.

4. Bewerbungsscreening

Ein Recruiter sichtet einen Lebenslauf in 6 bis 7 Sekunden und braucht 2 bis 3 Minuten für eine echte Prüfung. Fünfhundert Lebensläufe ergeben so 83 Stunden, gegenüber 15 Minuten beim automatisierten Screening. Die Konsistenz der KI liegt bei 85 bis 95 Prozent, die Übereinstimmung menschlicher Prüfer bei 60 bis 70. Recruiter übersehen 20 bis 30 Prozent der qualifizierten Kandidaten.

Es ist zugleich der riskanteste Posten der Liste. Anhang III 4(a) des AI Act nennt die Analyse und Filterung von Bewerbungen ausdrücklich als Hochrisiko, und Art. 22 DSGVO verbietet die vollautomatische Absage. Akademische Untersuchungen zeigen anhaltende Verzerrungen gegen Frauen, ältere Bewerber und Menschen mit Behinderung. Ohne menschliche Prüfung ist das nicht einsetzbar.

5. Schadensmeldung

Das Claims-Playbook von CAIC aus 2026 misst 20 bis 40 Prozent kürzere Durchlaufzeiten in dokumentenlastigen Sparten und 30 bis 60 Minuten Ersparnis je Sachbearbeiter und Akte. Die Kapazität der Regulierer steigt um 15 bis 30 Prozent, sofern das Änderungsmanagement stimmt. Der erste produktive Anwendungsfall steht in 60 bis 120 Tagen. Das Playbook veröffentlicht bewusst keine benannte Versicherer-Fallstudie, und die auf mehreren Blogs kursierende Aviva-Zahl ließ sich aus keiner Primärquelle bestätigen. Deshalb verwenden wir sie nicht.

6. KYC-Prüfung in der Bank

Die manuelle Sorgfaltsprüfung eines komplexen institutionellen Kunden kostet zwischen 1.500 und 3.000 USD, eine einzelne Verifikation dauert über 18 Minuten. Automatisiert sinkt die Verifikation unter 30 Sekunden, die Kosten je Fall um 48 bis 70 Prozent, die gesamte Onboarding-Dauer um annähernd 90 Prozent. Eine Fallstudie einer nicht benannten Regionalbank meldet einen Rückgang von 5 Arbeitstagen auf 4 Stunden. AML-Treffer, PEP-Abgleiche und Hochrisiko-Jurisdiktionen bleiben ausnahmslos menschliche Entscheidungen. Das ist eine gesetzliche Pflicht, keine Gestaltungsfrage.

7. Arztbericht

Dafür gibt es in keiner Sprache einen öffentlichen Benchmark, weshalb jede Zahl in der zweiten Tabelle geschätzt ist. Eines ist dokumentiert: Die Vision-Dokumentation von Anthropic hält fest, dass das Modell für die Deutung komplexer diagnostischer Bildgebung wie CT oder MRT nicht geeignet ist und die Ausgabe keine fachärztliche Beurteilung ersetzt. Was praktisch funktioniert, ist die Strukturierung des Befundtextes, die Zusammenfassung für Überweisungen und die Vorbereitung der Kodierung. Die Entscheidung bleibt beim Arzt, denn hier greifen Art. 9 DSGVO für besondere Kategorien personenbezogener Daten und Art. 22 zugleich.

8. Vergabeunterlagen

Ausschreibungen und Leistungsbeschreibungen durchzuarbeiten kostet Zeit, und Fehler sind teuer, weil ein übersehenes Eignungskriterium das Angebot ungültig macht. Eine Quelle, die den Ertrag misst, haben wir nicht gefunden. Was das Modell gut kann: Fristen, Formvorgaben, Referenzanforderungen und Bewertungskriterien in eine Vergleichstabelle ziehen. Die Angebotsentscheidung bleibt beim Menschen, und die Eigenheiten der jeweiligen Vergabeplattform gehören ins Extraktionsschema eingeplant statt vorausgesetzt.

9. Garantieschreiben

Formatgleich, kurz, wiederkehrend, auf dem Papier also ein idealer Kandidat. Eine öffentliche Messung existiert nicht. Die praktische Frage ist hier keine der Genauigkeit, sondern des Volumens. Bei dreißig Garantieschreiben im Monat amortisiert sich der Aufbau nie. Oberhalb von tausend wird es einer der günstigsten Posten der Liste.

10. Lieferschein

Eigenständige Messdaten haben wir nicht gefunden, weil Einkaufs-Benchmarks den Lieferschein als Teil des Drei-Wege-Abgleichs mit Bestellung und Rechnung behandeln. Das ist die gute Nachricht: Der Lieferschein ist kein eigenes Projekt, sondern Teil der Rechnungseingangs-Pipeline, und dort existieren gemessene Erträge. Abweichungen brauchen eine menschliche Prüfung, weil eine Mengendifferenz Folgen für Finanzen und Bestand hat. Die Rückschreibung in ERP oder Lagerverwaltung ist eine Integrationsaufgabe, keine KI-Aufgabe.

11. Sitzungsprotokoll

Auch hier kein gemessener ROI. Der moderne Anwendungsfall ist einfach genug: Beschlüsse, Verantwortliche und Termine aus dem Protokoll ziehen und als Aufgaben in das Projektsystem laden. Wo das Protokoll Rechtswirkung entfaltet, etwa bei einem Gesellschafterbeschluss, muss die Ausgabe jedes Mal freigegeben werden.

12. Umsatzsteuervoranmeldung

Europaweit hört das auf, ein Extraktionsproblem zu sein. Das Paket VAT in the Digital Age wurde am 11. März 2025 angenommen und trat am 14. April 2025 in Kraft. Die digitalen Meldepflichten für grenzüberschreitendes B2B gelten ab dem 1. Juli 2030, und Mitgliedstaaten mit eigener Echtzeitmeldung müssen sich bis zum 1. Januar 2035 angleichen. Wo die KI hier etwas beiträgt, ist die Klassifikation auf Positionsebene: Kontierungsvorschlag, Zuordnung des Steuersatzes, Befreiungstatbestand, Erkennung der Steuerschuldnerschaft des Leistungsempfängers. Nicht im Lesen von Text. Eine öffentliche Ertragsmessung dazu haben wir ebenfalls nicht gefunden.

Was ändert die E-Rechnungspflicht, und was bleibt für die Bilderkennung?

Sie verschiebt den Aufwand. § 14 Abs. 1 UStG definiert die elektronische Rechnung als Rechnung in einem strukturierten elektronischen Format nach der europäischen Norm gemäß Richtlinie 2014/55/EU, und nach § 14 Abs. 2 UStG ist sie für Umsätze zwischen inländischen Unternehmern vorgesehen. Wo XRechnung oder ZUGFeRD ankommt, brauchen Sie keine Bilderkennung mehr.

Für die Bilderkennung bleibt also mehr übrig, als die Debatte nahelegt. Ausländische Lieferanten fallen nicht unter die deutsche Pflicht, Belege und Auslagen ohnehin nicht, und Lieferscheine, Verträge und Schriftverkehr waren nie Teil davon. Wir sehen bei Rechnungseingangs-Projekten regelmäßig, dass der strukturierte Anteil schneller wächst als erwartet und der verbleibende Rest trotzdem Handarbeit bleibt, weil ihn niemand geplant hat.

Die Architektur, die wir dafür bauen, hat drei Schichten. Schicht eins ist der strukturierte Rechnungsdatensatz als Ausgangswahrheit. Schicht zwei ist die Bilderkennung, aber nur für das, was dort nicht steht. Schicht drei ist der automatische Abgleich zwischen beiden. In Ungarn betreiben wir dieselbe Konstruktion seit Jahren gegen die NAV-Onlinerechnung, deren Schnittstellenspezifikation 3.0 zwei Endpunkte für den Rückweg vorsieht. Behördliche Meldeschnittstellen sind für uns Routine, und die deutsche Fristenlage ist die nächstliegende Variante desselben Musters.

Ein Wort zu Umlauten. Diakritika sind bei den klassischen Engines ein messbares Risiko. Segmentierung und Trainingsmaterial von Tesseract waren historisch auf Englisch und strukturierte lateinische Schrift hin optimiert, und nach der Darstellung von Klippa verschlechtern starke Diakritika in Verbindung mit einer geschwungenen Schrift und farbigem Hintergrund die Genauigkeit spürbar. Bei Handschrift zeigen die großen Vision-Modelle 93 bis 95 Prozent auf englischem Material. Für deutsche Handschrift gibt es keinen vergleichbaren Vergleichswert.

Was verlangen DSGVO und AI Act bei der Dokumentenverarbeitung?

Nach Art. 22 DSGVO hat eine Person das Recht, keiner Entscheidung unterworfen zu werden, die ausschließlich auf einer automatisierten Verarbeitung beruht und ihr gegenüber rechtliche Wirkung entfaltet. Die Transparenzpflichten aus Art. 50 AI Act gelten seit dem 2. August 2026. Die Hochrisiko-Pflichten wurden mit der Verordnung (EU) 2026/1744 auf den 2. Dezember 2027 verschoben.

Wohin die Daten fließen, ist ein eigenes Risiko, und die meisten Angebote überspringen es. Auf der kostenfreien Stufe der Gemini-API werden Inhalte nach Googles eigener Angabe zur Produktentwicklung genutzt, womit sie für Kundendaten ausscheidet. Die Vision-Dokumentation von Anthropic hält fest, dass hochgeladene Bilder nicht für das Modelltraining verwendet werden, dass der Bildupload ephemer ist und dass die PDF-Verarbeitung für die Zero-Data-Retention-Option in Frage kommt. Trägt das Dokument ärztliche oder anwaltliche Verschwiegenheit, bleibt der lokale Betrieb: Docling, PaddleOCR oder Tesseract auf eigener Hardware.

Für deutsche Einkäufer ist das die entscheidende Frage und keine Fußnote. In der Bitkom-Befragung vom 11. März 2026 unter 604 Unternehmen ab 20 Beschäftigten waren Datenschutzanforderungen mit 77 Prozent das größte externe Hindernis beim KI-Einsatz, vor dem Fachkräftemangel mit 70 Prozent. Der Cloud Report von Bitkom vom 17. Juni 2026 findet, dass für 98 Prozent der Unternehmen die Herkunft des Anbieters zählt und 68 Prozent einen Anbieter aus der EU bevorzugen würden. Ein Dienstleister im EU-Raum, der Dokumente innerhalb der EU verarbeitet, beantwortet damit ein Einkaufskriterium. Das ist einer der Gründe, warum Nearshore-Entwicklung innerhalb der EU in diesen Projekten regelmäßig zur Sprache kommt, samt AVV nach Art. 28 DSGVO und ohne Drittlandtransfer.

Welche Dokumente lohnen die Automatisierung nicht?

Geringe Stückzahl, unregelmäßiger Eingang und jedes Mal ein anderes Layout. Bei 50 Dokumenten im Monat amortisiert sich ein Aufbau für 6.500 EUR über Jahrzehnte. Die bildbasierte Erfassung inländischer B2B-Rechnungen lohnt ebenso wenig, wo bereits ein strukturierter Datensatz vorliegt. Und keine Aufgabe lohnt, deren Ausgabe aus Haftungsgründen ohnehin vollständig gelesen werden muss.

Es gibt einen siebten Fall, der selten ausgesprochen wird. Wenn der Prozess langsam ist, weil der Freigeber die Mail drei Tage nicht öffnet, bringt eine schnellere Erfassung nichts. Suchen Sie zuerst den Engpass. Unser Beitrag zur Prozessautomatisierung im Mittelstand geht darauf genauer ein.

Was kostet die Verarbeitung eines Dokuments?

Die Modellgebühr liegt je nach Anbieter und Operation zwischen 1,50 und 50 USD pro tausend Seiten. Das ist ein Bruchteil der Gesamtkosten: Manuell kostet eine Rechnung 10 bis 22 USD, automatisiert 0,50 bis 1 USD. Den größten Teil dieser Differenz macht nicht die API aus, sondern Aufbau, Prüfschicht und Ausnahmebehandlung.

Frontier-Modelle brauchen eine eigene Rechnung, weil Sie je Token zahlen und nicht je Seite. Die Dokumentation von Anthropic setzt eine PDF-Seite mit 1.500 bis 3.000 Text-Token an, wobei jede Seite zusätzlich als Bild eingeht und die Bildtoken auf der Standardstufe bei 1.568 gedeckelt sind. Für eine A4-Seite ergibt das rund 3.568 Eingabe-Token, dazu etwa 300 Ausgabe-Token für die JSON-Antwort.

Zwei günstige Hebel werden oft übersehen. Die Batch-Verarbeitung halbiert den Preis für Eingabe und Ausgabe, und eine Dokumenten-Pipeline braucht selten eine Antwort in Echtzeit. Das Lesen aus dem Prompt-Cache kostet ein Zehntel des Normalpreises, und weil der lange Systemprompt und das Extraktionsschema bei jedem Aufruf identisch sind, amortisiert sich diese Optimierung am schnellsten.

Was kostet der Aufbau selbst?

Nach unserer Preisliste zur Prozessautomatisierung liegt ein einfacher Ablauf mit ein bis drei Schritten bei 260 bis 1.300 EUR, eine Integration über mehrere Systeme mit Fehlerbehandlung bei 1.300 bis 6.500 EUR und eine KI-gesteuerte komplexe Automatisierung, also Rechnungs-OCR mit Klassifikation und Freigabelauf zusammen, bei 6.500 bis 26.000 EUR. Die Wartung kostet 80 bis 390 EUR im Monat. Umgerechnet zu 385 HUF/EUR, dem Kurs vom 14. August 2026. Das sind Richtwerte und kein Angebot; international rechnen wir in EUR zum Mittelkurs der Ungarischen Nationalbank am Rechnungsdatum ab. Der Pilot dauert ein bis zwei Wochen, die Amortisation liegt meist bei drei bis neun Monaten.

Eine Modellrechnung, die auf das europäische Mittelstandsprofil passt: Eine Fallstudie eines nicht benannten KMU meldet bei 12.000 Lieferantenrechnungen im Jahr eine um 65 Prozent geringere Datenerfassung, 600 eingesparte Stunden und 40.000 EUR vermiedene Personalkosten. Die Quelle ist ein Anbieter und der Kunde ist nicht genannt. Nehmen Sie das als Modell, nicht als Beleg.

Zusammenfassung und häufige Fragen

Wo wir dabei stehen

Eines gehört offen gesagt, weil der Markt es umgeht. Stand August 2026 existiert keine veröffentlichte, benannte und geprüfte Fallstudie, die den Ertrag von Dokumentenverarbeitung mit KI in einem deutschen oder ungarischen Unternehmen misst. Weder von uns noch von unseren Wettbewerbern. Wer lokale Zahlen zitiert, übersetzt einen internationalen Benchmark. Das ist deshalb ärgerlich, weil die technische Ausgangslage in Europa gerade besser wird als das, wofür die amerikanischen Werkzeuge gebaut wurden.

Wenn Sie ein Projekt zur Dokumentenverarbeitung planen: Unsere laufenden Arbeiten stehen auf der KI-Portfolio-Seite. Der sinnvolle erste Schritt ist ohnehin kein Angebot, sondern ein Prüfsatz aus Ihren eigenen Dokumenten.

Quellen

• Benchmarks zur Rechnungsbearbeitung: WEX (zitiert Ardent Partners 2025), Lido (APQC, Ardent, IOFM), Hypatos
• Verträge und Recht: ABA Journal zu JPMorgan COIN (2017)
• E-Mail, Recruiting, Schaden, KYC: Fini Labs, Equip, CAIC Playbook, Lorikeet
• OCR-Genauigkeit: AIMultiple DeltOCR, olmOCR-Bench, OmniDocBench, Parsli, Klippa zu Tesseract
• Messungen außerhalb des Englischen: Transkribus, ungarische Modelle, F1000Research 15:181, METATR v1.0 (arXiv:2605.26712)
• E-Rechnung und Umsatzsteuer: § 14 UStG, § 27 UStG, VAT in the Digital Age (ViDA), NAV-Onlinerechnung, Schnittstellenspezifikation 3.0
• Recht: Art. 22 DSGVO, Art. 28 DSGVO (AVV), Art. 50 AI Act, Anhang III AI Act, Verordnung (EU) 2026/1744
• Deutscher Markt: Bitkom, Digitalisierung der Wirtschaft (11.03.2026), Bitkom Cloud Report 2026 (17.06.2026)
• Preise: AWS Textract, Azure AI Document Intelligence, Mistral OCR 4.0, Unstructured.io, Docling, Anthropic-Preisliste, Gemini-API-Preise, ACTGSYS, KMU-Fallstudie