Zwei Modelle lesen das Dokument gleichzeitig, ein drittes liest unabhängig gegen. Entschieden wird pro Feld, nicht pro Dokument. Ein schwaches Feld zieht die anderen nicht mit herunter.
WIE ES FUNKTIONIERT
Keine generische Parser-Oberfläche, sondern eine eigene Pipeline für wiederkehrende operative Dokumente.
Doku-Flux liest jedes Dokument als Bild. Drei Vision-Modelle extrahieren Ihre Felder unabhängig voneinander und stimmen anschließend feldweise ab. Keine Vorlagen, keine KI-Dienste von OpenAI, Google oder Microsoft, kein Training mit Ihren Dokumenten.
WAS DEN UNTERSCHIED MACHT
Drei unabhängige Meinungen statt einer.
Ein einzelnes Modell kann einen Wert überzeugend falsch lesen, und nichts im Ergebnis verrät es. Doku-Flux lässt denselben Beleg mehrfach lesen und macht die Uneinigkeit sichtbar.
Wenn die Modelle auseinanderlaufen oder ein Wert unplausibel ist, wird das Feld als Ausnahme gekennzeichnet. Eine falsche Schmelznummer ist gefährlicher als eine fehlende.
Das Dokumentbild wird in Rechenzentren in Deutschland verarbeitet. Es geht an keinen KI-Dienst von OpenAI, Google oder Microsoft und in kein Training.
DIE PIPELINE
So arbeitet Doku-Flux im Hintergrund.
Das ist die echte fachliche Abfolge hinter der Oberfläche. Sie erklärt, wie Doku-Flux mit gemischten Dokumentstapeln umgeht.
Sie benennen die Felder
Sie sagen einmal, was Sie brauchen, zum Beispiel Schmelznummer, Lieferdatum oder Nettobetrag. Doku-Flux ordnet jedem Feld einen Typ zu und weiß damit, wonach es im Dokument sucht.
Ihre Fachsprache, keine VorlageSeiten werden als Bild aufbereitet
PDFs, Scans und Fotos werden zu Seitenbildern gerendert und, wenn nötig, gerade gedreht. Die Drehung ist der einzige Punkt, an dem eine klassische Texterkennung mitwirkt, und sie liest dabei keine Zeichen.
PDF, Scan oder FotoZwei Modelle lesen gleichzeitig
Zwei Vision-Modelle sehen dasselbe Seitenbild und extrahieren Ihre Felder unabhängig voneinander. Sie sehen die Antwort des jeweils anderen nicht.
Parallel, ohne gegenseitigen EinflussEin drittes Modell liest unabhängig gegen
Ein größeres Modell macht einen eigenen Durchgang auf demselben Bild. Es bekommt die Zwischenergebnisse bewusst nicht zu sehen, damit es nicht nur bestätigt, was schon dasteht.
Eigene Sicht, kein NachbessernMehrheitsentscheid je Feld
Stimmen die Modelle überein oder besteht ein einzelner Wert eine Prüfregel, etwa eine Prüfziffer oder einen bekannten Wert, gilt das Feld als „ok“. Laufen sie auseinander, wird es als „unklar“ markiert; findet keines einen Wert, als „fehlt“. Geraten wird nicht.
Feldweise, nicht dokumentweiseNormalisieren und auf Plausibilität prüfen
Datumsformate, Mengen und Einheiten werden in eine einheitliche Schreibweise gebracht. Werte, die nicht zum Feldtyp passen, werden zur Prüfung markiert.
Einheitliche SchreibweiseStrukturierte Ausgabe für den Folgeprozess
Am Ende steht eine Tabelle zum Herunterladen als CSV, JSON oder Excel. Nicht als Laborversuch, sondern für den Alltag im Betrieb.
CSV, JSON oder ExcelPRAKTISCHE SICHT
Was das für Ihre Dokumente bedeutet.
Die Pipeline trennt klar zwischen dem, worüber sich die Modelle einig sind, und dem, worüber nicht. Genau darin liegt der Vorteil gegenüber generischen Einheitsabläufen.
Wenn die Modelle übereinstimmen
Dann wird der Wert übernommen und als „ok“ markiert. Übereinstimmung mehrerer unabhängiger Leser ist ein starkes Signal, ersetzt aber Ihre Prüfung nicht.
- Ergebnis geht direkt in die Tabelle
- Das Feld ist als „ok“ markiert
- Häufig bei sauber gedruckten Belegen
Wenn Layout, Druck oder Bildqualität schwierig werden
Dann laufen die Modelle auseinander, und genau das wird sichtbar gemacht. Das Dokument bleibt im Prozess, die strittigen Felder werden gekennzeichnet.
- Das strittige Feld wird als Ausnahme markiert
- Ihr Team sieht diese Felder bei der Prüfung zuerst
- Lieber ein leeres Feld als eine falsche Schmelznummer
INFRASTRUKTUR UND DATENSCHUTZ
Die Architektur ist auch das Datenschutzversprechen.
Doku-Flux soll nicht nur gut aussehen wie moderne Parser Produkte, sondern strukturell anders gebaut sein. Darum liegen Dokumentspeicherung, Modelle und Verarbeitung in Rechenzentren in Deutschland.
Was bewusst nicht passiert
- Keine Übergabe an OpenAI
- Keine Verarbeitung über Google Cloud AI
- Keine Auslagerung an Microsoft Azure AI
- Keine Dokumentverarbeitung über Amazon AWS
Was stattdessen passiert
- Vision-Modelle, die wir selbst betreiben, in Rechenzentren in Deutschland
- Kein Training mit Ihren Dokumenten
- Mehrfaches unabhängiges Lesen statt einer einzelnen Modellantwort
- Ausgabe als strukturierte Daten für Ihre Folgeprozesse
Passt diese Architektur zu Ihrem Prozess?
Dann testen wir sie am besten mit Ihren echten Dokumenten und Ihren echten Feldern. Dort zeigt sich sehr schnell, wie viel manueller Aufwand sich tatsächlich aus dem Tagesgeschäft nehmen lässt.