OCR (Optical Character Recognition) bezeichnet die automatische Erkennung von gedrucktem oder handgeschriebenem Text in digitalen Bildern und die anschließende Umwandlung in maschinenlesbaren Text. Unternehmen setzen diese Technologie ein, um Papierdokumente, Rechnungen, Lieferscheine und Verträge digital zu erfassen, ohne Daten manuell eingeben zu müssen. Moderne KI-gestützte OCR-Systeme erreichen bei klar gedruckten Dokumenten Zeichenerkennungsraten von über 99 Prozent.
OCR ist ein Verfahren der Dokumentenverarbeitung, das visuelle Bildinformationen in editierbaren, maschinenlesbaren Text umwandelt. Der Begriff bezeichnet sowohl die Technologie als auch die Softwareklasse.
Die Anfänge reichen bis in die 1950er Jahre zurück. Frühe Systeme arbeiteten mit festen Schriftarten und konnten nur eine begrenzte Anzahl von Zeichen erkennen. Ab den 1980er Jahren verbreitete sich OCR mit Personalcomputern und Flachbettscannern auch in Unternehmen.
Heute unterscheidet man mehrere Kategorien: Print-OCR für gedruckte Texte, Handschrifterkennung (ICR), Barcode- und QR-Code-Erkennung sowie Intelligent Document Processing (IDP), das OCR mit Klassifikation und KI-gestützter Datenextraktion verbindet.
In der Unternehmenspraxis wird OCR meist für die automatische Verarbeitung eingehender Belege genutzt. Manuelle Dateneingabe ist zeitaufwendig und fehleranfällig; OCR reduziert beides.
Zunächst wird das Eingangsbild aufbereitet. Typische Schritte sind Binarisierung (Farbbild zu Schwarz-Weiß), Rauschreduktion, Deskewing schiefer Scans, Anpassung der Auflösung auf mindestens 300 DPI und eine Kontrastverbesserung.
Anschließend wird das Bild hierarchisch aufgeteilt: Layoutanalyse für Textblöcke, Spalten und Tabellen, dann Zeilen-, Wort- und Zeichensegmentierung. Klassische OCR zerlegt Wörter in einzelne Zeichen, während LSTM-basierte Systeme ganze Zeilen direkt verarbeiten.
Klassische Ansätze extrahieren geometrische Merkmale aus segmentierten Zeichen und vergleichen sie mit einer Datenbank. Neuronale Netzwerke verarbeiten dagegen ganze Textzeilen als Bildsequenz und lernen aus Trainingsdaten.
Im letzten Schritt erfolgt ein Wörterbuchabgleich, gegebenenfalls eine Kontextanalyse durch Sprachmodelle und die Ausgabe in das gewünschte Format, etwa JSON, durchsuchbare PDF oder Tabelle.
Klassische OCR-Verfahren arbeiten mit explizit programmierten Regeln und Zeichenvorlagen. Sie vergleichen geometrische Merkmale mit gespeicherten Zeichenformen. Bei standardisierten Schriften und sauberen Scans funktioniert das zuverlässig; bei abweichenden Schriftarten, Handschriften oder niedriger Auflösung stößt der Ansatz an seine Grenzen.
LSTM-basierte Texterkennung verwendet Long-Short-Term-Memory-Netzwerke, die ganze Textzeilen als Bildsequenz verarbeiten. Diese Modelle sind robuster gegenüber Schriftvariationen und Bildfehlern. Tesseract wechselte mit Version 4.0 im Jahr 2018 auf einen LSTM-basierten Motor.
Transformer-basierte Modelle wie TrOCR von Microsoft kombinieren einen Vision-Transformer-Encoder mit einem Text-Decoder. Über den Aufmerksamkeitsmechanismus modellieren sie Kontext besser, benötigen dafür aber mehr Rechenleistung und werden deshalb meist als Cloud-Dienste angeboten.
Multimodale Dokumentenmodelle wie LayoutLM verbinden Text, Layout und visuelle Merkmale. Bei strukturierten Dokumenten liefern sie bessere Extraktionsergebnisse als reine OCR-Engines.
In der Buchhaltung und im Finanzwesen werden Eingangsrechnungen, Quittungen, Kassenbelege, Kontoauszüge und Reisekostenabrechnungen automatisch verarbeitet.
In Logistik und Lagerverwaltung kommen OCR-Systeme bei Lieferscheinen, Frachtbriefen, Packzetteln und Zolldokumenten zum Einsatz. Mobile OCR-Apps erfassen Wareneingänge direkt auf dem Smartphone, und in Hafen- und Speditionsumgebungen werden Kennzeichen sowie Containernummern automatisch ausgelesen.
Im Rechtswesen und in Compliance-Funktionen wird OCR vor allem für die Volltextsuche in eingescannten Verträgen, Gerichtsbeschlüssen und Schriftsätzen eingesetzt. Legal-Tech-Anwendungen nutzen die extrahierten Texte zudem für strukturierte Vertragsanalysen.
In der öffentlichen Verwaltung dient OCR der Digitalisierung eingehender Post, der Klassifikation von Dokumententypen und dem Auslesen von Ausweisdokumenten und Reisepässen über die Machine Readable Zone (MRZ).
Lido ist eine cloudbasierte Plattform für automatisierte Datenextraktion aus Dokumenten. Die OCR ist Teil einer Automatisierungsumgebung, in der erkannte Daten in Tabellen überführt, über Validierungsregeln geprüft und per API in nachgelagerte Systeme übergeben werden. Verarbeitet werden PDFs, Bilddateien und gescannte Dokumente, darunter Rechnungen, Quittungen, Lieferscheine und eigene Formularvorlagen. Die Konfiguration erfolgt über eine No-Code-Oberfläche, sodass keine Programmierkenntnisse nötig sind.
Tesseract ist eine Open-Source-OCR-Engine, die seit 2006 von Google gepflegt wird. Mit Version 4.0 kam ein LSTM-basierter Erkennungsmotor hinzu. Unterstützt werden über 100 Sprachen, darunter auch Deutsch. Der Betrieb erfolgt vollständig lokal.
ABBYY FineReader ist eine kommerzielle OCR-Lösung mit hoher Erkennungsgenauigkeit für gedruckte Texte in zahlreichen Sprachen. Verfügbar ist sie als Desktop-Software, Cloud-API und On-Premise-Server. Für größere Unternehmen bietet der Hersteller die Variante ABBYY Vantage an.
Die Google Cloud Vision API kombiniert OCR mit Bilderkennung und weiteren Computer-Vision-Aufgaben. Bei klar gedruckten Texten sind die Erkennungsraten hoch, abgerechnet wird pro API-Aufruf. Bei datenschutzkritischen Anwendungen sollten die Server-Standorte geprüft werden.
Adobe Acrobat enthält eine integrierte OCR-Funktion, mit der gescannte PDFs in durchsuchbare Dokumente umgewandelt werden. Bei komplexen Layouts ist sie weniger leistungsfähig als spezialisierte OCR-Software. Sinnvoll vor allem für Anwender, die ohnehin im Adobe-Ökosystem arbeiten.
Microsoft Azure AI Document Intelligence ist eine Cloud-Lösung für strukturierte Dokumentenextraktion. Sie kombiniert OCR mit vorgefertigten Modellen für Rechnungen, Quittungen und Ausweisdokumente und ist eng mit dem übrigen Azure-Stack verzahnt.
| Tool | Bereitstellung | Zielgruppe | On-Premise | EU-Datenhaltung | Preismodell |
|---|---|---|---|---|---|
| Lido | Cloud-Plattform | KMU, Fachabteilungen | Nein | Ja | Monatsabo |
| Tesseract OCR | Open Source, lokal | Entwickler | Ja | Ja | Kostenlos |
| ABBYY FineReader | Desktop/Cloud/Server | Unternehmen, Enterprise | Ja | Ja | Lizenz/Abo |
| Google Cloud Vision | Cloud-API | Entwickler | Nein | Konfigurierbar | Pay-per-Use |
| Adobe Acrobat | Desktop/Cloud | Einzelanwender, Teams | Teilweise | Ja | Abo |
| Azure AI Document Intelligence | Cloud-API | Entwickler, Enterprise | Nein | Konfigurierbar | Pay-per-Use |
Unter idealen Bedingungen erreichen aktuelle Systeme Zeichenerkennungsraten von 99 bis 99,9 Prozent. Bei einem Dokument mit 1.000 Zeichen und 99 Prozent Erkennungsrate sind statistisch zehn Zeichen falsch.
Die tatsächliche Genauigkeit hängt von mehreren Einflussfaktoren ab. Dazu zählen die Bildauflösung (mindestens 300 DPI), die verwendete Schriftart, die Schriftgröße (unter 8 Punkt wird es schwierig), Hintergrund und Kontrast sowie der Zustand des Originaldokuments und die Sprache mit ihren Sonderzeichen.
Daneben gibt es strukturelle Grenzen. Bei Handschriften liegen die Erkennungsraten je nach Lesbarkeit zwischen 80 und 95 Prozent. Komplexe Tabellen mit verbundenen Zellen bereiten den meisten Engines Probleme, ebenso mathematische Formeln mit Sonderzeichen, Brüchen oder Indizes. Auch mehrsprachige Dokumente bleiben anspruchsvoll.
Cloud-basierte OCR-Dienste übertragen die Dokumente zur Verarbeitung an externe Server. Aus DSGVO-Sicht ist das nur mit Auftragsverarbeitungsverträgen nach Art. 28 DSGVO zulässig, und die Verarbeitung muss im EWR oder einem Land mit angemessenem Schutzniveau stattfinden. Bei sensiblen personenbezogenen Daten ist besondere Sorgfalt geboten.
On-Premise-Lösungen werden dagegen auf der eigenen Infrastruktur betrieben. Die Dokumente verlassen die Unternehmensumgebung nicht. Dafür sind Betriebsaufwand und Anfangsinvestitionen höher.
Für eine DSGVO-konforme Einführung sollten Sie die Verarbeitung im Verzeichnis der Verarbeitungstätigkeiten dokumentieren, einen AV-Vertrag abschließen, Drittlandtransfers prüfen und Aufbewahrungsfristen festlegen. Bei sensiblen Daten kommt eine Datenschutz-Folgenabschätzung hinzu.
Bei klar gedruckten Dokumenten ab 300 DPI liegt sie zwischen 99 und 99,9 Prozent. Bei schlechten Scans, ungewöhnlichen Schriften oder Handschriften fällt sie niedriger aus. Für kritische Felder empfiehlt sich eine automatisierte Validierung.
Ja, sofern das System auf Deutsch konfiguriert ist. Bei Tesseract muss das deutsche Sprachpaket explizit geladen werden. Probleme treten vor allem bei sehr kleinen Schriftgrößen oder niedriger Auflösung auf.
Die Erkennungsraten liegen je nach Lesbarkeit zwischen 80 und 95 Prozent. Druckschrift wird besser erkannt als verbundene Schreibschrift. Eine manuelle Nachkontrolle ist sinnvoll.
Einfache Tabellen mit klaren Rahmenlinien werden in der Regel zuverlässig erkannt. Komplexe Strukturen mit verbundenen Zellen oder ohne sichtbare Linien bereiten Schwierigkeiten. Am besten testen Sie das mit Ihren eigenen Dokumenten.
Standard-OCR ist auf Fließtext und Ziffern ausgelegt. Mathematische Sonderzeichen werden häufig nicht korrekt erkannt. Spezialisierte Tools wie Mathpix liefern stattdessen eine LaTeX-Ausgabe.
%20(1).svg)
