Rechnungen, Verträge, Berichte, Eingaben, interne Zusammenfassungen. Jemand muss sie lesen, die relevanten Zahlen heraussuchen, sie in ein System eintippen, prüfen, ob sich nichts widerspricht, und am Ende aus all dem noch ein weiteres Dokument bauen. Von Hand. Jedes Mal wieder. Diese Schleife kennt praktisch jedes Unternehmen, denn Dokumente erreichen praktisch jedes.
Laut McKinsey verbringen Wissensarbeiter bis zu 19 % ihrer Arbeitszeit mit dem Suchen und Zusammentragen von Informationen. Das ist ein Tag pro Woche, an dem eine Buchhalterin, ein Anwalt oder ein Compliance-Officer etwas tut, das eine Maschine erledigen könnte. Und das ist nur der sichtbare Teil der Rechnung. Manuelles Abtippen erzeugt Fehler, und die muss auch jemand finden und beheben.
Bei rise.sk gehen wir das systematisch an. Wir entwickeln eine Plattform, die Dokumente nicht nur liest, sondern sie versteht, die gefundenen Informationen über Dokumente hinweg verknüpft und am Ende Ergebnisse liefert, ohne dass ein Mensch dazwischensteht.
Die Plattform begleitet ein Dokument den ganzen Weg, von dem Moment an, in dem es eintrifft, bis zu dem Moment, in dem etwas Neues daraus entsteht.
Eintreffen kann es in jedem Format. PDF, Scan, E-Mail-Anhang, Word, Excel. Die KI liest es, erkennt, um welche Art von Dokument es sich handelt, und zieht das Wesentliche heraus, also Beträge, Daten, Parteien, Firmennummern und Vertragsnummern. Diese Werte gleicht das System anschließend mit den Datensätzen ab, die Sie bereits haben, sodass eine Rechnung ihren eigenen Lieferanten, ihren eigenen Rahmenvertrag und ihren eigenen Ansprechpartner findet. Aus denselben Daten füllt das System dann eine Vorlage aus, stellt einen Bericht zusammen oder erzeugt eine Zusammenfassung.
Das ist kein Chatbot, der Fragen zu einem Dokument beantwortet. Es ist eine Pipeline, die täglich Hunderte von Dokumenten durcharbeitet, ohne dass jemand sie einzeln öffnet.
Am Anfang steht das Verstehen. Ein Dokument trifft ein und das Modell ordnet es zunächst ein. Rechnung, Vertrag, Lieferschein, interner Bericht? Jeder Typ ist anders aufgebaut und in jedem stecken andere Daten.
Danach kommt die Extraktion. Bei gescannten Dokumenten arbeitet OCR (Optical Character Recognition), bei digitalen Texten NLP (Natural Language Processing), und gemeinsam holen sie genau das heraus, was Sie brauchen. Aus einer Rechnung sind das Beträge, Fälligkeitsdaten, Lieferanten- und Abnehmernummern und Bestellnummern. Aus einem Vertrag die Vertragsparteien, der Gegenstand, die Leistungsfristen und die Sanktionen.
Entscheidend ist, worauf das System aufbaut. Es lernt keine starren Vorlagen auswendig, sondern nutzt Sprachmodelle, die den Kontext verstehen. Ändert ein Lieferant das Layout seiner Rechnung, kommen die richtigen Felder trotzdem heraus, denn das Modell weiß, was ein Fälligkeitsdatum ist. Wo genau auf der Seite es steht, ist dabei nebensächlich.
Die Extraktion allein ist nützlich. Wertvoll wird sie erst durch das, was danach passiert. Jeden Wert, den das System herauszieht, ordnet es Entitäten zu, die bereits in Ihrer Datenbank liegen.
Nehmen wir eine Rechnung der Firma ABC Ltd. Das System liest die Firmennummer, findet damit den vorhandenen Datensatz, verbindet die Rechnung mit dem gültigen Rahmenvertrag, erkennt den Ansprechpartner und ordnet die Rechnung dem richtigen Projekt zu. Geklickt hat dabei niemand.
Umgekehrt funktioniert es genauso. Sie öffnen die Karteikarte eines Kunden und haben alles vor sich, was mit ihm zu tun hat. Verträge, Rechnungen, Lieferscheine, den Schriftverkehr. Nicht weil das jemand von Hand sortiert hätte, sondern weil das System die Beziehungen zwischen den Dokumenten kennt.
Zwei Techniken erledigen die Arbeit. Der exakte Abgleich deckt Firmennummern und Vertragsnummern ab, also die Stellen, an denen fast richtig dasselbe ist wie falsch. Der unscharfe Abgleich deckt Firmennamen und Adressen ab, die in jedem Dokument etwas anders geschrieben sind. Heraus kommt ein Beziehungsgraph, und der wird mit jedem verarbeiteten Dokument dichter.
Das letzte Glied der Kette ist die Ausgabe. Sobald die Daten extrahiert und die Entitäten verknüpft sind, lassen sich Dokumente auf Abruf erzeugen.
Eine Vorlage beschreiben Sie einmal. Einen Vertrag, ein Angebot, ein Übergabeprotokoll, ein Formular, jeweils mit Variablen darin, und von da an füllt das System sie mit den richtigen Werten. Periodische Berichte entstehen ähnlich, nur werden die Daten vorher über einen Zeitraum aggregiert. So kommen Monatsübersichten, Quartalsberichte und Compliance-Dokumentation zustande. Und schließlich die zusammenfassenden Berichte, also die Abrechnungsübersicht pro Projekt, der Erfüllungsstand vertraglicher Verpflichtungen oder eine Fälligkeitsanalyse offener Forderungen.
Die Vorlagen bleiben Ihre. Ihr Format, Ihre Felder, Ihre Logik. Das System wendet sie nur konsistent an, ohne Tippfehler und mit aktuellen Daten.
Wir bauen das für Organisationen, in denen Dokumente nicht die Ausnahme sind, sondern die Arbeit selbst.
Buchhaltungsbüros und Finanzabteilungen bekommen daraus Rechnungsverarbeitung, den Abgleich mit Bestellungen und die Erstellung von Abschlüssen. Eine Rechnung tippt niemand mehr von Hand ein, die KI verarbeitet sie und legt sie zur Freigabe bereit.
Anwaltskanzleien analysiert es Verträge, holt die wesentlichen Bedingungen heraus und überwacht Fristen. Standardverträge erzeugt es danach aus den Mandantendaten, die ohnehin schon vorliegen.
In der öffentlichen Verwaltung geht es um Eingaben, um die Prüfung, ob die Unterlagen wirklich vollständig sind, und um Bescheide und Mitteilungen. Der Sachbearbeiter muss sich nicht durch Anhänge wühlen, um zu sehen, was fehlt.
Und große Unternehmen mit verwickelter Dokumentation nutzen es für Compliance-Reporting, interne Revision und Lieferantenbeziehungen. Dort zahlt sich die Verknüpfung am meisten aus, denn genau in den Lücken zwischen den Abteilungen gehen heute Informationen verloren.
Die Architektur ruht auf fünf Komponenten.
Der Document Ingestion Layer nimmt Dokumente aus allem entgegen, worüber sie Sie erreichen. Aus E-Mails, über die API, per Upload, aus überwachten Ordnern. Er vereinheitlicht die Formate und macht jedes Dokument verarbeitungsfertig.
Die AI Processing Pipeline ist das Herzstück. Sie verbindet eine OCR-Engine für Scans, ein Sprachmodell für Klassifizierung und Extraktion und ein Entity-Recognition-Modul, das Entitäten erkennt und verknüpft. Wir haben sie modular gebaut, sodass sich jedes einzelne Teil austauschen und verbessern lässt, ohne den Rest anzufassen.
Der Entity Graph ist eine Graphdatenbank, die die Beziehungen hält. Eine Firma hat Verträge, Verträge haben Rechnungen, Rechnungen haben Positionen, Positionen hängen an Bestellungen. Jedes neue Dokument fügt ein paar Kanten hinzu.
Die Template Engine erzeugt die Dokumente und beherrscht bedingte Blöcke, Berechnungen und Formatierung. Die Vorlagen haben wir bewusst in einem einfachen Format gelassen, damit sie auch jemand bearbeiten kann, der nicht programmiert.
Der Validation & Review Layer wacht über die Qualität. Alles mit niedrigem Confidence-Score geht an einen Menschen, statt einfach durchzulaufen. Je mehr Dokumente durchlaufen, desto genauer wird das System.
Ein mittelständischer Hersteller bekommt monatlich über 500 Lieferantenrechnungen. Bisher öffnete eine Buchhalterin jede einzelne, tippte sie in das Buchhaltungssystem und glich sie mit einer Bestellung ab.
Jetzt treffen die Rechnungen per E-Mail an einer eigenen Adresse ein und verarbeiten sich selbst. Das System holt Lieferant, Betrag, Mehrwertsteuer, Fälligkeitsdatum und Bestellnummer heraus, sucht die passende Bestellung im ERP und vergleicht beides. Stimmt es überein, geht die Rechnung direkt an den zuständigen Manager zur Freigabe. Stimmt der Betrag nicht oder ist der Lieferant unbekannt, wird sie für einen Menschen zurückgelegt.
80 % dieser 500 Rechnungen laufen automatisch durch. Die Buchhalterin verbringt jetzt einen halben Tag mit Rechnungen statt drei, und nur mit denen, die aus der Reihe fielen.
Ein Finanzinstitut muss jedes Quartal aufsichtsrechtliche Meldungen einreichen. Die Daten dafür liegen verstreut in Dutzenden internen Dokumenten, in Verträgen, Transaktionsaufzeichnungen, Kundenkorrespondenz und internen Entscheidungen.
Sind die relevanten Entitäten bereits verknüpft, stellt das System diese Daten zum Quartalsende selbst zusammen. Es aggregiert, füllt das aufsichtsrechtliche Formular aus und erzeugt die Anlagen. Der Compliance-Officer bekommt einen fertigen Bericht zur Prüfung statt eines Haufens Rohdaten zum Zusammenstellen.
Aus zwei Wochen Arbeit werden zwei Tage.
Eine Anwaltskanzlei bringt monatlich Dutzende Standardverträge heraus. Mietverträge, Werkverträge, Kaufverträge. In jeden müssen Mandantenangaben, Objektdaten und Bedingungen von Hand eingetragen werden.
Stattdessen wählt der Anwalt einen Vertragstyp und einen Mandanten, und das System füllt die Vorlage aus den aktuellen Datenbankeinträgen. Identifikationsangaben der Parteien, Adressen, Vertragsgegenstand, Preiskonditionen aus dem Angebot. Heraus kommt ein Entwurf, den der Anwalt prüft und anpasst.
Die Erstellung eines Standardvertrags sinkt von 45 Minuten auf 5. Tippfehler und Widersprüche verschwinden, weil niemand mehr etwas abtippt.
Wir sind nicht die Einzigen, die Dokumentenautomatisierung machen. Der Unterschied liegt darin, was hinter uns steht.
Wir bringen KI in den Produktivbetrieb, nicht in Pitch-Decks. Wir sind kein Forschungsteam, das Paper schreibt, sondern Ingenieure, die in produktive Umgebungen ausrollen. Wir wissen, was auf einer Folie gut aussieht und was den Kontakt mit echten Daten übersteht. Das sind zwei verschiedene Dinge.
Wir kennen slowakische Dokumente. Rechnungsformate, Vertragsstrukturen nach slowakischem Recht, die Formate von Firmen- und Steuernummern, die Gewohnheiten der Verwaltung. Das ist keine generische Lösung, die aus dem Ausland übersetzt wurde, und bei Dokumenten, deren Form das Gesetz vorgibt, ist das der Unterschied zwischen funktionierend und fast funktionierend.
Wir fangen nicht groß an. Ein Dokumententyp, ein Prozess, den Nutzen zeigen, dann erweitern. Jeder Schritt ist messbar und jeder Schritt muss sich rechnen.
Und schließlich die Sicherheit. Dokumente enthalten sensible Daten, deshalb läuft die Plattform in einer abgesicherten Umgebung, die Daten sind im Ruhezustand wie bei der Übertragung verschlüsselt und Zugriffe werden verwaltet und protokolliert. Kunden mit den strengsten Anforderungen können sie on-premise betreiben.
Wenn Ihr Unternehmen täglich Stunden mit manueller Dokumentenverarbeitung verbrennt, melden Sie sich. Wir öffnen ein Pilotprogramm für eine kleine Zahl von Organisationen. Wir nehmen einen konkreten Dokumentenprozess, setzen die Plattform darauf an und zeigen messbare Ergebnisse.
Am Anfang steht die Analyse. Wir erfassen, wie Sie Dokumente heute bearbeiten und wo die Zeit tatsächlich hingeht. Dann konfigurieren wir die Plattform für Ihre Dokumententypen und Ihren Workflow. Getestet wird mit echten Daten, die Ergebnisse halten wir gegen die manuelle Verarbeitung. Am Ende messen wir Zeitersparnis, Fehlerquote und Zuverlässigkeit, und die Zahlen entscheiden über die nächsten Schritte.
Dokumente sind die Grundlage jedes Geschäfts. Es wird Zeit, dass sie intelligent bearbeitet werden. Kontaktieren Sie uns, und wir vereinbaren ein erstes Gespräch darüber, was KI in der Art und Weise ändern könnte, wie Ihr Unternehmen mit Dokumenten arbeitet.
Gründer und technischer Leiter von Rise.sk. Er konzipiert und liefert Webanwendungen, Datensysteme und Automatisierungen und schreibt über Softwareentscheidungen, KI und digitale Dienste.
Chinesische Modelle liegen nur noch Monate hinter der US-Spitze, nicht Jahre, und das zu einem Bruchteil der Kosten. Für ein europäisches Unternehmen ist die eigentliche Frage nicht, wer das Rennen gewinnt, sondern ob und wie man sie einsetzt.
OpenAI sagt, dass GPT-5.6 Sol Claude Fable 5 beim Programmieren zu einem Drittel der Kosten schlägt. Anthropic sagt, Fable 5 führt bei der reinen Leistungsfähigkeit. Beide haben recht. Hier erfahren Sie, welches Modell welche Aufgabe gewinnt.
API-Tokens können weniger kosten als eine Entwicklerstunde, aber Tokens sind nicht das ganze Projekt. Ein praktischer Vergleich von Modellnutzung, Prüfung, Tests und Betriebskosten.
Ihr Kontext entscheidet
