Einführung in Document AI
Auf dieser Seite
Aktualisiert am 2. November 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) wurde am 30. September 2026 eingestellt. Nutzen Sie OCR 4.1 (mistral-ocr-4-1), der seit dem 31. August allgemein verfügbar ist und denselben Preis hat, oder den Aliasmistral-ocr-latest, der seit dem 16. Juli darauf verweist. OCR 4.1 fügt Vertrauenswerte auf Blockebene hinzu.
Warum Document AI das Spiel verändert
Jeden Tag erhält eine Versicherungsgesellschaft hunderte Schadensanträge: gescannte Dokumente in schiefen Winkeln, handschriftliche Berichte, die mit einem Stift ausgefüllt wurden, und Fotos von Rechnungen, die mit einem Smartphone aufgenommen wurden. Banken stehen vor demselben Problem mit Kontoauszügen, Krankenhäuser mit Patientenakten und Behörden mit Formularen. Seit Jahrzehnten versucht die traditionelle optische Zeichenerkennung (OCR), dieses Problem zu lösen, liefert jedoch oft enttäuschende Ergebnisse, sobald Layouts komplex werden, Handschrift involviert ist oder Dokumente mehrere Sprachen mischen.
Mistral AI hat Document AI entwickelt, um genau diese Art von Workflow zu bewältigen. Es ist nicht nur ein weiterer OCR-Engine: Die Lösung kombiniert ein spezialisiertes Vision-Language-Modell (VLM) mit Fähigkeiten zur strukturierten Extraktion und Dokumentenintelligenz. Mit anderen Worten: Es liest nicht nur Zeichen ab, sondern rekonstruiert das Dokument in seiner Organisation und ermöglicht es Ihnen, es danach abzufragen.
Die drei Document AI-Dienste
Document AI stützt sich auf drei sich ergänzende Dienste, die alle über die Mistral-API zugänglich sind. Es hilft, zu verstehen, wie sie von Anfang an zusammenhängen.
Der erste, der OCR-Prozessor, ist das Kernstück des Systems. Das Modell mistral-ocr-latest (OCR 4) extrahiert Text aus gescannten Dokumenten, PDFs, Bildern und Präsentationen. Wo ein klassischer OCR wie Tesseract Ihnen ein verworrenes Durcheinander von Zeilen liefert, bewahrt dieses Modell die Struktur: Überschriften, Absätze, Tabellen, Listen und Hyperlinks. Nehmen Sie wieder jenes Versicherungsformular: Sie erhalten das Formular zurück mit seinen identifizierten Abschnitten, nicht einen Textblock, den Sie entwirren müssen.
Der zweite Dienst, Dokumentenannotationen, übernimmt die Extraktion von handlungsrelevanten Daten. Sie definieren ein Pydantic-Schema – Patientennamen, Rechnungsbeträge, Vertragsklauseln – und das Modell füllt diese Felder automatisch aus. Sie wechseln von lesbarem Text zu datentypisierten Werten, die ein Informationssystem aufnehmen kann.
Der dritte, Dokumenten-Fragen-und-Antworten (QnA), kombiniert OCR mit einem Mistral LLM, um es zu ermöglichen, Fragen in natürlicher Sprache zum Inhalt zu stellen. Dies ist es, was es einem Anwalt ermöglicht, zu fragen: „Was ist die Kündigungsfrist?”, anstatt vierzig Seiten erneut zu lesen. Es ist auch der natürliche Weg, um große Archive abzurufen oder Berichte zu vergleichen.
Traditionelle OCR vs. Document AI
Traditionelle OCR, sei es Tesseract oder Adobe Acrobat, funktioniert durch die Erkennung von Mustern pixel für Pixel. Dieses Prinzip funktioniert gut auf einer scharfen gedruckten Seite, aber es zerfällt, sobald man diesen idealen Fall verlässt. Eine Zeitung mit mehreren Spalten, verschachtelten Überschriften und illustrierten Seitenleisten erzeugt Text, bei dem die Lesereihenfolge keinen Sinn mehr ergibt. Handschriftliche ärztliche Notizen oder manuell ausgefüllte Formulare bleiben für sie unlesbar. Tabellen mit verschmolzenen Zellen, fehlenden Rändern oder unregelmäßigen Ausrichtungen verlieren alle Beziehungen zwischen Spalten und Zeilen. Fügen Sie ein Dokument hinzu, das lateinische, arabische und asiatische Schriften mischt, oder ein lautes, schiefes, unscharfes Scan, und die Fehlerrate wird unzumutbar.
Document AI baut auf einem feinabgestimmten Vision-Modell (VLM) auf, das Dokument-Semantik versteht. Es erkennt nicht nur Zeichen: Es erfasst Struktur, Kontext und Beziehungen zwischen Elementen. Dieser fundamentale Unterschied in der Natur, nicht nur eine einfache Steigerung der Genauigkeit, erklärt seine Ergebnisse bei schwierigen Fällen.
Strukturierte Markdown-Ausgabe
Ein weiterer wesentlicher Unterschied: Document AI erzeugt strukturiertes Markdown, keinen einfachen Text. Jede Seite wird mit ihrem textlichen Inhalt markiert zurückgegeben – Überschriften, Listen, Absätze –, ihre Tabellen werden in Markdown oder HTML formatiert, extrahierte Bilder werden mit ihrer Position versehen, erhaltene Hyperlinks bleiben erhalten, und falls gewünscht, werden Kopf- und Fußzeilen vom Haupttext isoliert. Diese Ausgabe ist einsatzbereit: Sie können sie in einer Vektordatenbank für RAG indizieren, archivieren oder so anzeigen, ohne einen Zwischenschritt zur Bereinigung.
Auf der Eingabeseite deckt der Dienst PDFs (gescannt und nativ), PNG, JPEG und AVIF-Bilder, PPTX-Präsentationen und DOCX-Dokumente ab. Die maximale Dateigröße beträgt 50 MB, mit einem Limit von 1.000 Seiten – zwei Grenzen, die zu beachten sind, wenn Sie Ihre Batches aufteilen.
Was Sie lernen werden
Der Kurs folgt der Reihenfolge der drei Dienste. Lektionen 1 bis 3 behandeln den Überblick, das OCR-4-Modell und Anwendungsfälle. Lektionen 4 bis 8 tauchen tiefer in OCR ein: die API, Python-Code, Tabellen, Kopf- und Fußzeilen sowie die Optimierung der Genauigkeit. Lektionen 9 bis 12 befassen sich mit Annotationen, von der Metadatenerfassung bis zur Batch-Verarbeitung. Lektionen 13 bis 16 nehmen das Dokumenten-Fragen-und-Antworten (QnA) auf, von einzelnen Dokumenten bis zu Mehr-Dokument-Einrichtungen, über die Integration in RAG bis hin zu Produktionspipelines.
Kernaussagen
- Document AI kombiniert OCR, strukturierte Annotationen und QnA in einer einzigen Lösung
- Das OCR-4-Modell übertrifft traditionelle OCR-Lösungen bei Weitem in Bezug auf Genauigkeit und Flexibilität
- Die strukturierte Markdown-Ausgabe macht die Integration in Ihre bestehenden Pipelines einfach
- Drei sich ergänzende Dienste decken den gesamten Dokumentenlebenszyklus ab