Einführung in Document AI und intelligente OCR
Auf dieser Seite
Update vom 2. November 2026 — Le Chat wird zu Vibe. Seit dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): eine einzelne Agentur für Arbeit und Code, die Ihre Gespräche, Einstellungen und Abonnements mitbringt. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus zugänglich; im Work-Modus sind Agenten zu Fähigkeiten geworden (über
@aufrufbar), Erinnerungen bilden die Wissensbasis und die tiefe Suche ist nun die Fähigkeit Deep Research. Pläne werden nun Mistral Free, Pro, Team und Enterprise genannt. Diese Lektion verwendet den Namen Vibe; einige hier beschriebene Menüs können andere Namen oder Standorte haben.
Viel mehr als ein einfacher Dokumentenleser
Sie haben im Abschnitt Vision gesehen, dass Vibe Text in einem Bild lesen kann. Doch wenn es um die Verarbeitung komplexer Dokumente geht – ein mehrseitiges PDF, ein gescanntes Formular, ein Finanzbericht voller verschachtelter Tabellen – benötigen Sie ein spezialisiertes Werkzeug. Genau das bietet Mistrals Document AI, angetrieben durch den OCR 3-Motor. Diese Lektion legt den Grundstein für den gesamten Abschnitt: Sie verstehen, was OCR ist, wie der Ansatz von Mistral sich von klassischen Lösungen unterscheidet und, vor allem, wann Sie ihn statt Vision einsetzen sollten.
OCR steht für Optical Character Recognition (Optische Zeichenerkennung). Es ist die Technologie, die Text in einem Bild – sei es ein Scan, ein Foto oder ein bildbasiertes PDF – in verwertbaren digitalen Text umwandelt: Text, den Sie wie jedes nativ digitale Dokument kopieren, durchsuchen oder analysieren können. Die enjeux sind alltäglich: denken Sie an die Rechnung, die ein Kollege als Foto geschickt hat, oder an den vor zehn Jahren gescannten Vertrag, bei dem Sie eine bestimmte Klausel finden müssen. Ohne OCR sind diese Dokumente stumme Bilder.
Warum klassische OCR nicht ausreichte
OCR existiert seit Jahrzehnten, aber traditionelle Lösungen – Tesseract ist das bekannteste Beispiel – leiden unter erheblichen Einschränkungen, die jeder kennt, der jemals ein Dokument gescannt hat. Das Layout ging verloren: Der Text kam vermengt heraus, ignorierte die Struktur des Dokuments und verwandelte einen sorgfältig organisierten Bericht in eine Brei aus Absätzen. Tabellen wurden ignoriert, wobei Spalten und Zeilen so vermischt wurden, dass die Daten unbrauchbar wurden. Handschrift blieb nahezu unlesbar. Mehrsprachige Dokumente lieferten schlechte Ergebnisse, sobald man über das Englische hinaussteuerte. Und Bilder, die im Text eingebettet waren – Diagramme, Grafiken – wurden einfach ignoriert.
Der OCR 3-Motor von Mistral ändert das Spiel vollständig, und der Grund liegt in seiner Architektur. Anstatt klassische Techniken zur Zeichenerkennung zu verwenden, stützt er sich auf ein multimodales Sprachmodell (VLM), das speziell zum Verständnis von Dokumenten trainiert wurde. Der Unterschied ist fundamental: Klassische OCR erkennt einzelne Zeichen und versucht, diese zu Wörtern zusammenzusetzen, ähnlich wie jemand, der Buchstabe für Buchstabe entschlüsselt, ohne den Satz zu verstehen. Die KI-gestützte OCR von Mistral versteht hingegen das Dokument als Ganzes – seine Struktur, seinen Inhalt und seinen Kontext. Angesichts eines teilweise gelöschten Wortes kann es dieses aus dem Kontext ableiten, genau wie ein menschlicher Leser.
In der Praxis extrahiert Document AI Text aus PDFs, Bildern und gescannten Dokumenten, während das ursprüngliche Layout erhalten bleibt. Es rekonstruiert Tabellen mit ihren Überschriften, Spalten und Daten und gibt sauberen Markdown aus. Es liest Handschrift – ärztliche Notizen, handschriftlich ausgefüllte Formulare, Randnotizen. Es verarbeitet mehrsprachige Dokumente mit hoher Genauigkeit über viele Sprachen hinweg, beschreibt Bilder und Diagramme im Dokument durch die Generierung von Bildunterschriften und versteht den Kontext gut genug, um Fragen zum Inhalt zu beantworten.
OCR 3 auf einen Blick
In Bezug auf die Leistung liefert der Motor state-of-the-art-Genauigkeit bei Benchmarks für Texterkennung, Handschrift und Tabellen. Er verarbeitet bis zu 2.000 Seiten pro Minute auf einer einzelnen GPU – genug, um ganze Archive aufzunehmen. Er akzeptiert mehrere Formate: PDF, Word, gescannte Bilder und Fotos unterschiedlicher Qualität. Und sein Output ist strukturiert: Das Ergebnis ist sauberer Markdown mit referenzierten Bildern, kein roher Text, der nachbearbeitet werden muss.
Wie unterscheidet es sich von Vibe Vision?
Sie könnten sich fragen: „Warum lade ich mein PDF nicht einfach bei Vibe hoch und nutze Vision?” Das ist eine berechtigte Frage, und die Antwort strukturiert Ihren gesamten Arbeitsablauf. Vibe Vision, das im ersten Abschnitt dieses Kurses behandelt wurde, ist perfekt geeignet, um ein einzelnes, isoliertes Bild zu analysieren – ein Foto, eine Grafik, einen Screenshot. Doch für mehrseitige Dokumente mit komplexen Layouts bietet Document AI entscheidende Vorteile: Verarbeitung Seite für Seite mit Rekonstruktion der gesamten Dokumentenstruktur, Tabellenausgabe, die dem Original treu bleibt und keine Annäherung ist, explizit anforderbare Annotationen und Metadaten – Autor, Datum, Beträge – und echte Dokumenten-Fragen und -Antworten (Q&A) über lange Dokumente.
Behalten Sie diese Faustregel im Kopf: Für ein einzelnes Bild mit Text reicht Vision aus; für ein mehrseitiges Dokument, das Sie tiefgehend analysieren möchten, setzen Sie auf Document AI. Ein Anwalt, der eine Klausel fotografiert, um sie erklärt zu bekommen, nutzt Vision; derselbe Anwalt, der den gesamten 40-seitigen Vertrag hochlädt, um seine Verpflichtungen zu prüfen, nutzt Document AI.
In den folgenden Lektionen dieses Abschnitts werden Sie lernen, wie Sie ein PDF bei Vibe hochladen und automatische Extraktion erhalten, strukturierte Daten – Tabellen, Überschriften, Abbildungen – aus jedem Dokument extrahieren und dann Fragen zum Inhalt eines Dokuments stellen, um präzise Antworten zu erhalten.
Kernaussagen
- Document AI ist die Lösung von Mistral für die intelligente Dokumentenverarbeitung, angetrieben durch OCR 3
- Im Gegensatz zur klassischen OCR versteht OCR 3 die Dokumentenstruktur und den Kontext
- Es verarbeitet Tabellen, Handschrift, mehrsprachige Dokumente und eingebettete Bilder
- Für ein einfaches Bild nutzen Sie Vision; für ein komplexes Dokument nutzen Sie Document AI
- Die Verarbeitung ist schnell: bis zu 2.000 Seiten pro Minute