PDF-Extraktion mit KI: Methoden, Grenzen und Datenschutz

Bei der PDF-Extraktion mit KI lesen Modelle Texte, Tabellen, Felder und Kennzahlen aus PDF-Dateien aus. Sie erkennen dabei auch Layout, Zusammenhang und Bedeutung, statt nur Zeichen abzuschreiben. Gegenüber klassischer OCR oder starren Vorlagen ist das ein grosser Schritt. Damit verschiebt sich aber auch die entscheidende Frage: Wie gut ein Modell Zeichen erkennt, ist oft zweitrangig. Wichtiger ist, wo die Dokumente verarbeitet werden, wer darauf Zugriff hat und ob die Verarbeitung dem Schweizer Datenschutzgesetz entspricht. Dieser Leitfaden ordnet die Methoden ein, nennt die typischen Fehlerquellen und zeigt die rechtlichen Anforderungen für Unternehmen in der Schweiz.

Kurz gesagt

• Methode nach Dokumenttyp wählen: Digitale PDFs mit Textebene, Scans und gemischte Dokumente brauchen unterschiedliche Verfahren.
• KI schlägt Vorlagen: Neuronale Modelle kommen mit Tabellen und Feldern über mehrere Seiten zurecht, an denen vorlagenbasierte Systeme regelmässig scheitern.
• Die Vorverarbeitung entscheidet: Schmutz, Ränder und eine falsche Spalten- oder Seitenreihenfolge verfälschen Ergebnisse, bevor das Modell überhaupt arbeitet.
• Das DSG gilt direkt: Der EDÖB stellt klar, dass das geltende Datenschutzgesetz auf KI-gestützte Bearbeitungen anwendbar ist, auch auf das Auslesen von PDFs mit Personendaten.
• Der Verarbeitungsort ist ein Compliance-Kriterium: Verträge, Lohnausweise, Patientendossiers und Mandatsakten gehören in eine Umgebung mit Datenresidenz in der Schweiz, ohne Modelltraining auf Kundendaten.

Inhaltsverzeichnis

• Was PDF-Extraktion mit KI konkret leistet
• Die Methoden im Vergleich
• Warum Scans und Tabellen scheitern
• Der eigentliche Engpass: von Daten zu Prozessen
• Rechtlicher Rahmen in der Schweiz
• In sieben Schritten zur KI-gestützten PDF-Extraktion
• Kriterien für die Toolwahl
• Unsere Sicht: Der Verarbeitungsort gehört zur Extraktion
• PDF-Analyse mit Nectos
• Häufige Fragen
• Quellen

Was PDF-Extraktion mit KI konkret leistet

Das PDF ist ein Darstellungsformat und kein Datenformat. Es legt fest, wo ein Zeichen auf der Seite steht, aber nicht, ob es zu einer Tabellenzelle, einer Fussnote oder einem Rechnungsbetrag gehört. Das Auslesen eines PDFs heisst deshalb immer: Struktur rekonstruieren.

In der Praxis lassen sich drei Dokumenttypen unterscheiden:

• Digitale PDFs (born digital): Aus Word, ERP oder Buchhaltungssoftware exportiert. Der Text liegt als Textebene vor, nur die Struktur fehlt.
• Gescannte PDFs: Bilder von Papierseiten ohne Textebene. Hier ist zuerst eine Texterkennung (OCR) nötig.
• Hybride PDFs: Digitale Dokumente mit eingescannten Beilagen, Stempeln, Unterschriften oder handschriftlichen Notizen.

KI-gestützte Extraktion verbindet mehrere Teilschritte: Layout-Erkennung (Überschrift, Fliesstext, Tabelle, Abbildung), Texterkennung, Tabellenrekonstruktion und semantische Zuordnung. Bei der Zuordnung erkennt das System etwa, dass «Total inkl. MWST» der zu zahlende Betrag ist, auch wenn die Bezeichnung bei jedem Lieferanten anders lautet. Moderne Sprachmodelle gehen noch einen Schritt weiter. Sie beantworten Fragen zum Dokument, fassen es zusammen und vergleichen mehrere Dokumente miteinander.

Zwei Ziele sind dabei zu trennen:

1. Strukturierte Extraktion: Felder in eine feste Form bringen, etwa Rechnungsnummer, Datum, Betrag und IBAN in eine Tabelle oder ein ERP-System.
2. Analytische Extraktion: Inhalte verstehen, etwa Kündigungsfristen aus 40 Mietverträgen, Abweichungen zwischen zwei Vertragsversionen oder Kernaussagen eines Gutachtens.

Für das zweite Ziel eignen sich KI-Arbeitsbereiche mit Dokumentanalyse besonders gut. Für das erste braucht es zusätzlich eine Anbindung an die Zielsysteme.

Die Methoden im Vergleich

Kein Verfahren passt für jedes Dokument. Die folgende Übersicht stellt die gängigen Methoden nach praxisrelevanten Kriterien gegenüber.

Textebene und klassische OCR

Enthält ein PDF eine Textebene, genügt oft ein einfaches Auslesen. Das ist die schnellste Antwort auf die Frage, wie sich der gesamte Text aus einem PDF holen lässt. Der Text kommt dann allerdings ungeordnet: Tabellenzellen stehen hintereinander, Kopf- und Fusszeilen mischen sich in den Inhalt. Klassische OCR erzeugt aus Scans eine Textebene. Wie solche Pipelines aufgebaut sind, zeigt das Bundesprojekt swissgeol-ocr: Es führt eine durchgängige OCR-Pipeline vom rohen Scan bis zum durchsuchbaren PDF und stützt sich dabei auf einen Cloud-Dienst. Für Unternehmen mit vertraulichen Daten ist genau diese Abhängigkeit zu prüfen.

Von Vorlagen zu neuronalen Netzen

Vorlagenbasierte Systeme definieren für jedes Layout, wo welches Feld steht. Bei 20 Lieferanten funktioniert das noch, bei 2000 nicht mehr. Laut einem Bericht der ETH Zürich zur automatischen Dokumentverarbeitung liegt der eigentliche Durchbruch zur echten Automatisierung bei neuronalen Netzen. Sie erkennen komplexe Strukturen wie Tabellen oder Felder, die sich über mehrere Seiten verteilen, ohne feste Vorlage.

Open-Source-Toolkits und KI-Arbeitsbereiche

Open-Source-Toolkits kombinieren Modelle für Layout-Erkennung, OCR, Tabellen und Formeln. Entwicklungsteams erhalten damit volle Kontrolle über Betrieb und Modellwahl. Dafür braucht es GPU-Infrastruktur, Wartung und eigenes Know-how. KI-Arbeitsbereiche setzen eine Stufe höher an: Fachleute laden Dokumente hoch und stellen Fragen in natürlicher Sprache, ohne selbst eine Pipeline zu bauen.

Warum Scans und Tabellen scheitern

Die meisten Fehler entstehen vor der eigentlichen Erkennung. Die ETH Zürich hat die Verarbeitung der Schweizer Parlamentsprotokolle untersucht. Die Arbeit zeigt: Trotz Digitalisierung bleibt die Aufbereitung archivierter Dokumente eine Herausforderung. Seitenränder, Verschmutzungen und Flecken werden als Zeichen fehlinterpretiert, und eine falsche Spalten- oder Seitenreihenfolge zerstört den Textfluss. Eine einfache OCR genügt in solchen Fällen nicht, es braucht eine strukturierte Pipeline.

Typische Fehlerquellen in Schweizer Unternehmensdokumenten:

• Mehrsprachigkeit: Deutsch, Französisch und Italienisch im selben Dokument, dazu englische Fachbegriffe.
• Zahlenformate: Apostroph als Tausendertrennzeichen (1'250.50), Beträge mit «.–», Datumsformate wie 22.10.2026.
• Tabellen ohne Linien: Kontoauszüge und Lohnabrechnungen mit Spalten, die nur über Abstände getrennt sind.
• Mehrseitige Tabellen: Kopfzeilen werden auf Folgeseiten nicht wiederholt.
• Stempel und Unterschriften: Sie überlagern Text und stören die Erkennung.

Praxisregel: Jede KI-Extraktion braucht eine Plausibilitätsprüfung. Summen müssen aufgehen, Daten müssen im erwarteten Zeitraum liegen, IBAN-Prüfziffern müssen stimmen. Bei kritischen Feldern prüft ein Mensch das Ergebnis, bevor es weiterverwendet wird.

Der eigentliche Engpass: von Daten zu Prozessen

Ein hoher Erkennungswert allein bringt noch keinen Nutzen. Die ETH-Analyse zur Dokumentautomatisierung hält fest, dass die grösste Hürde oft in der Übertragung der Dokumentinformationen in ERP- und Datenbankdaten liegt. Die Qualität misst sich am Anteil vollständig automatisierter Fälle und am Effizienzgewinn bei den manuellen Entscheidungen, die übrig bleiben.

Für die Planung folgt daraus:

• Zielformat zuerst definieren: Welche Felder braucht das Zielsystem, in welchem Format?
• Ausnahmen einplanen: Unklare Fälle landen in einer Prüfwarteschlange, statt still falsch verbucht zu werden.
• Erfolg richtig messen: Massgebend ist die Durchlaufzeit pro Dokument und nicht die Zeichengenauigkeit.

Rechtlicher Rahmen in der Schweiz

PDFs in Unternehmen enthalten fast immer Personendaten: Namen, Adressen, Lohnangaben, Gesundheitsdaten, Vertragsparteien. Wer sie mit KI ausliest, bearbeitet Personendaten im Sinne des Datenschutzgesetzes.

Das DSG gilt direkt für KI

Der Eidgenössische Datenschutz- und Öffentlichkeitsbeauftragte (EDÖB) hält fest, dass das geltende Datenschutzgesetz direkt auf KI anwendbar ist. Das Gesetz ist technologieneutral formuliert. Hersteller, Anbieter und Anwender müssen Zweck, Funktionsweise und Datenquellen transparent machen. Bei hohem Risiko für die betroffenen Personen ist eine Datenschutz-Folgenabschätzung durchzuführen. Seine Position zu KI und Datenschutz hat der EDÖB seither weiter ausgeführt.

Re-Identifizierung und Zweckbindung

Pseudonymisierung allein schützt nicht zuverlässig. Der EDÖB weist im Zusammenhang mit KI im Alltag darauf hin, dass sich durch die Verknüpfung verschiedener Datenbestände Personen wieder identifizieren lassen, auch wenn die Daten ursprünglich pseudonymisiert waren. Zweckbindung und Datenrichtigkeit sind daher rechtliche Pflichten und keine blossen technischen Empfehlungen. Für die PDF-Extraktion heisst das: Extrahiert werden nur die Felder, die für den definierten Zweck nötig sind.

Bekanntgabe ins Ausland

Schickt ein Tool PDFs zur Verarbeitung an Server ausserhalb der Schweiz, liegt in der Regel eine Bekanntgabe ins Ausland vor. Diese ist laut EDÖB nur unter bestimmten Voraussetzungen zulässig, etwa bei angemessenem Schutz durch die Gesetzgebung des Zielstaats oder mit hinreichenden vertraglichen Garantien. Das erzeugt Prüf- und Dokumentationsaufwand, der bei einer Verarbeitung in der Schweiz entfällt.

Berufsgeheimnis

Für Anwaltskanzleien, Arztpraxen, Treuhänder und Behörden kommt das strafrechtlich geschützte Berufsgeheimnis hinzu. Ob ein bestimmter KI-Dienst mandats- oder patientenbezogene PDFs verarbeiten darf, klären diese Berufsgruppen mit ihrer Datenschutzberaterin oder ihrem Standesverband, bevor die erste Akte hochgeladen wird. Wie sich Vertraulichkeit technisch lösen lässt, zeigt der diskrete Validator des BIT: Er extrahiert nur die Signaturangaben aus einem PDF und übermittelt sie zur Prüfung, ohne dass Rückschlüsse auf den Dokumentinhalt möglich sind. Das Prinzip lässt sich übertragen: nur bearbeiten, was nötig ist, und nur dort, wo es kontrolliert werden kann.

Abgrenzung zum Data Scraping

Das automatisierte Auslesen eigener Dokumente ist vom Data Scraping zu unterscheiden, also vom unbefugten massenhaften Abgreifen von Daten aus Plattformen. Dazu haben Datenschutzbehörden aus aller Welt, darunter der EDÖB, am 31. Oktober 2024 eine gemeinsame Abschlusserklärung zur Datenextraktion veröffentlicht. Sie betrifft besonders Daten, die zum Training von KI-Modellen genutzt werden. Bei PDF-Werkzeugen ist deshalb zu prüfen, ob hochgeladene Dokumente in das Training fremder Modelle einfliessen.

In sieben Schritten zur KI-gestützten PDF-Extraktion

1. Dokumente inventarisieren: Welche PDF-Typen kommen vor (digital, gescannt, hybrid)? Welche Volumen fallen pro Monat an?
2. Daten klassifizieren: Enthalten die Dokumente Personendaten, besonders schützenswerte Daten (Gesundheit, Sozialhilfe, Strafverfahren) oder Berufsgeheimnisse?
3. Zweck festlegen: Welche Felder oder Erkenntnisse werden benötigt? Alles andere wird nicht extrahiert.
4. Risiko bewerten: Bei hohem Risiko eine Datenschutz-Folgenabschätzung durchführen und dokumentieren.
5. Verarbeitungsort und Anbieter prüfen: Serverstandort, Unterauftragsverarbeiter, Modelltraining, Auftragsverarbeitungsvertrag, Verschlüsselung bei Übertragung und Speicherung.
6. Pilot mit realen Dokumenten: 50 bis 100 repräsentative PDFs, inklusive schlechter Scans. Fehlerquote pro Feld messen.
7. Kontrollen einbauen: Plausibilitätsregeln, menschliche Prüfung kritischer Felder, Protokollierung der Zugriffe, Rollen und Berechtigungen.

Kriterien für die Toolwahl

Folgende Punkte trennen ein geeignetes Werkzeug von einem Compliance-Risiko:

• Datenresidenz: Werden Dokumente ausschliesslich in der Schweiz gespeichert und verarbeitet, auch durch das KI-Modell selbst?
• Kein Training: Ist vertraglich ausgeschlossen, dass Dokumente oder Prompts zum Modelltraining verwendet werden?
• Auftragsverarbeitungsvertrag: Stellt der Anbieter einen AVV beziehungsweise ein DPA bereit?
• Audit-Trails: Ist nachvollziehbar, wer wann welches Dokument hochgeladen und abgefragt hat?
• Zugriffssteuerung: Lassen sich Wissensbasen nach Team, Mandat oder Abteilung trennen?
• Anonymisierung: Können Namen und Identifikatoren vor der Verarbeitung maskiert werden?
• Mehrsprachigkeit: Verarbeitet das Werkzeug Deutsch, Französisch und Italienisch zuverlässig?
• Betriebsmodell: Steht neben der SaaS-Variante auch ein Betrieb in der eigenen Infrastruktur zur Verfügung?

Allgemeine US-Chatbots können ein hochgeladenes PDF zusammenfassen und Daten daraus ziehen. Bei Verarbeitungsort, Training und Unterauftragsverarbeitern erfüllen sie diese Kriterien je nach Vertrag nur teilweise. Ein direkter Vergleich mit US-Chatbots zeigt die Unterschiede im Detail.

Unsere Sicht: Der Verarbeitungsort gehört zur Extraktion

Wir sehen in Schweizer Unternehmen immer wieder dasselbe Muster. Die Mitarbeitenden nutzen KI längst privat und laden aus Effizienzgründen auch berufliche PDFs in frei verfügbare Dienste hoch. Das geschieht ohne Freigabe, ohne Protokoll und ohne Klarheit, wo die Daten landen. Die technische Frage, ob KI ein PDF auslesen kann, ist beantwortet. Offen bleibt bei vielen die organisatorische Frage, unter welchen Bedingungen sie es darf.

Unsere Position: Datenschutz lässt sich nicht nachträglich auf ein Extraktionswerkzeug aufsetzen. Er entsteht durch die Architektur. Deshalb verarbeiten und speichern wir sämtliche Daten ausschliesslich auf Schweizer Servern, setzen lokal betriebene KI-Modelle ein und verwenden Kundendaten nie für das Modelltraining. Es gibt keine Datenflüsse zu ausländischen KI-Anbietern. Audit-Trails und ein Auftragsverarbeitungsvertrag auf Anfrage sind für uns Grundvoraussetzungen und keine Zusatzoptionen. So bleibt die Nachweispflicht gegenüber Kunden, Revisionsstelle und Aufsicht erfüllbar.

— Adopt

PDF-Analyse mit Nectos

Nectos ist ein souveräner Schweizer KI-Arbeitsbereich. PDFs werden hochgeladen, analysiert und in persönlichen oder geteilten Wissensbasen abgelegt. Teams stellen Fragen zu Verträgen, Berichten oder Dossiers und erhalten Antworten mit Bezug auf die Dokumente. Prompt-Anonymisierung, Admin- und Zugriffssteuerung sowie umfassende Audit-Trails sind Teil der Funktionen für private KI und Wissensbasen. Die Übertragung ist laut Sicherheitsseite von Nectos mit TLS 1.3 und die Speicherung mit AES-256 verschlüsselt. Hosting und Verarbeitung erfolgen gemäss nDSG und DSGVO ausschliesslich in der Schweiz.

Die Pläne: Starter für CHF 29.90, Pro für CHF 49.90 und Pro+ für CHF 99.90, jeweils pro Monat und Platz. Eine Testphase steht zur Verfügung. Für Organisationen mit erhöhten Anforderungen gibt es zusätzlich den Betrieb in der eigenen Cloud oder On-Premise mit Support ab CHF 490 pro Monat sowie das Sicherheits- und Compliance-Paket. Alle Details stehen auf der Preisübersicht von Nectos.

Häufige Fragen

Welches Werkzeug eignet sich am besten, um Daten aus PDFs zu extrahieren?

Das hängt vom Dokumenttyp und vom Zweck ab. Für strukturierte Massenverarbeitung, etwa Rechnungen ins ERP, eignen sich spezialisierte Pipelines mit KI-Modellen für Layout und Tabellen. Für Analyse, Vergleich und Fragen zu Dokumenten eignet sich ein KI-Arbeitsbereich. Bei Personendaten ist in der Schweiz zusätzlich der Verarbeitungsort ein zentrales Kriterium.

Kann ein KI-Chatbot Daten aus einem PDF auslesen?

Ja. Sprachmodelle können hochgeladene PDFs zusammenfassen, Tabellen wiedergeben und gezielte Fragen beantworten. Bei schlechten Scans und komplexen Tabellen sind die Ergebnisse zu prüfen. Bei Diensten mit Servern im Ausland stellt sich ausserdem die Frage der Bekanntgabe von Personendaten ins Ausland nach DSG.

Wie lässt sich der gesamte Text aus einem PDF extrahieren?

Bei digitalen PDFs genügt das Auslesen der Textebene, die Struktur geht dabei aber teilweise verloren. Gescannte PDFs brauchen zuerst eine Texterkennung (OCR). Für eine saubere Reihenfolge bei Mehrspaltensatz und Tabellen liefern KI-Modelle mit Layout-Erkennung deutlich bessere Ergebnisse.

Braucht es für die KI-Extraktion eine Datenschutz-Folgenabschätzung?

Nicht in jedem Fall. Laut EDÖB ist sie erforderlich, wenn eine Bearbeitung ein hohes Risiko für die Persönlichkeit oder die Grundrechte der betroffenen Personen mit sich bringt. Das kann bei Gesundheits-, Lohn- oder Mandatsdaten zutreffen. Die Einschätzung im Einzelfall nimmt die interne Datenschutzverantwortliche oder eine spezialisierte Beratung vor.

Quellen

• EDÖB: Geltendes Datenschutzgesetz ist auf KI direkt anwendbar
• EDÖB: KI und Datenschutz
• EDÖB: KI im Alltag
• EDÖB: Bekanntgabe von Personendaten ins Ausland
• EDÖB: Gemeinsame Abschlusserklärung zum Thema Datenextraktion
• ETH Zürich: Processing Large-Scale Archival Records, Swiss Parliamentary Records
• ETH Zürich: Processing documents automatically
• Open Source Bund: swissgeol-ocr