Eigenes Dokumentverarbeitungsmodell in AI Builder trainieren

Rechnungen sehen bei jedem Anbieter anders aus, aber zumindest für Rechnungen gibt es in AI Builder ein fertiges KI-Modell. Für firmenspezifische Belege wie interne Lieferscheine, Wartungsprotokolle, individuelle Bestellformulare oder Prüfberichte gibt es kein vorgefertigtes Modell, das die passenden Felder kennt. Genau dafür lässt sich in AI Builder ein eigenes, benutzerdefiniertes Dokumentverarbeitungsmodell trainieren, das genau die Informationen extrahiert, die in deinem Unternehmen tatsächlich gebraucht werden, ganz ohne Data-Science-Kenntnisse.

Dieser Artikel zeigt, wann sich ein eigenes Modell lohnt, welche Modelltypen zur Auswahl stehen, welche Anforderungen deine Beispieldokumente erfüllen müssen und wie du das Modell Schritt für Schritt trainierst, veröffentlichst und anschließend in einem Power-Automate-Flow einsetzt. Als Quelle dient ausschließlich die offizielle Microsoft-Dokumentation zu AI Builder.

Wann lohnt sich ein eigenes Modell statt eines vorgefertigten?

AI Builder liefert bereits vordefinierte Modelle für gängige Belegarten wie Rechnungen, Quittungen, Visitenkarten oder Ausweisdokumente. Sobald deine Dokumente aber ein eigenes Layout haben, das kein Standardmodell kennt, etwa ein internes Formular, ein Lieferschein mit firmenspezifischen Spalten oder ein mehrseitiger Prüfbericht, brauchst du ein eigenes Modell. Laut der Übersicht des Dokumentenverarbeitungsmodells genügen dafür in der Regel schon fünf Beispieldokumente, um ein Modell zu trainieren, das auf deine spezifischen Inhalte zugeschnittene Ergebnisse liefert. Du musst dafür weder Felder programmieren noch ein neuronales Netz von Grund auf aufbauen, AI Builder übernimmt das Training im Hintergrund.

Die drei Modelltypen im Überblick

Beim Erstellen eines Modells wählst du laut der Anleitung zum Erstellen eines benutzerdefinierten Modells zwischen drei Dokumenttypen:

• Feste Vorlagendokumente (früher "strukturiert"): ideal, wenn Felder, Tabellen, Kontrollkästchen und Signaturen bei einem gegebenen Layout immer an ähnlichen Stellen stehen. Das Modell lässt sich auch auf mehrere feste Layouts gleichzeitig trainieren und hat eine kurze Trainingszeit.
• Allgemeine Dokumente (früher "unstrukturiert"): geeignet für Belege ohne feste Struktur oder mit komplexem Format. Dieser Modelltyp ist besonders leistungsfähig, braucht dafür aber eine deutlich längere Trainingszeit.
• Rechnungen: erweitert das bereits vorhandene, vordefinierte Rechnungsmodell um zusätzliche Felder oder um Beispiele von Rechnungen, die bisher nicht korrekt extrahiert wurden, statt komplett neu zu trainieren.

Voraussetzungen an deine Beispieldokumente

Bevor du loslegst, lohnt sich ein Blick in die Anforderungen und Einschränkungen für Dokumentverarbeitungsmodelle. Die wichtigsten Punkte daraus:

• Zulässige Formate sind JPG, PNG und PDF, wobei textbasierte PDFs gescannten Dokumenten vorzuziehen sind, weil die Zeichenerkennung dabei präziser ist.
• TIFF-Dateien lassen sich nicht zum Training verwenden, ein bereits trainiertes Modell kann TIFF-Dateien in einem Power-Automate-Flow aber problemlos verarbeiten.
• Ein einzelnes Dokument darf maximal 20 MB groß sein, Bilder müssen zwischen 50×50 und 10.000×10.000 Pixel liegen.
• Für jede Sammlung, also jedes eigenständige Layout, brauchst du mindestens fünf Beispieldokumente, ein Modell kann bis zu 200 Sammlungen enthalten.
• In einem Cloud-Flow liegt der Grenzwert markierbarer Felder bei 300 pro Dokumentverarbeitungsmodell.
• Deutsch wird sowohl bei festen Vorlagendokumenten als auch bei allgemeinen Dokumenten unterstützt, ebenso zahlreiche weitere Sprachen.

Modell erstellen, trainieren und veröffentlichen

Der Assistent in AI Builder führt dich laut Microsoft durch den kompletten Prozess:

1. In Power Apps oder Power Automate anmelden und im linken Bereich Mehr > KI-Hub öffnen.

2. Unter Eine KI-Fähigkeit entdecken die Option KI-Modelle wählen, dann Benutzerdefinierte Informationen aus Dokumenten extrahieren und anschließend Benutzerdefiniertes Modell erstellen auswählen.

3. Dokumenttyp festlegen (feste Vorlage, allgemeine Dokumente oder Rechnungen) und die zu extrahierenden Felder, Tabellen und Kontrollkästchen definieren.

4. Für jedes Layout eine Sammlung anlegen und mindestens fünf Beispieldokumente hochladen. Danach markierst du in den Beispielen, welche Textstellen zu welchem Feld gehören.

5. Auf Trainieren klicken. Nach Abschluss des Trainings kannst du das Modell direkt über Schnelltest mit einem weiteren Dokument prüfen, bevor du es veröffentlichst und damit für den produktiven Einsatz freigibst.

Modell in Power Automate einsetzen

Ein veröffentlichtes Modell nutzt du in einem Cloud-Flow über die Aktion Dokumente verarbeiten, die laut der Anleitung zur Nutzung in Power Automate seit Mai 2025 so heißt und vorher Informationen aus Dokumenten extrahieren genannt wurde. Du wählst dein Modell und den passenden Dokumenttyp aus, verknüpfst im Feld Formular den Dateiinhalt aus deinem Trigger und kannst optional im Parameter Seiten einen konkreten Seitenbereich angeben, etwa bei umfangreichen Mehrseitendokumenten mit nur einem relevanten Formular. In den Folgeschritten stehen dir sämtliche extrahierten Felder als {Feldname} Wert zur Verfügung, dazu jeweils eine Konfidenzbewertung zwischen 0 und 1, mit der du unsichere Extraktionen automatisch an eine manuelle Prüfung weiterleiten kannst.

Für die Weiterverarbeitung sind einige Ausdrücke hilfreich, die Microsoft direkt in der Dokumentation vorschlägt: `replace()` entfernt Währungssymbole oder Leerzeichen, `int()` beziehungsweise `float()` wandeln extrahierte Zeichenfolgen in Zahlen um, und `formatDateTime()` bringt Datumswerte in das gewünschte Format. Bei eingehenden E-Mails über den Outlook-Connector lohnt sich zusätzlich eine Bedingung, die inline eingebettete Signaturen anhand des Attributs Anhänge ist Inline herausfiltert, damit sie nicht versehentlich als Dokument verarbeitet werden.

Wenn du dein eigenes Modell sauber in bestehende Genehmigungs- oder Buchhaltungsprozesse einbetten willst, hilft eine Power-Automate-Beratung von NordFlux dabei, Trainingsdaten, Feldstruktur und Folgeprozess von Anfang an aufeinander abzustimmen. Du behältst dabei die Kontrolle darüber, welche Belege automatisch durchlaufen und welche zur Prüfung landen.

Häufige Fragen

Wie viele Beispieldokumente brauche ich mindestens?

Für jede Sammlung, also jedes eigenständige Layout, verlangt AI Builder mindestens fünf Beispieldokumente im Format JPG, PNG oder PDF. Mehr Beispiele mit realistischer Varianz in Ausfüllung und Bildqualität verbessern die Erkennungsgenauigkeit in der Regel spürbar, gerade bei handschriftlich ausgefüllten oder gescannten Belegen.

Was ist der Unterschied zwischen festen Vorlagendokumenten und allgemeinen Dokumenten?

Feste Vorlagendokumente eignen sich für Belege, bei denen Felder innerhalb eines Layouts immer an ähnlicher Position stehen, das Training ist entsprechend schnell. Allgemeine Dokumente sind für Belege ohne festes Layout oder mit komplexem Aufbau gedacht, liefern dafür aber eine deutlich längere Trainingszeit, weil das Modell flexibler auf wechselnde Strukturen reagieren muss.

Kann ich ein bestehendes Rechnungsmodell erweitern statt neu zu trainieren?

Ja. Über die Option Rechnungen ergänzt du das vordefinierte Rechnungsmodell um zusätzliche Felder oder um Beispiele von Rechnungen, die bisher falsch extrahiert wurden. Das ist meist schneller, als ein komplett neues Modell vom Typ feste Vorlagendokumente oder allgemeine Dokumente zu trainieren.

Welche Dateiformate akzeptiert das Training?

Zulässig sind JPG, PNG und PDF, wobei text-eingebettete PDFs bessere Ergebnisse liefern als gescannte Bilder. TIFF-Dateien lassen sich zwar nicht zum Training verwenden, ein bereits trainiertes Modell kann sie später in einem Power-Automate-Flow aber problemlos verarbeiten.

Wie zuverlässig sind die extrahierten Werte?

Jedes extrahierte Feld liefert zusätzlich zum Wert eine Konfidenzbewertung zwischen 0 und 1. Werte nahe 1 stehen für eine hohe Zuverlässigkeit der Vorhersage. In der Praxis lohnt es sich, ab einem definierten Schwellenwert automatisch eine manuelle Prüfung auszulösen, statt jedem extrahierten Wert blind zu vertrauen.