▸ Showcase · Automatisierte Dokumenten-Extraktion
Aus Scans werden Daten.
In Echtzeit.
Wir destillieren große KI-Modelle auf kompakte Student-Modelle und fine-tunen sie auf Ihre Dokumente. Das Ergebnis: Extraktion in Teacher-Qualität — bei einem Bruchteil der Rechenkosten, auf einer einzigen GPU.
▸Der wichtigste Schritt in Ihrer PipelineWarum maschinenlesbare Häppchen über Erfolg oder Scheitern entscheiden
Kein Sprachmodell — egal wie groß — verarbeitet ein 300-Seiten-PDF zuverlässig am Stück. Mit wachsender Eingabelänge steigen Fehlerquote und Auslassungen: Positionen gehen verloren, Bezüge reißen ab, und am Ende weiß niemand, was fehlt.
Deshalb gilt: Divide and Conquer. Bevor extrahiert wird, zerlegt die Pipeline jedes Dokument in maschinenlesbare, verdauliche Häppchen — Seiten, Abschnitte, einzelne Positionen, sauber strukturiert statt roher Scan. Erst diese Häppchen kann ein Modell fehlerfrei verarbeiten; anschließend werden die Teilergebnisse wieder zu einem konsistenten Ganzen zusammengeführt, inklusive Sonderfällen wie Seitenüberträgen.
Der Haken: Genau dieser Schritt frisst die Rechenleistung. Er läuft über jede Seite jedes Dokuments — bei jedem neuen Eingang aufs Neue. Wer hier dauerhaft ein großes Modell einsetzt, bezahlt das im Betrieb teuer. Deshalb optimieren wir die Effizienz exakt an dieser Stelle: Das destillierte Student-Modell erledigt die Massenarbeit 5,8× schneller — auf einer einzigen GPU.
Was das konkret heißt: Ein 300-Seiten-Leistungsverzeichnis über die API eines Top-Modells zu extrahieren kostet — bei aktuellen Preisen von ca. 5 $ / 25 $ pro Mio. Token (Stand Juli 2026) — rund 6 bis 7 US-Dollar pro Durchlauf. Bei 500 Dokumenten im Monat sind das über 40.000 $ im Jahr — Tendenz steigend mit jedem Wiederholungslauf. Das Student-Modell auf Ihrer eigenen GPU kennt diese Rechnung nicht: Nach dem Training kostet jedes weitere Dokument im Wesentlichen Strom. Die Grenzkosten gehen gegen null — egal ob Sie 500 oder 5.000 Dokumente verarbeiten.
Links das gescannte Leistungsverzeichnis mit Live-Grounding, in der Mitte unser fine-getuntes 4B-Student-Modell, rechts das 27B-Teacher-Modell — beide extrahieren identische Daten, in Echtzeit mit den Token-Raten einer NVIDIA RTX 6000 Pro.
Wie es funktioniert
Vom großen Teacher zum schlanken Spezialisten
Große Modelle lesen jedes Dokument zuverlässig — sind im Dauerbetrieb aber teuer und langsam. Wir nutzen sie deshalb nur dort, wo sie unschlagbar sind: als Lehrer.
SCHRITT 1
Teacher annotiert Ihre Dokumente
Ein großes Modell extrahiert einen umfangreichen, repräsentativen Ausschnitt Ihres Dokumentenbestands mit maximaler Sorgfalt und erzeugt daraus präzise Trainingsdaten — Positionen, Mengen, Bezüge.
SCHRITT 2
Destillation & Fine-Tuning
Ein kompaktes Student-Modell lernt exakt Ihre Dokumenttypen: Layouts, Fachbegriffe, Sonderfälle wie Seitenüberträge. Auf dieser engen Aufgabe erreicht es Teacher-Qualität.
SCHRITT 3
Betrieb auf Ihrer Infrastruktur
Das fertige Modell läuft auf einer einzelnen GPU — on-premises oder in Ihrer Cloud. Ihre Dokumente verlassen Ihr Haus nicht.
Fine-Tuning auf Kundendaten
Klein schlägt groß — auf Ihren Dokumenten
- Extreme Effizienzgewinne: kleinere Modelle bedeuten schnellere Antworten, höheren Durchsatz und drastisch geringere Hardware- und Energiekosten.
- Teacher-Qualität: auf der eng umrissenen Extraktionsaufgabe erreicht das fine-getunte Modell die Genauigkeit des großen Vorbilds — die Demo zeigt beide live im Vergleich.
- Strukturierte Ausgabe: validiertes JSON, direkt anschlussfähig an Ihre Kalkulation, Ihr ERP oder Ihre Datenbank.
- Grounding inklusive: jede extrahierte Position bleibt mit ihrer Fundstelle im Dokument verknüpft — jederzeit nachprüfbar.
{
"nr": "03.05.1",
"titel": "Attikaabdeckung,
Titanzink, 840 mm",
"menge": "73,765 m",
"page": 1
}Pilotprojekt
Prüfen Sie es mit Ihren eigenen Dokumenten
Ein zugeschnittenes Modell braucht einen soliden Datenbestand: Im Pilotprojekt analysieren wir Ihre Dokumenttypen und Volumina, bauen den Teacher-Workflow auf und destillieren daraus Schritt für Schritt Ihr eigenes Modell.
Pilotprojekt besprechen