Cloudflare hat ein KI-Modell mit dem Namen Clairic vorgestellt. Es ist darauf ausgelegt, Daten aus Dokumenten auszulesen – und soll das schneller und kostengünstiger erledigen als große Sprachmodelle. Mehr ist über das Modell zum jetzigen Zeitpunkt öffentlich nicht gesichert bekannt; die Stoßrichtung ist aber klar erkennbar.

Interessant ist weniger das einzelne Modell als das Muster dahinter. Seit etwa drei Jahren lautet die Standardantwort auf nahezu jede Textaufgabe: ein großes Sprachmodell. Clairic steht für eine Gegenbewegung, die in der Praxis längst stattfindet – spezialisierte, kleinere Modelle für eng umrissene Aufgaben.

Was beim Auslesen von Dokumenten tatsächlich passiert

Unter Dokumentenextraktion versteht man das Herausziehen strukturierter Felder aus unstrukturierten Unterlagen: Rechnungsnummer, Betrag und Fälligkeitsdatum aus einer PDF-Rechnung, Positionen aus einem Lieferschein, Stammdaten aus einem eingescannten Formular. Das Ergebnis soll maschinenlesbar sein, damit es in ein ERP-System, eine Datenbank oder einen Freigabe-Workflow fließen kann.

Diese Aufgabe ist eng begrenzt. Sie verlangt kein Weltwissen, keine Argumentationsfähigkeit und keine kreative Formulierung. Sie verlangt vor allem Zuverlässigkeit: dieselbe Rechnung soll jedes Mal dieselben Felder ergeben.

Genau hier entsteht das Missverhältnis. Ein allgemeines Sprachmodell bringt für eine solche Aufgabe sehr viel Kapazität mit, die gar nicht benötigt wird – und diese Kapazität wird pro Aufruf bezahlt, in Geld und in Wartezeit.

Warum Kosten und Latenz bei Dokumenten besonders wehtun

Bei einem Chat-Assistenten fällt eine Antwortzeit von zwei Sekunden kaum ins Gewicht. Bei der Stapelverarbeitung von Dokumenten sieht die Rechnung anders aus, weil zwei Faktoren zusammenkommen:

  • Volumen: Dokumentenprozesse laufen selten einzeln. Es geht um Hunderte oder Tausende Belege pro Monat, oft mit mehreren Seiten je Vorgang.
  • Wiederholung: Dieselbe Extraktionslogik wird immer wieder auf denselben Dokumenttyp angewendet. Jeder Aufruf kostet erneut.

Was pro Dokument nach wenigen Cent aussieht, wird über ein Jahr hinweg zu einer Position, die in der Budgetplanung sichtbar wird. Und was als Verzögerung von Sekunden beginnt, blockiert in der Summe Freigabeprozesse, Imports oder nächtliche Verarbeitungsfenster.

Hinzu kommt ein Punkt, der in Kostenvergleichen häufig untergeht: Je stärker ein Prozess an einen externen Modellanbieter gebunden ist, desto stärker hängen Durchlaufzeiten von dessen Verfügbarkeit und Auslastung ab. Rate Limits – also Begrenzungen der Anfragen pro Zeiteinheit – sind in Massenverarbeitung ein realer Engpass.

Spezialmodell oder Sprachmodell: eine Entscheidung pro Aufgabe

Die praktikable Haltung ist nicht „entweder oder“, sondern eine Aufteilung nach Aufgabentyp. Ein brauchbares Raster für Projekte:

  • Hohes Volumen, klar definiertes Zielschema, wenig Varianz: Hier spricht viel für ein spezialisiertes Modell oder einen klassischen Extraktionsdienst. Rechnungen, Formulare, Lieferscheine, Stammdatenblätter.
  • Geringes Volumen, hohe Varianz, offene Fragestellung: Hier spielt ein großes Sprachmodell seine Stärke aus. Zusammenfassungen, Freitextanalysen, Sonderfälle, Dokumente ohne festes Format.
  • Mischform: Das Spezialmodell übernimmt die Masse, der Sprachmodell-Aufruf fängt die Ausreißer ab, die das schlanke Modell nicht sicher auflöst.

Diese Mischform ist in der Praxis oft die wirtschaftlichste Variante. Sie setzt allerdings voraus, dass das System erkennt, wann es unsicher ist – über Konfidenzwerte, Plausibilitätsregeln oder einen Abgleich mit Stammdaten.

Was vor der Modellwahl geklärt sein sollte

Bevor ein Modell ausgewählt wird, lohnt sich Arbeit an der Aufgabenstellung selbst. Erfahrungsgemäß entscheiden folgende Punkte stärker über das Ergebnis als die Frage, welches Modell im Einsatz ist:

  1. Zielschema festlegen: Welche Felder werden gebraucht, in welchem Format, mit welchen Pflichtangaben? Ein unscharfes Schema erzeugt unscharfe Ergebnisse, unabhängig vom Modell.
  2. Testmenge aufbauen: Eine Sammlung echter Dokumente samt geprüfter Soll-Ergebnisse. Ohne diese Referenz lässt sich kein Modellvergleich belegen, sondern nur behaupten.
  3. Fehlerkosten bestimmen: Ein falsch ausgelesener Betrag in einer Zahlungsfreigabe wiegt anders als ein falscher Titel in einer Dokumentenablage. Daraus ergibt sich, wie viel Prüfung nötig ist.
  4. Eskalationsweg definieren: Was passiert mit Dokumenten, die nicht sicher verarbeitet werden können? Eine manuelle Prüfstrecke gehört zum Konzept, nicht als Notlösung dazu.

Wer diese vier Punkte geklärt hat, kann Modelle tatsächlich vergleichen – nach Trefferquote, Durchlaufzeit und Kosten pro Dokument. Und kann später wechseln, wenn ein günstigeres oder schnelleres Modell verfügbar wird.

Architektur: Modelle austauschbar halten

Der strategisch wichtigste Punkt an Meldungen wie dieser ist weniger das konkrete Produkt als die Geschwindigkeit, mit der sich das Angebot verändert. Wer heute eine Extraktionsstrecke fest an einen Anbieter koppelt, zahlt bei jedem Wechsel erneut Integrationsaufwand.

Die Gegenmaßnahme ist unspektakulär: eine klar definierte interne Schnittstelle zwischen Fachprozess und Modellaufruf. Der Workflow kennt nur „Dokument rein, strukturierte Daten raus“ – welches Modell dahinter arbeitet, ist eine Konfigurationsfrage. Dann lässt sich ein neues Spezialmodell im Parallelbetrieb gegen den Bestand testen, ohne den laufenden Prozess anzufassen.

Das gilt auch für den umgekehrten Fall: Stellt sich heraus, dass ein schlankes Modell bestimmte Dokumenttypen nicht sauber abdeckt, muss der Rückweg zum größeren Modell ohne Umbau möglich sein.

Einordnung für Web- und Softwareprojekte

Für Projekte heißt das vor allem: Die Frage lautet nicht „Welches KI-Modell setzen wir ein?“, sondern „Welche Aufgabe lösen wir, und was ist dafür das kleinste ausreichende Werkzeug?“. Gerade bei Dokumentenstrecken in Portalen, Kundenbereichen oder Backoffice-Workflows entscheidet diese Frage spürbar über Betriebskosten und Antwortzeiten.

In der Umsetzung empfiehlt sich deshalb, den Modellaufruf als austauschbaren Baustein zu planen und die Qualität anhand einer eigenen Testmenge zu messen statt anhand von Produktversprechen. So bleibt eine Lösung belastbar, auch wenn sich der Markt – wie derzeit – im Halbjahrestakt weiterbewegt.

Quellen