Der Assistent liest das PDF, nicht das Foto davon

Der Inhaber lädt einen unterschriebenen Vertrag hoch, fragt den Assistenten nach der Kündigungsfrist und bekommt eine kurze Absage: In dieser Datei konnte kein Text gefunden werden. Die Datei öffnet sich im Browser einwandfrei. Die Absage sieht nach einem Fehler aus und ist keiner — sie ist der Unterschied zwischen einem Dokument und dem Bild eines Dokuments.

Ein PDF kann Text enthalten oder Pixel. Exportiert ein Textprogramm einen Vertrag, ist jeder Buchstabe als Zeichen mit Position gespeichert; ein Leser kann die Wörter extrahieren. Entsteht das PDF aus einem Scanner oder einer Handykamera, ist die Seite ein Bild und die Buchstaben sind Formen. Der Dokumentenleser des Assistenten extrahiert Text; er betrachtet die Seite nicht.

Der Weg im Code ist eng und ausdrücklich. Die Datei muss ein PDF sein — alles andere wird mit Nennung des Typs abgelehnt. Die Datei muss noch im Speicher liegen, sonst lautet die Antwort, dass sie fehlt. Ein beschädigtes oder passwortgeschütztes PDF ist ein eigener Fehler. Eine Datei über fünfzehn Megabyte wird vor dem Parsen abgelehnt.

Zurück kommen Text, eine Seitenzahl und ein Kennzeichen für Kürzung. Der Text wird bei zwölftausend Zeichen abgeschnitten — genug für einen langen Vertrag, nicht für ein ganzes Buch; das Kennzeichen sagt dem Assistenten, dass der Text unvollständig ist, damit er das sagen kann, statt alles gelesen zu haben vorzugeben.

Ein gescanntes PDF erreicht das Ende dieses Weges mit einer leeren Zeichenkette. Der Leser gibt dann die Antwort, die nach Ausrede klingt und tatsächlich präzise ist: Es konnte kein Text gefunden werden, die Datei ist womöglich ein Scan ohne Textebene. Es wurde nichts erfunden, um die Lücke zu füllen.

Der Assistent findet Dokumente über den Namen, nicht über den Inhalt: nur hochgeladene Dateien, nicht archiviert, mit Typ und Größe. Google Docs, Sheets und Slides sind in dieser Suche gar nicht enthalten — sie sind Verknüpfungen in einer Cloud, keine Dateien im CRM-Speicher. Den Assistenten zu bitten, in einem Google Doc zu suchen, heißt an die falsche Tür zu klopfen.

Es gibt eine zweite Tür, und sie führt in dasselbe Haus. Belege können als Fotos kommen, und ein Foto wird von einem Bildmodell gelesen, nicht von einem Textextraktor. Kommt ein Beleg als PDF, wird zuerst die Textebene versucht; ist das PDF ein Scan ohne Text, sagt die Fehlermeldung genau, was zu tun ist — ein Foto senden, kein gescanntes PDF.

Deshalb kann dasselbe Blatt Papier als Foto funktionieren und als Scan scheitern. Der Belegweg akzeptiert JPEG-, PNG- und WebP-Bilder oder ein PDF mit Text. Ein Handyfoto eines Kassenbons ist meist gut genug; eine Scanner-App, die reine Bild-PDFs erzeugt, ist der eine Fall, der scheitert.

Auch der Belegleser wird eng geführt. Er liest, was gedruckt ist: Händler, Betrag, Steuersatz, Währung, Datum, Kategorie. Stehen Netto und Brutto gedruckt, ist der Betrag der Netto-Wert; steht nur eine Summe, wird diese genommen und der Steuersatz aus dem Dokument übernommen oder auf null gelassen. Ein Feld, das nicht lesbar ist, bleibt leer statt geraten.

Das Ergebnis dieses Lesens ist ein Vorschlag, kein Eintrag. Die Extraktion erzeugt nie eine Ausgabe: Sie füllt das Formular, der Mensch prüft die Felder und speichert. Derselbe Modellaufruf zählt gegen das Tageskontingent des Tarifs, und die Extraktion wird im KI-Protokoll festgehalten — es gibt also einen Beleg darüber, was gelesen wurde.

Für Verträge folgt die praktische Regel aus dem Mechanismus. Ein textbasiertes PDF aus dem Textprogramm lässt sich lesen und zusammenfassen. Ein Scan einer unterschriebenen Kopie nicht — es sei denn, jemand schickt ihn vorher durch eine Texterkennung, und dieser Schritt gehört nicht zu diesem Weg. Auch eine Word-Datei kann der Assistent nicht lesen: Textextraktion für DOCX gibt es im Produkt, aber für den Import von Vertragsvorlagen, nicht für die Lektüre durch den Assistenten.

Das macht den Assistenten nicht nutzlos bei Papier. Es macht ihn ehrlich gegenüber Papier. Die nützliche Frage ist nicht, ob er jedes Dokument lesen kann, sondern welche Dokumente Text tragen — und das ist vor der Anfrage sichtbar: Ein aus einem Programm exportiertes PDF trägt Text; ein fotografiertes oder gescanntes PDF meist nicht.

Was dieser Text nicht behauptet: wie oft Scans in der Praxis scheitern, welcher Anteil der Dokumente Scans sind oder wie genau der Belegleser bei schlechten Fotos ist. Solche Zahlen brauchen echte Dokumente und eine Messung, und beides liegt hier nicht vor. Vorhanden ist das Verhalten des Codes, und das lässt sich prüfen.

Die Konsequenz ist eine Ablagegewohnheit. Das exportierte PDF bleibt für alles, was der Assistent lesen soll; der Scan bleibt für das Archiv, in dem ein Mensch liest; Belege gehen als Foto. Dann antwortet der Assistent mit der Kündigungsfrist statt mit einer Entschuldigung.