Formular- & Antragsbearbeitung (Schadenmeldungen, Kredite, Behördenformulare)

Versicherer, Banken und Behörden erhalten noch immer große Mengen ausgefüllter Formulare als Papierscans, PDFs und Fotos. Dokumenten-KI liest Handschrift und Kontrollkästchen, überträgt die Felder in ein Fachsystem, prüft die Vollständigkeit anhand der Regeln und sagt der Sachbearbeitung, was fehlt. Die KI erfasst und bereitet den Vorgang nur vor; die Entscheidung über einen Schaden, Kredit oder eine Leistung bleibt bei einem Menschen oder einem getrennten, regulierten Entscheidungssystem.

Problem & Nutzen

• Heute: Antragstellende füllen Papier- oder PDF-Formulare aus (Schadenmeldungen, Kreditanträge, Wohngeld- oder Genehmigungsformulare). Mitarbeitende tippen sie neu ab, finden fehlende Anlagen von Hand und schreiben die Antragstellenden an. Handschrift, angekreuzte Kästchen, Stempel und beigefügte Nachweise machen klassische Vorlagen-OCR anfällig.
• KI-Nutzen: vorlagenfreie Extraktion bei Formularen beliebigen Layouts, Vollständigkeitsprüfungen, automatische Anlage des Vorgangs und schnellere Erstantwort an die Antragstellenden. Sachbearbeitende bearbeiten Ausnahmen und Entscheidungen.
• Belege (vom Anbieter berichtet, nicht unabhängig): IBM berichtet von einem Schadenkunden, der mit RPA plus Dokumenten-KI von 15 auf bis zu 288 Schäden pro Tag kam [10]; ACORD beschreibt einen US-Versicherer, der seit 2021 seinen Transcriber (ML/LLM) auf gescannten Papier- und ausfüllbaren ACORD-Formularen einsetzt [11]. Behandeln Sie die Schlagzeilen- Multiplikatoren als Marketing, bis sie an Ihren eigenen Formularen gemessen wurden.

Varianten

• Versicherung: Schadenerstmeldungen, ACORD-Formulare, medizinische Leistungsformulare und angehängte Rechnungen (für klinische Inhalte siehe DOC-007).
• Bank / Kreditvergabe: Kreditanträge mit Gehaltsabrechnungen, Kontoauszügen und Ausweiskopien (DOC-017, DOC-004). Die Extraktion ist reine Erfassung; das Scoring ist ein getrenntes System (siehe Risiken).
• Öffentliche Verwaltung: Leistungs-, Genehmigungs-, Register- und Steuerformulare; Online-Dienste im Sinne des OZG verringern Papier, aber PDFs, Scans und Briefe bleiben. Die typische Ausgabe geht in ein Fachverfahren / eine E-Akte.
• Gesundheit / Bildung / Personal: Patientenaufnahme-, Einschreibe- und Onboarding-Formulare.
• Privatnutzung: ein Formular fotografieren und einen Assistenten aus den eigenen Dokumenten vorausfüllen lassen (Formularhelfer im Bereich PERS); die Verarbeitung bleibt möglichst auf dem Gerät.

So funktioniert es

1. Eingang (Postscan / E-Mail / Upload / Portal-PDF)
2. Klassifikation des Formulartyps und Aufteilung des Pakets (DOC-008)
3. Seitenbereinigung + OCR + Layout-Analyse (Felder, Tabellen, Kontrollkästchen, Unterschrift vorhanden?)
4. schemabasierte Extraktion (VLM oder Formularmodell)
5. JSON mit Konfidenz und Quellbereich
6. Prüfung (Formate, IBAN/Datum/Postleitzahl, feldübergreifende Regeln, Abfrage in Stammdaten)
7. Vollständigkeitsprüfung gegen eine Regelliste (fehlender Nachweis, fehlende Unterschrift)
8. Anlage des Vorgangs + Aufgabe für die Sachbearbeitung; automatische Anforderung fehlender Unterlagen (nur Entwurf)
9. Original + Extraktionsergebnis archivieren (Prüfpfad)

• Extraktion: (a) formularspezifische Modelle (Schlüssel-Wert, Erkennung von Kontrollkästchen) für feste Formulare mit hohem Volumen, (b) ein Vision-Language-Modell mit JSON-Schema für variable oder seltene Formulare. Hybride nutzen einen Layout- Parser für die Geometrie und ein LLM für die Zuordnung zum Schema.
• Mensch-in-der-Schleife (Human-in-the-Loop): Felder mit niedriger Konfidenz, Handschrift, identitätsrelevante Felder und jede Ablehnung oder nachteilige Entscheidung gehen an eine Person. Zeigen Sie den ausgeschnittenen Quellbereich neben dem Wert.

Datenaufbereitung

Welche Daten: die Formulare selbst (Papierscans, PDF-Formulare, Web-Formulare, Fotos), die Zielfelder und Prüfregeln, vorhandene Vorgangsdaten und eine Stichprobe korrekt bearbeiteter früherer Formulare.

Wo sie liegen: Papier-Posteingänge und Scan-Ordner, E-Mail-Anhänge, das Vorgangs- bzw. Vertragsverwaltungssystem, das DMS und oft Tabellen, die einzelne Sachbearbeitende führen.

Typische Lücken: viele im Umlauf befindliche Formularversionen, Handschrift und Stempel, Scans unterschiedlicher Qualität, Felder ohne vereinbarte Definition, frühere Datensätze mit Fehlern und Vorgangsordner, die für zu viele Personen offen sind.

Aufbereitungsschritte: 1. Formulartypen und -versionen inventarisieren; Dubletten aussortieren und eine Mastervorlage festlegen (PREP-002). 2. Zielfelder und Prüfregeln je Formular definieren (PREP-012, PREP-019). 3. Scan-Standards festlegen (300 dpi, Farbe, keine Schräglage) und Rückstände nur dort digitalisieren, wo nötig (PREP-006, PREP-008). 4. Frühere, korrekt bearbeitete Vorgänge als Referenzdaten (Ground Truth) exportieren (PREP-020, PREP-005). 5. Ein Testset mit 100 Formularen je Typ aufbauen, auch schlechte (PREP-018). 6. Daten für Tests und Feinabstimmung pseudonymisieren (PREP-022) und die Rechtsgrundlage prüfen (PREP-025).

Werkzeuge: Scanner mit Erfassungssoftware, Paperless-ngx oder das DMS, Tabellenkalkulation für Feldkataloge.

Grober Aufwandsanteil: etwa 35 Prozent, weil Formularvielfalt und Altdaten die Arbeit dominieren. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg A: Standard-Eingangsformulare (Schäden, Anträge, Anmeldungen) werden von ausgereiften, in der EU gehosteten Erfassungsprodukten zu KMU-Preisen abgedeckt.
• Großunternehmen — Weg B: Formulare speisen zentrale Vorgangssysteme mit eigenen Geschäftsregeln und hohem Volumen; Cloud-APIs plus eigene Orchestrierung geben Kontrolle über Kosten und Integration.
• Entwickler — Weg C: Open-Source-Dokumentenanalyse und kleine VLMs auf HW2 erlauben es, die Formularextraktion ohne Gebühren pro Seite in Produkte einzubetten.
• Öffentliche Verwaltung — Weg C: Anträge enthalten sensible Bürgerdaten, und Vergaberegeln sowie Souveränitätsanforderungen sprechen für den Selbstbetrieb oder deutschen Cloud-Betrieb.

Weg A — Kaufen (Standardsoftware) — für die meisten KMU empfohlen

• IDP-Plattformen (intelligente Dokumentenverarbeitung): ABBYY Vantage/FlexiCapture, Hyland, Kofax/Tungsten Automation, UiPath Document Understanding, Rossum (CZ), Hypatos (DE), Klippa (NL), Parashift (CH), Docuware und d.velop (DE, Eingangsmanagement). Kennzeichnen Sie Anbieter aus der EU in Ihrer Ausschreibung und prüfen Sie das Hosting in der EU.
• Branchenprodukte: Versicherung (ACORD Transcriber, Schadensuiten mit integrierter Erfassung), öffentliche Verwaltung (Anbieter von E-Akte / Fachverfahren mit IDP-Modulen, oft über kommunale IT-Dienstleister).
• A wählen, wenn: Formulare standardisiert sind, das Vorgangssystem einen Konnektor hat und das Volumen moderat ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Dokumenten-KI-Dienste: Azure Document Intelligence (eigene Extraktionsmodelle, vorgefertigte Modelle z. B. für Kontoauszüge, Gehaltsabrechnungen, US-Hypothekenformulare) [6]; Google Document AI Form Parser (ohne generative KI) und Custom Extractor (Gemini-basiert, EU-Standort verfügbar, einige Versionen nutzen aber den globalen Endpunkt und erfüllen die Datenresidenz nicht) [5]; Amazon Textract (Forms, Tables, Queries, Unterschriften, Analyze Lending) [7].
• Mistral OCR 3 (mistral-ocr-2512, Dez. 2025, EU-Anbieter): laut Anbieter stark bei Formularen und Handschrift über gedruckten Feldern; gelistet mit 2 USD pro 1.000 Seiten, 3 für Annotationen (strukturierte Extraktion); Selbstbetrieb nach Vereinbarung [4].
• Allgemeine VLMs (Claude, Gemini, GPT, Mistral) mit strukturierter Ausgabe für seltene Formulare; EU-Regionen und einen AVV nutzen.
• Orchestrierung: n8n / Power Automate / Camunda; Prüfungen als normaler Code, nicht per LLM.
• B wählen, wenn: Sie eigene Regeln und Integration brauchen und die Cloud-Verarbeitung in der EU akzeptabel ist.

Weg C — Selbst betreiben (Open Source)

• Analyse: Docling (MIT; lokal, Air-Gap-fähig; MCP- und API-Server) [8] mit Granite-Docling-258M (Apache 2.0) für die Seitenkonvertierung [9]; PaddleOCR / PaddleOCR-VL, MinerU, olmOCR.
• Extraktions-VLMs: Qwen3-VL-Familie, bereitgestellt mit vLLM und schemabeschränkter Dekodierung; kleinere Modelle für Kontrollkästchen und Felder, größere für unordentliche Handschrift.
• Hardware: HW2 (GPU mit 24–32 GB) für tausende Seiten pro Tag; HW3, wenn Sie VLMs mit 30B+ wollen. Nötig für Gesundheits-, Sozialleistungs- und andere sensible Daten, die das Haus nicht verlassen dürfen.

Weg D — Eigenes Training

Lohnt sich bei sehr hohem Volumen auf wenigen festen Formularen (z. B. einem nationalen Schadenformular) oder für deutsche Handschrift: ein kleines VLM oder Layout-Modell auf einigen hundert bis einigen tausend geprüften Formularen feintunen. Korrekturen der Prüfenden sind der natürliche Trainingssatz; halten Sie je Formularversion ein eingefrorenes Testset vor.

Stand der Technik (2026)

• Schemagesteuerte VLM-Extraktion hat die Vorlagen-Zonierung abgelöst; Cloud-Dienste bieten nun Gemini- oder LLM-basierte eigene Extraktoren neben klassischen Formular-Parsern an [5][6]. Anbieter berichten von großen Fortschritten bei Handschrift über gedruckten Formularen und bei Kontrollkästchen, nennen aber keine absoluten Genauigkeitswerte [4].
• Kleine spezialisierte Seitenmodelle (Granite-Docling mit ca. 0,3B Parametern) machen lokale Analyse günstig [9].
• Grenzen und Fehlerbilder: erfundene oder „korrigierte“ Werte bei unleserlicher Handschrift, falsch gelesene Kontrollkästchen (angekreuzt oder durchgestrichen), mehrseitige Tabellen, Formulare mit geänderter Version, gemischte Sprachen und Stempel über Text. Gegenmaßnahmen: Konfidenz je Feld, erneutes Lesen kritischer Felder durch ein zweites Modell, Plausibilitätsregeln und Stichproben durch Prüfende.
• Generative KI ist nicht für jedes Formular nötig: feste ausfüllbare PDFs mit Formularfeldern lassen sich ohne OCR lesen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm + llm-general): DOC-001 Rechnungen, DOC-004 Ausweisdokumente, DOC-005 Handschrift, DOC-007 Patientenakten, DOC-017 Kontoauszüge und Gehaltsabrechnungen, DOC-014 Analyse für RAG; ein VLM-Server (HW2/HW3) kann sie alle bedienen.
• Vorgelagert: DOC-008 Klassifikation in der Poststelle und Paketaufteilung.
• Nachgelagert: DOC-016 regelbasierte Vollständigkeits-/Compliance-Prüfungen (z. B. Genehmigungen), DOC-018 Schwärzung vor der Weitergabe, ANOM-009 Betrugssignale bei Schäden, AGENT-002 Back-Office-Automatisierung für Nachfassschreiben und Vorgangsanlage.
• Gemeinsame Bausteine: Workflow-Engine, Prüfoberfläche mit Hervorhebung der Quelle, Prüfdienst auf Stammdaten, Archiv mit Prüfpfad.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen; Preise pro Dokument oder pro Nutzer; der meiste Aufwand liegt in Konnektor und Regelkonfiguration.
• Weg B: 1–3 Monate je Formularfamilie inklusive Integration; die API-Kosten pro Seite sind gering (der oben genannte Mistral-Listenpreis ist ein Beispiel [4]); Hauptkosten sind Prüfoberfläche und Tests.
• Weg C: 2–4 Monate plus GPU-Server und Betrieb.
• Kennzahlen: Quote der Dunkelverarbeitung, Genauigkeit je Feld und Formulartyp (an eigenen Formularen gemessen), Präzision der Vollständigkeitsprüfung, Zeit bis zur Erstantwort, Kosten pro Vorgang, Anteil der wegen fehlender Unterlagen zurückgesendeten Vorgänge, Korrekturquote der Prüfenden.

Menschen & Veränderung

Früh einbinden: Geschäftsführung und die Abteilungsleitung, die den Eingangsprozess verantwortet, Sachbearbeitende als tägliche Nutzer, IT für das Vorgangssystem, die Datenverantwortlichen und Legal/Compliance für Regeln, die über Anträge entscheiden. Die/der Datenschutzbeauftragte ist von Anfang an nötig, da Formulare personenbezogene und oft besonders schützenswerte Daten (Gesundheit, Finanzen) enthalten; eine DSFA ist wahrscheinlich (Art. 35 DSGVO), und mit jedem Auftragsverarbeiter wird ein AVV benötigt (GUIDE-005).

Betriebsrat: abhängig vom Einzelfall. Auch wenn die Extraktion nur Daten erfasst, kann die Mitbestimmung greifen, da die Verarbeitung je Sachbearbeiter protokolliert wird und zur Leistungsüberwachung geeignet ist (§87 Abs. 1 Nr. 6 BetrVG); §90 Abs. 1 Nr. 3 verlangt frühzeitige Information. Öffentliche Stellen beteiligen den Personalrat (GUIDE-004).

KI-Verordnung (AI Act): Wenn KI Entscheidungen über Leistungen, Kredite oder Versicherungen beeinflusst, können Hochrisiko-Regeln gelten (Pflichten nach Anhang III ab 2. Dez. 2027); halten Sie die KI bei der Extraktion und die Entscheidungen bei Menschen (GUIDE-014).

KI-Kompetenz: Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; schulen Sie Sachbearbeitende zu Konfidenzniveaus und Prüfpflichten (GUIDE-006).

Kommunikation und Pilot: Beginnen Sie mit einem einfachen Formulartyp und einem kleinen Team, lassen Sie parallel laufen, sammeln Sie wöchentlich Rückmeldungen und benennen Sie eine KI-Botschafterin bzw. einen KI-Botschafter (GUIDE-008, GUIDE-009).

Typische Bedenken: Angst um den Arbeitsplatz (Zeit verlagert sich auf komplexe Fälle), Fehler zulasten der Antragstellenden (verpflichtende Prüfung bei niedriger Konfidenz), Transparenz gegenüber den Antragstellenden.

Menschen behalten die Kontrolle: Entscheidungen über Anträge trifft und zeichnet immer eine Person.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): abhängig vom Einzelfall. Reine Erfassung (OCR, Feldextraktion, Vollständigkeitsprüfung) ist in der Regel eine enge Verfahrens- oder Vorbereitungsaufgabe und kann unter die Ausnahme nach Art. 6 Abs. 3 fallen, doch Anbieter müssen diese Bewertung dokumentieren (Art. 6 Abs. 4), und das Profiling natürlicher Personen ist immer Hochrisiko [2]. Wenn dasselbe System die Berechtigung für öffentliche Leistungen, die Kreditwürdigkeit oder Risiko/Preisgestaltung in der Lebens- und Krankenversicherung bewertet, ist es nach Anhang III Nr. 5 ein Hochrisiko-System [1]. Die Hochrisiko-Pflichten sollen laut der aktuellen Zeitplanseite ab 2. Dez. 2027 gelten; prüfen Sie vor der Planung den Stand der KI-„Digital-Omnibus“-Änderungen [3]. Keine Rechtsberatung.
• DSGVO: Formulare enthalten personenbezogene und oft besonders schützenswerte Daten (Gesundheit, Leistungen). Erforderlich sind Rechtsgrundlage, AVV mit Anbietern, Datenminimierung, Aufbewahrungsfristen und für Entscheidungen Schutzmaßnahmen nach Art. 22 (keine ausschließlich automatisierte nachteilige Entscheidung ohne Schutzmaßnahmen). Eine DSFA ist meist erforderlich. Für Gesundheits- und Sozialdaten Hosting in der EU oder Weg C bevorzugen.
• Branche: deutsche GoBD für die Archivierung steuerrelevanter Dokumente; Versicherungsaufsicht (VAG/BaFin, Auslagerungsregeln inkl. DORA für Finanzunternehmen); öffentliche Verwaltung: OZG, E-Akte-Regeln und Verwaltungsverfahrensrecht (ein vollständig automatisierter Verwaltungsakt braucht eine Rechtsgrundlage, z. B. § 35a VwVfG).
• Risiken: unbemerkte Extraktionsfehler, die zu falschen Auszahlungen führen, voreingenommene Behandlung handschriftlicher oder fremdsprachiger Formulare, in hochgeladenen Dokumenten versteckte Prompt Injection. Gegenmaßnahmen: Prüfregeln, Stichproben „automatisch angenommener“ Vorgänge, kein Schreibzugriff des LLM auf Entscheidungen und Bereinigung der Eingaben.

Erste Schritte

1. Eine Formularfamilie wählen und 200 echte Formulare sammeln (auch schlechte Scans und Handschrift); das Zielschema definieren.
2. Zwei Kandidaten aus Weg A/B und eine Open-Source-Basislinie am selben Set testen; Feldgenauigkeit und Prüfzeit messen.
3. Prüfregeln und die Vollständigkeits-Checkliste ergänzen; Konfidenzschwellen je Feld festlegen.
4. Die Prüfmaske mit Hervorhebung der Quelle bauen und die Vorgangsanlage anbinden; im Schattenbetrieb starten.
5. Die Einstufung nach der KI-Verordnung und die DSFA dokumentieren; dann live gehen und automatisch angenommene Vorgänge monatlich stichprobenartig prüfen.

Quellen

1. EU AI Act, Annex III (point 5: essential services and benefits) — https://artificialintelligenceact.eu/annex/3/
2. EU AI Act, Article 6 (classification, derogation 6(3), documentation 6(4)) — https://artificialintelligenceact.eu/article/6/
3. AI Act implementation timeline — https://artificialintelligenceact.eu/implementation-timeline/
4. Mistral AI — Mistral OCR 3 — https://mistral.ai/news/mistral-ocr-3
5. Google Cloud — Document AI processors list — https://docs.cloud.google.com/document-ai/docs/processors-list
6. Microsoft — Azure Document Intelligence overview — https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/overview
7. AWS — What is Amazon Textract — https://docs.aws.amazon.com/textract/latest/dg/what-is.html
8. Docling project — https://github.com/docling-project/docling
9. IBM Granite-Docling-258M — https://huggingface.co/ibm-granite/granite-docling-258M
10. IBM — Salient claims automation case study (vendor-reported) — https://www.ibm.com/case-studies/salient
11. ACORD — Cincinnati Insurance case study, ACORD Transcriber (2026-07-15) — https://www.acord.org/news-detail/2026/07/15/case-study-highlights-cincinnati-insurance-efficiency-gains-with-acord-transcriber