Datenextraktion aus Ausweisdokumenten für das Onboarding

Die Eröffnung eines Bankkontos, der Abschluss eines Mobilfunkvertrags, die Einstellung von Beschäftigten (Prüfung der Arbeitserlaubnis) oder die Registrierung bei einem öffentlichen Dienst beginnt mit dem Abtippen von Daten aus einem Ausweisdokument. Dokumenten-KI liest das Dokument aus einem Smartphone-Foto, einem Scan oder einem NFC-Chip, prüft es intern (MRZ-Prüfziffern, Ablaufdatum, Konsistenz zwischen den Zonen) und übergibt saubere strukturierte Daten an den Onboarding-Prozess. Dieser Anwendungsfall behandelt das Lesen und Prüfen der Daten; Fälschungs- und Lebendigkeitserkennung (ANOM-014) sowie Sanktionsprüfung (ANOM-016) sind benachbarte, getrennte Schritte.

Problem & Nutzen

• Heute: Mitarbeitende tippen Daten aus Kopien ab, oder Antragstellende füllen Formulare von Hand aus und laden ein Foto hoch. Das führt zu Tippfehlern, abgebrochenen Anmeldungen und Medienbrüchen. Regulierte Unternehmen (Banken, Versicherer, Anbieter von Kryptowerten, Notare, Immobilienmakler) müssen Kunden nach dem Geldwäscherecht identifizieren und Nachweise aufbewahren.
• KI-Nutzen: aus einem Foto vorausgefüllte Formulare, weniger abgebrochene Onboardings, konsistente Daten für nachgelagerte KYC-/AML-Prüfungen, weniger manuelle Erfassung, prüfbarer Nachweis, was gelesen wurde.
• Belegte Fakten: Das vorgefertigte ID-Modell von Azure Document Intelligence deckt seit API v4.0 (30.11.2024) Reisepässe und Ausweisdokumente aus Regionen weltweit ab [1]; Amazon Textract AnalyzeID vereinheitlicht Schlüssel über verschiedene Ausweislayouts, ist aber für in den USA ausgestellte Dokumente dokumentiert [2]. Öffentliche Benchmarks mit gemessenen Verbesserungen der Onboarding-Konversion stammen meist von Anbietern; fragen Sie Anbieter nach Ergebnissen für Ihre Dokumentenmischung, statt sich auf Marketingzahlen zu verlassen.

Varianten

• Bank / Versicherung / Zahlungsverkehr / Krypto: KYC-Onboarding nach Geldwäscherecht, oft mit Video- oder Selfie-Identifizierung (siehe AGENT-015).
• Telekommunikation, Carsharing, Gastgewerbe: Alters- und Identitätsprüfung bei Anmeldung oder Check-in (Meldescheine im Hotel).
• Personal: Prüfung von Arbeitserlaubnis und Identität bei der Einstellung; die Regeln zur Aufbewahrung von Kopien sind streng.
• Öffentliche Verwaltung: Registrierung bei Online-Diensten, mit der eID-Funktion des deutschen Personalausweises oder, ab Ende 2026, der EU-Digital-Identity-Wallet als bevorzugter Quelle bestätigter Daten [6].
• Privatnutzung: Autofill von Reise- oder Visaformularen aus einem lokal verarbeiteten Passfoto.
• Nicht Gegenstand: Echtzeit-Identifizierung von Personen im öffentlichen Raum (siehe „Risiken“).

So funktioniert es

1. Erfassung (Mobile SDK / Web-Upload / NFC-Auslesung / Filialscanner)
2. Qualitätsprüfung (Blendung, Unschärfe, Zuschnitt, alle vier Kanten sichtbar)
3. Dokumentklassifikation (Land, Typ, Version/Vorlagenjahr)
4. OCR + Feldextraktion (VIZ) und MRZ- / Barcode-Auswertung
5. NFC-Chip auslesen (Passive Authentication der SOD-Signatur), sofern verfügbar
6. Plausibilitätsprüfungen (MRZ-Prüfziffern, Ablaufdatum, VIZ = MRZ = Chip, Altersregeln)
7. [optional] Gesichtsabgleich + Lebendigkeitsprüfung (ANOM-014), Betrugs-/Manipulationsprüfung, Sanktionsprüfung
8. menschliche Prüfung bei niedriger Konfidenz oder Abweichungen
9. Schreiben in CRM / Kernsystem

• Extraktion: spezialisierte ID-Modelle oder VLMs liefern JSON nach einem Schema; die maschinenlesbare Zone (MRZ) wird deterministisch mit Prüfziffern ausgewertet, was weit zuverlässiger ist als freie OCR der gedruckten Felder.
• Chip-Auslesung von eMRTDs (ICAO Doc 9303) liefert kryptografisch signierte Daten und ist die stärkste Datenquelle; die Bildextraktion ist die Rückfallebene.
• Mensch-in-der-Schleife (Human-in-the-Loop): Abweichungen zwischen sichtbarer Zone, MRZ und Chip oder Felder mit niedriger Konfidenz gehen an eine Sachbearbeitung mit hervorgehobenem Quellbild. Identitäts-Entscheidungen in regulierten Umgebungen bleiben bei verantwortlichen Beschäftigten oder einem zertifizierten Verfahren.

Datenaufbereitung

Welche Daten: Bilder von Personalausweisen, Reisepässen und Aufenthaltstiteln (Vorderseite, Rückseite, Selfie zum Abgleich), die Zielfelder und der vorhandene Kunden- oder Mitarbeiterstammsatz, gegen den abgeglichen wird.

Wo sie liegen: Mobile App oder Web-Upload, E-Mail-Anhänge, Kundensysteme (CRM, Kernbanksystem), Personalakten und Papierkopien am Empfang.

Typische Lücken: schlechte Fotos, Blendung, abgeschnittene Kanten, viele Dokumenttypen und Länder, Kopien, die ohne Bedarf oder Löschfristen aufbewahrt werden, und unklare Rechtsgrundlage für die Aufbewahrung des Bildes.

Aufbereitungsschritte: 1. Festlegen, welche Dokumenttypen und Länder akzeptiert werden. 2. Aufnahmehinweise im Upload-Ablauf einbauen (Bildrahmen, automatische Aufnahme), um die Qualität an der Quelle zu verbessern (PREP-008). 3. Extrahierte Felder dem Stammsatz zuordnen und Abgleichsregeln definieren (PREP-002, PREP-005). 4. Aufbewahrungs- und Löschregeln festlegen; nur benötigte Felder speichern (PREP-025). 5. Ein kleines Testset mit synthetischen oder Musterdokumenten zusammenstellen, nicht mit echten Kundenausweisen (PREP-018, PREP-022). 6. Ausweisdaten als hochsensibel einstufen und den Zugriff beschränken (PREP-024).

Werkzeuge: das SDK des Anbieters für die Erfassung, Testmuster, die Schnittstelle zu CRM oder Kernsystem.

Grober Aufwandsanteil: gering, etwa 10 bis 20 Prozent; die Hauptarbeit sind Prozess, Aufbewahrung und rechtliche Klarheit. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg A: Zertifizierte Identifizierungsdienste mit Hosting in der EU gibt es zu Preisen pro Prüfung; ID-Prüfungen selbst zu bauen ist riskant und lohnt sich selten.
• Großunternehmen — Weg B: Hohes Onboarding-Volumen und eigene KYC-Regeln rechtfertigen Cloud-APIs mit eigener Orchestrierung, während die Lebendigkeits- und Betrugsprüfungen bei einem zertifizierten Anbieter bleiben.
• Entwickler — Weg B: Die Extraktion über in der EU gehostete APIs ist der praktische Weg; ID-Prüfungen ohne Zertifizierung selbst zu betreiben bringt keinen regulatorischen Wert.
• Öffentliche Verwaltung — Weg A: Für die amtliche Identifizierung werden nur zertifizierte Produkte (z. B. eID, qualifizierte Identifizierungsdienste) akzeptiert, kaufen Sie diese also.

Weg A — Kaufen (Standardsoftware) — für KMU und öffentliche Stellen empfohlen

• Plattformen zur Identitätsprüfung (IDV/eKYC): IDnow (DE), WebID (DE), Nect (DE), Authada (DE), Veriff (EE), Signicat (NO), Ondato (LT), Onfido/Entrust, Jumio, Mitek, Sumsub. Bevorzugen Sie Hosting in der EU, zertifizierte Verfahren und Unterstützung für geldwäschekonforme Video- oder Autoident-Abläufe, NFC-Auslesung und eine dokumentierte Dokumentendatenbank.
• APIs nur für die Extraktion: Mindee (FR), Klippa (NL), Azure Document Intelligence [1], Google Document AI Identity-Prozessoren.
• A wählen, wenn: ein regulierter KYC-Prozess, die Integration eines Mobile SDK, die Abdeckung von Dokumenten aus vielen Ländern und ein vom Anbieter geführter Konformitätsnachweis wichtiger sind als Anpassbarkeit. Dokumentenvorlagen-Bibliotheken und Betrugswerkzeuge selbst aufzubauen lohnt sich selten.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Azure AI Document Intelligence prebuilt-idDocument (JSON-Ausgabe mit Konfidenzen) [1]; Amazon Textract AnalyzeID (Vorder- und Rückseite in einer Anfrage) [2]; Mistral Document AI / OCR (EU-Anbieter, strukturierte Annotationen über /v1/ocr) [4]; allgemeine multimodale LLMs mit JSON-Schema-Ausgaben für seltene Dokumente.
• Immer mit deterministischer MRZ-Auswertung und Prüfziffernvalidierung kombinieren; das Modell nur für das nutzen, was die MRZ nicht enthält (Anschrift, Geburtsort, Führerscheinklassen).
• B wählen, wenn: Sie einen eigenen Onboarding-Ablauf bauen, ein moderates Volumen haben und keine On-Premises-Vorgabe besteht. Prüfen Sie die EU-Region des Endpunkts und die Einstellungen zu Aufbewahrung/Zero Retention, denn Ausweisbilder sind personenbezogene Daten mit hohem Risiko.

Weg C — Selbst betreiben (Open Source)

• Analyse: Docling (MIT-Lizenz, läuft lokal, unterstützt Air-Gap-Betrieb; Granite-Docling-VLM mit ~258M Parametern) [5], PaddleOCR und ein offenes VLM der Qwen-VL-Familie für die Feldextraktion, bereitgestellt mit vLLM. MRZ-Auswertung mit offenen Bibliotheken (z. B. MRZ-Leser im Stil von PassportEye) und ICAO-Chip-Auslesung mit offenen eMRTD-Bibliotheken.
• Hardware: HW2 genügt für tausende Dokumente pro Tag; HW1 (CPU) funktioniert für reine MRZ-Abläufe.
• C wählen, wenn: Daten Ihr Netz nicht verlassen dürfen (öffentliche Verwaltung, Banken mit Auslagerungsgrenzen). Beachten Sie, dass offene Komponenten Extraktion liefern, keine zertifizierte Identitätsprüfung; Lebendigkeits- und Injection-Angriffserkennung sind selbst kaum glaubwürdig zu bauen (siehe [3]).

Weg D — Eigenes Training

Lohnt sich nur bei ungewöhnlichen Dokumenten (regionale Titel, alte nationale Ausweisversionen, nicht-lateinische Schriften) oder sehr hohem Volumen. Benötigt einige hundert echte oder lizenzierte Muster je Vorlage; synthetische Muster sind sicherer als echte Kundenausweise. Das Training mit echten Ausweisbildern ist selbst ein Problem für DSGVO und Sicherheit.

Stand der Technik (2026)

• Zuerst MRZ + Chip: Deterministische Auswertung und signierte Chipdaten sind vertrauenswürdiger als OCR; die Bildextraktion dient vor allem für Karten ohne Chip und für die sichtbare Zone.
• Vorlagenfreie VLM-Extraktion bewältigt unbekannte Layouts und Schriften besser als klassische Vorlagenbibliotheken, braucht aber weiterhin Prüfung: Sie kann plausible Daten oder Dokumentennummern erfinden. Typische Schwachstellen sind Blendung/Hologramme, gewölbte oder laminierte Karten, Teilausschnitte, Transliteration von Namen und Dokumente seltener Länder.
• Identitätsprüfung bewegt sich hin zu bestätigten Daten: Die EU-Digital-Identity-Wallet (Verordnung (EU) 2024/1183) soll ab Ende 2026 von jedem Mitgliedstaat angeboten werden [6]; sobald Wallets verbreitet sind, wird die Extraktion aus Fotos zur Rückfallebene statt zur Hauptquelle.
• Injection-Angriffe und Deepfakes sind die größte Bedrohung für das Onboarding aus der Ferne. BSI TR-03147 definiert die Vertrauensniveaus normal/substanziell/hoch für die Identitätsprüfung und stellt fest, dass die Erkennung von Injection-Angriffen zentral ist; das BSI weist darauf hin, dass aktuelle Prüfspezifikationen Lücken lassen, und erarbeitet Prüfleitlinien (Konsultation endete am 30. Sept. 2026) [3]. Behandeln Sie Aussagen von Anbietern dazu mit Vorsicht.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm): DOC-001 Rechnungen, DOC-003 Formulare, DOC-008 Klassifikation in der Poststelle, DOC-014 Dokumentenanalyse; ein selbst betriebener VLM-Server bedient sie alle.
• Nachgelagert und benachbart: ANOM-014 (Fälschung, Lebendigkeit), ANOM-017 (synthetische und manipulierte Dokumente), ANOM-016 (Sanktionen, PEP, negative Medienberichte), AGENT-015 (durchgängiger Onboarding-/KYC-Agent, Workflow-Engine), VIS-016 (gesichtsbasierte Zutrittskontrolle, ein anderer und stärker regulierter Anwendungsfall).
• Gemeinsame Bausteine: Modul für Gesichtsbiometrie (1:1-Abgleich) mit ANOM-014, Workflow-Engine mit AGENT-002, verschlüsselter Bildspeicher mit kurzer Aufbewahrung, Prüfoberfläche.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; die Preise gelten typischerweise pro Prüfung, mit Mengenstaffeln.
• Weg B: 1–3 Monate inklusive SDK-Erfassung, Prüfoberfläche, Prüfpfad und Sicherheitsprüfung.
• Weg C: 2–4 Monate für die Extraktion; eine zertifizierte Identitätsprüfung wird dadurch allein nicht erreicht.
• Kennzahlen: Genauigkeit je Feld nach Dokumenttyp und Land, Quote der Dunkelverarbeitung, Anteil manueller Prüfungen, Abschlussquote des Onboardings, Zeit bis zum verifizierten Kunden, falsche Ablehnungen, Wiederholungsquote, nachgelagert entdeckter Betrug.

Menschen & Veränderung

Früh einbinden: Geschäftsführung und Abteilungsleitung (Onboarding, Filiale, Personal), IT-Sicherheit für die Integration und die Bildspeicherung, die/den Datenschutzbeauftragte(n) und Legal/Compliance, bevor irgendetwas beginnt. Ausweisbilder und biometrischer Abgleich sind sensibel: Eine DSFA ist wahrscheinlich (Art. 35 DSGVO), Rechtsgrundlage und Aufbewahrung müssen festgelegt werden, und ein AVV mit dem Anbieter ist verpflichtend; der biometrische Vergleich erfordert besondere Sorgfalt nach Art. 9 DSGVO (GUIDE-005, GUIDE-010).

Betriebsrat: abhängig vom Einzelfall. Beim reinen Kunden-Onboarding wird die Mitbestimmung oft nicht ausgelöst. Sie greift, wenn das Werkzeug für das Onboarding von Beschäftigten genutzt wird oder die Bearbeitung durch einzelne Beschäftigte protokolliert (§87 Abs. 1 Nr. 6 BetrVG), und §90 Abs. 1 Nr. 3 verlangt weiterhin Information über KI-gestützte Prozesse. Öffentliche Stellen beteiligen den Personalrat (GUIDE-004).

KI-Verordnung (AI Act): Biometrische Fernidentifizierung und manche Identitätsprüfungen können unter strengere Regeln fallen; klassifizieren Sie genau (GUIDE-014).

KI-Kompetenz: Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; schulen Sie Beschäftigte zu Betrugsmerkmalen, gefälschten Dokumenten und manueller Rückfallebene (GUIDE-006).

Kommunikation und Pilot: Informieren Sie Kunden klar darüber, was gelesen wird und warum; pilotieren Sie mit einem Kanal oder einer Filiale und verfolgen Sie die Ablehnungsquoten, auch für verschiedene Nationalitäten und Dokumenttypen (GUIDE-008, GUIDE-009).

Typische Bedenken: Datenschutz (so wenig Daten wie möglich speichern), Fairness (Prüfungen dürfen für bestimmte Gruppen nicht häufiger scheitern) und Kunden ohne passende Dokumente (einen manuellen Weg anbieten).

Menschen behalten die Kontrolle: Eine Person prüft jede Ablehnung und jeden zweifelhaften Abgleich.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Extraktion von Text aus einem Ausweisdokument ist minimales Risiko. Anhang III Nr. 1 nennt biometrische Fernidentifizierung, biometrische Kategorisierung und Emotionserkennung als Hochrisiko, nimmt aber die biometrische Verifizierung aus, deren alleiniger Zweck es ist, zu bestätigen, dass eine Person die ist, für die sie sich ausgibt (1:1-Abgleich) [7]. Ein reiner Dokumentenlese-Ablauf mit 1:1-Gesichtsabgleich liegt daher normalerweise außerhalb von Hochrisiko, die 1:N-Identifizierung gegen eine Datenbank dagegen nicht. Daher depends; klassifizieren Sie je Einsatz.
• Verbotene Praktiken (Art. 5): Der Aufbau von Gesichtsdatenbanken durch ungezieltes Auslesen (Scraping), das Ableiten sensibler Merkmale aus Biometrie und die biometrische Echtzeit-Fernidentifizierung zu Strafverfolgungszwecken im öffentlichen Raum sind verboten, außer in engen, genehmigten Ausnahmen [8]. Erweitern Sie ein Onboarding-System nicht in eine dieser Richtungen (zum Beispiel durch Wiederverwendung gesammelter Ausweisfotos für einen Gesichtssuchindex); das ist im geschäftlichen Umfeld nicht rechtmäßig umsetzbar.
• DSGVO: Ausweisbilder und -nummern sind personenbezogene Daten; Gesichtstemplates sind biometrische besondere Kategorien von Daten (Art. 9), wenn sie zur eindeutigen Identifizierung genutzt werden. Datenminimierung (nur benötigte Felder erheben), strenge Aufbewahrung (Löschung nach Ablauf der gesetzlichen Frist), AVV mit Anbietern, DSFA und kein Training mit Kundenausweisen ohne Rechtsgrundlage. In Deutschland dürfen Ausweiskopien nur unter den Bedingungen des Personalausweisgesetzes (PAuswG) angefertigt werden; Ausweisnummern dürfen nicht als Ordnungsmerkmal verwendet werden.
• Fachrecht: Identifizierungspflichten nach dem Geldwäscherecht (deutsches GwG; EU-Geldwäscheverordnung 2024/1624, anwendbar ab Juli 2027, mit technischen Standards der AMLA zur Fernidentifizierung), eIDAS-Vertrauensniveaus, BSI TR-03147 [3]; DORA für die IKT-Auslagerung bei Finanzunternehmen.
• Risiken und Gegenmaßnahmen: Deepfake-/Injection-Betrug (zertifizierte IDV-Anbieter nutzen, Chip auslesen); Fehler bei der Transliteration von Namen (die MRZ als kanonische lateinische Form verwenden); Verzerrungen über Hauttöne hinweg beim Gesichtsabgleich (je Gruppe testen); Datenpannen bei Ausweisbildern (Verschlüsselung, kurze Aufbewahrung, Zugriffsprotokoll).

Erste Schritte

1. Den rechtlichen Bedarf klären: Welches Gesetz verlangt welches Vertrauensniveau, und welche Dokumente müssen akzeptiert werden.
2. 100–200 Musterdokumente (oder rechtmäßige Mustersätze) über Ihre reale Länder-/Typenmischung sammeln und Anbieter daran messen.
3. MRZ und NFC-Chip-Auslesung wo immer möglich nutzen; VLM-Extraktion nur für den Rest ergänzen.
4. Aufbewahrung, DSFA und Prüf-Workflow vor dem Start gestalten; KI-Ausgabe im Vergleich zur menschlichen Korrektur protokollieren.
5. Mit einem Anbieter in regulierungstauglicher Qualität (Weg A) pilotieren, bevor über den Eigenbau (Weg B/C) entschieden wird.

Quellen

1. Microsoft Learn — Azure AI Document Intelligence, Identity document (ID) model — https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/prebuilt/id-document
2. AWS — Amazon Textract, Analyzing Identity Documents (AnalyzeID) — https://docs.aws.amazon.com/textract/latest/dg/how-it-works-identity.html
3. BSI — Technical Guideline TR-03147, assurance levels of identity verification procedures — https://www.bsi.bund.de/DE/Themen/Unternehmen-und-Organisationen/Standards-und-Zertifizierung/Technische-Richtlinien/TR-nach-Thema-sortiert/tr03147/tr03147_node.html
4. Mistral AI — Document AI / OCR documentation — https://docs.mistral.ai/capabilities/document_ai/
5. Docling project (MIT licence, Granite-Docling) — https://github.com/docling-project/docling
6. European Commission — EU Digital Identity Wallet home — https://ec.europa.eu/digital-building-blocks/sites/spaces/EUDIGITALIDENTITYWALLET/pages/694487738/EU+Digital+Identity+Wallet+Home
7. AI Act Annex III (high-risk systems), point 1 biometrics — https://artificialintelligenceact.eu/annex/3/
8. AI Act Article 5 (prohibited practices) — https://artificialintelligenceact.eu/article/5/
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Regulation (EU) 2024/1624 (AML Regulation) — https://eur-lex.europa.eu/eli/reg/2024/1624/oj