Nachträgliches Scannen & OCR von Papierarchiven für die KI-Nutzung

Viele KMU bewahren jahrzehntealte Kundenakten, Zeichnungen, Qualitätsnachweise und Verträge auf Papier auf. Ein KI-Assistent kann nichts durchsuchen, was er nicht lesen kann. Ein einmaliges Digitalisierungsprojekt (scannen, OCR, in Dokumente trennen, einige Indexfelder ergänzen) macht aus dem Keller einen durchsuchbaren Korpus. Der KI- Anteil ist klein; die eigentliche Arbeit ist Auswählen, Sortieren, Scannen und Prüfen, und das Ergebnis speist jeden späteren Anwendungsfall für Suche und RAG.

Problem & Nutzen

• Heute: Wissen steckt in Ordnern in einem Keller oder Archivraum. Einen alten Kundenvertrag, einen Kalibriernachweis oder eine Zeichnung zu finden, heißt, die eine Kollegin oder den einen Kollegen zu fragen, der das Regal kennt. Manches Papier wird auch nur aufbewahrt, weil sich niemand getraut hat, es wegzuwerfen.
• KI-Nutzen: Sobald der Text maschinenlesbar ist, funktionieren Volltext- und semantische Suche über die gesamte Historie, und Assistenten können daraus Fragen beantworten (PREP-013, DOC-014). OCR- und Layoutmodelle trennen außerdem Seitenstapel in Einzeldokumente und schlagen Typ, Datum und Bezug vor.
• Ehrlicher Umfang: Scannen Sie nur Papier, das noch gebraucht wird; ein Teil des Archivs sollte vernichtet werden. Es wird keine Nutzenzahl behauptet; messen Sie Ihre eigene Suchzeit.

Varianten

• Kunden-, Projekt-, Qualitäts- und Wartungsakten; technische Zeichnungen (Großformatscanner oder Dienstleister); Verträge (hohe Sensibilität; Personalakten bleiben in der Regel außerhalb des Umfangs).
• Öffentliche Verwaltung: Registratur- und Bauakten nach Archivrecht.
• Außerhalb des Umfangs: laufende Eingangspost (DOC-008) und historische Handschrift (DOC-005).

So funktioniert es

1. Papier auswählen & sortieren (Aufbewahrungsprüfung)
2. scannen (Duplex, 300 dpi, Trennblätter)
3. Bereinigung (Entzerren)
4. OCR + Layout-Analyse
5. trennen & klassifizieren (Typ, Datum, Bezug)
6. Indexfelder
7. Stichprobenprüfung durch Menschen
8. DMS / Dateiablage
9. Suche und RAG

• OCR: Tesseract über OCRmyPDF (in Paperless-ngx enthalten) bewältigt sauberen Druck; Docling oder ein Vision-Language-Modell hilft bei schlechten Scans und Tabellen. Handschrift bleibt schwach (DOC-005).
• Trennung: Barcode- oder Leerseiten-Trennblätter sind zuverlässig; ein LLM kann Titel, Typ und Datum vorschlagen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Stichprobenprüfungen je Charge, Durchsicht von Feldern mit geringer Sicherheit, Entscheidung über die Vernichtung.

Datenaufbereitung

Welche Daten: das Papier selbst sowie vorhandene Listen (Ordnerverzeichnisse, Kundennummern). Es liegt in Archivräumen und Kellern, manchmal als halb gescannte PDFs ohne Textebene.

Typische Lücken: gemischte Formate (A4, A3, Zeichnungen), Heftklammern, verblassendes Thermopapier, keine Zuordnung von Ordner zu Kunde, Dubletten, personenbezogene Daten ohne Aufbewahrungsentscheidung und kein Owner, der sagt, was aufbewahrt werden muss.

Schritte der Vorbereitung: 1. Archiv inventarisieren: Regalmeter, Typen, Alter, Sensibilität (PREP-001). 2. Zuerst die Aufbewahrungsregeln anwenden: was aufbewahrt werden muss (Steuer- und Handelsrecht, Produkthaftung), was vernichtet werden darf, was keinen Wert hat. Bei personenbezogenen Daten die/den Datenschutzbeauftragte(n) einbeziehen (PREP-025). 3. Zielstruktur und eine Handvoll Indexfelder festlegen: Typ, Datum, Kunden- oder Projektnummer, Ende der Aufbewahrung (PREP-009, PREP-010). 4. Pilot mit 2-3 Ordnern, um Scan-Einstellungen und Trennmethode festzulegen. 5. Abgabenordnung (AO) § 147, Aufbewahrung und ersetzendes Scannen - https://www.gesetze-im-internet.de/ao_1977/__147.html 6. OCR ausführen, je Charge 5 Prozent der Seiten per Stichprobe prüfen, Fehlschläge neu scannen. 7. Zugriffsrechte vor der Indexierung für die KI festlegen, damit Assistenten keine Vertrags- oder Personaldaten für alle sichtbar machen (PREP-023).

Werkzeuge: der Dokumentenscanner mit Einzug, den Sie vermutlich besitzen, Paperless-ngx, OCRmyPDF, Nextcloud, SharePoint, DATEV Dokumentenablage oder Ihr DMS; ein Scan-Dienstleister für Zeichnungen und große Mengen.

Grober Aufwandsanteil: hoch, etwa 70-80 Prozent des Projekts sind Sortieren, Scannen und Prüfen, nicht KI (unsere Schätzung). Planen Sie Personentage je einige Dutzend Regalmeter plus ein bis zwei Tage IT-Einrichtung. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU - Weg C: Die Daten sind Kunden- und Vertragsakten mit personenbezogenen Inhalten und Geschäftsgeheimnissen, und Paperless-ngx mit OCRmyPDF läuft auf einem kleinen Server (HW1), der auch spätere Anwendungsfälle bedient (Baukasten-Effekt: PREP-010, DOC-008, DOC-014). Weg A (Scan-Dienstleister oder DMS) ist eine gültige Alternative, wenn niemand einen Server betreiben möchte.
• Großunternehmen - Weg B: hohes Volumen, das Scannen wird meist ausgelagert, OCR und Klassifizierung über Cloud-Dokument-APIs, eingebunden in das ECM.
• Öffentliche Verwaltung - Weg C: sensible Registraturakten, souveränes Hosting, Archivrecht.

Weg A — Kaufen (Standardsoftware)

• Scan-Dienstleister in Deutschland und der EU (typischerweise ISO-27001-zertifiziert, mit Auftragsverarbeitungsvertrag): gut für große Mengen, Zeichnungen und einmalige Spitzen. Hinweis: Wählen Sie Anbieter mit Sitz in der EU und schließen Sie einen AVV (Art. 28 DSGVO) ab.
• DMS mit eingebauter OCR: DocuWare, d.velop documents, ELO, SharePoint, DATEV Dokumentenablage (Optionen mit EU-Hosting gibt es bei DocuWare, d.velop und ELO).
• Wählen Sie A, wenn: Sie keinen eigenen Betrieb wollen und einen Standard-Archivprozess möchten.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Dokument-Parsing-APIs: Azure AI Document Intelligence (EU-Regionen), Google Document AI (Standort EU), AWS Textract (Frankfurt), Mistral OCR (EU-Anbieter).
• Orchestrierung: n8n oder Power Automate überwacht einen Scan-Ordner, ruft OCR und ein LLM für Typ und Datum auf und schreibt in SharePoint, Nextcloud oder das DMS.
• Wählen Sie B, wenn: die Layouts vielfältig sind, das Volumen groß ist und ein AVV mit Datenhaltung in der EU vorliegt.

Weg C — Selbst betreiben (Open Source)

• Stack: Paperless-ngx (Eingangsordner, OCRmyPDF/Tesseract, Tags, Korrespondenten, Dokumenttypen), Nextcloud oder Dateiablage zur Speicherung; optional Docling oder PaddleOCR für schwierige Layouts; ein kleines lokales LLM über Ollama für vorgeschlagene Titel und Typen.
• Hardware: HW1 (CPU-Server, 8+ GB RAM) genügt für OCR und Paperless-ngx; HW2 nur, wenn Sie ein lokales VLM für schwierige Scans möchten.
• Aufwand: ein bis zwei Tage Einrichtung, einige Tage für die Feinabstimmung von Tags und Regeln, danach laufend Backups und Updates durch die IT.
• Wählen Sie C, wenn: die Daten sensibel sind und eine einfache, gemeinsame Archivplattform gewünscht ist.

Weg D — Eigenes Training

Nicht nötig; vortrainierte OCR- und Layoutmodelle decken diesen Fall ab.

Stand der Technik (2026)

• Offene OCR ist für Druck ausgereift; layoutbewusste Parser (Docling, PaddleOCR-VL) verbessern Tabellen und gemischte Layouts.
• LLMs können Titel, Typen und Daten vorschlagen, aber sie halluzinieren plausible Werte: Behalten Sie eine Kontrolle für Daten und Bezugsnummern bei.
• Grenzen: Handschrift, Stempel, verblasstes Thermopapier, schiefe oder niedrig aufgelöste Scans und CAD-Zeichnungen bleiben fehleranfällig. OCR-Fehler schaden dem Retrieval unbemerkt, testen Sie daher mit echten Fragen (PREP-018).
• Rechtssichere Archivierung: Ein durchsuchbarer Scan ist nicht automatisch ein Ersatz für das Original. Die deutschen Steuerregeln (GoBD) erlauben ersetzendes Scannen, wenn ein dokumentiertes Verfahren (Verfahrensdokumentation) besteht; behalten Sie die Originale, bis das mit Ihrer Steuerberatung geklärt ist.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + workflow-automation): DOC-001, DOC-008, DOC-014, PREP-007; eine Paperless-ngx- oder DMS-Instanz bedient das nachträgliche Scannen und die laufende Eingangsverarbeitung.
• Nachgelagert: PREP-009, PREP-010, PREP-013, PREP-023.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen; Kosten je Seite oder Regalmeter, holen Sie mehrere Angebote ein. Weg B: 2-4 Wochen plus API-Gebühren. Weg C: 1-2 Tage Einrichtung; die Scan-Zeit der Beschäftigten dominiert.
• Kennzahlen: Seiten pro Tag, Anteil mit bestandener Stichprobenprüfung, Anteil mit vollständigen Indexfeldern, Suchzeit vorher/nachher.

Menschen & Veränderung

Früh einbinden: Geschäftsleitung (Umfang, Budget), Abteilungsleitung (Inhaltsverantwortliche), IT (Server, Backup), Data Owner (Sortierung und Aufbewahrung), Steuerberatung (GoBD) und Datenschutzbeauftragte(r). Eine DSFA ist für reines Scannen in der Regel nicht nötig; ein AVV mit Scan-Dienstleistern schon (GUIDE-005, GUIDE-010).

Betriebsrat: In der Regel keine Mitbestimmung für das Scannen selbst, da es Beschäftigte nicht überwacht. Das ändert sich, wenn Personalakten einbezogen werden oder das DMS die Aktivität einzelner Nutzer protokolliert; dann gilt § 87 Abs. 1 Nr. 6 BetrVG und der Betriebsrat sollte früh informiert werden. § 90 Abs. 1 Nr. 3 greift, wenn Arbeitsabläufe mit KI geplant werden (GUIDE-004). Öffentliche Stellen binden den Personalrat ein.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz; eine kurze Einweisung zu OCR-Fehlern und zur Prüfung von KI-vorgeschlagenen Indexfeldern genügt (GUIDE-006).

Kommunikation und Pilot: Langjährige Beschäftigte kennen das Archiv am besten, machen Sie sie daher zum Sortierteam. Beginnen Sie mit 2-3 Ordnern und benennen Sie eine KI-Fürsprecherin bzw. einen KI-Fürsprecher (Champion) (GUIDE-008, GUIDE-009). Typische Sorgen: Überflüssigwerden der Wissensträger des Papiers, falsche Vernichtung, Rechtswert von Scans. Menschen entscheiden, was aufbewahrt wird; die KI schlägt nur Indexwerte vor.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. OCR und Indexierung sind keine Anwendung nach Anhang III. Art. 4 KI-Kompetenz gilt.
• DSGVO: Archive enthalten personenbezogene Daten von Kunden, Beschäftigten und Lieferanten. Prüfen Sie Rechtsgrundlage und Zweck, wenn alte Akten für KI wiederverwendet werden (PREP-025), löschen Sie Daten nach Ablauf der Aufbewahrung, statt sie zu digitalisieren, schließen Sie einen AVV mit Scan-Dienstleistern und Cloud-OCR-Anbietern (Art. 28) ab und beschränken Sie den Zugriff.
• Buchführung: GoBD und Aufbewahrungsfristen; holen Sie die Freigabe der Steuerberatung ein, bevor Originale vernichtet werden.
• Risiken: fehlende Seiten, falsch indexierte Dokumente, Überfreigabe durch die KI-Suche (PREP-023), Verlust von Originalen. Gegenmaßnahmen: Chargenprotokolle, Stichprobenprüfungen und Bereinigung der Zugriffsrechte.

Erste Schritte

1. Gehen Sie das Archiv mit der Abteilungsleitung durch; schätzen Sie Regalmeter, Typen und Sensibilität.
2. Vereinbaren Sie Aufbewahrungs- und Vernichtungsregeln mit Steuerberatung und Datenschutzbeauftragter bzw. Datenschutzbeauftragtem.
3. Richten Sie Paperless-ngx oder Ihr DMS ein; pilotieren Sie 2-3 Ordner und messen Sie die OCR-Qualität.
4. Scannen Sie in Chargen mit Trennblättern; prüfen Sie per Stichprobe.
5. Legen Sie Zugriffsrechte fest und testen Sie dann die Suche mit 20 echten Fragen.

Quellen

1. Paperless-ngx documentation - https://docs.paperless-ngx.com/
2. OCRmyPDF documentation - https://ocrmypdf.readthedocs.io/
3. Docling project - https://github.com/docling-project/docling
4. Tesseract OCR - https://github.com/tesseract-ocr/tesseract
5. Abgabenordnung (AO) section 147, retention and replacing scanning - https://www.gesetze-im-internet.de/ao_1977/__147.html
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. PaddleOCR - https://github.com/PaddlePaddle/PaddleOCR