Professionelles Diktat (Recht, Außendienst, Polizeiberichte)

Fachleute, die viel Text erzeugen, aber selten die Hände frei haben, etwa Rechtsanwälte, Techniker und Polizeibeamte, sprechen schneller, als sie tippen. Diktat macht aus Sprache nahezu fertige Dokumente, früher über das Schreibbüro, heute über Spracherkennung plus ein LLM, das bereinigt, formatiert und Vorlagen füllt. Das Ergebnis: kürzere Dokumentationszeiten, Berichte direkt am Einsatzort und weniger Rückstau bei der Transkription. Die Fachkraft bleibt Autorin bzw. Autor und muss das Ergebnis prüfen.

Problem & Nutzen

• Heute: Rechtsanwälte diktieren einer Sekretärin oder dem Schreibbüro (oder tippen selbst); Servicetechniker schreiben Berichte Stunden später aus dem Gedächtnis; Polizeibeamte verbringen einen großen Teil der Schichten am Schreibtisch mit Berichten. Rückstände verzögern Abrechnung, Verfahrensfortschritt und die Qualität von Beweismitteln.
• KI-Nutzen: im Auto, vor Ort oder am Schreibtisch diktieren; in Sekunden einen formatierten Entwurf erhalten; Fachbegriffe (Gesetze, Teilenummern, Straßennamen) werden über eigene Wortlisten erkannt; ein LLM entfernt Füllwörter, wendet die Vorlage an und strukturiert den Inhalt.
• Belege: Anbieter veröffentlichen Produktivitätsangaben (zum Beispiel schnellere Dokumentation in medizinischen und juristischen Umfeldern), diese stammen jedoch von den Anbietern und schwanken je nach Nutzer und Fachgebiet. Messen Sie bei Ihren eigenen Nutzern, bevor Sie sich festlegen [1][2].

Varianten

• Recht: Briefe, Vermerke, Protokolle, Aktennotizen; Anbindung an das DMS der Kanzlei und an die Kanzleisoftware; strenge Vertraulichkeit (Berufsgeheimnis, z. B. §203 StGB, Rechtsanwaltsgeheimnis).
• Außendienst / Inspektion / Versicherungsschäden: mobiles, offlinefähiges Diktat von Serviceberichten, Befunden und Ersatzteilen; füllt Felder im Arbeitsauftrag; laute Umgebungen; zu freihändigen Befehlen siehe SPEECH-011.
• Polizei und Behörden: Diktat von Entwürfen für Einsatz- oder Ermittlungsberichte in das Vorgangssystem. Nur ein Hinweis auf Richtlinienebene: Das Sprachwerkzeug ist eine Eingabehilfe, der Beamte ist der Autor, und das System darf weder Tatsachen erzeugen noch Personen bewerten.
• Medizin: hat ein eigenes, ausgereiftes Segment, siehe HLTH-003.
• Privatnutzung / Journalisten: Diktat und Sprachnotizen am Telefon (in die Tastaturen der Betriebssysteme eingebaut).

So funktioniert es

1. microphone / app (phone, headset, recorder)
2. capture + noise handling (VAD, optional on-device or edge pre-processing)
3. streaming or batch ASR with custom vocabulary / biasing
4. text post-processing (punctuation, numbers, voice commands "new paragraph")
5. LLM clean-up: remove fillers, apply template, structure sections, never add facts
6. human review & correction (side-by-side with audio, flagged low-confidence words)
7. export to DMS / work-order / records system, audit log, retention rules

• ASR: Transformer-Encoder-Decoder- oder CTC-/Transducer-Modelle; Fachanpassung über Wortlisten, Kontext-Biasing oder Prompts. Streaming für Live-Diktat; Batch für hochgeladene Aufnahmen.
• LLM-Schicht: formuliert in Schriftsprache um und füllt Vorlagen unter der strikten Anweisung, keine Inhalte zu erfinden; unklare Stellen werden markiert, nicht geraten.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Autorin bzw. der Autor prüft und zeichnet jedes Dokument ab; juristische und polizeiliche Dokumente liegen in der Verantwortung des Autors, daher wird der Entwurf immer als diktierter Entwurf gekennzeichnet.

Datenaufbereitung

Ein Diktat braucht drei Arten von Daten: das Audio selbst (Smartphone, Diktiergerät, Headset), einen eigenen Fachwortschatz (Namen von Parteien und Straßen, Teilenummern, Rechtsbegriffe, Abkürzungen) und Dokumentvorlagen mit Akten- oder Auftragskontext. Im Mittelstand ist der Wortschatz über DMS, ERP-Stammdaten, alte Briefe und die Köpfe erfahrener Mitarbeitender verstreut; Vorlagen liegen als Word-Dateien auf Dateiservern, oft in vielen veralteten Varianten.

Typische Lücken: keine zentrale Begriffsliste, uneinheitliche Vorlagen, fehlende Aktenzeichen als Kontext, unklare Zugriffsrechte auf Akten und schlechte Aufnahmegewohnheiten (Hintergrundgeräusche, kein einheitliches Mikrofon).

Schritte der Aufbereitung: 1. Namen, Produkt- und Teilelisten aus ERP/CRM exportieren und häufige Begriffe aus vorhandenen Briefen und Berichten extrahieren (PREP-005, PREP-015). 2. Vorlagen zu einem freigegebenen Satz je Dokumenttyp zusammenführen und einige fertige Musterdokumente als Referenz sammeln (PREP-016, PREP-014). 3. Standardmikrofone auswählen und 20 bis 50 Testdiktate mit typischem Wortschatz als Auswertungsdatensatz aufnehmen (PREP-018). 4. Aufbewahrung für Audio und Entwürfe festlegen und entscheiden, welche Daten das Unternehmen verlassen dürfen (PREP-024, PREP-025).

Grober Anteil am Gesamtaufwand: etwa 30 Prozent, überwiegend Wortschatz- und Vorlagenarbeit. Siehe auch GUIDE-003 und DATA-003.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A, weil ausgereifte, in der EU betreibbare Diktatprodukte mit Wortlisten und Anbindungen an DMS bzw. Aktensysteme zu KMU-Preisen verfügbar sind und der Prozess Standard ist.
• enterprise: Weg C, weil das Diktat privilegierter oder fallbezogener Inhalte sensibel ist, die Mengen Kosten pro Arbeitsplatz oder pro Minute hochtreiben und eine gemeinsame interne Sprachplattform (Modelle der Whisper-Klasse) mehrere Abteilungen bedient.
• developer: Weg B, weil die Integration von Diktat in eigene Außendienst- oder Vorgangs-Apps mit einer in der EU gehosteten Sprach-API plus einem LLM zur Formatierung am schnellsten geht.
• public: Weg C, weil Polizei und Behörden Datensouveränität und einen vergaberechtskonformen Betrieb On-Premises oder in einer souveränen Cloud für Inhalte von Einsatzberichten brauchen.

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

• Diktatlösungen: Dragon Professional / Dragon Legal (Microsoft/Nuance-Linie; Cloud- und mobile Dragon-„Anywhere“-Varianten werden auslaufen, prüfen Sie daher die aktuelle Verfügbarkeit), und Philips SpeechLive (Philips-Diktierhardware und Cloud-Workflow, NL), Olympus/OM System ODMS mit Diktat-Workflow, Grundig Business Systems Digta (DE), Diktat-Funktionen in Microsoft 365 (Word Diktieren), native Diktierfunktion von Apple und Android.
• Juristisch spezialisiert / EU: Philips SpeechLive (NL) und DMS-integrierte Werkzeuge von Herstellern von Kanzleisoftware (jeweils EU-Hosting prüfen).
• Prüfen: EU-Hosting oder Betrieb auf dem Gerät, AVV, standardmäßig kein Training mit Kundenaudio, Wortschatzverwaltung, Anbindung an DMS/Vorgangssystem, mobile App, Nachvollziehbarkeit (Audit-Trail).
• Weg A wählen, wenn: Standarddokumente, wenige bis einige hundert Nutzer, keine besondere Integration.

Weg B — Auf Cloud-KI-Diensten aufbauen

• ASR-APIs mit EU-Regionen: Azure AI Speech (Custom Speech, Phrase-Listen, EU-Regionen), Google Cloud Speech-to-Text (Chirp-Familie, EU-Standort), AWS Transcribe (Frankfurt, eigener Wortschatz), Deepgram, AssemblyAI, Speechmatics (Betrieb in UK/EU), Mistral Voxtral (EU-Anbieter) [3][4].
• LLM-Nachbearbeitung: Aufruf mit strukturierter Ausgabe an ein führendes Modell (Claude, Gemini, GPT, Mistral) mit Vorlage und Kontext; Optionen für Datenhaltung in der EU, sofern angeboten.
• Orchestrierung: mobiler Client oder Web-App, n8n/Power Automate, Konnektor zu DMS oder Vorgangssystem.
• Weg B wählen, wenn: Sie eigene Vorlagen, Workflows oder Integrationen brauchen.

Weg C — Selbst betreiben (Open Source)

• ASR mit offenen Gewichten: OpenAI Whisper large-v3 / turbo (über faster-whisper, whisper.cpp, WhisperX), NVIDIA Parakeet und Canary (NeMo), Mistral Voxtral (offene Gewichte), Kyutai STT für Streaming, Vosk für kleine Geräte [5][6].
• Textschicht: lokales LLM (zum Beispiel aus den Familien Qwen, Mistral oder Llama) über vLLM oder Ollama; Presidio zur Maskierung personenbezogener Daten in Logs.
• Hardware: HW1 für kleine Modelle auf dem Gerät (Laptop/Telefon); HW2 bedient Dutzende gleichzeitige Diktatnutzer; HW3 nur für große LLMs in der Nachbearbeitung.
• Weg C wählen, wenn: Vertraulichkeitsanforderungen (Kanzleien, Behörden, verteidigungsnahe Bereiche) Cloud-Audio verbieten.

Weg D — Eigenes Training

Ein ASR-Modell mit Fachaudio feintunen (Dialekte, laute Feldaufnahmen, Fachbegriffe), wenn die Wortfehlerrate auf Ihren Daten nach dem Wortschatz-Biasing noch eindeutig zu hoch ist. Es braucht Dutzende bis Hunderte Stunden eingewilligtes, transkribiertes Audio; Korrekturen der Prüfenden sind die natürliche Quelle.

Stand der Technik (2026)

• Genauigkeit: offene und kommerzielle Modelle erreichen bei sauber gelesener Sprache in den großen europäischen Sprachen niedrige Wortfehlerraten; Modelle der Whisper-Klasse sind robust, können aber in Stille oder Rauschen Text halluzinieren, daher sind VAD und Konfidenzfilter nötig.
• Fachbegriffe bleiben die Hauptfehlerquelle: Namen, Aktenzeichen, Zitate, Teilenummern, Dialekte und Sprachwechsel. Biasing/Phrase-Listen helfen mehr als die Modellgröße.
• LLM-Nachbearbeitung erzeugt sauberen Schrifttext, kann aber Gesagtes glätten oder „korrigieren“; halten Sie das Rohtranskript und das Audio zur Überprüfung verknüpft.
• ASR auf dem Gerät (Telefone, Laptops mit NPUs) deckt inzwischen private Diktate ohne Cloud-Übertragung ab.
• Grenzen: laute Fahrzeuge und Einsatzorte, überlappende Sprache, starke Akzente sowie Zahlen- und Datumsformate je Sprache; unklare Stellen sollten markiert und nicht stillschweigend aufgelöst werden.

Gemeinsame Bausteine & Kombinationen

• Gleicher ASR-Stack (asr + llm-general): SPEECH-001 Meetings, SPEECH-004 Untertitelung, SPEECH-021 Wortprotokolle, SPEECH-002 Anrufanalyse; ein selbst betriebener Whisper-/Voxtral-Server auf HW2 kann sie alle bedienen.
• Nachgelagert: DOC-020 Verarbeitung von Fallakten, HLTH-003 klinische Dokumentation, SPEECH-011 freihändige Befehle in der Instandhaltung.
• Nachbarn: CONV-021 und SPEECH-016 behandeln Notrufe, ein anderes Umfeld mit höherem Risiko.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Abonnement pro Nutzer; Hardware-Mikrofone optional.
• Weg B: 1–3 Monate für Vorlagen und Integration; Kosten pro Audiominute plus LLM-Token.
• Weg C: 2–4 Monate; ein GPU-Server plus Betrieb; keine Gebühren pro Minute.
• Kennzahlen: Wortfehlerrate auf eigenem Audio, Editierabstand zwischen Entwurf und Endfassung, Dokumentationszeit pro Dokument, Größe des Rückstaus, Durchlaufzeit, Akzeptanz bei den Nutzern, Korrekturrate bei Fachbegriffen.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsleitung (Budget, Richtlinie) und die Abteilungsleitung (Vorlagen, Qualität) ein, dann die IT (Geräte, DMS-Integration), die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten (Diktate enthalten personenbezogene und oft privilegierte Daten) und vor dem Pilotbetrieb den Betriebsrat. Benennen Sie eine verantwortliche Person für den Wortschatz.

Betriebsrat: in der Praxis ja. Diktiersysteme protokollieren, wer was wann diktiert hat, und sind daher objektiv geeignet, Leistung zu überwachen; das löst die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG aus; §90 Abs. 1 Nr. 3 verlangt eine frühzeitige Unterrichtung, wenn sich Arbeitsabläufe ändern. Bei Behörden und Polizei ist der Personalrat nach BPersVG oder Landesrecht zu beteiligen. Eine kurze Betriebsvereinbarung sollte eine Leistungsbewertung anhand der Diktatprotokolle ausschließen.

Datenschutz: AVV (Art. 28 DSGVO) mit jedem Anbieter, eine DSFA, wenn sensible Falldaten in größerem Umfang verarbeitet werden, und Prüfung des Berufsgeheimnisses bei Rechtsanwälten.

KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit einer kurzen Schulung zu Wortschatz, Sprachbefehlen, Korrekturlesen und den Grenzen der Transkription (GUIDE-006).

Kommunikation und Pilot: Beginnen Sie mit einer freiwilligen Gruppe von 3 bis 5 begeisterten Diktier-Nutzern; typische Sorgen sind Arbeitsplatzverlust für Schreibkräfte, Überwachung und Genauigkeit. Begegnen Sie ihnen, indem Sie die Rolle der Schreibkraft als Prüfinstanz neu fassen, auf individuelle Überwachung verzichten und bei jedem Dokument, insbesondere bei Polizeiberichten, die Freigabe durch einen Menschen beibehalten. Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Diktat ist minimales Risiko (Art. 4 KI-Kompetenz gilt). Kein Verbot nach Art. 5 greift bei reiner Transkription. Hinweis: Wer Emotionserkennung, stimmbasierte Glaubwürdigkeits- oder Lügenbewertung oder die biometrische Identifizierung von Sprechern ergänzt, macht das System zu einem verbotenen oder hochriskanten Einsatz (Art. 5, Anhang III Nr. 6 für die Strafverfolgung); halten Sie diese Funktionen aus Diktatwerkzeugen heraus. Synthetische Zusammenfassungen von Polizeimaterial, die Entscheidungen beeinflussen, sollten erneut anhand von Anhang III bewertet werden. Keine Rechtsberatung [7].
• DSGVO: Audio und Transkripte enthalten personenbezogene Daten, oft besondere Kategorien (Gesundheit, Strafsachen, Art. 9/10); AVV mit Anbietern, EU-Hosting oder Verarbeitung auf dem Gerät, Löschfristen, kein Training der Anbieter mit Kundenaudio. Die Nutzung durch die Polizei fällt unter die Richtlinie zur Strafverfolgung (EU) 2016/680 und nationale Polizeigesetze, nicht unter die DSGVO [8].
• Berufsgeheimnis: Rechtsanwälte müssen bei der Nutzung von Cloud-Anbietern die Vertraulichkeit sicherstellen (z. B. §43e BRAO in Deutschland); dokumentieren Sie die Vereinbarung mit dem Dienstleister.
• Beweise und Akten: Der unterzeichnete Bericht ist die rechtlich maßgebliche Aufzeichnung; bewahren Sie Audio, Entwurf und Endfassung zur Nachvollziehbarkeit auf; kennzeichnen Sie KI-gestützte Entwürfe, soweit die Richtlinie dies verlangt.
• Gegenmaßnahmen: Freigabe durch einen Menschen, Steuerung des Wortschatzes, Filter gegen Halluzinationen, Zugriffskontrolle, Verschlüsselung bei Übertragung und Speicherung, keine freie LLM-Textgenerierung über den diktierten Inhalt hinaus.

Erste Schritte

1. 5–10 Nutzer und einen Dokumenttyp auswählen; 2 Wochen lang die Dokumentationszeit als Ausgangswert erfassen.
2. 50 echte, eingewilligte Audioproben sammeln, auch laute; eine eigene Wortliste aufbauen.
3. 2–3 Werkzeuge von Weg A und eine Whisper-/Voxtral-Lösung mit diesem Audio testen; WER und Korrekturaufwand vergleichen.
4. Datenschutz klären: AVV, EU-Hosting oder Betrieb auf dem Gerät, Aufbewahrung, Prüfung des Berufsgeheimnisses.
5. Mit verpflichtender Prüfung einführen, danach monatlich Editierabstand und eingesparte Zeit verfolgen.

Quellen

1. Microsoft — Dragon Professional and Dragon Legal product information — https://www.nuance.com/dragon/
2. Philips — SpeechLive dictation service — https://www.dictation.philips.com/
3. Microsoft — Azure AI Speech custom speech documentation — https://learn.microsoft.com/azure/ai-services/speech-service/custom-speech-overview
4. Mistral AI — Voxtral audio models and API documentation — https://docs.mistral.ai/capabilities/audio/
5. OpenAI Whisper — https://github.com/openai/whisper
6. NVIDIA NeMo (Parakeet / Canary ASR) — https://github.com/NVIDIA/NeMo
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Directive (EU) 2016/680 (Law Enforcement Directive) — https://eur-lex.europa.eu/eli/dir/2016/680/oj