Mit OCR 4 hat das franz\u00f6sische KI-Unternehmen Mistral ein neues Modell f\u00fcr Texterkennung und Dokumentenverarbeitung vorgestellt. Das Besondere: Das Modell l\u00e4sst sich vollst\u00e4ndig auf eigener Infrastruktur betreiben, sodass Dokumente das Unternehmen nicht verlassen m\u00fcssen. F\u00fcr Branchen mit hohem Dokumentenaufkommen und strengen Datenschutzanforderungen ist das ein relevanter Unterschied zu vielen cloudbasierten L\u00f6sungen, die Dokumente zwangsl\u00e4ufig \u00fcber externe Server verarbeiten.<\/p>\n
Anders als fr\u00fchere Versionen, die Dokumente vor allem in Text und Tabellen umwandelten, liefert OCR 4 strukturierte Ausgaben: Textbl\u00f6cke werden klassifiziert, mit Positionsangaben (Bounding Boxes) versehen und mit einem Vertrauenswert je Wort und Seite ausgegeben. Unterst\u00fctzt werden rund 170 Sprachen aus zehn Sprachgruppen. Verarbeitet werden g\u00e4ngige Unternehmensformate wie PDF, DOC, PPT und OpenDocument. Damit eignet sich das Modell nicht nur f\u00fcr einfache Texterkennung, sondern auch als Baustein f\u00fcr komplexere Anwendungen wie unternehmensweite Suche, automatisierte Auswertung gro\u00dfer Dokumentenbest\u00e4nde oder als Vorstufe f\u00fcr RAG-Systeme (Retrieval-Augmented Generation), bei denen Sprachmodelle mit unternehmensinternem Wissen angereichert werden.<\/p>\n
Auf g\u00e4ngigen Vergleichstests schneidet OCR 4 nach Angaben von Mistral stark ab: 85,20 Punkte auf dem \u00f6ffentlichen OlmOCR-Benchmark und 93,07 Punkte auf OmniDocBench. In unabh\u00e4ngigen Bewertungen, bei denen menschliche Pr\u00fcferinnen und Pr\u00fcfer die Ausgabe verschiedener OCR-Systeme verglichen haben, wurde OCR 4 gegen\u00fcber f\u00fchrenden Wettbewerbsl\u00f6sungen im Schnitt in 72 Prozent der F\u00e4lle bevorzugt. Bemerkenswert ist dabei, dass Mistral selbst offengelegt hat, an welchen Stellen die automatisierten Benchmark-Werte durch Bewertungsartefakte verzerrt sein k\u00f6nnen, und empfiehlt, die Gesamtwerte eher als Richtwert denn als endg\u00fcltiges Urteil zu verstehen \u2013 eine f\u00fcr die Branche ungew\u00f6hnlich transparente Einordnung der eigenen Zahlen.<\/p>\n
Ein zentrales Merkmal von OCR 4 ist, dass es sich in einem einzigen Container betreiben l\u00e4sst \u2013 vollst\u00e4ndig selbst gehostet. Dokumente verlassen dabei die eigene Infrastruktur nicht. F\u00fcr Unternehmen, die mit sensiblen Unterlagen arbeiten, etwa Vertr\u00e4gen, Personalakten oder Kundendaten, ist das ein wichtiger Punkt: Die Anforderungen an Datenresidenz und Compliance lassen sich deutlich einfacher erf\u00fcllen als bei einer reinen Cloud-L\u00f6sung, bei der Dokumente zwangsl\u00e4ufig \u00fcber externe Rechenzentren laufen.<\/p>\n
Wer das Modell dennoch \u00fcber die Cloud-API von Mistral nutzen m\u00f6chte, zahlt nach aktuellem Stand 4 US-Dollar pro 1.000 verarbeitete Seiten; \u00fcber die Batch-API mit zeitversetzter Verarbeitung reduziert sich der Preis auf 2 US-Dollar pro 1.000 Seiten. Die erweiterte \u201eDocument AI“-Variante mit zus\u00e4tzlichen Auswertungsfunktionen liegt bei 5 US-Dollar pro 1.000 Seiten.<\/p>\n
Automatisierte Dokumentenverarbeitung betrifft in vielen Unternehmen einen erheblichen Teil des Tagesgesch\u00e4fts:<\/p>\n
Ein neues Modell bedeutet nicht automatisch, dass es ohne Weiteres in bestehende Abl\u00e4ufe passt. Der Betrieb auf eigener Infrastruktur erfordert entsprechende Hardware sowie Know-how bei der Einrichtung und beim laufenden Betrieb. Wird das Modell stattdessen \u00fcber die Cloud-API genutzt, entf\u00e4llt zwar der Infrastrukturaufwand, daf\u00fcr verlassen Dokumente wieder die eigene Umgebung \u2013 der zentrale Datenschutzvorteil des lokalen Betriebs entf\u00e4llt dann. Vor einer breiten Einf\u00fchrung lohnt sich in jedem Fall ein Testlauf mit einem klar begrenzten Dokumentenbestand, um Genauigkeit und Aufwand realistisch einzusch\u00e4tzen, bevor gr\u00f6\u00dfere Mengen an sensiblen Unterlagen verarbeitet werden.<\/p>\n
OCR-Systeme mit reiner Texterkennung gibt es am Markt seit Jahren; der Unterschied bei OCR 4 liegt in der strukturierten, direkt weiterverarbeitbaren Ausgabe und in der M\u00f6glichkeit, das Modell vollst\u00e4ndig ohne Cloud-Anbindung zu betreiben. F\u00fcr Unternehmen, die bislang auf etablierte Cloud-OCR-Dienste gro\u00dfer Anbieter gesetzt haben, ergibt sich damit eine Alternative, bei der die Entscheidung zwischen Datenschutz und Betriebsaufwand bewusst getroffen werden kann, statt beides gegeneinander abw\u00e4gen zu m\u00fcssen. Wie bei jedem neuen Modell gilt aber auch hier: Angegebene Benchmark-Werte spiegeln standardisierte Testbedingungen wider und lassen sich nicht ohne Weiteres auf die eigenen, oft uneinheitlich formatierten Dokumente \u00fcbertragen. Ein eigener Vergleich mit realen Beispieldokumenten aus dem eigenen Bestand bleibt deshalb die verl\u00e4sslichste Grundlage f\u00fcr eine Entscheidung.<\/p>\n
Mistral OCR 4 zeigt, dass pr\u00e4zise Dokumentenverarbeitung nicht zwingend an eine Cloud-Anbindung gebunden sein muss. F\u00fcr Unternehmen mit hohem Dokumentenaufkommen und klaren Datenschutzanforderungen lohnt sich ein Blick auf das Modell \u2013 idealerweise zun\u00e4chst in einer \u00fcberschaubaren Testumgebung, bevor es im Tagesgesch\u00e4ft zum Einsatz kommt. Wer stattdessen auf die einfachere Cloud-Variante setzt, sollte sich bewusst sein, dass der Datenschutzvorteil des selbst gehosteten Betriebs damit entf\u00e4llt.<\/p>\n\n\n
Folge uns auf: <\/p>\n\n\n\n