Dokumentenverarbeitung mit KI in Azure heißt: Dokumente werden gelesen, in strukturierte Felder übersetzt, geprüft und an Ihre Systeme übergeben. Dafür gibt es bei Microsoft drei Bausteine: Azure Document Intelligence in Foundry Tools, Content Understanding und Sprachmodelle in Microsoft Foundry. Welcher passt, entscheidet der Dokumenttyp, nicht der Trend. Der größte Hebel liegt bei Dokumenten, die häufig vorkommen und klaren Regeln folgen: Rechnungen, Belege, Formulare und Verträge. Dieser Leitfaden zeigt die Entscheidung, eine Referenzarchitektur mit menschlicher Prüfung, die Datenschutzfragen und die Kostenbausteine. AURUM aus Nürnberg hat solche Szenarien umgesetzt, etwa Metadaten-Extraktion, Beleg-Erkennung und die inhaltliche Prüfung von Dokumenten. Stand: 4. November 2026.
Dokumentenverarbeitung mit KI in Azure: Welche Bausteine gibt es?
Drei Bausteine decken die Dokumentenverarbeitung in Azure ab: Document Intelligence liest Dokumente nach festen Mustern, Content Understanding extrahiert Felder mit Sprachmodellen, und ein Foundry-Modell übernimmt freie Aufgaben wie Prüfen oder Zusammenfassen. Beachten Sie die neuen Namen: Microsoft Foundry hieß früher Azure AI Foundry, Document Intelligence früher Azure AI Document Intelligence und davor Form Recognizer.
| Baustein | Arbeitsweise | Typischer Einsatz | Kostenlogik |
|---|---|---|---|
| Document Intelligence | Modellbasierte Extraktion nach festen Feldmustern, vortrainierte und eigene Modelle | Rechnungen, Belege, Ausweise, feste Formulare | Fester Preis pro Seite |
| Content Understanding | Sprachmodell-basiert, Felder per Schema beschrieben | Verträge, lange und variable Dokumente, mehrere Medientypen | Extraktion plus Modell-Tokens |
| Foundry-Sprachmodell (zum Beispiel GPT) | Freie Aufgaben auf gelesenem Text | Inhalte prüfen, vergleichen, zusammenfassen | Preis pro Token |
Hintergrund zu Foundry und Copilot Studio finden Sie in unserem Beitrag Microsoft Azure und Copilot kombinieren.
Wann sich Dokumentenautomatisierung lohnt
Automatisieren Sie Dokumente, die häufig vorkommen, klaren Regeln folgen und heute viel Handarbeit verursachen. Laut Bitkom konnten in einer Befragung im Sommer 2024 nur 45 Prozent der Unternehmen ab 20 Beschäftigten E-Rechnungen empfangen. Papier-, PDF- und Scan-Dokumente gehen weiterhin ein, etwa von kleinen Lieferanten oder aus dem Ausland. Strukturierte E-Rechnungen benötigen dagegen keine Texterkennung.
Typische Kandidaten sind Eingangsrechnungen, Belege, Formulare und Verträge mit wiederkehrenden Feldern. Verzichten Sie auf Automatisierung, wenn Volumen und Regeln fehlen. Eine ehrliche Einschätzung kann auch „lieber nicht“ lauten.
Document Intelligence oder Content Understanding: Was passt zu welchem Dokument?
Nutzen Sie Document Intelligence für standardisierte Dokumente wie Rechnungen und Belege und Content Understanding für Verträge und unstrukturierte Inhalte. Microsoft beschreibt Document Intelligence in der Auswahlhilfe nicht als abgelöst: Bestehende Lösungen laufen unverändert weiter.
| Dokumenttyp | Empfohlener Baustein | Begründung |
|---|---|---|
| Standardrechnung, Beleg, Ausweis | Document Intelligence, vordefiniertes Modell | Fertig trainiert, fester Seitenpreis |
| Fester Vordruck mit wenig Varianz | Document Intelligence, eigenes Modell | Training laut Microsoft schon mit wenigen beschrifteten Beispielen möglich |
| Verträge, lange und variable Dokumente | Content Understanding | Felder ohne Training per Schema beschreiben, Quellenangabe je Feld |
| Inhalte gegen Regeln prüfen | Foundry-Modell, Lesen vorgeschaltet | Prüfen braucht Sprachverständnis, Ergebnis menschlich freigeben |
| Verarbeitung im eigenen Rechenzentrum | Document Intelligence Container | Laut Microsoft der Weg für lokale oder getrennte Umgebungen |
Beachten Sie bei Containern die Modellauswahl: In Version 4.0 gibt es laut Microsoft Learn nur Read und Layout, das Rechnungsmodell liegt nur in Version 3.1 als Container vor. Das vordefinierte Rechnungsmodell unterstützt laut Sprachseite Deutsch und Euro.
Referenzarchitektur: So läuft ein Dokument vom Eingang bis ins Zielsystem
Eine tragfähige Lösung besteht aus sieben Schritten, vom Eingang bis zum Protokoll. Das entspricht dem Ablauf unserer KI-Automatisierung: lesen, prüfen, weiterleiten, in SharePoint ablegen, Auffälliges prüft ein Mensch.
- Eingang — E-Mail-Postfach, SharePoint-Bibliothek oder Speicherkonto nehmen das Dokument entgegen.
- Orchestrierung — Power Automate, Logic Apps oder Functions starten die Verarbeitung.
- Extraktion — Document Intelligence oder Content Understanding liefern Felder und Konfidenzwerte.
- Validierung — Regeln und Abgleich mit Stammdaten, Bestellungen oder Kostenstellen.
- Menschliche Prüfung — Auffällige Fälle landen in einer Ausnahmeliste, etwa in Teams oder SharePoint.
- Übergabe — Ablage in SharePoint, Buchung im ERP oder Eintrag in Dataverse, siehe KI-Integration.
- Protokoll — Jede Entscheidung bleibt nachvollziehbar, Fehlerquoten werden überwacht.
Menschliche Prüfung und Konfidenzwerte
Document Intelligence liefert Konfidenzwerte zwischen 0 und 1, zum Beispiel für Wörter und Schlüssel-Wert-Paare. Allerdings liefert nicht jedes Feld einen Wert. Microsoft empfiehlt, sie zu nutzen, um Ergebnisse automatisch zu übernehmen oder zur Prüfung zu markieren (Genauigkeit und Konfidenz). Einen festen Schwellenwert nennt Microsoft nicht.
Legen Sie die Schwelle deshalb an einem Testdatensatz fest: Prüfen Sie eine Stichprobe Ihrer Dokumente von Hand und messen Sie, ab welchem Wert Fehler selten werden. Content Understanding liefert Konfidenz und Quellenbezug je Feld, wenn Sie die Einstellung aktivieren; das erhöht den Tokenverbrauch (Überblick). Warnungen des Dienstes sollten Sie vor einer automatischen Weiterverarbeitung prüfen.
Datenschutz: EU-Region, Datenzone und Auftragsverarbeitung
Die Datenhaltung hängt vom Baustein und vom Deployment ab: Document Intelligence verarbeitet Daten in der Region der Ressource, bei Foundry-Modellen entscheidet der Deployment-Typ. Eine DSGVO-konforme Umsetzung braucht außerdem Verträge und Prozesse, mehr dazu auf unserer Seite zu KI-Datenschutz und EU AI Act.
Document Intelligence: Region und Speicherdauer
Die Verarbeitung findet nach Microsoft-Angaben in der Region statt, in der Sie die Ressource anlegen. Zudem speichert der Dienst Eingaben und Ergebnisse 24 Stunden und löscht sie dann automatisch; früheres Löschen ist per Schnittstelle möglich. Wählen Sie deshalb eine europäische Region, zum Beispiel im Rahmen einer Azure-Umgebung in EU-Rechenzentren.
Foundry-Modelle: Global, Datenzone oder Region
Für Dokumente mit personenbezogenen Daten empfehlen wir Datenzone EU oder eine regionale Bereitstellung statt Global. Microsoft unterscheidet laut Deployment-Typen diese Varianten:
- Global: Die Verarbeitung kann in jeder Azure-Region stattfinden.
- Datenzone EU: Die Verarbeitung bleibt in der Zone nach der Azure EU Data Boundary. Sie kann EFTA-Länder wie Norwegen und die Schweiz einschließen.
- Standard oder Regional: Die Verarbeitung erfolgt in der gewählten Geografie.
Außerdem bleiben ruhende Daten laut Microsoft bei allen Typen in der gewählten Geografie. Weil die Datenzone EU EFTA-Länder einschließen kann, braucht eine strikte EU-Vorgabe eine regionale Bereitstellung. Content Understanding benötigt eine Foundry-Ressource und eigene Modell-Deployments. Prüfen Sie vorab, ob Region und Deployment-Typ Ihrer Lösung zur Vorgabe passen.
Verträge, Trainingsdaten und Missbrauchsüberwachung
Laut Microsoft stehen Prompts, Completions und Trainingsdaten anderen Kunden und OpenAI nicht zur Verfügung. Sie trainieren ohne Ihre Erlaubnis keine Basismodelle. Der Datenverarbeitungsnachtrag von Microsoft regelt die Verarbeitung (Datenschutz in Foundry). Das gilt für Modelle, die Microsoft selbst anbietet. Bei Partnermodellen prüfen Sie die Bedingungen einzeln. Standardmäßig läuft eine automatische Missbrauchserkennung, und Kunden können eine geänderte Überwachung beantragen.
Was kostet Dokumentenverarbeitung in Azure?
Die Seitenpreise von Document Intelligence liegen laut Microsoft zwischen 1,50 $ und 30 $ je 1.000 Seiten (USD, Stand: 4. November 2026). Hinzu kommen Modell-Tokens, Orchestrierung und Projektaufwand, und der Projektaufwand hängt von Ihren Dokumenten ab.
Listenpreise Document Intelligence
Die folgenden Preise stammen von der Preisseite von Microsoft (Pay-as-you-go, USD, gelesen am 4. November 2026). Microsoft kennzeichnet sie als Schätzungen:
| Leistung | Preis je 1.000 Seiten |
|---|---|
| Read (reine Texterkennung) | 1,50 $ |
| Vordefinierte Modelle (unter anderem Rechnung, Beleg, Vertrag) | 10 $ |
| Benutzerdefinierte Klassifizierung | 3 $ |
| Benutzerdefinierte Extraktion | 30 $ |
Bis zu 500 Seiten im Monat sind kostenlos, bei hohem Volumen gibt es Commitment-Tiers. Rechenbeispiel mit einer Annahme, nicht mit Kundendaten: 10.000 Rechnungsseiten pro Monat mit dem vordefinierten Modell kosten 10 × 10 $ = 100 $ Listenpreis im Monat. Euro-Preise zeigt der Azure-Preisrechner.
Content Understanding und Modell-Tokens
Bei Content Understanding setzt sich der Preis laut Preiserklärung aus der Inhaltsextraktion, der Kontextanreicherung und den Modell-Tokens zusammen. Die Extraktion kostet je 1.000 Seiten zum Beispiel 1 $ (Basic, Texterkennung) oder 5 $ (Standard, Layout), siehe Preisseite (USD, Stand: 4. November 2026). Die Tokens des Sprachmodells rechnet Azure auf Ihrem Foundry-Deployment ab, nicht bei Content Understanding. Die Kosten je Rechnung hängen deshalb von Seitenzahl und Modellwahl ab.
Pilot, Integration und Betrieb
Hinzu kommen Aufwände, die keine Preisliste zeigt: Analyse Ihrer Dokumente, Testdatensatz, Integration, Prüfoberfläche und Monitoring. Der Aufwand hängt von Dokumentvielfalt, Schnittstellen und Prüfprozess ab. Eine belastbare Schätzung ist erst nach der Analyse Ihrer Dokumente möglich.
EU AI Act: Wann wird Dokumentenverarbeitung zum Thema?
Reine Dokumentenextraktion ist nicht automatisch ein Hochrisiko-System; entscheidend ist der Einsatzzweck. Fließen die Ergebnisse in Entscheidungen über Personen ein, etwa im Recruiting oder bei Kreditentscheidungen, kann ein Hochrisiko-Bereich nach Anhang III betroffen sein. Diese Pflichten gelten nach dem Digital Omnibus voraussichtlich ab Dezember 2027 (Stand: Oktober 2026, keine Rechtsberatung). Welche Pflichten Sie als Anwender treffen, erklärt unsere Seite zu KI-Datenschutz und EU AI Act.
Typische Fehler bei der Dokumentenverarbeitung mit KI
Die teuersten Fehler sind ein Test ohne echte Dokumente, fehlende Prüfung von Ausnahmen und ein unpassendes Deployment. Diese und weitere Fehler lassen sich vor dem Start vermeiden:
- Nur mit sauberen Beispielen testen: Prüfen Sie Scans, Fotos und Sonderfälle aus dem echten Posteingang.
- Keinen Testdatensatz anlegen: Ohne Stichprobe lässt sich keine Konfidenzschwelle begründen.
- Ein Sprachmodell für alles nutzen: Für Standardbelege ist Document Intelligence bei festen Seitenpreisen besser kalkulierbar.
- Das Deployment nicht prüfen: Global ist ein verfügbarer Deployment-Typ, bei personenbezogenen Daten sind Datenzone oder Region die vorsichtigere Wahl.
- Keine Ausnahmeliste vorsehen: Auffällige Dokumente brauchen deshalb einen klaren Prüfweg.
- Alte API-Versionen nutzen: Laut Microsoft Learn endet der Support für Version 2.1 am 15. September 2027 und für Version 3.0 am 30. März 2029 (Stand: 4. November 2026).
- Namen verwechseln: Wer nur nach Azure AI Foundry oder Form Recognizer sucht, findet die aktuelle Dokumentation schlechter.
Was AURUM für Sie übernimmt
Als Microsoft Solutions Partner aus Nürnberg setzt AURUM Dokumentenverarbeitung mit Azure um, mehr dazu in der KI-Automatisierung. Wir haben Szenarien wie Metadaten-Extraktion mit Document Intelligence, Beleg- und Reisekosten-Erkennung und die KI-gestützte Prüfung von Dokumentinhalten umgesetzt. Zudem unterstützen wir bei Dokumentanalyse und Pilot, Architektur und Integration in SharePoint, Power Automate und Ihre Fachsysteme sowie bei Datenschutz, Datenzone und Betrieb. Wenn Sie Fragen aus Ihren Dokumenten beantworten wollen, passt der KI-Wissensassistent.
Häufige Fragen zur Dokumentenverarbeitung mit KI in Azure
Ist Azure Document Intelligence DSGVO-konform nutzbar?
Das hängt von Ihrer Konfiguration ab. Document Intelligence verarbeitet Daten in der Region, in der Sie die Ressource anlegen, und speichert Eingaben und Ergebnisse nach Microsoft-Angaben 24 Stunden. Wählen Sie eine europäische Region, schließen Sie die nötigen Verträge und prüfen Sie Ihre Datenkategorien. Das ist keine Rechtsberatung.
Was ist der Unterschied zwischen Document Intelligence und Content Understanding?
Document Intelligence extrahiert Felder mit vortrainierten Spezialmodellen aus standardisierten Dokumenten wie Rechnungen und Belegen, mit festem Seitenpreis. Content Understanding nutzt Sprachmodelle, beschreibt Felder per Schema und eignet sich für Verträge und unstrukturierte Inhalte. Die Kosten hängen dort zusätzlich von den Modell-Tokens ab.
Was kostet Azure Document Intelligence pro Seite?
Nach der Preisseite von Microsoft (USD, Stand: 4. November 2026) kosten vordefinierte Modelle wie Rechnung und Beleg 10 US-Dollar je 1.000 Seiten. Reine Texterkennung kostet 1,50 US-Dollar, benutzerdefinierte Extraktion 30 US-Dollar je 1.000 Seiten. Bis zu 500 Seiten im Monat sind im kostenlosen Kontingent enthalten.
Weitere häufige Fragen zur Dokumentenverarbeitung mit KI
Kann Azure deutsche Rechnungen ohne Training auslesen?
Ja, das vordefinierte Rechnungsmodell unterstützt laut Microsoft Learn Deutsch und Euro. Testen Sie es trotzdem mit Ihren eigenen Rechnungen, denn Layouts und Scanqualität unterscheiden sich. Für Sonderfälle lässt sich ein eigenes Modell trainieren.
Brauche ich einen Menschen, der die Ergebnisse prüft?
Für Ausnahmen ja. Microsoft empfiehlt, Konfidenzwerte zu nutzen, um Ergebnisse automatisch zu übernehmen oder zur Prüfung zu markieren. Einen festen Schwellenwert gibt Microsoft nicht vor. Sie legen ihn anhand Ihrer Testdaten und Ihres Risikos fest.
Fazit: Erst den Dokumenttyp klären, dann den Baustein wählen
Wer Dokumentenverarbeitung mit KI in Azure einführen will, wählt den Baustein nach Dokumenttyp, plant menschliche Prüfung und Datenzone von Anfang an und kalkuliert Seitenpreise, Tokens und Projektaufwand getrennt. Starten Sie mit einem Pilot auf einem Dokumenttyp und echten Testdaten.
