Künstliche Intelligenz (KI) hat sich längst im Alltag und im Berufsleben etabliert. Besonders in der Dokumentenverwaltung ermöglicht die KI-Integration im Dokumentenmanagement deutliche Effizienzsteigerungen. Doch welche technischen Schritte sind erforderlich, um KI-Tools sicher und zuverlässig in Büroprozesse zu integrieren?
Digitale Dokumente bieten gegenüber Papier bereits viele Vorteile, wie die automatische Stichwortsuche. Mit der KI-Integration im Dokumentenmanagement kann man jedoch noch weitergehen: Nutzer können Fragen zum Dokument stellen, selbst wenn sie das gesuchte Stichwort nicht kennen. Die KI kann zudem Inhalte zusammenfassen und Dokumentenarten automatisch erkennen und klassifizieren. Gerade bei umfangreichen Aktenbeständen ist dies eine enorme Arbeitserleichterung.
Um solche Funktionalitäten zu ermöglichen, muss die KI zunächst in die entsprechenden Prozesse und Tools eingebunden werden. Dabei geht es im Wesentlichen um die Integration eines Large Language Models (LLM), das eine Schlüsselrolle in der KI-Integration im Dokumentenmanagement spielt.
Drei Ansätze für die KI-Integration im Dokumentenmanagement
1. Anbindung an universelles LLM
Heute sehen wir als häufigste Form der KI-Integration im Dokumentenmanagement die Anbindung an ein großes, universelles LLM. Am bekanntesten sind dort vermutlich die verschiedenen GPT Versionen von Open AI. Doch gibt es mittlerweile auch viele weitere Anbieter mit leistungsfähigen Lösungen. Diese Form der KI-Integration ist für Unternehmen in der Regel mit dem geringsten Aufwand verbunden. Die Custom-GPT-Funktion erlaubt es inzwischen sogar Mitarbeitenden ohne Programmierkenntnisse, eigene KI-Modelle für spezielle Anwendungen erstellen zu lassen. Auch die Anbindung über die Programmierschnittstellen der großen LLMs ist nicht kompliziert. Die Abrechnung erfolgt dabei in der Regel anhand von so genannten Tokens, die Wortteile repräsentieren und jeweils einen bestimmten Betrag kosten. Dieser transparente Abrechnungsansatz ist ein weiterer Vorteil dieser Integrationsmethode.
Allerdings gibt es auch Nachteile: so gelten etwa für bestimmte Datenbestände sehr strenge Compliance-Anforderungen und es sind besondere Vorsichtsmaßnahmen bei der KI-Integration erforderlich. Nutzer müssen sich bewusst machen, dass eigene Daten unter Umständen für das weitere Training der Modelle verwendet werden. Grundsätzlich nützt das natürlich auch dem Anwender, allerdings kann es ohne weitergehende Vereinbarungen mit dem LLM-Anbieter zu Konflikten mit Regularien wie der DSGVO kommen. In diesem Fall lässt sich beispielsweise eine Vereinbarung schließen, die besagt, dass Daten nur mit Modellen verarbeitet werden, die in europäischen Rechenzentren gehostet und alle Daten nur innerhalb der EU verarbeitet werden.
Unternehmen, die noch einen Schritt weitergehen möchten, können Alternativen zu den großen Anbietern aus Übersee nutzen. Mit Mistral, natif, Parashift oder Aleph Alpha und weiteren existieren inzwischen bereits einige europäische KI-Angebote. Vertrauen zwischen den Geschäftspartnern spielt aber auch hier eine große Rolle und Unternehmen sollten stets Sorge dafür tragen, dass im Rahmen einer KI-Integration keine sensiblen Daten abhandenkommen.
Anzeige | Kostenloses Webinar der Trovarit-Academy
2. „Outsourcing“ einzelner Prozessschritte
Ein weiterer interessanter Ansatz zur KI-Integration im Dokumentenmanagement besteht darin, konventionelle Bestandteile einer Prozesskette durch KI-gestützte Anwendungen externer App-Entwickler zu ersetzen und diese mittels API anzubinden. Dabei muss es nicht immer Generative KI sein. Im Bereich der Optical Character Recognition (OCR) ist neben der Generativen beispielsweise auch die Diskriminative KI von Bedeutung. Diese letztere erzeugt keine Inhalte, sondern zeichnet sich durch die Fähigkeit aus, verschiedene Klassen zu differenzieren und zu klassifizieren. Diskriminative KI-Modelle können somit keine neuen Inhalte erstellen, sondern sind darauf spezialisiert, bestehende Datensätze zu analysieren, auszuwerten und zu interpretieren. Beide Ansätze sind für OCR relevant und bieten jeweils spezifische Vor- und Nachteile.
3. Entwicklung eigener Modelle
Ein weiterer Ansatz, der aktuell viel diskutiert wird, ist die Entwicklung eigener KI-Modelle. Davon versprechen sich viele Unternehmen die höchste Kontrolle und Datenhoheit. Auf dem Papier klingen solche Projekte spannend, doch in der Umsetzung lauern große Hürden. Unternehmen benötigen enorme Ressourcen, um Eigenentwicklungen zu realisieren. Es werden Experten benötigt und eine kritische Masse an relevanten Daten, mit denen ein LLM trainiert werden kann. Falls diese in einem Data Lake in unstrukturierter Form vorliegen, ist zunächst noch Exploration notwendig. Diese Workloads ließen sich zwar ohne größere Probleme an Hyperscaler outsourcen, doch widerspräche das dem Gedanken der Autonomie und könnte Compliance-Probleme verursachen. Nicht zu vergessen ist auch der Faktor Zeit: Es dauert schlichtweg lange, ein LLM entsprechend zu erstellen.
Welchen Ansatz Unternehmen nun wählen hat viel mit der individuellen Situation und dem konkreten Anwendungsfall zu tun. Im Bereich Dokumentenmanagement (DMS) scheint der vielversprechendste Weg mit spezialisierten Partnern zu kooperieren, die fertige KI-basierte Module in den Tool Stack einbinden können. Wenn sich der DMS-Plattformanbieter einen solchen Partner mit ins Boot holt, profitieren Unternehmenskunden von der langjährigen Expertise und dem umfangreichen Datenbestand des Plattformpartners. Außerdem müssen sie selbst keinen Integrationsaufwand leisten.
Die Daten, die bei einem Plattformanbieter liegen, sind außerdem in der Regel bereits aufbereitet. So liegen etwa strukturierte Informationen zu unstrukturierten Dokumenten vor und fast jedes Dokument wurde bereits einmal klassifiziert und mit Metadaten versehen. Dadurch wird das Training von KI-Modellen deutlich erleichtert.
Ethische Überlegungen bei der KI-Integration im Dokumentenmanagement
Trotz der Vorteile, die die KI-Integration im Dokumentenmanagement bietet, sollten auch ethische Fragen berücksichtigt werden. Zunächst springt dabei der ungeheure Bedarf an Rechenleistung ins Auge. Aufgrund des unablässigen Datenwachstums, treiben heute bereits konventionelle Anwendungen Rechenzentren an ihre Kapazitätsgrenzen. In manchen Städten werden bereits Ansiedlungsverbote diskutiert und teilweise auch umgesetzt, um eine Überlastung des örtlichen Stromnetzes zu verhindern. Da mehr Rechenleistung auch immer mit einem höheren Energieverbrauch einhergeht, könnte KI zukünftig zu einer großen Herausforderung für die Versorgung einer Gesellschaft werden, die mitten in der Energiewende steckt.
In unserer Branche haben wir uns auf die Fahnen geschrieben, durch Digitalisierung und Papiereinsparung zu einer nachhaltigeren Wirtschaft beizutragen. Daher müssen wir nun darauf achten, dies nicht durch eine negative Energiebilanz aufgrund von KI zu konterkarieren. Was heißt das? Wir sollten die Technologie nur dort nutzen, wo sie auch wirklich benötigt wird, anstatt mit Kanonen auf Spatzen zu schießen. Nicht jede Aufgabe, die mit KI gelöst werden kann, muss auch damit gelöst werden.
In vielen Fällen reichen etablierte Prozesse aus, um Tasks zu lösen und Entwickler sollten dies bei der Produktgestaltung bedenken. Die oben beschriebene Einbindung einzelner Bausteine ist beispielsweise ein Ansatz, um KI sehr zielgerichtet einzusetzen. In bestimmten Bereichen könnte es auch sinnvoll sein, Anfragen zu cachen, sodass diese nicht mehrfach durch ein LLM laufen müssen.
Die Frage der maßvollen und angebrachten Nutzung von KI muss auch auf der Ebene der Endnutzer thematisiert werden. Sie müsse ein Verständnis entwickeln, welcher Aufwand hinter den KI-Anwendungen steckt und welcher Energieverbrauch, beziehungsweise welche Kosten damit verbunden sind. Weiterhin ist ein vorsichtiger Umgang mit der Technologie auch unter Datenschutzgesichtspunkten angeraten. Je nach Delivery-Modell ist nicht genau geklärt, was mit Daten passiert und wo diese tatsächlich verarbeitet werden.
Im DMS-Umfeld gibt es die Möglichkeit, bestimmte Dokumentenklassen oder einzelne Textfelder für KI-Funktionen zu blockieren. So können technische Lösungen Mitarbeiter dabei unterstützen, nach den Legal- und Compliance-Anforderungen ihres Unternehmens zu handeln. Beispielsweise könnte man definieren, dass im HR-Umfeld generell keine KI zulässig ist. Oder aber die Technologie wird für unkritische Daten freigegeben, für personenbezogene Dokumente wie Lebensläufe allerdings gesperrt.
Fazit
Die KI-Integration im Dokumentenmanagement hat das Potenzial, die Büroarbeit nachhaltig zu verändern und Routineaufgaben effizienter zu gestalten. Unternehmen müssen jedoch sorgfältig abwägen, wie und wo sie KI einsetzen, um sowohl den Nutzen zu maximieren als auch ethische und regulatorische Aspekte zu berücksichtigen. Eine durchdachte und gezielte KI-Integration im Dokumentenmanagement kann den entscheidenden Unterschied machen und den Weg in die digitale Zukunft ebnen.
Der Autor
Nico Bäumer ist CTO der d.velop AG.
