Viele wichtige Informationen in Unternehmen liegen auch heute noch in nicht maschinenlesbaren Formaten vor. PDF-Dokumente sind zwar visuell zugänglich, aber in der Regel nicht standardisiert. Absender, Format, Struktur – all das variiert stark. In dieser Folge unseres AI & Data Podcasts dreht sich alles um eine KI-Lösungen, die genau dieses Problem löst: SAP Document AI*. SAP Document AI hilft dabei, unstrukturierte Informationen aus PDFs, Bildern oder E-Mails automatisiert auszulesen und so manuelle Prozesse effizient zu ersetzen. Klassische Anwendungsbeispiele sind Bestellungen, Rechnungen oder Formulare, die bisher mühsam manuell erfasst werden mussten. Mit SAP Document AI lassen sich diese Daten automatisiert erkennen, strukturieren und direkt in nachgelagerte Prozesse einspeisen.

*ehemals Document Information Extraction Service bzw. „DOX“ – das neue SAP Release hat sich mit der Veröffentlichung dieser Folge überschnitten.

SAP Document AI nimmt unstrukturierte Daten aus Dokumenten und macht sie nutzbar. Das ist der erste Schritt, um manuelle Prozesse zu automatisieren. (Jonathan Brandt, Senior Data Scientist, sovanta)

In dieser Podcastfolge hat Host Larissa Haas ihren sovanta-Kollegen Jonathan Brandt zu Gast. Gemeinsam beleuchten sie typische Einsatzszenarien in denen SAP Document AI Informationen aus einem PDF extrahiert und in standardisiertem Format zurückgibt. Welche Vorteile bringt das für Kunden? Wie können sie den Service konsumieren? Was ist der Unterschied zwischen der Standard- und der Premium-Version? Und welche Rolle spielt Instant Learning beim Prompten?

Zum Abschluss teilt Jonathan einige Tipps aus der Praxis: Vom Sammeln von Beispieldokumenten über die bewusste Auswahl von Feldern bis hin zum Einsatz eines hybriden Ansatzes aus klassischer Extraktion und generativer KI.

Der Name ist Programm. Mit SAP Document AI erhalten Kunden eine intelligente, KI-gestützte Dokumentenverarbeitung. Ob Standard oder Premium, ob kleine App oder großes System – dieser Service spart Zeit, senkt Fehlerquoten und bringt Struktur ins Datenchaos. Wer den SAP-Service noch als „DOX“ kennengelernt hat, darf sich freuen: die neue Version ist nicht nur leistungsfähiger, sondern auch flexibler. Und ja – selbst Pokémonkarten lassen sich damit auslesen, wie die Podcast-Folge augenzwinkernd zeigt.

Jetzt reinhören – und erfahren, wie SAP Document AI die Arbeit mit unstrukturierten Daten verändern wird.

Jonathan Brandt ist Senior Data Scientist bei sovanta. Seine Leidenschaft für Daten lebt er in ganz verschiedenen Kundenprojekten aus. Dabei liegt sein Fokus auf Projekten, in denen durch Automation und AI Prozesse effizienter gestaltet werden. Zudem beschäftigt sich Jonathan auch mit Nachhaltigkeitsreporten und ESG Datenmanagement.

In der ersten Folge unseres neuen AI & Data Podcasts dreht sich alles um ein hochaktuelles Thema aus dem Bereich generative KI: Wie lassen sich strukturierte Daten automatisch in flüssige, verständliche Texte verwandeln – ganz ohne manuelles Schreiben? Genau das hat unser Gast Jakob Schuster in seiner Masterarbeit untersucht. Gemeinsam mit Host Larissa Haas spricht er über Herausforderungen, Methoden und die erstaunliche Fähigkeit von Sprachmodellen, scheinbar „intelligente“ Texte zu generieren.

Was mich wirklich überrascht hat: Das Modell konnte oft sinnvoll verbalisieren, obwohl es die Daten eigentlich nicht vollständig verstanden hat – es klang trotzdem erstaunlich plausibel. (Jakob Schuster, PhD Uni Heidelberg)

In dieser Episode werfen wir einen Blick auf einen konkreten Use Case: automatisierte Fußballspielberichte, die aus strukturierten Spieldaten generiert werden. Jakob erklärt, wie er dafür mit verschiedenen Sprachmodellen gearbeitet hat – und welche typischen Fehler dabei immer wieder auftreten. Besonders im Fokus: sogenannte Halluzinationen, also Textelemente, die sich das Modell frei ausdenkt, obwohl sie in den Ausgangsdaten gar nicht enthalten sind.

Hier ein Überblick über die wichtigsten Themen:

• Data-to-Text: Wie sich aus strukturierten Daten automatisiert Texte generieren lassen – und wo dabei die Grenzen aktueller Modelle liegen.
• Halluzinationen: Warum Sprachmodelle manchmal Informationen erfinden – und welche Arten von Halluzinationen unterschieden werden müssen (intrinsisch vs. extrinsisch).
• Modularität: Wie sich Ansätze zur Textgenerierung flexibel an neue Domänen oder Datenformate anpassen lassen – z. B. für andere Sportarten oder Fachbereiche.
• In-Text Learning: Welche Rolle Beispiele im Prompt spielen – und wie man Modelle auch ohne aufwändiges Fine-Tuning besser auf neue Inhalte vorbereitet.
• Übertragbarkeit: Was nötig ist, um Data-to-Text-Ansätze aus dem Prototypenstadium in die Praxis zu bringen – und welche Rolle Trainingsdaten dabei spielen.

Auch wenn das Projekt auf Fußballspielberichten basiert, zeigt es beispielhaft, welches Potenzial in Data-to-Text steckt – etwa für automatische Reportings, Content-Erstellung oder Assistenzsysteme. Besonders spannend wird es, wenn Unternehmen anfangen, eigene domänenspezifische Modelle zu trainieren oder bestehende Ansätze modular weiterzuentwickeln. Genau darum wird es auch in den kommenden Episoden gehen: Wie können wir KI wirklich produktiv einsetzen – sicher, skalierbar und nachvollziehbar? Jetzt reinhören – und entdecken, wie moderne KI aus Daten verständliche Texte macht.

Jetzt reinhören – und entdecken, wie moderne KI aus Daten verständliche Texte macht.