Warum findet die Suche meine gescannten PDFs nicht?

Weil ein Scan technisch gesehen ein Foto ist und kein Text. Für die Suche ist so eine PDF eine Sammlung von Bildpunkten ohne Bedeutung. Erst eine Texterkennung (OCR) wandelt das Bild in durchsuchbaren Text um – danach findet die Suche auch den Inhalt eines Protokolls von 2012.

Welche Qualität muss ein alter Scan mindestens haben?

Eine feste Grenze gibt es nicht, aber als Faustregel gilt: Was ein Mensch am Bildschirm noch bequem lesen kann, liest moderne Texterkennung meist auch. Schiefe Seiten, leichte Flecken und mäßige Auflösung verkraftet sie gut. Kritisch wird es bei stark verblasstem Thermopapier, sehr grobkörnigen Faxkopien und Auflösungen, bei denen auch das Auge raten muss.

Kann Texterkennung auch Handschrift lesen?

Teilweise. Gut lesbare Blockschrift und kurze handschriftliche Vermerke auf Formularen werden von KI-gestützter Erkennung oft brauchbar erfasst. Bei flüchtiger Schreibschrift, alten Kurrent-Beständen oder eng gekritzelten Notizen bleibt die Fehlerquote hoch – solche Dokumente sollte man nicht als zuverlässig durchsuchbar einplanen.

Muss ich alte Dokumente neu einscannen?

Nur in Ausnahmefällen. Zuerst wird immer versucht, den vorhandenen Scan per Texterkennung zu erschließen – das gelingt bei den meisten Beständen. Neu scannen lohnt sich nur bei wichtigen Einzeldokumenten, deren Scan unlesbar ist und deren Papier-Original noch existiert, dann aber gleich in guter Auflösung.

Lohnt es sich, das gesamte Archiv aufzubereiten?

Meist nicht. Bewährt hat sich, nach Nutzen zu priorisieren: Anleitungen, Protokolle, Verträge und Projektunterlagen zuerst, weil dort das Wissen steckt, das im Alltag gebraucht wird. Alte Belege bleiben ohnehin in der Buchhaltung führend abgelegt, und toter Bestand ohne Alltagsnutzen darf ruhig unbearbeitet im Archiv bleiben.

Alte Scans und schlechte PDFs: Was Texterkennung heute noch lesbar macht

Alte PDFs werden durchsuchbar, indem eine Texterkennung (OCR) das eingescannte Bild in Text umwandelt – und diese Erkennung ist heute deutlich besser, als viele es von früheren Versuchen in Erinnerung haben. Schiefe, fleckige und mäßig aufgelöste Scans liest moderne, KI-gestützte Texterkennung meist zuverlässig; ihre Grenzen liegen bei verblasstem Thermopapier, groben Faxkopien und Handschrift. Wer einen Altbestand erschließen will, braucht deshalb kein Neuscannen des ganzen Archivs, sondern eine ehrliche Sortierung: Was liest die Maschine, was liest sie mit Lücken, was liest sie nicht.

In Kürze

Ein gescanntes PDF ist für die Suche unsichtbar, weil es technisch ein Foto ist – erst Texterkennung macht den Inhalt durchsuchbar.
Moderne, KI-gestützte Texterkennung liest auch schiefe, fleckige und mehrspaltige Vorlagen erstaunlich zuverlässig – deutlich besser als die Software von vor zehn Jahren.
Harte Grenzen bleiben: stark verblasstes Thermopapier, grobe Faxkopien, flüchtige Handschrift und Auflösungen, bei denen auch das Auge raten muss.
Als Faustregel gilt: Was ein Mensch am Bildschirm bequem lesen kann, kann die Maschine meist auch.
Statt das ganze Archiv aufzubereiten, wird nach Nutzen priorisiert – Anleitungen, Protokolle und Verträge zuerst, toter Bestand zuletzt oder gar nicht.

Warum sind alte Scans für die Suche unsichtbar?

Ein Scan ist ein Foto vom Papier. Für das menschliche Auge steht dort ein Prüfprotokoll mit Messwerten – für den Computer ist es eine Fläche aus hellen und dunklen Bildpunkten, ohne Buchstaben, ohne Wörter, ohne Bedeutung. Deshalb findet keine Suche der Welt den Inhalt eines solchen Dokuments, egal wie gut sie ist: Es gibt schlicht keinen Text, den sie durchsuchen könnte.

Genau dieses Problem betrifft in gewachsenen Betrieben oft den wertvollsten Teil des Bestands. Die Unterlagen aus den 2000er- und 2010er-Jahren – Wartungsprotokolle, unterschriebene Verträge, Herstellerunterlagen, Übergabeprotokolle – liegen als Scans auf dem Server oder auf DVDs aus der Zeit der Archivierungsaktionen. Die Texterkennung, fachsprachlich OCR (Optical Character Recognition, also optische Zeichenerkennung), schließt diese Lücke: Sie erkennt im Bild die Buchstaben und legt den erkannten Text unsichtbar hinter das Dokument. Das Erscheinungsbild bleibt gleich, aber der Inhalt wird durchsuchbar.

Was kann moderne Texterkennung heute wirklich?

Wer Texterkennung zuletzt vor zehn Jahren ausprobiert hat, erinnert sich vermutlich an Buchstabensalat – und unterschätzt deshalb, was heute möglich ist. Die aktuelle Generation arbeitet KI-gestützt: Sie erkennt nicht mehr nur einzelne Zeichen, sondern versteht Zusammenhänge, und korrigiert damit genau die Fehler, an denen frühere Software scheiterte. Aus „Wartungsprotokoll“ wird nicht mehr „Wartungsprotokol1“, weil das System weiß, welches Wort an dieser Stelle sinnvoll ist.

Konkret verkraftet moderne Erkennung: schief eingezogene Seiten, Stempel und Unterschriften quer über dem Text, Lochränder und Knickfalten, mehrspaltige Layouts, Tabellen mit Messwerten und gemischte Vorlagen, bei denen gedruckter Text und Formularfelder durcheinanderlaufen. Auch ein Protokoll, das seinerzeit im Jänner am verstaubten Baustellenkopierer vervielfältigt und dann gescannt wurde, ist damit häufig noch gut zu erschließen. Das Ergebnis ist selten hundertprozentig fehlerfrei – aber für die Suche reicht es, wenn die tragenden Begriffe stimmen, und das tun sie bei brauchbaren Vorlagen fast immer.

Wo liegen die ehrlichen Grenzen?

Kein seriöser Anbieter sollte versprechen, dass jede Vorlage lesbar wird. Die Grenzen lassen sich gut nach Vorlagentyp einordnen:

Vorlage	Realistische Erwartung
Sauberer Scan eines gedruckten Dokuments	Sehr zuverlässig durchsuchbar, auch bei mäßiger Auflösung
Schiefer, fleckiger Scan mit Stempeln und Lochrändern	Meist gut durchsuchbar, einzelne Erkennungsfehler möglich
Faxkopie oder Kopie der Kopie	Brauchbar bis lückenhaft, je nach Körnung und Kontrast
Verblasstes Thermopapier (alte Faxe, Kassenbelege)	Oft nur noch Fragmente lesbar – was verblasst ist, ist weg
Gut lesbare Blockschrift, kurze handschriftliche Vermerke	Häufig brauchbar erkennbar, aber mit Kontrollbedarf
Flüchtige Schreibschrift, Kurrent, gekritzelte Notizen	Nicht zuverlässig erschließbar

Eine einfache Faustregel für die eigene Einschätzung: Öffnen Sie den Scan am Bildschirm. Was Sie selbst bequem lesen können, liest die Maschine in aller Regel auch. Wo Sie selbst raten müssen, rät auch die Texterkennung – und geratener Text ist gefährlicher als fehlender, weil er falsche Sicherheit vorgaukelt. Seriöse Systeme kennzeichnen deshalb unsichere Erkennungen, statt sie stillschweigend als Wahrheit zu behandeln. Auch hier gilt das Grundprinzip jeder guten KI-Antwort: Die Quelle wird mitgeliefert, und im Zweifel entscheidet der Blick ins Originaldokument, nicht der erkannte Text.

Wie gehen Sie einen Altbestand sinnvoll an?

Der häufigste Denkfehler ist der Vollständigkeitsanspruch: alles oder nichts. In der Praxis bewährt sich das Gegenteil – priorisieren nach Alltagsnutzen. Zuerst kommen die Bestände dran, nach denen tatsächlich gesucht wird: Anleitungen, Einstell- und Wartungsprotokolle, Verträge, Projektdokumentationen, Schriftverkehr zu laufenden Kunden. Dann das Übrige, und manches bewusst gar nicht.

Für alte Belege – Rechnungen, Lieferscheine, Buchhaltungsordner – lohnt eine nüchterne Einordnung: Ihr führendes Zuhause bleibt die Buchhaltung mit ihren gesetzlichen Aufbewahrungspflichten; das ERP und die Buchhaltung wissen, was passiert ist. In die Wissensdatenbank gehört der Altbestand dort, wo Wissen drinsteckt, das im Alltag fehlt: das Wie und Warum. Ein eingescannter Schriftwechsel zu einer Reklamation von 2016 ist Wissen – die dazugehörige Rechnungskopie ist bloß ein Beleg, der in der Buchhaltung besser aufgehoben ist.

Nach der Aufbereitung übernimmt die automatische Verschlagwortung den Rest: Sie ordnet die erkannten Dokumente Kunden, Projekten und Dokumenttypen zu, sodass der Altbestand nicht nur durchsuchbar, sondern auch eingeordnet ist. Bei der KI-Wissensdatenbank von Goma-it gehört die Texterkennung zum Erfassungsweg jedes Dokuments dazu – gescannte Altbestände, frische Scans und Handy-Fotos durchlaufen denselben Prozess, mit Datenhaltung auf EU-Servern und ohne dass Ihre Dokumente zum Training fremder KI-Modelle verwendet werden.

Was tun mit Dokumenten, die nicht mehr lesbar sind?

Für die Fälle jenseits der Grenze gibt es drei ehrliche Optionen. Erstens: neu scannen – wenn das Papier-Original noch existiert, bringt ein frischer Scan in guter Auflösung oft mehr als jede Software-Akrobatik am schlechten Alt-Scan. Zweitens: die Kerninformation von Hand nachtragen – bei einem unlesbaren, aber wichtigen Vertrag genügt es oft, die Eckpunkte als kurze Notiz zum Dokument zu erfassen; dann findet die Suche wenigstens den Vorgang samt Fundort. Drittens: akzeptieren – ein verblasstes Fax von 1998, das seit zwanzig Jahren niemand gebraucht hat, darf unlesbar bleiben.

Wichtig ist nur, dass die Entscheidung bewusst fällt und dokumentiert ist, statt dass unlesbare Bestände stillschweigend als „erfasst“ gelten. Ein Altbestand, der zu neunzig Prozent gut durchsuchbar ist und bei dem die restlichen zehn Prozent ehrlich als Lücke ausgewiesen sind, ist im Alltag mehr wert als ein angeblich vollständiges Archiv, dem niemand traut.

Wie geht es nach dem Altbestand weiter?

Die Aufbereitung alter Scans ist typischerweise ein Baustein eines größeren Vorhabens: Der Altbestand wird lesbar gemacht, während laufende Quellen – E-Mail-Postfächer, Netzwerkordner, neue Scans – gleich automatisch erfasst werden. Wie diese Quellen zusammenspielen und in welcher Reihenfolge sich die Anbindung bewährt, beschreibt der Überblick Dokumente und Systeme anbinden.

Wenn Sie für Ihren eigenen Bestand eine realistische Einschätzung wollen – was gut lesbar wird, was mit Einschränkungen, was nicht –, lässt sich das anhand einiger Beispieldokumente rasch klären. Wie so ein Einstieg abläuft, von der ersten Sichtung bis zum laufenden Betrieb, zeigt die Seite Ablauf der Einführung.