Was macht Mistral OCR 4 anders?
Ältere OCR-Systeme lieferten einen langen Textblock. Die Reihenfolge der Zeilen wurde geraten, Tabellen kamen als Zeichenwirrwarr an, Seitenköpfe und -füße mischten sich in den Fließtext. Man bekam Zeichen — aber keine Bedeutung.
Mistral OCR 4 versteht Dokumentstruktur: Es erkennt Überschriften, Absätze, Tabellen, Beschriftungen und Fußzeilen als eigenständige Elemente — nicht als austauschbare Textzeilen. Eine Tabelle bleibt eine Tabelle. Eine Seitenzahl bleibt getrennt vom Inhalt.
Dazu liefert das Modell einen Konfidenzwert pro Seite — nicht eine einzige Zahl für das gesamte Dokument. Bei einem 30-seitigen Dokument mit einer stark verblassten Seite sieht man genau, wo die Qualität nachgelassen hat, anstatt das Problem im Durchschnitt zu verbergen.
Und mit nativer Unterstützung für 170 Sprachen lassen sich gemischte Stapel — deutsche Steuerbescheide neben französischen Rechnungen oder italienischen Verträgen — ohne Voreinstellung verarbeiten.
Anwendungsfall 1: Dokumente automatisch sortieren
Stell dir vor, du scannst ein ganzes Jahr an Post ein: 200 Seiten, gemischter Inhalt. Was passiert dann?
PaperSweep liest den Inhalt jeder Seite und gibt ihn an einen KI-Klassifikator weiter, der 19 Dokumententypen erkennt: Stromrechnung, Kontoauszug, Lohnabrechnung, Steuerdokument, Versicherung, Mietvertrag, Arztbrief, Fahrzeugdokument, Rentenbescheid, Grundbuchauszug und weitere. Da der Klassifikator auf dem tatsächlichen Inhalt des Dokuments arbeitet — nicht auf dem Dateinamen oder Metadaten — funktioniert ein eingescanntes Papier genauso gut wie eine native PDF-Datei.
Titel werden in der Sprache des Dokuments vergeben: Ein Steuerbescheid bekommt einen deutschen Titel, eine Fattura einen italienischen. Der Konfidenzwert aus dem OCR-Schritt fließt direkt in die Benutzeroberfläche ein: Seiten, die schwer zu lesen waren, werden mit einem ⚠-Hinweis markiert, damit man sie im Zweifelsfall selbst prüft.
Das Ergebnis ist ein ZIP-Archiv mit klar benannten, sortierten Dateien: Steuerbescheid_2024_p1-3.pdf, Kontoauszug_Januar_p4.pdf und so weiter. Ein gut eingescannter Stapel von 100 Seiten — typische Ausgabe eines Heimscanners — wird in rund drei bis vier Minuten verarbeitet.
Anwendungsfall 2: Verdächtige PDFs bereinigen
Eine PDF-Datei kommt per E-Mail, der Absender ist unbekannt oder der Link kam von einer Webseite, der man nicht ganz vertraut. Öffnen oder nicht?
PDFs können mehr enthalten als sichtbaren Inhalt. Eingebettete Skripte, versteckte Makros und Exploits in der Dateistruktur können beim Öffnen in einem normalen PDF-Viewer unbemerkt ausgeführt werden — ohne dass die Datei äußerlich einen Hinweis darauf gibt. Das Risiko ist real, und es ist von außen nicht erkennbar.
Die klassischen Antworten — nicht öffnen oder eine isolierte Maschine verwenden — sind im Alltag kaum praktikabel.
PaperSweeps Ansatz: Statt zu versuchen, die problematischen Teile zu erkennen und zu entfernen — was einem Katz-und-Maus-Spiel gleicht — wird das Dokument von Grund auf neu aufgebaut. Die Originaldatei wird nie auf eine Weise verarbeitet, die ihren Inhalt ausführen könnte. Was zurückkommt, ist eine neue PDF-Datei, die ausschließlich aus dem besteht, was OCR extrahiert hat: der sichtbare Text und die Bilder. Nichts anderes überlebt diesen Prozess.
Da Mistral OCR 4 die Dokumentstruktur versteht, bleibt das Layout des Originals erhalten — Überschriften dort, wo sie waren, Tabellen vollständig, Beschriftungen an ihrem Platz — ohne dass etwas Verstecktes mitgenommen wird. Das Ergebnis enthält durchsuchbaren Text, sieht wie das Original aus und enthält keine Skripte, keine Makros, keine versteckten ausführbaren Inhalte.
Was bleibt nach der Bereinigung?
Text ist im Ergebnis such- und markierbar — man bekommt keine platte Bilddatei zurück. Das visuelle Erscheinungsbild des Originals bleibt weitgehend erhalten. Zum Lesen, Archivieren und Drucken ist das Ergebnis kaum vom Original zu unterscheiden.
Elektronische Signaturen aus dem Original werden nicht übertragen. Eine digitale Signatur ist Teil der Dateistruktur, nicht des sichtbaren Inhalts — und die neu aufgebaute Datei erhebt keinen Anspruch darauf, signiert zu sein. Wer ein signiertes Dokument prüfen möchte, sollte das vor der Bereinigung tun.
Die Dateigröße kann sich vom Original unterscheiden. Textlastige Dokumente werden oft kleiner; bildlastige Dokumente bleiben in etwa vergleichbar.
Fazit
Mistral OCR 4 ist kein einfacher Textextraktor. Es liefert Struktur, Kontext und Konfidenz — und das macht es zur richtigen Grundlage für zwei sehr unterschiedliche Aufgaben.
Wer regelmäßig Papierdokumente einscannt, bekommt mit PaperSweep eine automatische Sortierung, sinnvolle Dateinamen und einen klaren Hinweis, wo die Scanqualität nachgelassen hat. Wer eine unbekannte PDF-Datei sicher öffnen möchte, erhält eine bereinigte Version zurück — ohne Risiko, ohne technisches Vorwissen.