Das meiste Unternehmenswissen steckt nicht in Datenbanken, sondern in PDFs, Scans und Fotos – die niemand liest und deren manuelle Übertragung langsam und fehleranfällig ist. Vision AI verwandelt diese Bilder in nutzbare Daten.
Was das Modell „sieht“#
Kimi K2.6 verarbeitet Bild und Text in einem Durchgang und versteht Struktur, nicht nur Pixel: wo die Rechnungsnummer steht, welche Tabelle die Positionen enthält, was das Foto zeigt. In der Praxis:
- Dokumente – Lesen von Rechnungen, Verträgen, Formularen; Extraktion von Feldern; Q&A zum Inhalt,
- Fotos – Beschreibung, Tagging, Qualitätskontrolle (z. B. ob das Angebotsfoto die Anforderungen erfüllt),
- Scans – Umwandlung von Papier in strukturierte Daten.
Wo es real spart#
Faustregel: überall dort, wo heute ein Mensch Daten aus einem Bild abtippt. Beispiele, die wir umsetzen:
- Dokumentenintelligenz – hochgeladenes PDF/Bild → Zusammenfassung, extrahierte Felder und Q&A mit Zitaten.
- Estate OS – automatisch generierte Beschreibungen und Tags für Immobilienangebotsfotos.
In beiden Fällen wird das Bild vorübergehend verarbeitet und von der Anwendung nicht aufbewahrt, und textuelle PII wird maskiert, bevor etwas in die Cloud gesendet wird.
Vision vs. herkömmlicher OCR#
| Kriterium | Klassisches OCR | Vision AI |
|---|---|---|
| Texterkennung | ja | ja |
| Strukturverständnis | schwach | gut |
| Q&A zum Dokument | nein | ja |
| Beschreibung & Tagging von Fotos | nein | ja |
| Umgang mit schlechten Scans | fragil | besser |
OCR überträgt Zeichen; Vision AI versteht, was diese Zeichen im Kontext des Dokuments bedeuten – deshalb kommt es mit Tabellen, Formularen und unvollkommenen Scans zurecht, wo reines OCR scheitert.
Live testen#
Eine vollständige Vision-Demo (Bild hochladen → Beschreibung und Extraktion) gibt es im Playground. Unten ein schneller Texttest – das Modell in unserem Sandbox (PII maskiert, keine Speicherung):
FAQ#
Worin unterscheidet sich Vision AI von OCR?#
OCR überträgt Zeichen, Vision AI versteht Struktur und Bedeutung. Dadurch kommt es mit Tabellen, Formularen oder schlechten Scans zurecht und kann Fragen zum Dokument beantworten – nicht nur Rohtext liefern. Oft werden beide kombiniert: OCR für den Text, das Vision-Modell für das Verständnis.
Gelangen meine Dokumente in die Cloud?#
In unserer Demo wird das Bild an ein Cloud-Modell gesendet, vorübergehend verarbeitet und von der Anwendung nicht aufbewahrt; textuelle PII wird maskiert. Bei der vollständigen Implementierung können sensible Dokumente lokal verarbeitet werden – das ist eine bewusste Entscheidung zur Datenresidenz.
Welches Modell für Vision?#
Unser Standardmodell ist Kimi K2.6 – es versteht Bild und Text zusammen. Der Router wählt es automatisch für visuelle Aufgaben aus; vollständige, gemessene Parameter finden sich auf seiner Seite im Modellatlas.