Wie die KI einen Kassenbon in drei Sekunden liest – und wo sie noch danebenliegt

Einen Bon zu fotografieren und eine fertige Ausgabe zurückzubekommen, wirkt wie ein kleiner Zaubertrick. Ist es nicht. Es sind vier getrennte Probleme, die nacheinander gelöst werden – und wer sie kennt, versteht sofort, warum manche Belege perfekt durchlaufen und andere nicht.

Schritt eins: den Beleg finden

Bevor irgendetwas gelesen werden kann, muss das Papier im Foto überhaupt gefunden werden. Dein Küchentisch, deine Hand und das Muster der Tischdecke sind mit im Bild. Die Software sucht die vier Ecken des Bons, korrigiert die Perspektive, sodass aus einer schrägen Aufnahme ein flaches Rechteck wird, und hebt den Kontrast zwischen blasser Tinte und vergrautem Thermopapier an.

Allein dieser Schritt erklärt die meisten misslungenen Scans. Ein Bon auf unruhigem Untergrund oder mit hochgerollten Ecken liefert der nächsten Stufe ein verzerrtes Bild.

Schritt zwei: aus Pixeln werden Zeichen

Die Texterkennung macht aus dem Bild Zeichen. Moderne Erkennung ist bei sauberem Druck sehr gut und spürbar schlechter bei genau dem, woraus Kassenbons bestehen: schmalem Thermodruck, verblasster Tinte, Nadeldruck einer alten Kasse und der Verwechslungsgefahr zwischen Null und O oder Eins und I in einer gequetschten Schrift.

Am Ende dieses Schritts hat die Software eine Wand aus Text ohne jede Bedeutung. Sie kennt die Zeichen. Sie weiß noch nicht, welche der elf Zahlen auf dem Zettel der Betrag ist, den du bezahlt hast.

Schritt drei: den Aufbau verstehen

Das ist der spannende Teil, und hier verdient sich ein Sprachmodell seinen Platz. Ein Bon hat eine Struktur, die jeder Mensch ohne Nachdenken liest: Der Ladenname steht oben, die Posten in der Mitte, Steuer und Summe unten, die Kartendetails ganz zum Schluss.

Das Modell entscheidet, welche Zahl die Endsumme ist und nicht Zwischensumme, Steuerzeile, Artikelpreis, Rabatt oder Rückgeld. Es liest das Datum in der Reihenfolge, in der das jeweilige Land Daten schreibt. Und es erkennt den Händler auch dann, wenn der Name eine Abkürzung oder eine Firmierung ist, die niemand kennt.

• Die Endsumme, unterschieden von Zwischensumme, Steuer und gegebenem Bargeld
• Das Datum im lokalen Format, mit sinnvoller Annahme, wenn das Jahr fehlt
• Den Händler, zurückgeführt auf einen Namen, den du wiedererkennst
• Die Währung, die oft nur mitgemeint und nicht gedruckt ist

Schritt vier: die Kategorie wählen

Zum Schluss braucht die Buchung eine Kategorie, und das ist eine Einschätzung, keine Tatsache. Ein Supermarkt ist meistens Lebensmittel – außer der Bon besteht überwiegend aus Sprit. Eine Apotheke ist Gesundheit, außer du hast Shampoo gekauft. Das Modell entscheidet anhand des Händlers, der einzelnen Posten und deiner früheren Korrekturen.

Genau deshalb wiegt eine korrigierte Kategorie schwerer, als sie aussieht. Die Korrektur ist ein Signal für diesen Händler, und beim nächsten Mal landet derselbe Laden von selbst richtig.

Wo es noch schiefgeht

Vier Fälle machen nahezu alle verbleibenden Fehler aus.

1. Verblasste Thermobons. Wenn du die Summe mit Mühe entzifferst, tut das Modell sich genauso schwer. Solche Belege möglichst bald nach dem Einkauf fotografieren.
2. Lange Bons, schräg fotografiert. Unten steht die Summe, und genau dort richtet die Perspektivverzerrung den größten Schaden an.
3. Geteilte Zahlungen. Halb Karte, halb bar, oder am Ende noch ein Gutschein – das ergibt gleich mehrere plausible Summen.
4. Restaurantrechnungen mit handschriftlichem Trinkgeld. Die gedruckte Summe und der Betrag, den du wirklich gezahlt hast, sind zwei Zahlen, und nur eine davon steht auf dem Papier.

So gelingt der Scan jedes Mal

• Bon glatt streichen. Eine hochgerollte Kante kostet dich die Summe.
• Von direkt oben fotografieren, nicht schräg über den Tisch.
• Ruhiger Untergrund, gleichmäßiges Licht, kein Schatten der eigenen Hand.
• Den ganzen Bon ins Bild holen, von Kante zu Kante, mit etwas Rand.
• Thermopapier binnen ein, zwei Tagen scannen – im Portemonnaie verblasst es schnell.

Warum das wichtiger ist als Genauigkeit

Viele halten Präzision für den eigentlichen Wert des Beleg-Scans. Ist sie nicht: Ein sorgfältiger Mensch tippt genauer ab. Der Wert liegt darin, dass es drei Sekunden dauert statt vierzig – und drei Sekunden sind kurz genug, dass du es direkt an der Kasse erledigst, statt es dir für später vorzunehmen.

Jede Methode, Ausgaben zu erfassen, scheitert an derselben Stelle: an der Lücke zwischen Ausgeben und Aufschreiben. Diese Lücke zu schließen, auch nicht ganz perfekt, schlägt jedes perfekte System, das du nach zwei Wochen aufgibst.