Kurzfassung

Ich wollte wissen, wie gut KI Text aus Dokumenten erkennt, und habe 16 Modelle dieselben drei Seiten abschreiben lassen. Zehn lasen praktisch fehlerfrei. Das lokale Modell auf meinem Rechner nicht: Es erfand Jahre, Begriffe und Kennzahlen, die nirgends stehen. Weil meine PDFs digital erzeugt waren, hätte ich die KI außerdem gar nicht gebraucht. Am Ende steht eine Top 5 mit klaren Auswahlkriterien.

Was ich getestet habe

Als Testmaterial dienten zwei meiner eigenen Lebensläufe, zusammen drei Seiten. Es sind echte, digital erzeugte PDFs und keine Scans. Das hat einen praktischen Vorteil: Der Text steckt als Textebene im Dokument, und ich konnte jedes Ergebnis Wort für Wort dagegen prüfen.

Jedes Modell bekam nur ein Bild der Seite (150 dpi) und die Aufforderung, den Text exakt abzuschreiben. Getestet habe ich:

  • 15 Modelle über OpenRouter, darunter Gemini, GPT, Claude, Grok, Kimi, Mistral, Nemotron und die Qwen-Familie,
  • 1 lokales Modell (Gemma 4 mit rund 12 Milliarden Parametern, über Ollama auf einem Rechner mit 32 GB Arbeitsspeicher).

Das Ganze lief in zwei Runden: erst mit einem normalen Abschreib-Prompt, dann mit einem verschärften („buchstabengetreu, nichts interpretieren, nichts korrigieren, nur Klartext“). Zusammen sind das 88 Aufrufe über OpenRouter, die laut den Angaben von OpenRouter 1,12 Dollar gekostet haben[2]. Bei jedem Aufruf war die Einstellung gesetzt, dass der Anbieter die Daten nicht speichern oder zum Training nutzen darf.

Wie ich gemessen habe

Gemessen habe ich, wie viele Wörter aus dem Original im Ergebnis vorkommen. Das ist einfach und überprüfbar, hat aber Grenzen, die ich weiter unten aufschreibe. Eine davon vorweg: Rund 93 Prozent pro Seite sind praktisch das Maximum, weil der PDF-Text Wörter am Zeilenende trennt, die ein Modell ohne Trennung abschreibt.

Vorweg: Ich hätte die KI gar nicht gebraucht

Der unbequemste Befund steht am Anfang. Weil die PDFs digital erzeugt waren, liefert ein einfaches Auslese-Werkzeug (pdftotext) den Text in Sekunden, kostenlos und so, wie er im Dokument hinterlegt ist. Genau dieser Text war meine Messlatte. Kein Modell kann hier besser sein als das Werkzeug.

Das ist keine Kleinigkeit. Wer Dokumente verarbeitet, sollte als Erstes prüfen, ob eine Textebene da ist. Wenn ja, ist KI beim Lesen der teurere und unzuverlässigere Weg. Der Fall, in dem Vision-Modelle ihren Wert beweisen, ist der echte Scan oder das Handyfoto. Diesen Fall habe ich nicht getestet. Alles Folgende gilt deshalb nur für saubere, digital erzeugte Seiten mit Fließtext.

Das Ergebnis: Fast alle lesen gut

ModellRunde 1Runde 2 (streng)Leere SeitenKosten pro SeiteDauer pro Seite
Gemini 3.8 Flash98 %98 %00,0073 $14 s
GPT-5.6 Terra98 %97 %00,0174 $9 s
GPT-5.6 Luna97 %98 %00,0025 $13 s
Gemini 4 Argon97 %98 %00,0087 $12 s
Claude Sonnet 5.597 %98 %00,0177 $8 s
Claude Haiku 5.597 %97 %00,0009 $6 s
Nemotron 3.5 Super VL97 %97 %00,0014 $8 s
Grok 4.797 %97 %00,0335 $52 s
Qwen 3.8 Omni Flash96 %97 %00,0006 $9 s
Qwen 3.5 (397B)96 %96 %00,0083 $59 s
Mistral Medium 3.593 %96 %00,0086 $6 s
Qwen 3.5 (122B)86 %97 %00,0060 $44 s
Kimi K3.1 Pro98 %64 %10,0558 $71 s
Qwen 3.5 (35B)64 %98 %10,0042 $19 s
Mistral Large 462 %nicht getestet10,0285 $99 s
Gemma 4 (lokal)77 %54 %10 $ (Strom)rund 80 s

Eigene Messung, je Modell drei Seiten. Kosten und Dauer sind Durchschnitte über beide Runden, die Kosten laut der Angabe von OpenRouter je Aufruf[2]. Eine leere oder abgebrochene Seite zählt mit 0 Prozent in den Durchschnitt.

Zehn der 16 Modelle liegen in beiden Runden zwischen 96 und 98 Prozent und haben keine Seite verloren. Innerhalb dieser Gruppe sind die Unterschiede kleiner als meine Messgenauigkeit. Wer behauptet, Gemini sei „besser“ als Claude oder umgekehrt, kann sich auf diese Zahlen nicht stützen. Nach Preis dagegen unterscheiden sie sich stark: Das günstigste Modell dieser Gruppe kostet etwa ein Fünfzigstel des teuersten.

Der Fehler, der nicht auffällt

Das lokale Modell kam nur auf 77 Prozent. Schlimmer als die Zahl ist die Art des Fehlers. Ich habe die Ausgabe der ersten Lebenslauf-Seite gegen das Bild gelesen und fand unter anderem:

  • aus „seit 2026 mit eigenem Studio“ wurde „seit 2016“,
  • aus „Kurvenfokus“ wurde „Kurvenrefux“,
  • aus „Große Dokumentenbestände nach Bedeutung durchsuchbar“ wurde „Software zur Dokumentation nach DIN 1038“,
  • aus „Begleitung von Selbständigen bei KI-Projekten“ wurde „betreut über 30 Bestandskunden“,
  • aus „über 700.000 ausgewertete Streckenabschnitte“ wurde „…ausgewertete Buchungsbestätigungen“,
  • aus „Zwei Apps … im Google Play Store (März 2026)“ wurde „Ein App … im Betrieb seit 2018 (MVP März 2020)“.

Nichts davon sieht falsch aus. Es sind Jahreszahlen, Kennzahlen und Fachbegriffe, wie sie in einem Lebenslauf stehen könnten. Genau deshalb ist dieser Fehlertyp gefährlich: Ein schlechtes Ergebnis fällt auf, ein plausibel falsches nicht. Bei Beträgen, Daten und Vertragsnummern entscheidet das darüber, ob ein Fehler gefunden wird oder erst später auffällt.

Auf einem längeren Dokument mit 93 Seiten lief dasselbe Modell lokal außerdem mit Aussetzern, eine Seite brach nach 15 Minuten mit einem Timeout ab. Inhalte und Einzelergebnisse dieses Dokuments veröffentliche ich nicht.

Leere Antworten, die trotzdem Geld kosten

Drei Modelle lieferten bei einer Seite überhaupt keinen Text: Kimi K3.1 Pro, Mistral Large 4 und Qwen 3.5 mit 35 Milliarden Parametern. Berechnet wurden die Aufrufe trotzdem. Bei Kimi waren es 0,086 Dollar für eine leere Seite. Bei Qwen 3.5 (35B) sieht es nach aufgebrauchtem Token-Limit durch internes Nachdenken aus, das habe ich nicht weiter untersucht.

Ein anderer Ausfall war ein Formatproblem: Qwen 3.5 (122B) gab eine Seite als HTML statt als Text aus. Gelesen hat es sie vermutlich richtig (ich habe nur stichprobenartig geprüft), der Abzug im Wortabgleich kommt von den Tags.

Wer Modelle in eine automatische Verarbeitung einbaut, sollte deshalb leere und formatfremde Antworten abfangen, bevor sie weiterlaufen. Die Qualität der Texterkennung ist nur die halbe Zuverlässigkeit.

Runde 2: Hilft ein strengerer Prompt?

Die Frage war berechtigt: Vielleicht liest ein Modell besser, wenn man ihm ausdrücklich verbietet zu interpretieren. Also bekamen 14 Modelle denselben Auftrag noch einmal, diesmal mit: „Schreibe den Text buchstabengetreu ab. Interpretiere nichts, korrigiere nichts, ergänze nichts, lass nichts weg. Gib ausschließlich Klartext aus: kein HTML, keine Kommentare, keine Einleitung.“

  • Bei den zehn starken Modellen änderte sich praktisch nichts: Im Durchschnitt wich keines um mehr als einen Prozentpunkt ab. Sie lasen schon vorher fast fehlerfrei.
  • Das Formatproblem war weg: Qwen 3.5 (122B) stieg bei der betroffenen Seite von 65 auf 98 Prozent, es gab keine HTML-Ausgabe mehr.
  • Leere Antworten blieben ein Risiko: Qwen 3.5 (35B) lieferte die vorher leere Seite diesmal. Ob das am Prompt lag, lässt sich aus einer Einzelmessung nicht sagen. Dafür war jetzt bei Kimi eine Seite leer, die vorher fehlerfrei gelesen worden war.
  • Gemma 4 lokal: Der strenge Prompt half teilweise. Von den sechs erfundenen Stellen auf der Lebenslauf-Seite, die ich vorher am Bild bestätigt hatte, verschwanden vier (Kurvenrefux, DIN 1038, die 30 Bestandskunden und „Ein App … 2018 / 2020“). Zwei blieben: „2016“ statt 2026 und „Buchungsbestätigungen“. Im Wortabgleich änderte sich dadurch kaum etwas (73 auf 75 Prozent bei dieser Seite). Eine andere Seite brach nach 15 Minuten mit einem Timeout ab, deshalb steht in der Tabelle 54 Prozent im Durchschnitt.

Die Lehre: Ein Prompt ersetzt keine Fähigkeit. Er hilft bei Formatvorgaben und bei Modellen, die gern „korrigieren“. Ob ein Modell Schrift erkennt, entscheidet er nicht.

Meine Top 5 für die Texterkennung

Die Auswahl folgt einer Regel, die ich vorab festgelegt habe: Aufgenommen wird, wer in beiden Runden mindestens 96 Prozent erreicht und keine einzige Seite verloren hat. Von den so qualifizierten Modellen stehen hier die fünf günstigsten. Die Reihenfolge richtet sich nach der Genauigkeit, bei Gleichstand nach dem Preis.

PlatzModellGenauigkeit (Runde 1 / 2)Kosten pro SeiteAuf 1.000 SeitenWann ich es nehme
1Gemini 3.8 Flash98 % / 98 %0,0073 $7,30 $Wenn die Genauigkeit zählt und etwas Preis egal ist
2GPT-5.6 Luna97 % / 98 %0,0025 $2,50 $Guter Allrounder, günstig
3Claude Haiku 5.597 % / 97 %0,0009 $0,90 $Standard für große Mengen, schnellster der Gruppe
4Nemotron 3.5 Super VL97 % / 97 %0,0014 $1,40 $Günstig, läuft bei mehreren Anbietern
5Qwen 3.8 Omni Flash96 % / 97 %0,0006 $0,60 $Der billigste fehlerfreie Kandidat

Kosten pro Seite: Durchschnitt beider Runden aus eigener Messung[2]. „Auf 1.000 Seiten“ ist eine eigene Hochrechnung, gemessen an Seiten mit Fließtext; bei bildlastigen oder sehr dichten Seiten fällt der Betrag anders aus. Listenpreise je Million Tokens (ein / aus), Stand 23.10.2026: Gemini 3.8 Flash 0,83 / 4,12 $, GPT-5.6 Luna 0,20 / 1,20 $, Claude Haiku 5.5 0,10 / 0,50 $, Nemotron 3.5 Super VL 0,15 / 0,50 $, Qwen 3.8 Omni Flash 0,15 / 0,47 $[1].

Meine Empfehlung in einem Satz: Für große Mengen Claude Haiku 5.5 oder Qwen 3.8 Omni Flash, für Seiten, bei denen jede Zahl zählt, Gemini 3.8 Flash, und bei Zahlen und Namen trotzdem stichprobenartig gegenprüfen.

Wer nicht in die Top 5 kam, und warum

  • Claude Sonnet 5.5, Gemini 4 Argon, GPT-5.6 Terra, Grok 4.7: lesen genauso gut, kosten aber mehr als Platz 1 (0,0087 bis 0,0335 $ pro Seite), Grok bei deutlich längerer Dauer. Sinnvoll, wenn du ohnehin schon dort Kunde bist.
  • Qwen 3.5 (397B): zuverlässig (96 / 96 Prozent), aber mit etwa einer Minute pro Seite zu langsam für den Preis.
  • Kimi K3.1 Pro, Mistral Large 4, Qwen 3.5 (35B): lieferten leere Seiten, teils teuer. Nicht für automatische Abläufe.
  • Gemma 4 lokal: kostenlos und datensparsam, aber mit erfundenen Inhalten. Nur, wenn der Datenschutz wichtiger ist als die Genauigkeit, und nie ohne Kontrolle.

Meine Regeln daraus

  1. Digitales PDF: Text direkt auslesen, keine KI.
  2. Scan oder Foto: eines der Top-5-Modelle nehmen, Zahlen und Namen stichprobenartig gegen das Original prüfen. (Diesen Fall habe ich nicht gemessen, die Empfehlung ist hier eine begründete Vermutung.)
  3. Automatische Verarbeitung: leere und formatfremde Antworten abfangen.
  4. Kleines lokales Modell: nur mit Kontrolle, und nicht dort, wo ein erfundener Wert Folgen hat.

Was dieser Test nicht zeigt

  • Nur drei Seiten pro Modell. Das ist ein Stimmungsbild, keine Studie. Einzelne Ausfälle (leere Seiten, ein Anbieter-Fehler) können Zufall sein.
  • Der Wortabgleich zeigt nicht, ob eine Zahl falsch gelesen wurde. Gegen das Bild gelesen habe ich nur die Ausgabe des lokalen Modells (eine Seite) und meine eigenen Lesungen als Claude. Die Cloud-Modelle habe ich nur per Wortabgleich geprüft.
  • Keine Scans, keine Handschrift, keine Tabellen mit vielen Spalten, keine Fotos. Genau dort unterscheiden sich Modelle am stärksten.
  • Spezielle OCR-Dienste (etwa Mistral OCR als eigener Dienst) habe ich nicht getestet.

Transparenz & Haftung: Dieser Test ist selbst finanziert (1,12 $ bei OpenRouter) und enthält keine Affiliate-Links. Kein genannter Anbieter hat für die Nennung bezahlt oder Einfluss genommen. Interessenkonflikt: Der Artikel wurde mit KI-Unterstützung (Claude) recherchiert und geschrieben, und Claude-Modelle sind Teil des Vergleichs. Die Messwerte stammen aus den Protokollen der Läufe, nicht aus meiner Einschätzung; die redaktionelle Verantwortung liegt bei Marco Fuhrmann. Alle Angaben ohne Gewähr, Preise und Modellangebote können sich jederzeit ändern.

Quellenverzeichnis

Die Preise wurden am 23.10.2026 abgerufen, die Messwerte stammen aus eigenen Läufen am 23. und 24.10.2026.

  1. OpenRouter — Modellverzeichnis (öffentliche Schnittstelle): openrouter.ai/api/v1/models (Listenpreise je Million Tokens und Bildfähigkeit der getesteten Modelle, Abruf 23.10.2026)
  2. OpenRouter — Kosten je Aufruf laut der Antwort der Schnittstelle (usage.cost), eigene Aufzeichnung der 88 Aufrufe vom 23. und 24.10.2026; Summe 1,12 $. Die Abrechnung des Kontos habe ich nicht gegengeprüft.
  3. Eigene Messung: Wortabgleich zwischen Modellausgabe und der im PDF hinterlegten Textebene, drei Seiten aus zwei Lebensläufen. Hochrechnungen auf 1.000 Seiten sind eigene Berechnungen.