OCR (Optical Character Recognition) bezeichnet Verfahren, die Zeichen in Bildern, Scans oder Fotos erkennen und in maschinenlesbaren Text umwandeln. Ein PDF aus dem Scanner enthält zunächst nur ein Abbild; erst nach der Texterkennung lässt es sich durchsuchen, kopieren und automatisiert auswerten.
Aktuelle Systeme verbinden die Zeichenerkennung mit Layoutanalyse und Modellen des maschinellen Lernens, sodass nicht nur Text, sondern auch dessen Bedeutung erfasst wird: Rechnungsnummer, Datum, Betrag, Steuersatz, Lieferant. In der Belegverarbeitung ist das der Schritt, der die manuelle Erfassung ersetzt.
Die Erkennungsqualität hängt an Auflösung, Kontrast, Schriftart und Sprache; Handschrift, Stempel und schwache Kopien bleiben fehleranfällig. Deshalb arbeiten gute Systeme mit Konfidenzwerten und legen unsichere Felder einer Person zur Prüfung vor, statt falsche Werte unbemerkt weiterzureichen. Bei strukturierten E-Rechnungen entfällt der Schritt ganz, weil die Daten bereits maschinenlesbar geliefert werden.