KI-Vision (Bildverständnis)

Im Job spart das Abtippen: Belege, Fotos vom Whiteboard und Screenshots von Fehlermeldungen gehen direkt in einen Chat oder eine Automatisierung. Das ist etwas anderes als Bildgenerierung, die neue Bilder erzeugt.

So funktioniert es

Modelle, die Bilder annehmen, sind multimodal. Das Bild wird in Token umgewandelt, die das Modell zusammen mit deinem Text verarbeitet. Du kannst ein Bild schicken oder mehrere und das Modell bitten, sie zu vergleichen. Zusammen mit strukturierter Ausgabe kann ein Vision-Modell Felder wie Lieferant, Datum und Betrag aus einem Foto in eine Tabellenzeile übernehmen.

Die Anbieter sprechen offen über die Grenzen. Laut der Dokumentation von Anthropic kann Claude bei schlechten, gedrehten oder sehr kleinen Bildern Fehler machen und bei vielen kleinen Objekten nur ungefähr zählen. Vor einem Einsatz, bei dem viel auf dem Spiel steht, soll ein Mensch das Ergebnis prüfen.

Beispiel

Eine Hausverwaltung lässt die Hausmeister am Monatsende die Zähler fotografieren. Eine Automatisierung schickt jedes Foto an ein Vision-Modell, das Zählernummer und Zählerstand zurückgibt. Fotos, die das Modell als unklar markiert, etwa einen Zählerstand hinter einer verschmutzten Glasabdeckung, gehen zur manuellen Prüfung ins Büro, bevor die Werte in den Nebenkostenabrechnungen der Mieter landen.

Häufiger Fehler

Jeder Auslesung trauen, weil die meisten stimmen. Spiegelungen, Handschrift und geringe Auflösung führen zu selbstsicheren Fehllesungen, und eine 3, die als 8 gelesen wurde, sieht in der Tabelle genauso aus wie ein richtiger Wert. Schick unklare Bilder an einen Menschen und lass zusätzlich eine Stichprobe der sicheren Auslesungen prüfen.