Automatische Dokumentenklassifizierung in der Verwaltung

Das echte Ausmaß des Problems

In einer mittelgroßen Stadtverwaltung mit 500 Mitarbeitenden gehen täglich zwischen 800 und 2.000 Schreiben, Anträge und Dokumente ein — per Post, per Fax, per E-Mail, über Online-Portale und zunehmend über OZG-Antragsplattformen. Jedes einzelne Dokument muss jemand lesen, verstehen, einem Themenbereich zuordnen, der richtigen Abteilung zuweisen und dem richtigen Vorgang zugeordnet werden. Das passiert manuell, durch Mitarbeitende im Poststellenbetrieb oder durch die Sachbearbeitenden selbst.

Zwischen 25 und 35 Prozent aller Fehlerleitungen in Verwaltungen entstehen an genau diesem Punkt: Ein Schreiben landet in der falschen Abteilung, liegt dort Tage unbeachtet und wird erst weitergeleitet, wenn ein Bürger nachfragt. In Behörden mit gesetzlichen Bearbeitungsfristen — Baugenehmigungen, Wohngeldanträge, Widerspruchsverfahren — kann eine Fehlweiterleitung direkte Rechtswirkung haben. Wenn eine Frist wegen einer falsch zugeordneten Akte versäumt wird, ist das kein Betriebsproblem mehr, sondern ein rechtliches.

Das Bundesinnenministerium hat im Rahmen der OZG-Umsetzungsberichte (2021–2024) wiederholt festgestellt, dass die manuelle Vorgangssteuerung einen der größten Zeitfresser in deutschen Verwaltungen darstellt. Posteingangs- und Weiterleitungsprozesse binden in Kommunen mit 50.000 bis 150.000 Einwohnern typischerweise 3 bis 8 Vollzeitkräfte — für Arbeit, die bei richtiger Digitalisierung zu 70–80 Prozent automatisierbar wäre.

Hinzu kommt ein strukturelles Problem: Viele Dokumente kommen nicht sauber als digitale Dateien, sondern als eingescannte Papierdokumente, handschriftlich ergänzte Formulare oder Faxe in niedriger Bildqualität. Diese müssen zuerst durch OCR (optische Zeichenerkennung) lesbar gemacht werden, bevor sie überhaupt klassifiziert werden können. Der Medienbruch zwischen analogem Eingang und digitalem Workflow ist in vielen Verwaltungen noch nicht geschlossen — und KI kann genau hier ansetzen.

So funktioniert es in der Praxis

Schritt 1 — Digitalisierung und OCR Eingehende Papierdokumente werden gescannt. Eine OCR-Software (Optical Character Recognition) wandelt das Bild in maschinenlesbaren Text um. Moderne KI-gestützte OCR erreicht auch bei handschriftlichen Ergänzungen und schlechter Dokumentqualität Erkennungsraten von 90–97 Prozent — deutlich besser als klassische OCR-Systeme aus den 2010er Jahren. Dokumente, die bereits digital eingehen (E-Mail, PDF, OZG-Formular), überspringen diesen Schritt.

Schritt 2 — Klassifizierung nach Dokumenttyp Das KI-System analysiert den Textinhalt und ordnet das Dokument einer Kategorie zu: Bauantrag, Widerspruch, Gewerbean­meldung, Wohngeldantrag, allgemeine Anfrage, Beschwerde, Kündigung usw. Die Kategorien werden einmalig mit der Behörde definiert und anhand historischer Dokumente trainiert. Das System lernt die behördenspezifische Sprache und erkennt Dokumente auch dann richtig, wenn sie ungewöhnlich formuliert sind.

Schritt 3 — Zuordnung zu Vorgang und Abteilung Auf Basis der Klassifizierung und ggf. zusätzlicher Merkmale (Aktenzeichen im Dokument, Absender, Betreff) ordnet das System das Dokument automatisch dem richtigen Vorgang im DMS zu und leitet es an die zuständige Abteilung weiter. Dokumente ohne klare Zuordnung werden mit einem Konfidenzhinweis für manuelle Prüfung markiert — das System entscheidet nicht alleine bei unklaren Fällen.

Schritt 4 — Fristen- und Prioritätserkennung Dokumente, die Fristen enthalten oder auf laufende Widerspruchs- oder Klageverfahren hinweisen, werden automatisch mit einem Prioritätslabel versehen. Die Sachbearbeiterin sieht auf ihrem Dashboard sofort, welche Dokumente zeitkritisch sind — statt das täglich selbst aus dem Posteingang herauszulesen.

Welche Tools passen hierzu

govdigital — öffentliche IT-Infrastruktur auf europäischer Basis, speziell für den öffentlichen Sektor. govdigital bietet Klassifizierungskomponenten, die für den Einsatz in deutschen Behörden konzipiert sind und keine US-Cloud-Abhängigkeit haben. Besonders relevant für Kommunen mit hohem Datenschutzbedarf. Preise auf Anfrage, da projektspezifisch.

Microsoft 365 Copilot — über Azure AI Document Intelligence und Power Automate lassen sich Klassifizierungs-Workflows für Behörden aufbauen, die bereits in der Microsoft-Cloud arbeiten. Azure AI Document Intelligence extrahiert strukturierte Daten aus Formularen, Power Automate steuert die Weiterleitung. EU-Cloud-Konfiguration ist datenschutzkonform möglich. Microsoft 365 E3 ab ca. 36 Euro/Nutzer/Monat, Azure-Dienste verbrauchsabhängig.

Whisper — für Behörden, die auch Sprachaufnahmen (Telefonprotokolle, Diktate) transkribieren und klassifizieren wollen. Whisper ist ein Open-Source-Modell von OpenAI, das lokal betrieben werden kann — kein Cloud-Datentransfer, volle Datenkontrolle. Kostenlos für Self-Hosting, Betriebskosten je nach Infrastruktur.

Claude — als Klassifizierungs- und Extraktions-Backend für Entwicklerteams, die eigene Lösungen bauen. Claude verarbeitet Dokumente zuverlässig nach strukturierten Anweisungen, extrahiert Schlüsselfelder und klassifiziert auch komplexe Schreiben mit Mischinhalt korrekt. Anthropic bietet EU-Rechenzentren — AVV und Datenschutzprüfung sind vor Produktiveinsatz erforderlich. Ab ca. 3 Dollar pro 1 Million Tokens.

DeepL — relevant für Verwaltungen in Grenzregionen oder mit hohem Migrationsanteil: DeepL kann vor der Klassifizierung ausländische Dokumente ins Deutsche übersetzen. DeepL ist ein deutsches Unternehmen (Köln) mit EU-Datenschutzrahmen und bietet einen speziellen API-Tarif für Unternehmen. Ab ca. 25 Euro/Monat für die API, Enterprise auf Anfrage.

Notion AI — für kleinere Kommunen als einfacherer Einstieg: Notion kann als Wissensdatenbank für Klassifizierungsregeln dienen und einzelne Dokumente auf Anfrage klassifizieren und zusammenfassen. Kein vollständiger Workflow-Ersatz, aber für Teams ohne IT-Ressourcen ein niedrigschwelliger Test. Ab 16 Euro/Nutzer/Monat.

Was es kostet — realistisch gerechnet

Einstieg (ein Kanal, ein Dokumenttyp)

• Konzeption und Prüfkatalog-Modellierung: 8.000–20.000 Euro (einmalig)
• Technische Implementierung mit Standardlösung: 15.000–40.000 Euro
• Laufende Betriebskosten: 1.500–5.000 Euro/Monat
• Zeithorizont bis zu messbaren Ergebnissen: 3–5 Monate

Skaliert (vollständiger Posteingang, mehrere Kanäle, DMS-Integration)

• Gesamtinvestition: 60.000–250.000 Euro je nach Behördengröße und IT-Komplexität
• Laufende Kosten: 8.000–25.000 Euro/Jahr nach Implementierung
• Amortisation: 2–3 Jahre bei mittlerer Behördengröße

ROI-Beispiel: Eine Stadtverwaltung mit täglich 1.200 eingehenden Dokumenten und 4 Vollzeitkräften in der manuellen Klassifizierung (Personalkostenansatz: 55.000 Euro/Jahr brutto inkl. Arbeitgeberanteil). Wenn KI 70 Prozent der Klassifizierungsarbeit übernimmt, entspricht das einer Einsparung von 2,8 Vollzeitstellen — rund 154.000 Euro jährlich. Davon können die Stellen nicht gestrichen, aber umgewidmet werden: auf Sachbearbeitung, Bürgerberatung oder anspruchsvollere Aufgaben, die tatsächlich menschliche Urteilskraft erfordern.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Ist-Analyse und Konzeption	Woche 1–3	Dokumenttypen und Volumina erfassen, Klassifizierungskategorien definieren, DMS-Schnittstellen klären	Interne Dokumentation der Kategorien fehlt — muss erst erhoben werden
Datenschutz und Vergabe	Woche 2–6	DSGVO-Folgeabschätzung, Vergabeprüfung, AVV abschließen	Vergaberechtliche Klärung verzögert sich
Technische Implementierung	Woche 5–10	OCR- und Klassifizierungssystem aufsetzen, DMS-Integration herstellen	Schnittstellenprobleme mit bestehendem DMS
Training und Kalibrierung	Woche 8–12	System anhand historischer Dokumente trainieren, Fehlerquoten messen und anpassen	Trainingsdaten unvollständig oder nicht repräsentativ
Pilotbetrieb	Woche 12–18	Produktiveinsatz für einen Dokumenttyp, manuelles Review der KI-Entscheidungen	Sachbearbeitende vertrauen System noch nicht — doppelte Prüfung erhöht Aufwand

Häufige Einwände

„Wir haben zu viele verschiedene Dokumenttypen — das lässt sich nicht vollständig abdecken.” Das stimmt für einen vollständigen Rollout — aber für den Piloten musst du nicht alle Typen abdecken. Starte mit den fünf häufigsten Dokumentkategorien, die zusammen 60–70 Prozent deines Posteingangsvolumens ausmachen. Das ist in fast jeder Behörde bekannt: Es sind immer dieselben Typen, die immer wieder kommen. Der Rest folgt schrittweise — sobald das System für die häufigen Typen zuverlässig läuft.

„Was passiert mit fehlklassifizierten Dokumenten — die können Fristen gefährden.” Das ist der richtige Einwand und der Grund, warum kein System ohne menschliche Rückfallebene betrieben werden sollte. Gute Implementierungen unterscheiden zwischen hochkonfidenten Klassifizierungen (automatische Weiterleitung) und niedrigkonfidenten Fällen (manuelle Prüf-Queue). Die Quote der manuell zu prüfenden Fälle liegt typischerweise bei 5–15 Prozent — deutlich weniger Aufwand als der gesamte manuelle Prozess. Fristen-kritische Dokumenttypen bekommen eine gesonderte Regel: immer menschliche Kontrolle, keine automatische Weiterleitung ohne Bestätigung.

„Unsere IT-Infrastruktur ist zu veraltet für KI-Integration.” Für einfache Klassifizierung reicht ein stabiler Internetzugang und ein modernes DMS. Die meisten Verwaltungs-DMS (VISKompakt, Fabasoft, d.3ecm) bieten API-Schnittstellen für die Integration. Wo das nicht möglich ist, kann ein vorgelagerter KI-Layer die Dokumente klassifizieren und manuell übergeben. Das ist technisch weniger elegant, aber in der Praxis oft der pragmatische Einstieg.