OCR und gescannte PDFs: Dokumente ohne Textebene anonymisieren

Ein gescanntes PDF enthält keinen Text, sondern ein Bild der Seite. Deshalb scheitern Anonymisierer, die nur Zeichenketten durchsuchen, ohne jede Warnung – und manuelles Schwärzen im Bild hinterlässt oft wiederherstellbaren Text, wenn Ebenen nicht sauber entfernt werden oder eine spätere OCR „liest“, was Sie für verborgen hielten.

In Behörden, im Gesundheitswesen, im Bildungsbereich und in Kanzleien ist der Scanner nach wie vor das Eingangstor für Akten. Dieser Leitfaden zeigt, wie Sie einen belastbaren Ablauf aufbauen: OCR → Erkennung → Prüfung → Schwärzung, wann ein durchsuchbares PDF sinnvoll ist, wann der Weg zu Word mit OCR führt und wie das alles mit Verarbeitung in der EU gelingt.

Drei verschiedene Aufgaben (nicht vermischen)

Das falsche Ziel zu wählen ist der häufigste Grund, warum „OCR“-Projekte weder den Fachbereich noch die Compliance zufriedenstellen.

Scanqualität: Worüber niemand spricht und was die OCR ausbaden muss

• Auflösung: Planen Sie 300 dpi oder mehr für Ausweisnummern, Stempel und Kleingedrucktes ein.
• Kontrast und Schräglage: Schiefe oder graue Seiten erhöhen Verwechslungen (0/O, 1/l).
• Gemischte Seiten: Bei Dateien mit nativen und gescannten Seiten muss erkannt werden, welchen Seiten der Text fehlt.
• Sprache: OCR-Modelle unterscheiden sich je nach Sprache und Schriftart; testen Sie mit echten Beispielen aus Ihrem Archiv.
• Stempel und handschriftliche Unterschriften: Hier können zusätzlich zur Text-OCR visuelle Bereiche nötig sein.

Warum manuelles Schwärzen von Scans fehleranfällig ist

Schwarze Balken in einem gewöhnlichen Bildbearbeitungsprogramm garantieren keine Unumkehrbarkeit: Informationen können in anderen Ebenen oder Vorschaubildern erhalten bleiben, oder die bearbeitende Person übersieht eine Seite. Ohne OCR wissen Sie außerdem nicht, ob am Rand eine zweite Ausweisnummer steht. Ein Ablauf mit automatischer Erkennung und Vorschau senkt dieses operative Risiko.

Ablauf A – Gescannte PDFs anonymisieren (empfohlen für Veröffentlichungen)

• Laden Sie das PDF hoch (oder je nach Unterstützung Bilder/HEIC).
• Das System erkennt die fehlende Textebene und führt die OCR aus.
• Es werden Entitäten vorgeschlagen (Namen, Ausweisnummern, Anschriften usw.).
• Sie prüfen Ein- und Ausschlüsse in der Vorschau.
• Sie erzeugen das geschwärzte PDF und kontrollieren das Ergebnis per Suche (falls eine Textebene vorhanden ist) sowie durch Sichtprüfung.

Hinweis: Die einzelnen Schritte im Produkt können je nach Tarif variieren; entscheidend ist, bei Dokumenten mit hohem Risiko die menschliche Prüfung nicht zu überspringen.

Ablauf B – Durchsuchbares PDF ohne Änderung des Erscheinungsbilds

Wenn Archivierung und Suche zählen, das Scanbild aber erhalten bleiben muss (Stempel, Originallayout), erzeugen Sie ein PDF mit Textebene. Nutzen Sie es zur Indexierung von Dateien, *nachdem* Sie geklärt haben, ob sie noch personenbezogene Daten enthalten; sollen sie veröffentlicht werden, anonymisieren Sie zuerst oder stellen Sie sicher, dass die Textebene keine Daten preisgibt, die Sie nur optisch verdeckt haben.

Ablauf C – PDF zu Word mit OCR (wenn Sie bearbeiten müssen)

Wenn das Team Inhalte umschreiben oder weiterverwenden muss, konvertieren Sie per OCR nach DOCX. Danach gelten dieselben Vorsichtsmaßnahmen wie im Word-Leitfaden: Kommentare, Metadaten und Kontrolle. Geben Sie die Word-Datei nicht ohne Anonymisierung weiter, wenn der ursprüngliche Scan personenbezogene Daten enthielt.

Compliance-Checkliste für Scans

• Besteht das Dokument nur aus Bildern, ist es hybrid oder nativ?
• Sind Rechtsgrundlage und Zweck für OCR und Anonymisierung geklärt?
• Läuft die Verarbeitung in der EU, ohne dass Inhalte an externe LLMs gehen?
• Wer gibt die Vorschau bei sensiblen Akten frei?
• Werden Prüfnachweise aufbewahrt (Stichproben, Datum, prüfende Person)?
• Wurde das Ergebnis durch Suche nach bekannten Identifikatoren getestet?

Wie Anonimatum das löst

Anonimatum integriert die OCR in den Anonymisierungsablauf und bietet eigene Werkzeuge für durchsuchbares PDF und PDF zu Word mit OCR, mit lokaler KI auf europäischer Infrastruktur. So müssen Sie nicht drei verschiedene Anbieter (Scanner → Cloud-OCR → Schwärzungstool) mit uneinheitlichen Datenübermittlungen und Kriterien hintereinanderschalten.