PDF zu Markdown mit der ChatGPT Work App: Belege, Verträge und Scans richtig verarbeiten

Markdown ist reiner Text mit einfacher Struktur — Überschriften, Listen, Tabellen. Genau das Format, mit dem die AI am besten arbeitet: durchsuchbar, vergleichbar, versionierbar. Ein PDF ist dagegen ein „Foto" eines Dokuments. Die Umwandlung in Markdown macht aus dem Foto Wissen, das in deinem Vault lebt und dort dauerhaft nutzbar bleibt. Files over Tools: Dein Wissen lebt in Dateien, die dir gehören — nicht im Chatverlauf.

Praktischer Nebeneffekt: Einmal umgewandelt, kann jede spätere Session mit dem Inhalt arbeiten, ohne dass du das PDF erneut hochlädst oder erklärst.

Bevor du irgendetwas beauftragst, kläre eine Frage: Ist dein PDF digital erzeugt oder ein Scan?

Typ	Erkennungsmerkmal	Was die Work App kann
Digital erzeugt (z. B. Rechnung aus Software, Word-Export)	Du kannst Text im PDF markieren und kopieren	Direkt lesen und in Markdown umwandeln — zuverlässig
Scan / Foto (z. B. abfotografierter Beleg, alter Vertrag)	Text lässt sich nicht markieren, es ist ein Bild	Braucht Texterkennung (OCR) — funktioniert oft, aber mit Fehlerrisiko

Der Schnelltest: PDF öffnen, versuchen, eine Zeile mit der Maus zu markieren. Geht es — digitales PDF, einfacher Fall. Geht es nicht — Scan, und du solltest die Ergebnisse besonders gründlich prüfen.

Bei Scans hängt die Qualität stark von der Vorlage ab: gerade fotografiert, gut belichtet, keine Knicke — dann klappt die Erkennung meist gut. Schiefe Handy-Fotos von Thermopapier-Belegen sind der schwierigste Fall. Bei bildbasierten Scans hängt die Erkennung außerdem davon ab, ob die App den Seiteninhalt in deinem konkreten Auftrag als Bild verarbeiten kann. Prüfe deshalb zuerst eine Testseite. Wenn kein Text erkannt wird, führe vorab eine OCR mit einem dafür vorgesehenen Werkzeug durch.

Lege das PDF in deinen Vault, zum Beispiel unter 10_projekte/buchhaltung/quellen/. Dann beauftragst du die Work App mit einem klaren Dreiteiler: Was umwandeln, wohin speichern, was prüfen.

Wandle die Datei quellen/rechnung-mueller-2026-07.pdf in Markdown um und
speichere das Ergebnis als outputs/rechnung-mueller-2026-07.md.

Regeln:
1. Übernimm die Struktur des Originals: Überschriften, Tabellen, Beträge.
2. Erfinde nichts. Wenn eine Stelle unleserlich ist, schreibe [UNLESERLICH]
   an genau diese Stelle statt zu raten.
3. Liste am Ende der Datei unter "## Prüfhinweise" alle Stellen auf, bei
   denen du unsicher warst.
4. Nenne mir zum Schluss: Rechnungsnummer, Datum, Bruttobetrag — damit ich
   sie gegen das Original prüfen kann.

Der wichtigste Teil ist Regel 2. Ohne sie füllt die AI unleserliche Stellen gern mit plausiblen Werten — und ein plausibel falscher Betrag ist gefährlicher als eine sichtbare Lücke.

Das Praxisproblem aus dem Bootcamp (Modul 1.7): ein Ordner voller Belege soll in eine auswertbare Form. Der Fehler, den fast alle machen: alle 50 Dateien in einen Auftrag werfen und auf das Beste hoffen. Der bessere Weg hat drei Stufen.

Stufe 1 — Pilot mit 3 Dateien. Lass zuerst nur drei Belege umwandeln und prüfe die Ergebnisse von Hand gegen die Originale. Stimmen Beträge, Daten, Absender? Erst wenn der Pilot sauber ist, kommt der Rest. Das ist dasselbe Prinzip wie bei Routinen: Erst automatisieren, wenn geprüfte Durchläufe korrekt waren.

Stufe 2 — Der Massenauftrag mit Protokollpflicht.

Im Ordner quellen/belege-juli/ liegen PDF-Belege. Verarbeite sie alle:

1. Wandle jeden Beleg in eine Markdown-Datei in outputs/belege-juli/ um
   (gleicher Dateiname, Endung .md).
2. Extrahiere pro Beleg: Datum, Händler/Absender, Bruttobetrag, Währung,
   Kategorie-Vorschlag. Schreibe diese Felder als Tabelle an den Anfang
   jeder Markdown-Datei.
3. Erstelle zusätzlich eine Sammel-Übersicht outputs/belege-juli-uebersicht.md
   mit einer Zeile pro Beleg und einer Summenzeile.
4. Wenn ein Beleg nicht lesbar ist oder Felder fehlen: NICHT raten. Trage
   ihn in eine Abschnitt "## Nicht verarbeitet" der Übersicht ein, mit Grund.
5. Schreibe zum Schluss ein Receipt nach receipts/: wie viele Dateien
   gefunden, wie viele verarbeitet, wie viele übersprungen, Gesamtsumme.

Stufe 3 — Stichprobe. Auch nach einem sauberen Protokoll: Prüfe 3–5 zufällige Belege gegen die Originale, besonders die Beträge. Done = Resultat + Prüfung + Receipt. Erledigt ist erst, was belegt ist.

Die Übersicht aus Schritt 3 kannst du anschließend direkt als CSV oder Excel-Tabelle ausgeben lassen — dann ist der Weg vom Beleg-Ordner zur Auswertung komplett.

Es gibt Fälle, in denen ein spezialisiertes OCR-Werkzeug die bessere Wahl ist:

• Sehr große Dokumente (mehrere hundert Seiten): Die Umwandlung in einem Rutsch stößt an Kontextgrenzen. Entweder kapitelweise beauftragen — oder ein dediziertes Konvertierungswerkzeug nutzen.
• Schlechte Scans in großer Menge: Wenn schon der Pilot viele [UNLESERLICH]-Marker produziert, wird die Masse nicht besser. Erst die Scan-Qualität verbessern (neu scannen, gerade, 300 dpi), dann konvertieren.
• Komplexe Layouts: Mehrspaltige Fachartikel, verschachtelte Tabellen, Formulare mit Ankreuzfeldern. Hier lohnt der Blick auf spezialisierte Konverter — der Artikel PDF zu Markdown konvertieren: cloudconvert, Claude Cowork und Marker im Vergleich vergleicht die Optionen.
• Handschrift: Erkennungsqualität schwankt stark. Immer als unsicher behandeln und vollständig gegenlesen.

Belege und Verträge enthalten oft personenbezogene Daten, Kontonummern, Gehälter. Zwei Grundsätze: Erstens, verarbeite solche Dokumente in einem klar abgegrenzten Projektordner — nicht quer über den ganzen Rechner. Zweitens, kläre vor dem Firmen-Einsatz, was dein Abo-Modell mit den Daten macht — Details dazu in Datenschutz bei KI im Unternehmen: ChatGPT & Claude sicher nutzen.

Symptom	Ursache	Fix
Beträge im Markdown weichen vom Original ab	AI hat unleserliche Stellen „plausibel" ergänzt	Regel „nicht raten, [UNLESERLICH] markieren" in jeden Auftrag; Stichprobe gegen Original
Tabellen kommen als Textwüste an	Komplexes Tabellen-Layout im PDF	Explizit anweisen: „Gib Tabellen als Markdown-Tabellen aus"; bei Misserfolg spezialisierten Konverter nutzen
Bei 50 Dateien fehlen am Ende welche	Kein Protokoll beauftragt, Abbrüche blieben unsichtbar	Immer Zählung + Receipt verlangen: gefunden / verarbeitet / übersprungen
Scan wird komplett falsch erkannt	Schiefes Foto, schlechte Auflösung	Neu scannen (gerade, gut belichtet); Qualität der Vorlage schlägt jedes Werkzeug
Umwandlung bricht bei dickem PDF ab	Dokument zu groß für einen Durchlauf	In Abschnitte teilen: „Wandle zuerst Seite 1–50 um", dann fortsetzen

• ChatGPT Work verwenden

• PDF zu Markdown konvertieren: cloudconvert, Claude Cowork und Marker im Vergleich — der Werkzeugvergleich, wenn die Work App an ihre Grenzen kommt
• AI Automation starten: Der einfache Einstieg ohne Tool-Chaos — wie aus der Beleg-Verarbeitung eine wiederkehrende Routine wird
• Datenschutz bei KI im Unternehmen: ChatGPT & Claude sicher nutzen — was du vor der Verarbeitung sensibler Dokumente klären solltest