Was ist Multimodale KI?
Auch genannt: Bildverständnis, Vision-Modell
◆Kurz gesagt
Ein multimodales Modell verarbeitet neben Text auch Bilder: Fotos, Pläne, gescannte Zeichnungen, Skizzen. Es beschreibt, was zu sehen ist, liest Schriftfelder und ordnet zu. Dadurch werden Bestände auffindbar, die bisher unsichtbar waren, weil sie nie in Worte gefasst wurden.
Stand: September 2026
Was das für Ihr Büro heißt
In einem Planungsbüro ist ein erheblicher Teil des Bestands kein Text. Erst wenn Pläne und Baustellenfotos beschrieben sind, findet die Suche das Fundamentdetail von 2009 oder das Foto zum Mangel von letzter Woche.
Ein Fall aus dem Alltag
Ein Geselle schickt ein Foto der Baustelle ohne Kommentar. Ein multimodales Modell beschreibt, was zu sehen ist, ordnet es dem Gewerk zu und bereitet einen Protokolleintrag vor. Die Bewertung, ob das ein Mangel ist, bleibt bei Ihnen.
Wie wir es umsetzen
Wir lassen Bilder beim Einlesen beschreiben und legen die Beschreibung zusammen mit Verweis auf das Original in den Index. Bei Zeichnungen lesen wir zusätzlich das Schriftfeld aus. Lokal übernimmt das ein multimodales Modell auf demselben Server.
Der häufigste Irrtum
Oft verwechselt mit Texterkennung. Die Texterkennung liest Buchstaben aus einem Bild. Ein multimodales Modell erfasst auch, was auf dem Bild zu sehen ist und wie es angeordnet ist, was bei Tabellen und Formularen den Unterschied macht.
Wo die Grenze liegt
Ein Modell beschreibt einen Plan, es prüft ihn nicht. CAD-Geometrie liest es nicht als Volltext, dafür arbeiten wir mit Metadaten und Exporten.
Verwandte Begriffe
Sie wollen wissen, ob Multimodale KI in Ihrem Büro etwas bringt?
Dreißig Minuten, per Video oder Telefon. Wir fragen nach Zahlen, nicht nach Ihrem Interesse an KI.
Termin vereinbaren◆Der nächste Schritt
Was kostet Sie das Suchen
im Monat?
Die wenigsten Büros haben das je ausgerechnet. Im Termin machen wir es zusammen: Stunden pro Woche, was eine Stunde bei Ihnen kostet, was im letzten Jahr deswegen schiefgegangen ist. Über uns reden wir erst danach.
- Dreißig Minuten, per Video oder Telefon
- Wir fragen nach Zahlen, nicht nach Ihrem Interesse an KI
- Danach wissen Sie, ob sich das für Sie lohnt. Auch wenn die Antwort nein ist
Keine Folien, keine Verkaufsshow. Wenn es nicht passt, sagen wir das im Termin.