Warum Ihr PDF-Datenblatt für KI unsichtbar ist

Öffnen Sie das PDF-Datenblatt Ihres meistverkauften Produkts. Zoomen Sie in die Toleranztabelle hinein. Sie wirkt vollständig: saubere Spalten, ein Materialhinweis, ein Zertifizierungsstempel in der Ecke. Klicken Sie jetzt in einen Absatz des umgebenden Texts und versuchen Sie, ihn mit dem Cursor zu markieren, so wie Sie einen Satz markieren würden, um ihn in eine E-Mail zu kopieren. Markiert sich nichts, oder landet in der Zwischenablage nur eine wirre Zeichenfolge in falscher Reihenfolge, haben Sie gerade den Grund gefunden, warum ein KI-Assistent Ihr Produkt nicht korrekt beschreiben kann. Er hat die Seite nie gelesen. Er hat nur ein Bild davon gesehen.

Ein PDF ist nicht automatisch ein Dokument

Hinter derselben optischen Oberfläche kann ein PDF zwei völlig verschiedene Dinge enthalten: echten Text, gespeichert als Zeichendaten, die eine Maschine auslesen kann, oder ein Bild von Text, gespeichert als Pixel, die für ein menschliches Auge wie Buchstaben aussehen. Auf dem Bildschirm sehen beide Varianten identisch aus. Nur die erste lässt sich von einem System lesen, das das Web durchsucht, um die Wissensbasis eines KI-Assistenten aufzubauen.

Drei gängige Wege führen ein technisches Datenblatt in die zweite Kategorie. Der offensichtlichste ist die Einscannung: Das gedruckte Blatt landet auf dem Scanner, und das entstandene PDF ist die Fotografie einer Seite, ohne dass irgendwo ein Zeichen gespeichert wäre. Der zweite Weg ist eine Seite, die aus einer CAD-Software als Bild exportiert und in ein PDF eingefügt wurde, das ansonsten echte Seiten enthält. Das Datenblatt wirkt dadurch stimmig, aber eine Seite in der Mitte ist im Stillen nur ein Bild. Der dritte Weg ist subtiler: Text, der in Vektorumrisse umgewandelt wurde, in mancher Designsoftware auch „Kurven" genannt. Das passiert, wenn eine Schriftart nicht korrekt eingebettet ist, oder wenn jemand ein PDF plättet, um Bearbeitungen zu verhindern. Die Buchstaben sehen weiterhin wie Buchstaben aus, aber hinter der Form steckt kein Zeichen, nur ein Vieleck, das einem M ähnelt. Ein Retrieval-System zieht Text heraus, keine Formen: Fehlt eine Textebene, gibt es nichts zu extrahieren, und für eine KI-generierte Antwort könnte diese Seite genauso gut gar nicht existieren.

Machen Sie den Test selbst, noch heute

Dafür braucht es keine besondere Software. Öffnen Sie das PDF, klicken Sie in einen Absatz, ziehen Sie den Cursor über einen Satz, um ihn zu markieren, und fügen Sie ihn in einen einfachen Texteditor ein.

Es markiert sich nichts. Die Seite ist ein Bild. Das ist der Fall der Einscannung oder der geplätteten Vektorumrisse von oben.
Etwas markiert sich, ist aber wirr oder in falscher Reihenfolge. Eine Textebene existiert, aber die Struktur ist beschädigt. Dazu gleich mehr.
Ein sauberer Absatz, in der richtigen Reihenfolge. Diese Seite ist in Ordnung. Prüfen Sie trotzdem eine weitere Seite: Datenblätter mischen häufig eine textbasierte Titelseite mit einer bildbasierten Toleranztabelle zwei Seiten später.

Für ein zweites Signal öffnen Sie das PDF in einem Browser-Tab und versuchen Sie Strg+F oder Cmd+F, um nach einem Wort zu suchen, das nachweislich auf der Seite steht, etwa dem Produktnamen oder „Temperatur". Findet die Suche nichts, hat diese Seite keine Textebene, Punkt.

Eine Textebene ist nicht das ganze Problem

Ein PDF kann den Kopieren-Einfügen-Test auf der Titelseite bestehen und trotzdem genau dort scheitern, wo es zählt. Die Toleranztabelle, die ein Einkäufer oder ein KI-Assistent tatsächlich braucht, wird häufig als Bitmap eingefügt, direkt aus einem CAD-Tool exportiert oder aus einer älteren gescannten Version übernommen, eingebettet in ein sonst textbasiertes Dokument. Niemand bemerkt es, weil die Seite weiterhin vollständig wirkt.

Mehrspaltige Layouts richten einen anderen Schaden an. Ein zwei- oder dreispaltiges Datenblatt liest sich für ein menschliches Auge natürlich, von oben nach unten, erst die linke, dann die rechte Spalte. Die meisten Werkzeuge zur Textextraktion lesen jedoch, ohne ausdrückliche Strukturmarkierungen, von links nach rechts quer über die gesamte Seite: Ein Satz beginnt in der ersten Spalte und endet, mitten im Wort, mit einem Fragment aus der zweiten. Ein System, das eine Tatsache aus diesem Text ziehen will, erhält eine Angabe, die aus zwei zusammenhanglosen Sätzen zusammengeflickt wurde.

Das dritte Problem betrifft, wo die Angaben stehen, nicht wie sie kodiert sind. Stellen Sie sich einen Hersteller von Industrieventilen vor, der nach Frankreich und in die USA exportiert: Betriebstemperatur, Nenndruck und Werkstoffnorm sind korrekt angegeben, aber nur in der Bildunterschrift einer technischen Zeichnung, nirgendwo im Fließtext. Ein Modell, das Text von dieser Seite extrahiert, bekommt die Absätze zu Montage und Garantie, und keine einzige der Zahlen, die dieses Ventil tatsächlich von dem eines Wettbewerbers unterscheiden.

Was ein Datenblatt maschinenlesbar macht

Drei Dinge, alle mit dem Test von oben überprüfbar:

Echter, markierbarer Text. Kein Scan, kein Bildexport, keine geplätteten Umrisse. Lässt sich ein Absatz sauber markieren und kopieren, ist dieser Punkt erledigt.
Tabellen als strukturierter Text, nicht als Grafik. Eine Toleranztabelle sollte sich als Zeilen und Werte extrahieren lassen, nicht als ein Bild ohne Text dahinter.
Kernangaben in gewöhnlichen Sätzen, außerhalb der Zeichnung. Werkstoff, Toleranzbereich, Betriebstemperatur, die einschlägige ISO- oder ASTM-Bezeichnung: jede davon als normaler Satz im Fließtext, nicht nur als Beschriftung innerhalb einer Zeichnung.

Nichts davon erfordert neue Software. Ein Datenblatt, das normal in einem modernen Layoutprogramm entsteht und mit eingebetteten Schriften als PDF exportiert wird, nimmt die erste Hürde bereits. Der zweite und dritte Punkt sind redaktioneller Natur: Jemand muss entscheiden, dass die Toleranztabelle auch als Text lohnt, und dass der Temperaturbereich in einen Satz gehört, nicht nur in eine Legende.

Der zweite, banalere Weg, diesen Inhalt zu verlieren

Selbst ein Datenblatt, das jeden Test besteht, bleibt für sich genommen schwerer erreichbar für ein Retrieval-System als eine gewöhnliche Webseite. Systeme, die das Web durchsuchen, sind zuallererst auf HTML ausgelegt. Ein PDF ist ein Format, das sie sich gesondert entscheiden müssen abzurufen und zu verarbeiten, und jeder zusätzliche Schritt ist eine Stelle, an der der Versuch ausbleibt. Viele Hersteller veröffentlichen Spezifikationen ausschließlich als herunterladbares PDF und spiegeln dieselbe Tabelle nie auf einer echten HTML-Seite der eigenen Website: ein zweiter, vom ersten unabhängiger Weg, diesen Inhalt zu verlieren.

Die Lösung ist wenig glanzvoll: das, was im PDF bereits korrekt ist, Werkstoff, Toleranzbereich, Zertifizierung, zusätzlich auf eine HTML-Seite stellen, als gewöhnlichen Text und Tabelle. Das ist mehr Arbeit, als eine Datei einmal hochzuladen, und die Version, die am ehesten tatsächlich gelesen wird.

Wo das hingehört, und was es nicht löst

Das ist etwas anderes als die Frage, ob Ihre Marke als Entität erkannt wird, die ein Modell überhaupt benennen kann, oder wie sich Sichtbarkeit über Exportmärkte und Sprachen hält, Themen, die anderswo behandelt werden. Ein Datenblatt, das kein Retrieval-System lesen kann, ist ein engeres, konkretes Problem: Der Inhalt existiert, er ist nur strukturell unerreichbar.

Die eigenen PDFs so zu prüfen zeigt Ihnen, ob genau dieses Problem bei Ihnen vorliegt. Es sagt Ihnen nicht, ob KI-Assistenten Ihre Marke derzeit erwähnen, was sie über Sie im Vergleich zu Wettbewerbern sagen, oder ob sich das je nach Markt unterscheidet, denn das ist eine Frage der Messung, keine der Dokumentformatierung. Genau das verfolgt PSentry: ob und wie Ihre Marke in KI-Antworten auftaucht, über Plattformen und Sprachen hinweg. Es prüft, korrigiert oder schreibt Ihre PDFs nicht um, das bleibt eine eigene, vermutlich grundlegendere Aufgabe.

Häufig gestellte Fragen

Löst es das Problem, wenn ich mein PDF mit einem automatischen Tool in HTML umwandle?

Nur, wenn das Ausgangs-PDF bereits echten Text enthält. Füttern Sie ein gescanntes PDF in einen Konverter, läuft im Hintergrund meist eine OCR mit, die ihre eigene Fehlerquote mitbringt. Machen Sie den Kopieren-Einfügen-Test mit dem Ergebnis, bevor Sie ihm vertrauen.

Kann ich einem gescannten Datenblatt nachträglich einfach OCR-Text hinzufügen?

Ja, das ergänzt eine Textebene, wo vorher keine war, was besser ist als nichts. Aber OCR errät Zeichen aus Pixelformen, und dichte Inhalte wie Toleranztabellen sind genau dort, wo Fehler am häufigsten auftreten. Prüfen Sie das Ergebnis stichprobenartig gegen das Original.

Verursacht ein kopiergeschütztes oder passwortgesichertes PDF dasselbe Problem?

Das kann es, unabhängig davon, ob eine Textebene vorhanden ist. Blockieren die Berechtigungen das Kopieren, kann ein automatisierter Extraktionsversuch abgewiesen werden, selbst wenn der zugrunde liegende Text echt ist. Prüfen Sie die Berechtigungen getrennt vom Textebenen-Test.

Ist das nur ein altes Problem der Suchmaschinenindexierung mit neuem Namen?

Größtenteils ja, der Mechanismus ist deutlich älter als generative KI. Verändert hat sich die Konsequenz: Ein klassisches Suchergebnis kann Ihr unlesbares PDF trotzdem als eingestuften Link anzeigen, den ein Mensch vielleicht öffnet. Eine generative Antwort, die Ihren Text nicht extrahieren kann, zeigt gar nichts an, sie nennt stattdessen die Zahlen eines Wettbewerbers.

Mein Datenblatt enthält eine detaillierte CAD-Zeichnung. Muss ich die Zeichnung selbst lesbar machen?

Nein, und das ist meist auch nicht realistisch. Das Ziel ist, dieselben Kernangaben, Werkstoffe, Toleranzen, Zertifizierungen, als gewöhnliche Sätze an anderer Stelle zu formulieren, sodass eine Textquelle existiert, auch wenn die Zeichnung selbst nie eine sein wird.

Muss ich jede Seite eines langen Datenblatts korrigieren?

Nein. Setzen Sie Prioritäten bei den Seiten, die Angaben enthalten, nach denen jemand tatsächlich fragen würde: Abmessungen, Toleranzen, Werkstoffe, Zertifizierungen, Betriebsbereiche. Eine hübsche Titelseite als Bild spielt kaum eine Rolle. Eine Toleranztabelle als Bitmap im selben PDF dagegen sehr wohl.