Cloudflare veröffentlicht das auf die Extraktion von Feldern aus Dokumenten spezialisierte KI-Modell „Clairic“ als Vorschau in Workers AI

Cloudflare hat das KI-Modell „Clairic“, das gezielt Werte aus Dokumenten extrahiert, als Vorschau in seiner KI-Ausführungsplattform Workers AI veröffentlicht. Gibt der Nutzer Feldnamen wie Bestellnummer oder Rechnungsbetrag vor, liefert das Modell formatierte Werte samt Konfidenzwert zurück. Auch die Open Weights (Modellgewichte) sollen in Kürze veröffentlicht werden. Zudem zeigt Cloudflare Beispiele für die Verarbeitung in Kombination mit einem LLM.

Eine KI, die Felder extrahiert, statt Texte zu schreiben

Bei generativer KI denken viele vermutlich an Systeme, die mühelos Texte verfassen. Clairic hat jedoch einen geradezu gegensätzlichen Charakter. Das Modell ist auf das Extrahieren bestimmter Felder spezialisiert – etwa darauf, den Gesamtbetrag aus einer Rechnung oder eine Bestellnummer aus einer E-Mail herauszulesen.

Auch die Funktionsweise ist besonders. Ein herkömmliches LLM erzeugt Text Wort für Wort, also Token für Token. Clairic dagegen arbeitet nicht auf diese Weise, sondern liefert die Antworten auf alle vorgegebenen Felder in einem einzigen Verarbeitungsschritt. Ist ein gesuchter Wert im Dokument nicht enthalten, gibt das Modell „null“ zurück. Dass es keine Antwort erzwingt, macht es auch für den praktischen Einsatz geeignet.

Neben der Extraktion soll Clairic auch einfache Berechnungen, Schätzungen und Prognosen bewältigen können. Am einfachsten lässt sich das Modell also als eine Art „Vorbereitungskraft“ verstehen: Es schreibt keine Texte, sondern bringt verstreute Informationen in eine leicht nutzbare Form.

Modelle teilen sich die Bearbeitung von Anfragen auf

Das Anwendungsbeispiel von Cloudflare ist aufschlussreich: Im Mittelpunkt steht eine Beschwerde-E-Mail eines Kunden. Zunächst extrahiert Clairic daraus die Bestellnummer, den Betrag und Angaben zum Schaden und schätzt die Reparaturkosten.

Anschließend kommt das Entscheidungsmodell „Clef“ zum Einsatz. Es wählt anhand der internen Regeln zwischen einer Rückerstattung und einer Reparatur. Zum Schluss verfasst das LLM GLM-5.3 eine Antwort an den Kunden.

Interessant ist dabei, dass nicht ein einziges großes Modell mit sämtlichen Aufgaben betraut wird. Auf einen Arbeitsplatz übertragen ähnelt das einer Teamstruktur: Eine zuständige Person nimmt Informationen auf und ordnet sie, eine weitere trifft die Entscheidung und jemand mit Schreibtalent formuliert die Antwort. Cloudflare bezeichnet solche kleinen, auf schnelle Verarbeitung ausgelegten Modelle als „System One“-Modelle. Vorgesehen ist, sie gemeinsam mit LLMs in einer Verarbeitungskette einzusetzen.

Meiner Ansicht nach liegt genau in diesem Gedanken der Kern der Ankündigung. Bei der Einführung von KI richtet sich der Blick schnell darauf, „ein möglichst intelligentes Modell auszuwählen“. Doch zerlegt man Arbeitsabläufe in ihre Bestandteile, zeigt sich, dass nicht jede Aufgabe die volle Leistungsfähigkeit eines Modells erfordert. Die verschiedenen Rollen mit jeweils passenden Werkzeugen abzudecken, könnte zum Standard für die betriebliche KI der Zukunft werden.

Die Zeitangaben zeigen den Effekt der Arbeitsteilung

Werfen wir auch einen Blick auf die interessanten Zahlen. Laut dem Vergleich von Cloudflare dauerte die zuvor beschriebene Verarbeitung in drei aufeinanderfolgenden Schritten 19,3 Sekunden. Erledigte GLM-5.3 dieselben drei Arbeitsschritte allein, dauerte es 61,7 Sekunden; auch die Kosten seien dann fast doppelt so hoch.

Diese Zahlen stammen allerdings aus einem konkreten Verarbeitungsbeispiel. Nicht bei jeder Aufgabe ist derselbe Unterschied zu erwarten; sie sollten daher lediglich als Anhaltspunkt dafür verstanden werden, wie viel sich durch Arbeitsteilung verändern kann. Dennoch geben die mehr als dreifachen Zeitunterschiede Anlass, über den Nutzen einer Aufteilung der Verarbeitung nachzudenken.

Auch die Grenzen werden klar benannt. Clairic kann längere Rechenketten noch nicht zuverlässig bewältigen. Solche Verarbeitungsschritte müssen Entwickler vorerst mit eigenem Code ausführen.

Eine Welt mit spezialisierten Modellen, die ihre jeweiligen Stärken schnell und kostengünstig ausspielen, ist für den Arbeitsalltag jedenfalls attraktiv. Gerade bei standardisierten Aufgaben, die täglich in großer Zahl anfallen – etwa der Rechnungsverarbeitung oder der Bearbeitung von Anfragen –, dürfte die Arbeitsteilung große Vorteile bringen. LLMs können sich dann auf Aufgaben konzentrieren, die nur sie erledigen können. Clairic gibt einen Vorgeschmack auf eine solche Zukunft.