Microsoft stellt agentischen Modus für komplexe Dokumentanalysen vor

Ein zweiter Ansatz für die Dokumentanalyse

Azure Content Understanding liest analysierte Inhalte normalerweise zusammen mit einem Schema ein und gibt strukturierte Felder zurück, etwa einen Rechnungsbetrag, eine Policennummer oder ein Unterschriftsdatum. Microsoft bezeichnet diesen Standardmodus als Voreinstellung für die meisten Dokumente, weil er schnell, vorhersehbar und kostengünstiger ist.

Der agentische Modus ist für Fälle gedacht, in denen die Antwort von über mehrere Seiten verstreuten Belegen, komplexen Regeln, Berechnungen oder schwierigen visuellen Layouts abhängt. Die schemabasierte Ausgabe bleibt erhalten, doch das Sprachmodell wird in das von Microsoft so bezeichnete „dokumentnative Gerüst“ eingebettet: eine Schlussfolgerungsschleife mit Werkzeugen zum Durchsuchen von Dokumenttexten und Tabellen, zum Prüfen visueller Belege sowie zum Berechnen und Validieren von Ergebnissen.

Der Unterschied liegt darin, wie viel Arbeit das System auf eine Aufgabe verwendet. Microsoft beschreibt den Standard- und den agentischen Modus als „zwei Punkte auf einer Preis-Leistungs-Kurve“. Der agentische Modus nutzt mehr Modell-Token und benötigt für dasselbe Dokument typischerweise länger, während der Standardmodus der schnellere und kostengünstigere Ausgangspunkt bleibt.

Treasury-Daten zeigen, warum mehrere Schritte wichtig sind

In einem Beispiel geht es um die Ausgaben einer Behörde im Januar 2003 aus Daten des U.S. Treasury, wobei bestimmte Posten ausgeschlossen werden sollen. Die relevante Tabelle erstreckt sich in einem 137-seitigen Bulletin über zwei Seiten. Das System muss die Januar-Zeile über Spaltenblöcke hinweg verfolgen und dabei jeden Betrag mit der Überschrift der jeweiligen Behörde verknüpft halten.

Außerdem müssen Einnahmen und gemeldete Summen ausgelassen, das r für eine Revision entfernt und Minuszeichen beibehalten werden. Nach der Auswahl und Normalisierung der relevanten Werte liefert ein Taschenrechner ein Ergebnis von 180.681 Millionen Dollar.

Microsoft zufolge müsste ein einzelner Modelldurchlauf gleichzeitig Seitenbeziehungen, Ausschlüsse, Notation und Rechenvorgänge verarbeiten. Der agentische Modus plant die Arbeit stattdessen, nutzt dokumentenspezifische Werkzeuge zur Navigation und Prüfung der Tabelle und berechnet die Antwort anhand der ausgewählten Belege.

Diagramme und lange Tabellen erfordern unterschiedliche Prüfungen

Microsoft demonstriert den agentischen Modus außerdem anhand von vier Wirtschaftsdiagrammen in einem 20-seitigen Auszug. Der Ablauf füllt sieben Felder zu Werten und Jahren für das BIP-Wachstum, die Veränderung der Beschäftigtenzahl und die Arbeitslosigkeit aus. Außerdem wird das Jahr ermittelt, in dem die kurzfristigen Zinssätze begannen, zu sinken. Für die Interpretation jedes Diagramms benötigt das System die dargestellten Werte, Untertitel, Achsen und den umgebenden Text und kann die Quelle erneut aufrufen, wenn ein Diagramm nicht eindeutig ist.

Ein separates Beispiel mit Netzwerkprotokollen verwendet eine Tabelle, die sich über 19 Seiten erstreckt. Das System muss die Zeilen zusammenführen, wiederholte Überschriften ignorieren und unterschiedliche Operationen ausführen: jedes Ereignis zählen, nur kritische Ereignisse zählen oder Link-Down-Ereignisse auswählen und deren Dauer addieren. Microsoft zufolge weisen die Ereignis-IDs Lücken auf. Daher müssen die tatsächlichen Zeilen gezählt werden, statt die Gesamtzahl aus der ersten und letzten ID abzuleiten.

So lässt sich der agentische Modus testen

Microsoft empfiehlt, mit dem Standardmodus zu beginnen und den agentischen Modus anhand repräsentativer Dateien zu testen, wenn ein Arbeitsablauf die Zusammenführung von Belegen, Berechnungen oder Abstimmungen, eine vollständige Analyse langer Dokumente, komplexe Bedingungen oder anspruchsvolle visuelle Strukturen umfasst. Nutzer sollten den agentischen Modus wählen, wenn die Qualitätsverbesserung die zusätzlichen Kosten und die höhere Latenz rechtfertigt.

In Content Understanding Studio können Nutzer ein Projekt erstellen und 2026-06-01 (Preview) als API-Version auswählen. Unter Workflow kind können sie Agentic Extraction auswählen, die Felder definieren und das Projekt mit einem eigenen Dokument testen. Für Code empfiehlt Microsoft die Verwendung von 2026-06-01-preview sowie das Hinzufügen von "workflow": "agentic" unter config in der Analyzer-Definition.