Paperless-ngx nimmt dir das Papierchaos ab – aber die Fleißarbeit bleibt: Jedes Dokument bekommt von Hand einen Titel, ein paar Tags und den richtigen Korrespondenten. Der eingebaute Klassifizierer lernt mit, doch gerade am Anfang und bei ungewöhnlichen Belegen tippst du viel selbst. Genau hier setzt paperless-gpt an: ein quelloffenes Zusatzwerkzeug, das ein Sprachmodell (LLM) auf dein Archiv loslässt und Titel, Schlagwörter und mehr vorschlägt. Wir zeigen, wie das praktisch aussieht – und was sich mit Paperless-ngx 3.0 in Sachen KI ohnehin schon getan hat.
Das Wichtigste in Kürze
- paperless-gpt ist ein eigenständiges Zusatzwerkzeug, kein Plugin: Es spricht Paperless-ngx ausschließlich über die REST-API an und schreibt Vorschläge (z.B. für Tags) zurück.
- Es erzeugt Metadaten per LLM: Titel, Tags, Korrespondent, Datum, Dokumenttyp und sogar benutzerdefinierte Felder – auf Wunsch mit eigenen Prompts.
- Steuerung über Tags: Ein Dokument mit dem Tag
paperless-gptlandet zur Prüfung,paperless-gpt-autoverarbeitet vollautomatisch. - KI-OCR für schwierige Scans: Ein Vision-Modell liest auch Belege, an denen die klassische Texterkennung scheitert.
- Datenschutz hängt am Modell: Mit einem LLM bleiben deine Dokumente auf dem Server, mit offenen Modellen werden sie DSGVO-konform in der EU verarbeitet. Bei Nutzung der großen AI-Clouds (Anthropic, OpenAI, ...) verlassen sie den geschützten Raum.
- Paperless-ngx 3.0 bringt bereits eine eingebaute Paperless AI – paperless-gpt geht aber deutlich weiter.
Was ist paperless-gpt?
paperless-gpt ist ein separater Dienst, der neben Paperless-ngx läuft und sich über die REST-API mit einem API-Token verbindet. Es greift nicht in Paperless-ngx ein, sondern arbeitet von außen: Dokument holen, Text oder Bild an ein Sprachmodell schicken, Ergebnis als Metadaten zurückschreiben. Dazu bringt es eine eigene Weboberfläche mit, in der du Vorschläge prüfst und freigibst.
Beim Modell bist du flexibel: Neben Ollama oder jeder OpenAI API-kompatiblen Inferenz-Engine (z.B. vLLM oder LMStudio) für lokale Modelle werden unter anderem OpenAI, Azure OpenAI, Mistral, Google Gemini und Anthropic unterstützt. Die Wahl entscheidet über Kosten, Geschwindigkeit, Qualität und – noch wichtiger – über den Datenschutz.
Wie das Zusammenspiel praktisch funktioniert
Gesteuert wird über Tags: Du legst in Paperless-ngx ein paar spezielle Schlagwörter an, auf die paperless-gpt reagiert:
paperless-gpt– das Dokument erscheint zur Prüfung in der paperless-gpt-Oberfläche. Die Vorschläge übernimmst du mit einem Klick.paperless-gpt-auto– das Dokument wird vollautomatisch verarbeitet, ohne Zwischenschritt.paperless-gpt-ocr-auto– stößt die KI-Texterkennung an.
In der Praxis heißt das: Du hängst neuen Belegen (oder per Arbeitsablauf einer frei filterbaren Menge neuer Belege) den Tag paperless-gpt an. Vorher steht dort nur der Scanner-Dateiname – kein Korrespondent, keine Tags:
Kurz darauf liegen in der Prüfoberfläche Vorschläge für Titel, Tags, Korrespondent, Dokumenttyp und Datum – jeweils mit dem alten Wert daneben, sodass du siehst, was sich ändern würde:
In der Detailansicht siehst du links Scan und erkannten Text, rechts die Vorschläge: Tags wegklicken, Titel oder Datum korrigieren, freigeben.
Danach zeigt Paperless-ngx die Dokumente fertig verschlagwortet an – aus Scan_2026-03-14_00012 wird eine Stromabrechnung mit Korrespondent, Dokumenttyp und Tags. Bei Belegtypen, denen du vertraust, sparst du dir mit paperless-gpt-auto sogar die Prüfung. Jede Änderung landet im Verlauf und lässt sich feldweise zurücknehmen.
Praxis-Tipp: Fang mit dem Prüf-Tag paperless-gpt an, nicht mit dem Auto-Tag. So bekommst du ein Gefühl dafür, wie gut die Vorschläge zu deinen Dokumenten passen, und justierst die Prompts nach, bevor du die Automatik von der Leine lässt.
KI-OCR: Text auch aus schlechten Scans
Neben den Metadaten kann paperless-gpt die Texterkennung per Vision-LLM übernehmen – interessant für Dokumente, an denen das klassische, integrierte Tesseract scheitert: krumme Handyfotos, schwache Kontraste, verschachtelte Tabellen. Das Modell „liest“ das Bild im Kontext und liefert oft sauberere Ergebnisse.
In unserem Testlauf mit einem schräg fotografierten Kassenbon hatte Tesseract die Beträge in den Summenzeilen verschluckt – „Summe“, „MwSt“ und „Gesamt“ standen ohne Zahlen im Text. Das Vision-Modell hat sie mitgelesen. Gestartet wird die Erkennung im OCR-Reiter: Dokument auswählen, Seitenlimit und Verarbeitungsmodus setzen und entscheiden, ob daraus ein durchsuchbares PDF entstehen soll. Der Lauf passiert auf dem Server – du kannst die Seite verlassen, das Ergebnis findest du danach im Reiter „Activity“.
Für die Texterkennung können wahlweise die Vision-Language-Modelle von OpenAI, Mistral & Co., die Document Intelligence bzw. Document AI APIs von Azure bzw. Google Cloud oder aber – für besseren Datenschutz – ein lokaler Docling Server verwendet werden.
Datenschutz: lokal mit Ollama oder Cloud
Der wichtigste Hebel ist die Wahl des Modells. Schickst du deine Rechnungen, Verträge und Personalakten an die OpenAI-Cloud, verlassen die Inhalte deinen Server und gehen an einen US-Anbieter – bei sensiblen Unterlagen selten gewollt. Mit einem lokalen Ollama (oder ähnlichem) bleibt alles auf der eigenen Infrastruktur. Der Preis dafür ist eine Grafikkarte mit genug VRAM (sh. auch dieser VRAM Rechner), damit das Modell flott antwortet. Der Mittelweg ist ein EU-basierter Inference-Anbieter wie Scaleway: ein offenes Modell auf europäischer Infrastruktur, ohne eigene GPU und ohne US-Cloud. Bei server.camp bieten wir aperless-gpt mit einem Gemma 4 Modell, betrieben bei Scaleway an – performant genug um Metadaten in hoher Qualität vorzuschlagen und trotzdem DSGVO-konform.
Paperless-ngx 3.0: KI ist teilweise schon eingebaut
Seit dem 3.0-Release bringt Paperless-ngx selbst eine Paperless AI mit – eine optionale, standardmäßig deaktivierte LLM-Anbindung im Kern. Sie schlägt ebenfalls Titel, Tags und Korrespondent vor und bietet zusätzlich einen Dokument-Chat („Welche Kündigungsfrist steht in diesem Vertrag?“). Auch hier wählst du zwischen einer OpenAI-kompatiblen API und einem lokalen Ollama-Server – und der Hinweis zum Datenschutz steht direkt neben dem Schalter.
Neben der KI hat die 3.0 die Suche (Tantivy), Dokumentversionen und die Arbeitsabläufe spürbar verbessert – ein Update lohnt sich, wie unsere Schritt-für-Schritt-Anleitung zeigt.
Warum dann noch paperless-gpt? Weil beide unterschiedliche Schwerpunkte haben:
| Funktion | Paperless AI (eingebaut) | paperless-gpt (extern) |
|---|---|---|
| Titel, Tags, Korrespondent | ✅ | ✅ |
| Dokument-Chat | ✅ | – |
| KI-OCR für schwierige Scans | – | ✅ |
| Benutzerdefinierte Felder und Dokumenttyp | eingeschränkt | ✅ |
| Eigene Prompts, Prüf-Oberfläche | – | ✅ |
| Automatik über Tags | – | ✅ |
Kurz gesagt: Für schnelle Vorschläge und den Chat reicht die eingebaute Paperless AI. Wer stärker automatisieren, eigene Felder füllen oder die OCR aufbohren will, greift zu paperless-gpt – kombinieren lässt sich beides.
So nutzt du das bei server.camp
Damit paperless-gpt arbeiten kann, braucht es zwei Dinge auf der Paperless-Seite: einen API-Token (unter „Mein Profil“) und die Trigger-Tags. Beides geht ohne Zugriff auf den Server, direkt in der Weboberfläche.
Bei server.camp musst du dich darum gar nicht kümmern: Wenn du Paperless-ngx bei uns managed betreibst, rollen wir paperless-gpt auf Wunsch gleich mit aus und richten die Verknüpfung über den API-Token und die Tags beim Deployment ein. Du hängst also einfach den Tag paperless-gpt an ein Dokument und legst los, statt selbst einen Container zu betreiben.
Als Sprachmodell binden wir ein Gemma-4-Modell beim EU-Cloud-Anbieter Scaleway an. Die KI-Verschlagwortung läuft damit DSGVO-konform in hoher Qualität und Performance auf europäischer Infrastruktur.
Übrigens: paperless-gpt bringt keine eigene Authentifizierung mit. Wer selbst hostet, darf die Oberfläche deshalb nie offen ins Internet stellen – im managed Betrieb ist das für dich abgedeckt.
Häufige Fragen zu paperless-gpt
Brauche ich Programmierkenntnisse? Für die Nutzung nicht. Du arbeitest mit Tags und der Prüf-Oberfläche. Etwas Technikaffinität hilft beim Feintuning der Prompts, ist aber kein Muss.
Verlassen meine Dokumente den Server? Das hängt am gewählten Modell. Bei einem lokalen Ollama bleibt alles auf der eigenen Infrastruktur, bei der OpenAI-Cloud gehen die Inhalte an einen US-Anbieter. Im managed Betrieb bei server.camp läuft die KI über ein Gemma-Modell bei Scaleway – die Daten bleiben also in der EU.
Ersetzt paperless-gpt den eingebauten Klassifizierer? Nein, es ergänzt ihn: Der Klassifizierer lernt aus deinen bisherigen Zuordnungen, paperless-gpt bringt das Sprachmodell-Wissen dazu. In der Praxis nutzt du beides parallel.
Muss ich für paperless-gpt auf Paperless-ngx 3.0 sein? Nein, paperless-gpt funktioniert sowohl mit der bisherigen v2.15, als auch mit der neuen v3.0.
Fazit
Paperless-ngx räumt dein Papier auf, paperless-gpt nimmt dir das Verschlagworten ab. Mit der eingebauten Paperless AI der 3.0 gibt es für schnelle Vorschläge und den Dokument-Chat inzwischen eine Bordlösung. Paperless-gpt bleibt die Wahl, wenn du weiter automatisieren, eigene Felder füllen oder die OCR verbessern willst.
Entscheidend ist am Ende die Modellwahl: Lokal oder auf EU-Infrastruktur betrieben bleibt die KI datenschutzfreundlich, in der US-Cloud ist sie bequem, aber wanderlustig. Wenn du dir den Aufbau sparen willst, übernehmen wir bei server.camp den Betrieb inklusive der fertigen Anbindung an ein EU-gehostetes Modell.