Sie ertrinken im Papierberg – 2.000 Abstract-Pakete pro Tag, jedes ein 75-Seiten-Ungetüm aus Eigentumsurkunden, Belastungen, Steuerbescheiden und hingekritzelten Schrecken aus Jahrzehnten Immobilien-Pingpong.
Rocket Close, dieser Detroit-Ableger von Rocket Companies, hat genug davon gehabt. Gemeinsam mit dem GenAI-Team von AWS haben sie ein KI-Monster gezüchtet: Amazon Textract für den groben OCR-Kram, Bedrock für die cleveren Grundmodelle. Ergebnis? Verarbeitungszeit crasht um den Faktor 15, von 10 Stunden auf… na ja, Minuten. Und Genauigkeit? Sie prahlen mit 90 Prozent bei Segmentierung, Klassifikation, Extraktion. Klingt glattgebügelt.
Aber Moment – das Filmchen kenne ich schon. Ende der 90er versprachen Fintech-Heldentaten, automatisierte Underwriting würde den Hypotheken-Schindern erschlagen. Hat halbwegs geklappt, bei Kreditzulassungen. Dokumente? Bleibt Menschenarbeit. 25 Jahre später nagt KI endlich am letzten Bollwerk. Der Clou: Nicht nur Tempo, sondern Angriff auf das heterogene Chaos – über 60 Dokumententypen, handschriftliches Gekrakel, schiefe Formate. Hält das, gewinnt Rocket Vorsprung. Tipp: Nachahmer aus der Title Insurance kommen bis Q3, aber passt auf die 10-Prozent-Fehlerlawine vor Gericht auf.
Der Albtraum der Drecksarbeit
Manuelle Extraktion: 30 Minuten purer Einsatz pro Paket, bei Spitzenspitzen aber 10-Stunden-Marathons. Täglich? 1.000 Mannstunden, Millionen Kosten jährlich. Skalierbarkeit? Lachnummer. Fehler schleichen sich ein – übersehene Belastungen, verhunzte Felder. Rocket Close hilft Leuten beim Häuserkauf, klar – aber die eigenen Abläufe erstickten an genau den Papieren, die Träume wahr machen.
Die Firma verarbeitet rund 2.000 Abstract-Paketdateien täglich, jede mit durchschnittlich 75 Seiten. Das war eine massive Betriebsherausforderung: Manuelle Extraktion dauerte im Schnitt 10 Stunden pro Paket und fraß Ressourcen sowie führte zu Workflow-Engpässen.
Direkt aus ihrem Playbook. Brutale Ehrlichkeit, selten in PR.
Rückblick: Diese Pakete sind keine sauberen PDFs. Eigentumsketten (Garantie-Urkunden, Verzichtsurkunden – was auch immer), Urteile, Steuerbelastungen, Hypotheken selbst. Reihenfolge variiert, Qualität mies, Handschrift verspottet Maschinen. Alte Automatisierung scheiterte hier.
Reichen 90 Prozent Genauigkeit für Hypotheken?
Textract erkennt Text, Tabellen, Formulare – meistert den Dreck. Bedrock-Modelle klassifizieren dann, segmentieren, extrahieren Felder wie Kreditsummen, Eigentumsketten. Skaliert auf 500.000 Dokumente jährlich. Sicher, serverlos, Multi-Model-API. AWS punktet – Lock-in über Bedrock.
Der Zyniker in mir fragt: 90 Prozent gesamt? Super für Masse, aber diese 10 Prozent – eine verpatzte Belastungsmitteilung? Kann Deals killen, Klagen lostreten. Hypotheken sind keine Katzenvideos; Fehler kosten Millionen. Sie decken 60 Klassen ab, Kategorien wie Hypotheken, Eigentumsketten, Urteile, Steuern. Beeindruckender Umfang. Trotzdem: Realwelt-Spikes (verblasste Tinte, durchgenagelte Unterschriften) werden prüfen.
Und der Geldfluss? Rocket Close wächst nachhaltig, schnellere Abschlüsse begeistern Kunden. AWS? Die drucken ab – jeder API-Call ein Gewinn. Rocket Companies (Quicken-Loans-Familie) verwebt sich tiefer ins Ökosystem. Wer saugt wirklich? Folgt den Cloud-Rechnungen.
Hört zu, ich decke Valley-Hype seit 20 Jahren ab. Amazon Bedrock summt, weil modellagnostisch – Anthropic, Stability, wen auch immer. Kein Lock-in jenseits der API. Klug von Rocket, Absicherung.
Kurzer Punch: Edge-Cases lauern.
Dann der Langläufer: Partner wie das GenAI Innovation Center haben beim Bau geholfen – Custom-Prompts, Fine-Tuning? Details schwammig, aber es läuft skalierend, behaupten sie. Historischer Vergleich: Fannie Maes DUS-System in den 2000ern automatisierte Teile, scheiterte an Variabilität. Rocket umgeht mit GenAI-Musterzauberei – Kontext statt starrer Regeln. Mutige Wette: Öffnen sie Pipelines Open Source (unwahr
