1.500 bis 3.000 Tokens - allein für den reinen Text einer einzigen Seite. Das ist keine Schätzung aus einem Marketingblog, sondern eine Zahl, die Anthropic selbst für Claude dokumentiert: Jede PDF-Seite wird zusätzlich als Bild verarbeitet, weil sonst Layout, Tabellen und Grafiken verloren gingen. Wer einen zwanzigseitigen Bericht oder eine Pressemitteilung als PDF in ein Claude-Projekt lädt, hat damit oft schon 30.000 bis 60.000 Text-Tokens verbraucht - zuzüglich der Bildtokens für jede einzelne Seite -, bevor überhaupt die erste Frage gestellt wurde. Ich arbeite selbst viel mit Claude-Projekten, und genau dieses Muster hat mich vor einiger Zeit dazu gebracht, meine Zuspielroutine umzustellen.
Warum Word, Excel und PowerPoint für Sprachmodelle Ballast sind
Das Problem beschränkt sich nicht auf PDF. Word-, Excel- und PowerPoint-Dateien sind im Kern gepackte XML-Strukturen: Formatierungsangaben, eingebettete Schriftarten, Layoutkoordinaten, teils Änderungsverfolgung. Für einen menschlichen Leser in Microsoft Office ist das sinnvoll. Für ein Sprachmodell, das nur den Inhalt braucht, ist es digitaler Ballast, der mitverarbeitet und mitbezahlt werden muss - in Tokens, in Rechenzeit, am Ende in Energie. Entscheidend ist dabei nicht das Dateiformat an sich, sondern das Verhältnis zwischen Nutzinhalt und Formatierungs-Overhead. Eine Überschlagsrechnung, keine Messung: Zehn Textseiten kommen als sauberes Markdown auf schätzungsweise 5.000 bis 8.000 Tokens. Als PDF verbrauchen dieselben zehn Seiten allein durch die Text-Extraktion 15.000 bis 30.000 Tokens - die Bildtokens für Layout und Grafik noch nicht mitgerechnet.
MarkItDown: Ausgerechnet Microsoft baut die Abspeckkur
Genau hier setzt MarkItDown an, ein Open-Source-Tool, das Microsofts AutoGen-Team im November 2024 veröffentlicht hat. Die Software wandelt PDF, Word, Excel, PowerPoint, HTML, EPUB, Bilder mit OCR, Audio mit Transkription und sogar YouTube-Links in sauberes Markdown um, unter der MIT-Lizenz, also kostenlos und ohne kommerzielle Einschränkung nutzbar. Bemerkenswert finde ich die Popularität: über 175.000 Sterne auf GitHub für ein reines Konvertierungswerkzeug, mehr als viele etablierte Entwicklerframeworks. Die Begründung des Projekts ist nüchtern: Sprachmodelle sind massiv auf Markdown trainiert, verstehen dessen Struktur also nativ, und die Syntax kommt gleichzeitig ohne Formatierungs-Overhead aus.
Meine Praxis: Markdown von Anfang an
Bei mir läuft das inzwischen andersherum: Meine eigene Seite datensm.art ist komplett mit Hugo gebaut, jeder Artikel liegt von der ersten Zeile an als Markdown-Datei vor, kein Word-Export, kein PDF-Umweg. Für Claude-Projekte, in denen ich mit fremden Quelldokumenten arbeite, wandle ich PDFs und Word-Dateien inzwischen vor dem Hochladen mit MarkItDown um. Der Unterschied zeigt sich sofort im Projektfenster: mehr Platz für den eigentlichen Dialog, weniger für digitalen Müll für die Verpackung des Contents, der für KI-Tools irrelevant istn wird.
pip install markitdown und wandle die Datei vorher um. Bei komplexen, gescannten Dokumenten hilft zusätzlich die Anbindung an Azure Document Intelligence.Nicht das Dateiformat entscheidet über den Ressourcenverbrauch einer KI-Anfrage, sondern das, was zwischen Nutzinhalt und Antwort noch mitgeschleppt wird.
Quellen: microsoft/markitdown auf GitHub · Claude PDF Support – Anthropic Docs