- Für die meisten Haushalte ist Paperless-ngx der direkte Weg: Texterkennung plus Volltextsuche in einem Paket, als Docker-Container auf einem sparsamen Mini-PC oder einem NAS (Netzwerkspeicher).
- Reine Volltext- und Texterkennungs-Suche braucht keine Grafikkarte. Die ist nur nötig, wenn du zusätzlich per KI mit deinen Dokumenten „chatten“ willst.
- NAS-Bordmittel wie Synology Universal Search oder QNAP Qsirch durchsuchen auch Datei-inhalte. Qsirch ist seit Oktober 2025 komplett kostenlos.
- „Semantische Suche“ heißt nicht automatisch „lokal“: Manche dieser Funktionen schicken Dokumentinhalte an Sprachmodelle in der Cloud.
Rechnungen, Verträge, Arztbriefe, Bedienungsanleitungen: Wer sein Papier digitalisiert, hat schnell tausende PDF-Dateien – und findet trotzdem nichts wieder, weil die Suche nur auf Dateinamen schaut. Damit der Rechner den Inhalt durchsucht, braucht es zwei Bausteine: Texterkennung für die Scans und eine Volltextsuche über das Ergebnis. Beides läuft komplett auf eigener Hardware. Dieser Artikel zeigt die Wege, vom Fünf-Minuten-Setup bis zur lokalen KI.
Warum lokal statt Cloud?
Die großen Cloud-Speicher können Dokumentinhalte durchsuchbar machen, aber man gibt die Kontrolle ab. Dazu gab es zuletzt mehrere Aufreger. Ende 2023 war bei Dropbox eine KI-Funktion eines Drittanbieters standardmäßig aktiv – nach öffentlicher Kritik folgten Klarstellung und Abschaltoption. Ende 2024 stand der Vorwurf im Raum, Microsoft 365 scanne Word- und Excel-Dateien fürs KI-Training; Microsoft widersprach und erklärte, die „Connected Experiences“ dienten dem gemeinsamen Bearbeiten und Cloud-Funktionen, nicht dem Training. Und Microsofts „Recall“, eine Funktion, die regelmäßig Bildschirmfotos aufnimmt und durchsuchbar macht, wurde nach Datenschutzkritik mehrfach verschoben und läuft jetzt nur nach ausdrücklicher Zustimmung, lokal verschlüsselt und mit Pflicht zur Anmeldung per Windows Hello.
Fürs Protokoll: Dass Anbieter wie Microsoft oder Dropbox private Dateien fürs KI-Training nutzen, wird von diesen bestritten beziehungsweise lässt sich abschalten. Offen bleibt, was Subunternehmer mit den Daten machen. Wer diese Unsicherheit ganz vermeiden will, hält Index und Suche im eigenen Haus.
„Durchsuchbar machen“ – was dahintersteckt
OCR (Optical Character Recognition, also Texterkennung aus Bildern) verwandelt den Scan in maschinenlesbaren Text. Der Open-Source-Standard dafür ist Tesseract, das über 100 Sprachen beherrscht (stabile Version 5.5.3, Juli 2026). Das Werkzeug OCRmyPDF setzt darauf auf und legt eine unsichtbare Textebene über ein gescanntes PDF – die Seite sieht aus wie vorher, ist aber markier- und durchsuchbar (aktuell Version 17.11, braucht mindestens Tesseract 4.1.1).
Eine Einschränkung vorweg: Tesseract ist für gedruckten Text gebaut. Handschrift erkennt es nur schlecht – handgeschriebene Notizen bleiben also weitgehend außen vor.
Der zweite Baustein ist die Volltextsuche: ein Index über den erkannten Text, sodass die Suche nach „Kfz-Versicherung 2024″ die passende Rechnung findet, egal wie die Datei heißt.
Der Standardweg: Paperless-ngx
Paperless-ngx ist das Referenz-Programm für Heimanwender. Es ist ein DMS (Dokumenten-Management-System, also eine Software, die Dokumente ablegt, verschlagwortet und auffindbar hält). Die Texterkennung (Tesseract/OCRmyPDF) bringt es mit, baut die Volltextsuche darüber auf, vergibt automatisch Schlagworte, erkennt Absender, holt Belege per IMAP (Abruf aus dem Mailpostfach) und wird als Docker-Container eingerichtet. Neue Dateien legt man einfach in einen überwachten Ordner, den „Consume-Ordner“.
Version 3.0 ist seit dem 22. Juli 2026 stabil; seither gibt es die Reihen 3.0.x und 3.1.x (ob 3.1 bereits offiziell als stabil gilt, war zum Redaktionsschluss nicht eindeutig). 3.0 ist ein größerer Umbau: Die Suche wechselte vom alten Backend Whoosh auf Tantivy, geschrieben in der Programmiersprache Rust – im Profiling der Entwickler dauerte ein Durchlauf danach rund 30 Sekunden statt rund 1,5 Minuten. Die alte Suchsyntax funktioniert per Umwandlung weiter. Dazu kamen eine Dokumentversionierung, ein neues Aufgaben-System und optionale Remote-Texterkennung über Azure (standardmäßig aus).
Ebenfalls neu und standardmäßig deaktiviert: „Paperless AI“, eine eingebaute KI-Schicht mit Dokumentvorschlägen, Ähnlichkeitssuche und einem Chat über die eigenen Dokumente. Sie kann lokal über Ollama laufen und optional einen Vektor-Index (FAISS) nutzen. Vorher gab es KI in Paperless nur über das separate Drittprojekt clusterzx/paperless-ai – das existiert weiter, ist aber nicht Teil von Paperless-ngx.
Für die reine OCR-plus-Volltext-Nutzung reicht wenig Hardware: Ein Mini-PC mit einem sparsamen Intel-Prozessor der N100/N150-Klasse stemmt Paperless samt Texterkennung. Einsteiger-NAS mit ARM-Chip sind für OCR oft zu schwach; für ein Container-DMS sollte es ein x86-Gerät sein (Synology Plus, QNAP).
Vom Papier in den Index
Für den Papierstapel braucht es einen Dokumentenscanner mit automatischem Einzug, der beide Seiten in einem Durchgang aufnimmt – sonst wird das Digitalisieren zur Geduldsprobe. Der Ablauf danach ist immer gleich: scannen, Datei landet im Consume-Ordner, Paperless erkennt den Text und macht das Dokument durchsuchbar.
Epson Workforce ES-580W
Ein Dokumentenscanner mit Einzug ist der Startpunkt jeder lokalen Dokumentensuche: erst der Scan in den überwachten Ordner, dann die Texterkennung.
344,99 € (Stand 11.09.2026)
Ohne eigenen Server: Suche direkt auf dem Rechner
Wer keinen Dienst betreiben will, nimmt eine Desktop-Suche. Recoll ist dafür der Klassiker: eine lokale Volltextsuche auf Basis der Suchbibliothek Xapian, ohne Server, für Linux, Windows und macOS (aktuell 1.44.x – manche Quellen wie Wikipedia nennen noch die veraltete 1.37.4). Wie weit das trägt, zeigt ein Anwenderbericht von einem Index mit 550 GB und über 11 Millionen Dokumenten; das ist allerdings ein Erfahrungswert, kein offizieller Benchmark.
DocFetcher ist eine plattformübergreifende Alternative, deren Kernprojekt aber lange stillstand; ein „DocFetcher Pro“ ist in Neuentwicklung. Unter Windows hat Everything von voidtools ab Version 1.5 eine optionale Inhaltsindizierung (Suche mit content:) – zusätzlich zur bekannten, blitzschnellen Dateinamensuche.
Als schlanke DMS-Alternative mit Server sei noch Docspell genannt (aktiv gepflegt, Version 0.43.0 vom März 2025); schwergewichtiger ist Mayan EDMS, schlanker Teedy.
Wenn schon ein NAS im Haus steht
Synology-Geräte bringen „Universal Search“ (Paket „SynoFinder“) mit, das Dateinamen und Inhalte durchsucht – allerdings nur in Ordnern, die man ausdrücklich zur Inhalts-Indizierung freigibt. Bei QNAP heißt das Pendant Qsirch; seit Version 5.0 findet es auch Text in Bildern, und es klinkt sich in den Windows-Explorer ein. Wichtig für Sparfüchse: Seit 1. Oktober 2025 sind alle früheren Premium-Funktionen kostenlos, das Lizenzprogramm wurde eingestellt (Qsirch 5.3.3 entfernt die Sperren).
Qsirch 5.6.0 hat eine „RAG Search Beta“ bekommen – eine Suche, bei der ein Sprachmodell die Antwort formuliert. Zunächst läuft die über ein Cloud-Modell; eine Variante mit lokalem Modell (Qsirch 6.0) ist für leistungsstarke NAS mit Grafikkarte angekündigt, Termin und unterstützte Geräte sind aber noch offen. Das ist der Punkt, an dem „semantische Suche“ eben nicht automatisch lokal bedeutet.
Am Rande, falls ein NAS-Kauf ansteht: Synology hatte die 2025er-Plus-Serie zunächst faktisch auf eigene beziehungsweise zertifizierte Festplatten beschränkt. Mit DSM 7.3 (8. Oktober 2025) wurde das für Storage-Pools zurückgenommen – Drittanbieter-Platten von WD, Seagate und anderen gehen wieder. M.2-NVMe-SSDs für Cache oder Pool bleiben auf Synology-eigene oder zertifizierte Modelle beschränkt.
Volltextsuche in der Nextcloud
Nextcloud bietet Volltextsuche offiziell über die App „Full text search – Elasticsearch Platform“ an, die einen Elasticsearch-Server voraussetzt. Gute Nachricht für Selbsthoster: Elasticsearch steht seit dem 29. August 2024 zusätzlich unter der Open-Source-Lizenz AGPLv3 und gilt damit wieder offiziell als Open Source – die SSPL-Phase von 2021 bis 2024 ist vorbei, und Fertig-Setups dürfen den Container wieder bedenkenlos mitliefern.
Wer den Extra-Dienst scheut: Die Community-App „fulltextsearch_sql“ macht die Volltextsuche über die ohnehin vorhandene Datenbank (SQLite, MySQL oder PostgreSQL). Ob das bei sehr großen Beständen flott bleibt, ist offen. Für Fragen in natürlicher Sprache an die eigenen Dateien gibt es „Context Chat“ zusammen mit dem Nextcloud Assistant – das kann vollständig mit lokalen Sprachmodellen laufen.
Die Ausbaustufe: lokale KI-Suche
Eine lokale RAG-Kette (Retrieval-Augmented Generation, also ein Sprachmodell, das vor dem Antworten in deinen Dokumenten nachschlägt) besteht aus drei Teilen: einem Embedding-Modell, einer Vektor-Datenbank und einem Chat-Sprachmodell. Das Embedding-Modell übersetzt Textstücke in Zahlenreihen, sodass inhaltlich Ähnliches zusammenrückt; die Vektor-Datenbank speichert diese Reihen; das Chat-Modell formuliert am Ende die Antwort.
Ein gängiges Embedding-Modell ist nomic-embed-text: rund 137 Millionen Parameter, 768 Dimensionen, etwa 274 MB Download. Es läuft auf dem Prozessor (CPU) mit rund 300 MB Arbeitsspeicher (mit Grafikkarte etwa 2,6 GB Grafikspeicher bei halber Genauigkeit, F16). Als Unterbau dient meist Ollama, der lokale „Motor“ für Sprach- und Embedding-Modelle. Darauf setzen fertige Oberflächen auf: AnythingLLM bündelt Hochladen, Indizieren, Suchen und Chat in einer App und bringt die Vektor-Datenbank (LanceDB) schon mit; Open WebUI ist primär eine Chat-Oberfläche mit angebautem Dokumenten-Upload; LM Studio und GPT4All sind Desktop-Programme mit „Chat mit Dokumenten“ beziehungsweise „LocalDocs“.
Zur Hardware: Praxis-Anleitungen nennen als Minimum rund 16 GB RAM. Mit einer Grafikkarte ab 8 GB Grafikspeicher laufen Embedding-Modell und ein Chatmodell mit 7 Milliarden Parametern in stärker komprimierter Q4-Variante (zusammen rund 6 GB) flüssig. Wichtig: Die Grafikkarte braucht nur der Chat. Reine Volltext- und OCR-Suche kommt ohne aus, und selbst das Embedding-Modell läuft zur Not auf der CPU.
Sonderfall: abfotografierte Zettel im Fotoarchiv
Immich, die Selfhosting-Lösung für Fotos, hat eine semantische Bildsuche über CLIP – ein Modell, das Bildinhalte „versteht“. Text in Bildern erkennt CLIP aber schlecht, deshalb wurde in Version 2.2.0 (Oktober 2025) zusätzlich echte Texterkennung eingebaut. Für abfotografierte Rechnungen oder Notizzettel im Fotoarchiv ist das der passende Weg.
Windows selbst bewegt sich ebenfalls: Neben „Recall“ haben Insider-Vorabversionen 2025 eine semantische Suche bekommen – natürlichsprachliche Anfragen im Explorer und in den Einstellungen, mit lokal berechneten Vektoren. Sie läuft zwar lokal, aber nur auf „Copilot+“-PCs mit spezieller KI-Recheneinheit (NPU ab 40 TOPS). Ob normale PCs das je bekommen, ist unklar.
Vergleich: Welche Lösung wofür?
| Lösung | Eigener Server/Container? | OCR eingebaut? | Grafikkarte nötig? | Passt für |
|---|---|---|---|---|
| Paperless-ngx | Ja (Docker) | Ja | Nein (nur für optionalen KI-Chat) | Papierkram systematisch archivieren |
| Recoll | Nein | Nein | Nein | Vorhandene Dateien auf dem PC durchsuchen |
| Synology Universal Search | Nein (im NAS) | Nein | Nein | Synology-Besitzer, freigegebene Ordner |
| QNAP Qsirch | Nein (im NAS) | Ja, inkl. Text in Bildern | Nein (lokale RAG-Suche erst später mit GPU) | QNAP-Besitzer |
| Nextcloud + fulltextsearch_sql | Ja (Nextcloud) | Nein | Nein | Wer schon Nextcloud betreibt |
| AnythingLLM / Open WebUI | Ja | Nein | Empfohlen für flüssigen Chat | Fragen in natürlicher Sprache an die Dokumente |
Häufige Irrtümer
- „Volltextsuche auf dem NAS geht nur mit Elasticsearch.“ Qsirch, Synology Universal Search, Recoll, Paperless (mit Tantivy) und fulltextsearch_sql kommen alle ohne aus.
- „Für lokale Dokumentensuche braucht man eine starke Grafikkarte.“ Nur der KI-Chat braucht sie. Volltext und OCR laufen auf der CPU.
- „Elasticsearch ist proprietär.“ Seit August 2024 wieder Open Source unter AGPLv3.
- „Semantische Suche ist automatisch lokal und privat.“ Nicht zwingend – manche Funktionen schicken Inhalte an Cloud-Modelle.
- „OCR erkennt Handschrift zuverlässig.“ Tesseract ist für Druckschrift gebaut.
Fazit
Der pragmatische Einstieg heißt für die meisten Paperless-ngx auf einem Mini-PC oder x86-NAS: Texterkennung und Volltextsuche in einem Paket, ohne Cloud, ohne Grafikkarte. Wer nur vorhandene Dateien durchsuchen will, kommt mit Recoll oder den Bordmitteln seines NAS aus. Und wer wirklich in ganzen Sätzen mit seinem Archiv sprechen möchte, baut mit Ollama und einer Oberfläche wie AnythingLLM die KI-Stufe oben drauf – dann lohnt sich eine Grafikkarte. Alle diese Wege haben eines gemeinsam: Die Dokumente bleiben zu Hause.