Der Artikel erscheint als erster Teil der Serie „Enterprise Document Intelligence" (Vol. 1, #B00) auf Towards Data Science und richtet sich an Engineers und Data Scientists, die NLP-Pipelines in Unternehmensumgebungen entwickeln. Die zentrale These: RAG (Retrieval-Augmented Generation) hat seinen festen Platz, beantwortet aber nur eine bestimmte Klasse von Fragen – nämlich solche, bei denen Informationen aus einem Dokumentkorpus abgerufen und zusammengeführt werden müssen. Für viele alltägliche Enterprise-Aufgaben existieren spezialisierte, schmalere Methoden, die günstiger, robuster und einfacher zu debuggen sind. Konkret nennt der Artikel vier Kategorien: Anfragen-Klassifikation (um Nutzerintentionen zu erkennen), Fuzzy Matching (um Freitext auf Referenzlisten wie Produktkataloge oder Kundenstammdaten abzubilden), Tabellenextraktion (für strukturierte Daten in PDFs oder gescannten Formularen) sowie OCR-Rauschbereinigung (wenn Eingabedokumente qualitativ minderwertig sind). Jede dieser Techniken hat etablierte, ressourcenschonende Implementierungen, die keine großen Sprachmodelle im Hintergrund benötigen. Der Praxisbezug liegt im Engineering-Prinzip: Die Wahl des richtigen Werkzeugs setzt voraus zu wissen, welche Problemklasse tatsächlich vorliegt – und diese Diagnose fehlt in vielen realen Projekten. Der Beitrag positioniert sich damit als Gegenpol zum aktuellen RAG-Hype und plädiert für eine methodenpluralistischere Sichtweise auf Document-Intelligence-Stacks.