Der Artikel von Benjamin Nweke schildert einen konkreten Produktionsfehler in einer Zahlungsverarbeitungs-Pipeline: Drei Wochen nach Aktivierung von Structured Outputs fiel auf, dass 2–3 % der wöchentlichen Transaktionen fehlerhafte Datumsangaben enthielten. Die Ursache war nicht ein Bug im Code, sondern das Verhalten des LLM bei fehlenden Quelldaten: Nachrichten ohne Datumsangabe – etwa „Payment received from Chinedu, ₦45,000, ref TXN-82K91" – wurden trotzdem mit einem transaction_date befüllt, meist dem Zeitpunkt des Extraktionsjobs. Das Pydantic-Schema deklarierte das Feld als required, was dem Modell keine Möglichkeit ließ, einen Nullwert zurückzugeben. Nweke beschreibt zwei Lösungsebenen: Erstens machen nullable Felder (`date | None`) den Unterschied zwischen Extraktion und Inferenz explizit und geben dem nachgelagerten Code die Kontrolle zurück. Zweitens führt er ein generisches `Extracted`-Wrapper-Modell ein, das neben dem eigentlichen Wert ein `evidence`-Feld mit dem exakten Quelltextzitat mitliefert – so lässt sich nachvollziehen, ob ein Wert tatsächlich im Dokument stand oder vom Modell erschlossen wurde. Der Beitrag nutzt das OpenAI Python SDK mit `client.beta.chat.completions.parse` und `response_format=Transaction`. Ein Praxishinweis im Code-Kommentar belegt, dass `gpt-4o-mini` bei ungewöhnlich formatierten Nachrichten Betrag und Referenz zusammenführte und das vollständige Modell deshalb trotz höherer Kosten beibehalten wurde.