Ausgangslage
Mittelständischer Dienstleistungsbetrieb mit ca. 120 Mitarbeitenden, ca. 1.500 Eingangsbelegen pro Monat (Rechnungen, Lieferscheine, Auftragsbestätigungen). Erfassung lief manuell durch zwei Vollzeitkräfte in der Buchhaltung. Probleme:
- Belegerfassung dauerte im Schnitt 4-6 Minuten pro Beleg
- Fehlerquote bei Kontierung im Bereich 8-12 %
- Skontofristen wurden regelmäßig verpasst
- Urlaubs- und Krankheitsvertretung in der Buchhaltung war ein Engpass
Vorgehen
- Sample-Analyse (Woche 1): 200 typische Belege wurden gegen unser System gehalten. Erkennungsgenauigkeit wurde transparent ausgewiesen.
- Pilot mit einer Lieferantenklasse (Wochen 2-5): Eingangsrechnungen aus drei Top-Lieferanten gingen produktiv über die KI-Pipeline mit Confidence-Schwellen.
- Rollout (Wochen 6-12): Schrittweise Erweiterung auf alle Belegarten und alle Lieferanten, Anbindung an DATEV.
- Hypercare (Monate 4-6): Eng begleitete Optimierung, Aufbau eines Kennzahlen-Cockpits.
Lösung
- OCR + LLM-basierte Extraktion der relevanten Felder pro Belegart
- Automatische Kontierungs-Vorschläge basierend auf historischen Buchungen
- Confidence-Schwelle von 95 %: darunter Sichtprüfung im Validierungs-UI
- Anbindung an DATEV mit Original-PDF-Anhang
- Hosting: deutsches Rechenzentrum, AVV abgeschlossen
Ergebnisse nach 6 Monaten
~70 %weniger Erfassungszeit pro Beleg
~50 %weniger Kontierungsfehler
0verpasste Skontofristen seit Rollout
~9 MonateAmortisation
Lessons Learned
- Sample-Analyse zuerst. Ohne ehrliche Genauigkeitsmessung im Vorfeld scheitert der Rollout an überzogenen Erwartungen.
- Klein anfangen. Mit drei Lieferanten zu starten, statt sofort alle 200, war goldwert.
- Mensch-in-der-Schleife normalisieren. Dass die KI nicht 100 % automatisiert, sondern 80 % + Sichtprüfung, war für das Team leichter akzeptabel.
- Datenhoheit schafft Vertrauen. Deutsches Hosting war Voraussetzung für die Freigabe durch den Datenschutzbeauftragten.
Ähnliches Setup bei Ihnen?
Erste Sample-Analyse von 50-100 Belegen kostenlos. Wir liefern Ihnen die zu erwartende Genauigkeit transparent zurück.