Teil 1: Überblick und Erwartungsmanagement
Die Zahlen klingen verlockend. Studien versprechen 80 Prozent weniger Dateneingabe, 70 Prozent Zeitersparnis bei Routineaufgaben, Kostenreduktion von 15 Dollar auf 2,36 Dollar pro Rechnung. KI-gestützte Rechnungsverarbeitung wird als Game-Changer verkauft, der Finance-Teams von mühsamer Handarbeit befreit. Die Realität sieht komplizierter aus.
Unternehmen, die Rechnungsmanagement automatisieren wollen, stehen vor einer zentralen Frage: Was funktioniert heute tatsächlich – und wo müssen Erwartungen korrigiert werden? Ein ehrlicher Blick auf den aktuellen Stand hilft, teure Enttäuschungen zu vermeiden.
Was bereits gut funktioniert
Die Datenextraktion hat in den letzten zwei Jahren erhebliche Fortschritte gemacht. Moderne OCR-Technologie, kombiniert mit maschinellem Lernen, erkennt Rechnungsnummern, Beträge, Daten und Lieferantennamen mit hoher Trefferquote. Systeme wie DATEV Automatisierungsservice Rechnungen, Yokoy oder KPMG AI Powered Invoice Processing extrahieren diese Kerndaten zuverlässig – sofern die Rechnungen halbwegs standardisiert vorliegen.
Der entscheidende Unterschied zu früheren OCR-Lösungen: Die KI versteht Kontext. Sie erkennt nicht nur, dass „1.234,56 Euro“ eine Zahl ist, sondern auch, dass es sich um den Nettobetrag handelt. Sie unterscheidet zwischen Rechnungsdatum und Lieferdatum. Sie ordnet Positionen korrekt zu. Das spart Finance-Teams tatsächlich Zeit.
Auch der automatische Abgleich funktioniert mittlerweile solide. Systeme können Rechnungen mit Bestellungen matchen, Dreiecks-Abgleiche durchführen, Dubletten erkennen. Für standardisierte Prozesse – etwa wiederkehrende Lieferanten mit gleichbleibenden Artikeln – erreichen Unternehmen Automatisierungsraten von 90 Prozent und mehr.
Wo es noch hakt
Die Probleme beginnen bei Ausnahmen. Eine Rechnung kommt ohne Bestellung. Die Liefermenge weicht ab. Der Preis wurde nachverhandelt. Ein neuer Lieferant taucht auf. In solchen Fällen stoßen KI-Systeme an Grenzen. Sie können Anomalien erkennen, aber nicht selbstständig klären. Genau hier entstehen Arbeitsaufwände.
Eine DATEV-Analyse aus dem Rechenzentrum zeigt: Selbst Kanzleien, die 80 bis 90 Prozent ihrer Mandanten auf digitale Belegerfassung umgestellt haben, erreichen oft nur 70 bis 80 Buchungssätze pro Stunde – kaum mehr als bei Papier-Buchhaltung. Der Grund: Die Systeme produzieren Vorschläge, aber Menschen müssen prüfen, korrigieren, freigeben.
Besonders komplex wird es bei unstrukturierten Rechnungen. Kleine Handwerksbetriebe, die Rechnungen per Word erstellen. Lieferanten aus dem Ausland mit abweichenden Layouts. Historische Daten, die nachträglich digitalisiert werden sollen. Hier sinkt die Erkennungsrate dramatisch. Systeme, die bei standardisierten Rechnungen 95 Prozent Genauigkeit erreichen, fallen bei chaotischen Layouts auf 60 bis 70 Prozent.
Ein weiteres Problem: Die Erwartung an vollständige Automatisierung. Marketing-Versprechen suggerieren, dass KI Rechnungen von Eingang bis Zahlung abwickelt. Die Realität sieht anders aus. Systeme übernehmen Dateneingabe und Vorschläge. Compliance-Prüfungen, Freigaben und Zahlungsanweisungen bleiben bei Menschen. Die Automatisierung verschiebt Arbeit, eliminiert sie nicht vollständig.
Der Faktor Mensch
Erfolgreiche Automatisierung hängt weniger von der Technologie ab als von Prozessen und Daten. Ein System kann nur so gut arbeiten wie die Grundlage, auf der es trainiert wird. Finance-Teams, die seit Jahren inkonsistent buchen – mal Lieferant A unter Konto 4711, mal unter 4712 – trainieren die KI auf Chaos.
Die besten Ergebnisse erzielen Unternehmen, die vor der Automatisierung aufräumen. Lieferantenstammdaten pflegen. Kontierungsregeln standardisieren. Prozesse dokumentieren. Das klingt banal, ist aber entscheidend. Eine KI, die aus 500 unterschiedlich gebuchten Rechnungen desselben Lieferanten lernt, wird keine konsistenten Vorschläge machen.
Auch die Erwartungshaltung im Team spielt eine Rolle. Mitarbeitende, die Automatisierung als Bedrohung empfinden, werden Fehler suchen – und finden. Tatsächlich machen KI-Systeme andere Fehler als Menschen. Sie übersehen keine Nachkommastellen, verwechseln aber manchmal Konten, wenn Buchungstexte ähnlich sind. Teams müssen lernen, worauf sie achten müssen.
Die E-Rechnungspflicht als Katalysator
Seit 1. Januar 2025 gilt in Deutschland die Empfangspflicht für elektronische Rechnungen im B2B-Bereich. Ab 2027 bzw. 2028 folgt die Versandpflicht. Das erzwingt Digitalisierung – und schafft bessere Bedingungen für Automatisierung.
Der Unterschied: E-Rechnungen im Format ZUGFeRD oder XRechnung enthalten strukturierte XML-Daten. Keine OCR-Erkennung mehr, keine Interpretationsfehler, keine unlesbaren Scans. Die Datenqualität steigt massiv. DATEV berichtet, dass Automatisierungsservices bei E-Rechnungen „deutlich bessere Sachkontobuchungen“ vorschlagen können.
Finance-Teams sollten diese Umstellung nutzen, um Prozesse neu zu denken. Nicht einfach die alte Papier-Workflow digital abbilden, sondern End-to-End automatisieren. Von der Bestellung über den Wareneingang bis zur Zahlung. Die E-Rechnung macht das technisch möglich.
Realistische Ziele setzen
Automatisierung lohnt sich – wenn die Erwartungen stimmen. Wer hofft, seine Kreditorenbuchhaltung komplett zu eliminieren, wird enttäuscht. Wer dagegen erwartet, 50 bis 70 Prozent der Routinearbeit zu automatisieren und Mitarbeitende für wertschöpfende Tätigkeiten freizusetzen, wird Erfolge sehen.
Die wichtigste Erkenntnis: Automatisierung ist kein IT-Projekt, sondern ein kontinuierlicher Lernprozess. Systeme werden mit jedem gebuchten Beleg besser. Die ersten Wochen sind mühsam. Nach drei Monaten zeigen sich erste Erleichterungen. Nach einem Jahr arbeitet die KI zuverlässig.
Finance-Teams sollten klein anfangen. Einen Bereich auswählen – etwa wiederkehrende Lieferanten oder Reisekostenabrechnungen – und dort automatisieren. Lernen, was funktioniert. Prozesse anpassen. Dann schrittweise ausrollen. Der Quick-Win-Ansatz schlägt Big-Bang-Implementierungen.
Im nächsten Teil schauen wir uns konkrete Tools an, vergleichen Lösungen für verschiedene Unternehmensgrößen und geben praktische Tipps für die Implementierung.