KI-Belegverarbeitung: Von 15 % auf 100 % Erfassungsrate

Ein mittelständisches Handelsunternehmen mit 120 Mitarbeitern stand vor einem klassischen Problem: 1.200 Eingangsrechnungen pro Monat, davon nur 15 % digital via EDI von Großkunden, der Rest als PDF oder Papierkopie — alle manuell erfasst. Das bedeutete über 85 Stunden monatliche Feldarbeit, hohe Fehlerquoten und ständig verspätete Rechnungsfreigabe. Wir haben das Problem mit Azure AI Document Intelligence und Power Platform gelöst.

Das Problem: 85 % manuelle Erfassung

Bevor wir die Automatisierung angepackt haben, sah der Alltag so aus:

Eingangsvolumen:

• ~1.200 Rechnungen pro Monat
• ~180 Rechnungen von großen Lieferanten via EDI (15 % digital)
• ~1.020 Rechnungen per PDF-Mail oder Papier (85 % manuell)

Der manuelle Prozess war ein Zeitfresser:

1. E-Mail öffnen oder Papierdokument scannen
2. Lieferantennamen lesen
3. Rechnungsnummer und Betrag notieren
4. In SAP Business One tippen
5. In Ordnerstruktur abheften

Das kostete Zeit und verursachte Fehler:

• Durchschnittliche Bearbeitungszeit: 4–5 Minuten pro Rechnung
• Monatlicher Aufwand: ~85 Stunden (mehr als eine FTE)
• Fehlerquote: ~6 % (falsche Beträge, falsche Kostenstelle, Duplikate)
• Bottleneck: Zum Monatsende stauten sich die Rechnungen, Zahlfristen wurden versäumt, Skontomöglichkeiten gingen verloren

Das war nicht nur teuer, sondern auch fehleranfällig. Die AP-Abteilung war ständig im Stress, und der Monatsabschluss litt darunter.

Die Lösung: Vier Phasen zur Automatisierung

Wir haben ein System in vier Phasen aufgebaut, bei dem KI und Mensch optimal zusammenarbeiten.

Phase 1: AI Document Intelligence (Azure)

Alle eingehenden Rechnungen — ob E-Mail oder Scanner — landen zunächst in einer SharePoint-Bibliothek. Ein Power Automate-Flow triggert dann Azure AI Document Intelligence mit einem vortrainierten Rechnungsmodell.

Das System extrahiert automatisch:

• Lieferant / Lieferantennummer
• Rechnungsnummer und Rechnungsdatum
• Netto- und Bruttobetrag
• Mehrwertsteuersatz
• Zahlungskonditionen
• IBAN / Bankverbindung
• Einzelpositionen

Genauigkeit:

• Für standardisierte Rechnungen: 92–95 % korrekt
• Für bekannte Lieferanten (trainiertes Custom Model): 97–99 % korrekt

Phase 2: Matching und Validierung (Dataverse + Power Automate)

Die extrahierten Daten werden jetzt intelligent validiert:

1. Lieferanten-Matching: Die erkannte Lieferantennummer wird gegen die Stammdaten in Dataverse abgeglichen. Falls unbekannt, werden ähnliche Namen vorgeschlagen.

2. Bestellabgleich: Die Rechnungsnummer wird mit offenen Bestellnummern und Wareneingangsbelegen verglichen (3-Way-Matching).

3. Plausibilitätsprüfungen:

   • Liegt der Betrag im erwarteten Bereich?
   • Ist die Steuerquote korrekt?
   • Wurde diese Rechnung bereits verarbeitet (Duplikatkontrolle)?
   • Wie lange ist die Skontofrist noch gültig?

4. Confidence Scoring: Jede Rechnung erhält einen Vertrauenswert:

   • > 95 %: Automatisch zur Buchung freigegeben
   • 80–95 %: An Humanprüfung weitergeleitet (mit vorausgefülltem Formular)
   • < 80 %: Markiert für manuelle Verarbeitung

Phase 3: Human-in-the-Loop (Power Apps)

Für die Rechnungen, die eine Humanprüfung brauchen, wurde eine Custom Model-Driven App gebaut. Die AP-Mitarbeiter sehen:

• Extrahierte Daten und ursprüngliches PDF nebeneinander
• Alle ermittelten Treffer und mögliche Konflikte
• Vorausgefüllte Felder zur schnellen Korrektur
• One-Click-Genehmigung oder Inline-Bearbeitung

Großer Vorteil: Alle Korrektionen fließen automatisch in das AI-Modell zurück. Das System lernt ständig dazu — bekannte Sonderfälle werden mit der Zeit immer besser erkannt.

Phase 4: ERP-Integration und Audit Trail

Freigegebene Rechnungen werden automatisch über API in SAP Business One gebucht. Parallel wird:

• Ein DATEV-Export für den Steuerberater erzeugt
• Das Original-PDF mit vollständigem Audit Trail in SharePoint archiviert
• Ein Booking-Report zur Kontrolle erstellt

Die Ergebnisse: 86 % weniger Aufwand, 0,8 % Fehlerquote

Die Zahlen sprechen für sich:

| Metrik | Vorher | Nachher | Verbesserung | |--------|--------|---------|-------------| | Erfassungsrate digital | 15 % | 100 % | +85 % | | Manueller Aufwand/Monat | 85 Stunden | 12 Stunden | -86 % | | Durchsatzzeit pro Rechnung | 4–5 Min. | 45 Sekunden | 10x schneller | | Fehlerquote | 6 % | 0,8 % | -87 % | | Skontomöglichkeiten genutzt | ~30 % | ~98 % | €34.000/Jahr mehr |

ROI: Die Lösung hat sich in 4 Monaten selbst bezahlt.

Das bedeutet für die AP-Abteilung:

Statt täglich Rechnungen abzutippen, konzentriert sich das Team jetzt auf echte Ausnahmefälle: ungewöhnliche Formate, international verschiedene Strukturen, oder Unstimmigkeiten, die eine fachliche Einschätzung brauchen. Die Routine ist weg — das hat Stress raus und Qualität rein.

Und zum Monatsende? Keine Stapel mehr. Rechnungen sind tagsüber verarbeitet, Zahlungen können pünktlich erfolgen, und Skontofisten werden automatisch erkannt.

Technologie dahinter

• Azure AI Document Intelligence (pre-built + custom models)
• Power Automate (Orchestrierung und Workflows)
• Microsoft Dataverse (Validierungsregeln, Stammdaten)
• Power Apps (Model-Driven App für AP-Team)
• SAP Business One (API-Integration)
• SharePoint (Dokumentenverwaltung und Archiv)
• Power BI (Monitoring und Reporting)

Nächste Schritte

Falls du in einer ähnlichen Situation steckst — mit vielen manuellen Dokumenten, hohem Durchsatz und fehleranfälligen Prozessen — lohnt sich ein Blick auf diesen Ansatz. Die Kombination aus KI und Human-in-the-Loop ist robust und skalierfähig.

Weitere Automatisierungen im Kontext:

• Rechnungsfreigabe automatisieren
• DATEV-XML Integration
• AI-Belegverarbeitung: Hype vs. Realität
• KI-Datenextraktion in erneuerbaren Energien

Interesse an einer ähnlichen Lösung? Schreib uns — wir zeigen dir, wie Azure AI Document Intelligence auch deine Belegverarbeitung transformieren kann.