Netzbetreiber-Abrechnungen: 350 Belege pro Monat automatisch verarbeiten

Das Problem: 350 unterschiedliche Formate pro Monat

Stell dir vor, du verwaltest ein Energieunternehmen mit 281 Photovoltaik-Projekten bundesweit. Jedes Projekt wird von einem Energieversorger verwaltet – und jeder hat sein eigenes Format für Abrechnungen.

E.ON hat ein Format, EnBW eine andere Struktur, Bayernwerk wieder etwas anderes. Die Messstellenentgelte kommen anders formatiert als die Einspeisevergütungen. Und Redispatch-Abrechnungen – ein komplexer Fall für sich allein.

Das ist genau die Situation, in der sich das Unternehmen befand: 11 verschiedene Energieversorger schickten monatlich ca. 350 Belege, davon 50% von den Top-11-Lieferanten. Manche Dokumente kamen per E-Mail, manche über Kundenportale, manche als eingescannte Postdokumente. Unterschiedliche Dateiformate, unterschiedliche Feldbezeichnungen, unterschiedliche Periodenkonventionen.

Die Folgen waren messbar:

• 2–3 Tage Arbeit pro Monat nur für das Sortieren, Klassifizieren und manuelle Zuordnen
• ~8% Fehlerquote: Falsche Projektverantwortliche, vertauschte Perioden, verpasste Dokumente, die erst im Jahresabschluss auffelen
• Keinen Überblick über Vollständigkeit: Ob wirklich alle erwarteten Belege eingetroffen waren, wusste man erst bei der Jahresendbestandsaufnahme

Für die Buchhaltung ein ständiges Ärgernis. Für das Management ein verstecktes Geschäftsrisiko.

Die Lösung: Automatisierte Dokumenten-Pipeline mit KI

Wir haben ein System mit Microsoft Power Platform aufgebaut, das diesen gesamten Prozess umkehrt. Das Ziel: Alle Belege sollten automatisch klassifiziert, korrekt den Projekten zugeordnet und ohne manuelles Nachdenken zur DATEV-Integration bereit sein.

1. Dokumenten-Import-Pipeline

Alle Netzbetreiber-Abrechnungen landen an einem zentralen Ort: eine SharePoint-Dokumentbibliothek, in die E-Mails, Portal-Downloads und eingescannte Post-Dokumente automatisch importiert werden. Power Automate orchestriert diesen Input aus mehreren Quellen in einen einheitlichen Eingangsort.

Damit können wir danach verlässlich mit einem konsistenten Dokumentenfluss arbeiten.

2. KI-basierte Dokumenten-Klassifizierung

Das schwierigste Teil: Aus einem PDF-Dokument herausfinden, welche Art von Abrechnung es ist – und das zuverlässig zu tun.

Power Automate + AI Builder macht genau das: Das System liest jedes eingegangene Dokument und klassifiziert es:

• Ist das eine Einspeisevergütung?
• Ein Redispatch-Abrechnung?
• Ein Direktvermarktungs-Dokument?
• Ein Netzentgelt-Abrechnung?
• Ein Messstellenentgelt?

Gleichzeitig extrahiert das System automatisch die Schlüssel-Informationen:

• Name des Energieversorgers
• Projekt-Nummer (falls vorhanden)
• Abrechnungsperiode (Monat/Jahr)
• Abrechnungsbeträge

Das KI-Modell wurde mit echten historischen Belegen trainiert – mit hoher Genauigkeit auch für die schwierigen, uneinheitlich formatierten Dokumente.

3. Intelligente Matching-Engine

Jetzt muss das System wissen: Welches Projekt gehört zu dieser Abrechnung?

Die Engine arbeitet mit klaren Regeln, die du selbst konfigurieren kannst:

• EVU + Projekt-Nummer + Periode = eindeutige Zuordnung. Wenn beide Felder vorhanden sind, ist die Zuordnung trivial.
• Wenn die Projekt-Nummer fehlt, nutzt das System EVU + Betrag + Periode als Fallback-Logik.
• Falls auch das mehrdeutig ist, werden Vorschläge für den Sachbearbeiter angeboten.

In einer Dataverse-App (Model-driven) konfigurierst du für jedes Projekt und jeden Energieversorger die erwarteten Abrechnungstypen. Das System kennt damit deine „Erwartungen".

4. Soll/Ist-Vergleich und Missing-Document-Alert

Das ist eine Funktion, die sich schnell amortisiert: Das System kennt, welche Belege du monatlich ERWARTEN solltest.

Für jedes Projekt wird intern eine Checkliste gepflegt:

• Von EVU E.ON erwartest du die Einspeisevergütung jeden Monat?
• Von Bayernwerk auch Netzentgelte?
• Diese Ausgangsdaten konfigurierst du einmal im System.

Wenn ein erwartetes Dokument bis 48 Stunden nach dem typischen Ankunftstag nicht eingegangen ist, bekommt der Sachbearbeiter eine automatische Benachrichtigung: „Einspeisevergütung Projekt XYZ von EVU YYY ist überfällig."

Das verhindert, dass Belege monatelang verloren gehen. Statt „entdecken wir die fehlende Abrechnung im Jahresabschluss" heißt es jetzt: „Wir sehen es innerhalb von 48 Stunden."

5. Validierungsregeln und Plausibilitätsprüfungen

Bevor ein Beleg in die Buchhaltung geht, läuft er durch eine Serie automatischer Checks:

• Betrag plausibel? (basierend auf historischen Durchschnittswerten pro Projekt und EVU)
• Periode konsistent? (Monat im realistischen Fenster?)
• Duplikat? (Wurde dieser Beleg bereits verarbeitet?)
• Alle Pflichtzahlen vorhanden? (Rechnungsnummer, Datum, Periode)

Belege, die eine Regel verletzen, werden markiert und zur manuellen Freigabe in eine Warteschlange gestellt. Saubere Belege gehen automatisch weiter.

6. Export zu DATEV

Die validieren Abrechnungssätze werden automatisch als DATEV-kompatible Buchungsdatensätze exportiert. Das heißt: Deine DATEV-Buchhaltung kann sie direkt einlesen, ohne dass ein Buchhalter sie abtippen oder kopieren muss.

Die Feldmappings (EVU-Name → Buchhaltungskonto, Abrechnung-Typ → Erlöskonto, etc.) konfigurierst du einmal im System und vergisst sie danach.

Die Ergebnisse

Nach dem Go-Live vor knapp zwei Jahren:

Verarbeitungszeit: Von 2–3 Tagen auf 4 Stunden pro Monat

• Manuelle Tätigkeiten: nur noch Ausnahmefälle (Duplikate, fehlerhafte Formate, Abweichungen)
• Standard: Automatisch von Upload bis DATEV-Export

Fehlerquote: Von ~8% auf unter 1%

• Die meisten verbleibenden Fehler sind externe Fehler (falsche Daten vom Energieversorger selbst)
• Interne Fehler (falsche Projektzuordnung, Perioden-Mix-up) sind quasi ausgerottet

Fehlende Dokumente: Von „während der Jahresendabstimmung entdeckt" zu „innerhalb 48 Stunden gemeldet"

• Kein verstecktes Risiko mehr
• Offene Items werden sofort klar

Skalierbarkeit: +50% mehr Projekte ohne zusätzliches Personal

• Das System wurde von 281 Projekten auf über 420 skaliert
• Die Verarbeitungszeit ist nicht proportional mitgewachsen

Technischer Stack

• Power Automate für die Orchestrierung aller Prozessschritte
• Dataverse als zentrale Datenbasis (Projekte, EVU, erwartete Abrechnungen, validierte Belege)
• Power Apps (Model-driven) für die Konfiguration und Ausnahmeverwaltung
• AI Builder für die Dokumentenklassifizierung und Feldextraktion
• SharePoint als zentrale Dokumentbibliothek
• Power BI für Reporting und Überblick über Verarbeitungsstatus

Was das Projekt gelehrt hat

1. Format-Chaos ist systematisch lösbar – nicht mit besseren Excel-Listen, sondern mit automatisierten Klassifizierungsprozessen, die du selbst trainieren kannst.

2. Soll/Ist-Vergleich ist ein Frühwarnsystem – die Fähigkeit, fehlende Belege zu erwarten und nicht zu entdecken, erspart Rückhol-Gespräche und Jahresendstress.

3. Der Übergang zur Automatisierung rechnet sich schnell – wenn du von 2–3 Tagen manueller Arbeit sprichst, ist die Amortisierungszeit für ein solches System meist unter 6 Monaten.

4. Integrale Systeme sind stabiler – weil alles über Dataverse fließt, hast du eine einzige Quelle der Wahrheit. Keine parallel Excel-Listen, die auseinanderwickeln.

---

Weiterführende Artikel

• Die Mini-ERP für Energieunternehmen: Das Gesamtsystem
• Intelligente Rechnungsfreigabe mit DATEV
• KI-gestützte Belegverarbeitung: 100% digitale Erfassung
• Automatisierte Rechnungsfreigabe in Microsoft Teams