Agent für Kontenabstimmung und Periodenabschluss

Zu jedem Monatsende exportieren Buchhalter Konten, haken Bankzeilen ab, fragen Kollegen nach Belegen, erklären Differenzen in der Bilanz und buchen Rückstellungen. Agenten bereiten das heute zum größten Teil vor: Sie lesen Auszüge und Nachweise ein, gleichen Transaktionen ab, isolieren echte Ausnahmen, entwerfen Abweichungserklärungen und Buchungsvorschläge und halten die Abschluss-Checkliste in Bewegung. Menschen prüfen und zeichnen ab. Anbieter berichten von deutlich kürzeren Vorbereitungszeiten, doch die Ergebnisse hängen stark von der Qualität der Buchhaltungsdaten ab.

Problem & Nutzen

• Heute: Der Abschluss läuft über Tabellen, ERP-Exporte und E-Mail. Abstimmungen werden von Hand vorbereitet, Prüfer wiederholen Teile der Arbeit, verspätete Aufgaben fallen erst am fünften Tag auf, und Prüfungsnachweise werden nachträglich zusammengestellt. Intercompany-Differenzen und ungeklärte Interimsposten sind die klassischen Verzögerungen.
• KI-Nutzen: Ein Abgleich aus Regeln und ML erledigt den Großteil der Routineposten; ein LLM-Agent liest die verbleibenden Ausnahmen zusammen mit den Belegen, schlägt Erklärungen und Buchungen vor und fasst bei den Verantwortlichen nach. Ergebnis: kürzerer Abschluss, einheitliche Dokumentation, Prüfer konzentrieren sich auf Ermessensfälle.
• Belege (vom Anbieter berichtet, als Bestfall verstehen): BlackLine gibt an, dass frühe Anwender seines Multi-Agenten-Produkts Verity Prepare die manuelle Vorbereitungszeit für Abstimmungen um bis zu 92 % senkten [1]; die Schätzung der SAP-Forschung für den Cash-Management-Agenten liegt bei bis zu etwa 70 % eingesparter Zeit bei der manuellen Bankabstimmung [2]; FloQast wirbt mit Regelabgleich von bis zu 98 % der Transaktionen [3]. Einen unabhängigen Vergleichstest gibt es noch nicht; die Quote der Automatisierung schwankt mit der Sauberkeit des Hauptbuchs.

Varianten

• KMU: Abgleich von Bankdaten und Rückstellungsvorschläge im Buchhaltungsprogramm oder auf der Plattform des Steuerberaters (DATEV, Lexware, sevDesk, Xero, QuickBooks); Abschluss = Checkliste des Monatsabschlusses mit dem Steuerberater.
• Mittelstand / Großunternehmen: eigene Abschlussplattform (Abstimmung, Aufgabenverwaltung, Buchungen, Intercompany) auf SAP, Oracle, Dynamics oder NetSuite; Shared-Service-Center mit Tausenden von Konten.
• Konzern / Intercompany: Abgleich und Saldierung von Intercompany-Salden, Vorschläge zur Währungsumrechnung, Vorbereitung der Konsolidierung.
• Bank / Versicherer: Nostro-/Vostro- und Zahlungsabstimmung, hohe Volumen, strenge Governance für Modellrisiken.
• Öffentlicher Sektor / NGO: Abstimmung von Zuwendungen und Kostenstellen, Erklärung von Soll-Ist-Abweichungen im Budget.
• Privatnutzung: nicht anwendbar (zur Kategorisierung von Haushaltskonten siehe LANG-033).

So funktioniert es

1. trigger (close calendar / period end)
2. data pull via ERP/bank APIs and file drop (GL, sub-ledgers, bank, intercompany)
3. deterministic + ML matching (exact, tolerance, 1:n, n:m, date windows; learned rules)
4. exception triage (age, amount, account risk)
5. LLM agent investigates: retrieves support docs, reads invoices/contracts, queries ERP, proposes explanation
6. proposals: reconciling items, accruals, reclassifications, FX, correcting entries
7. human review (preparer/reviewer sign-off, thresholds, four-eyes on postings)
8. posting via ERP API as parked/draft journal
9. approval
10. close checklist update, audit log

• Abgleich bleibt überwiegend deterministisch bzw. ML-gestützt (tabular-ml); das LLM bringt Nutzen beim nicht abgeglichenen Rest: Es liest Verwendungszwecke, Verträge und E-Mails und bestimmt, worum es sich bei einem Posten handelt.
• Agentenschleife: standardmäßig Werkzeuge nur mit Lesezugriff (Konto abfragen, Dokument holen, rechnen); Schreibwerkzeuge legen nur Entwürfe von Buchungen oder Aufgaben an. Berechnungen werden an Code übergeben und nie „im Kopf“ ausgeführt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Prüfer gibt jede Abstimmung und jede Buchung frei; Wesentlichkeitsgrenzen bestimmen, was automatisch bestätigt werden darf; der Agent kann nicht in geschlossene Perioden buchen und keine Bankstammdaten ändern.

Datenaufbereitung

• Benötigte Daten: Kontoauszüge (CAMT.053, MT940, CSV, PDF), Auszüge aus Hauptbuch und Nebenbüchern aus dem ERP oder DATEV, Rechnungen und Verträge im DMS, Lohn- und Darlehensberichte, Abstimmungen der Vorperioden und die Abschluss-Checkliste.
• Typische Lücken: Interims- und Verrechnungskonten voller alter Posten, uneinheitliche Kontenzuordnung, Zahlungsreferenzen ohne Rechnungsnummern, fehlende oder nur gescannte Belege, anders gebuchte Intercompany-Partner, Nachweise in E-Mails oder persönlichen Ordnern und kein dokumentierter Abschlusskalender.
• Schritte: (1) zuerst die ausgewählten Konten bereinigen und alte offene Posten ausgleichen; (2) Bankimportformate und Kontenexporte vereinheitlichen (PREP-005, PREP-011); (3) Belege über ein DMS mit Buchungen verknüpfen und altes Papier digitalisieren (PREP-006, DOC-001, DOC-017); (4) Abgleichregeln, Toleranzen und den Kontenumfang aufschreiben (PREP-012); (5) frühere Abstimmungen als Musterbeispiele aufbewahren (PREP-016); (6) den Zugriff auf Finanzdaten beschränken (PREP-023).
• Werkzeuge: DuckDB oder pandas zum Zusammenführen von Exporten, Docling für PDF-Auszüge, die Exportfunktionen von ERP oder DATEV.
• Aufwandsanteil: etwa 30 bis 40 Prozent des Projekts; die Sauberkeit des Hauptbuchs entscheidet über die Automatisierungsquote. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: A. Bankabgleich und Buchungsvorschläge in DATEV, Lexware oder dem Buchhaltungsprogramm des Steuerberaters sind ausgereift und günstig; der Prozess ist standardisiert.
• Großunternehmen: A. Abschlussplattformen (BlackLine, FloQast) oder ERP-eigene Agenten (SAP, Oracle, Dynamics) bieten ein Kontrollumfeld, das Prüfer bereits kennen; B nur bei besonderen Intercompany-Regeln erwägen.
• Entwickler: B. Cloud-LLMs mit Agenten-Framework und MCP oder ERP-APIs erlauben maßgeschneiderte Abschlussabläufe, wobei der Abgleich in deterministischem Code bleibt.

Weg A — Kaufen (Standardsoftware) (empfohlen für KMU)

• Abschluss- und Abstimmungsplattformen: BlackLine (Verity Prepare, allgemein verfügbar seit Juli 2026, Multi-Agenten-Vorbereitung von Abstimmungen mit Begründung, Konfidenzwert und Prüfpfad) [1]; FloQast (KI-Agenten für Abstimmung und Buchungen, Agenten-Baukasten „Transform“ 2026 angekündigt) [3]; Numeric, Trintech (Cadency), Planful und an Workiva angrenzende Werkzeuge für die Berichterstattung. ERP-eigen: SAP-Joule-Agenten (Cash-Management-Agent, Financial Closing Assistant, Accounting Accruals Agent; die Verfügbarkeit ist unterschiedlich weit, bitte in den SAP-Release-Notes prüfen) [2]; Oracle Fusion und Microsoft Dynamics 365 Finance haben vergleichbare Abstimmungsagenten.
• Optionen für den EU- und deutschen Markt: DATEV (Bankabgleich, Kontierungsvorschläge), Candis, Agicap und integrierte Finanzwerkzeuge im Stil von Qonto/Fiskaly für KMU; SAP (EU-Anbieter) für große Unternehmen. Prüfen Sie den Datenstandort in der EU, Unterauftragsverarbeiter und GoBD-konforme Prüfprotokolle.
• A wählen, wenn: Standard-ERP, kein Bedarf an eigener Logik, Prüfer wünschen ein anerkanntes Kontrollumfeld.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: ein führendes Modell mit Schlussfolgerungsfähigkeit (Claude, GPT, Gemini) oder Mistral (EU-Anbieter) über Endpunkte in EU-Regionen (Azure OpenAI EU, Vertex AI EU, Amazon Bedrock Frankfurt); strukturierte Ausgaben für Buchungen und Erklärungen.
• Orchestrierung: ein Agenten-Framework (LangGraph, Microsoft Agent Framework, Claude Agent SDK) mit Werkzeugen über das Model Context Protocol (MCP) [5] oder direkte ERP-APIs (SAP OData/BAPI, NetSuite SuiteQL, DATEV-Schnittstellen).
• Abgleichmaschine: klassischer Code (pandas/DuckDB, Regelmaschine) plus Gradient Boosting zur Rangfolge von Kandidaten; Dokumentenerfassung mit Extraktion im Stil von DOC-001. n8n oder Power Automate für die Zeitplanung (AGENT-002).
• B wählen, wenn: Sie maßgeschneiderte Abläufe brauchen (z. B. besondere Intercompany-Regeln) und eigene Entwicklungskapazität haben.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Modelle für Schlussfolgern/Anweisungen (Qwen3-Familie, Mistral Small/Large mit offenen Gewichten, Llama, gpt-oss), betrieben mit vLLM; Docling zum Auswerten von Auszügen und PDFs [4].
• Stack: DuckDB/PostgreSQL für den Abgleich, eine Open-Source-Maschine für Regeln, n8n oder Camunda für den Abschluss- Ablauf, Langfuse für das Tracing. Open-Source-Werkzeuge zur Abstimmung gibt es, sie sind aber weniger ausgereift als kommerzielle.
• Hardware: HW3 für Schlussfolgerungsmodelle mit 70–120 Mrd. Parametern über Ausnahmewarteschlangen; HW2 genügt, wenn das LLM nur den nicht abgeglichenen Rest mit einem kleineren Modell bearbeitet. Der Betriebsaufwand ist erheblich (Evaluierung, Zugriffskontrolle, Updates).

Weg D — Eigenes Training

Selten nötig. Ein feingetuntes Abgleichmodell (z. B. mit gelernten n:m-Zuordnungsmustern aus früheren Ausgleichen) oder ein kleiner Klassifikator für Postenkategorien lohnt sich bei hohen Volumen (Banken, Shared-Service-Center) mit jahrelanger beschrifteter Historie von Ausgleichen.

Stand der Technik (2026)

• Vom Abgleich zur Vorbereitung: Frühere Werkzeuge glichen nur automatisch ab; Produkte von 2026 stellen das gesamte Abstimmungspaket zusammen (Nachweise, Abweichungserklärung, bereit zur Bestätigung) und betreiben Multi-Agenten- Pipelines mit Konfidenzwerten [1].
• In das ERP eingebettete Abschlussagenten (SAP, Oracle, Microsoft) koordinieren Buchung, Rückstellungen, Prüfung von Buchungen und Intercompany-Schritte [2]; mit Agenten-Baukästen erstellen Controller Agenten aus abgeschlossenen Abschlussakten [3].
• Grenzen und Fehlerbilder: Agenten können plausible, aber falsche Erklärungen für eine Abweichung liefern; sie tun sich schwer mit unsauberen Hauptbüchern, fehlenden Belegen und einmaligen Ermessensentscheidungen (Schätzungen, Wertminderungen); Prompt Injection über Dokumente oder E-Mail-Texte; übermäßiges Vertrauen der Prüfer („Abnicken“). Die genannten Prozentwerte der Anbieter sind selbst berichtet.
• Der Toleranzabgleich ist günstig; der Wert des LLM liegt im langen Rest, messen Sie ihn daher getrennt.

Gemeinsame Bausteine & Kombinationen

• Dokumentenauswertung und VLM-Server gemeinsam mit DOC-001 (Rechnungen) und DOC-017 (Kontoauszüge).
• Buchungsvorschläge (Kontierung) aus LANG-033 speisen die Vorschläge für Rückstellungen und Umgliederungen.
• Anomalieerkennung bei Buchungen und Konten (ANOM-006, ANOM-009) als zweite Linie vor dem Buchen.
• Vor- und nachgelagert: AGENT-023 (Zahlungszuordnung und Forderungseinzug), PRED-016 (Liquiditätsprognose), AGENT-018 (laufende Überwachung von Kontrollen), AGENT-002 (Workflow-Engine), AGENT-013 (Multi-Agenten-Orchestrierung).

Aufwand, Kosten & Kennzahlen

• Weg A: 2-4 Monate für die Einführung inkl. ERP-Konnektor, Kontenumfang und Abstimmung mit dem Prüfer; Lizenzen je Konto oder je Nutzer, selten öffentliche Preise.
• Weg B: 3-6 Monate für einen kontrollierten Pilot mit 10-30 Konten; Kostentreiber sind Entwicklung, Evaluierung und LLM-Tokens (im Vergleich zur Arbeitszeit gering, wenn der Abgleich im Code erfolgt).
• Weg C: 4-8 Monate zuzüglich GPU-Server und MLOps.
• Kennzahlen: Tage bis zum Abschluss (Arbeitstage), Anteil automatisch vorbereiteter und automatisch bestätigter Abstimmungen, Ausnahmen je 1.000 Posten, Alter der offenen Abstimmungsposten, Anpassungen nach dem Abschluss, Nacharbeitsquote der Prüfer, Prüfungsfeststellungen, Genauigkeit der Erklärungen in Stichproben der Controller.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung und die Leitung von Finanzen oder Controlling als Prozessverantwortliche, Buchhalter als tägliche Nutzer und Prüfer, die IT (ERP- und Bankschnittstellen), die oder der Datenschutzbeauftragte sowie der externe Steuerberater oder Abschlussprüfer vor dem Start. Die Datenverantwortlichen für Haupt- und Nebenbücher bestätigen den Datenumfang.
• Betriebsrat: ja, in den meisten Unternehmen. Das System protokolliert, wer welchen Posten vorbereitet, geprüft und freigegeben hat, und Kennzahlen wie die Nacharbeitsquote der Prüfer weisen auf Einzelpersonen hin; daher greift § 87 Abs. 1 Nr. 6 BetrVG (objektive Eignung genügt). Informieren Sie nach § 90 Abs. 1 Nr. 3 und erwägen Sie einen Sachverständigen nach § 80 Abs. 3. Siehe GUIDE-004.
• Datenschutz: Hauptbücher enthalten Lohndaten und Einzelunternehmer; schließen Sie einen AVV ab, maskieren Sie Namen, wo möglich, und lassen Sie die oder den Datenschutzbeauftragte(n) über eine DSFA entscheiden (GUIDE-005).
• KI-Kompetenz: Schulen Sie Buchhalter darin, Vorschläge kritisch zu prüfen und nicht nur abzunicken (GUIDE-006).
• Pilot und Kommunikation: 10 bis 20 risikoarme Konten für zwei Abschlüsse im Schattenbetrieb mit einem kleinen Team von Fürsprechern betreiben (GUIDE-009, GUIDE-008).
• Typische Sorgen: Wegfall von Aufgaben (die Zeit verschiebt sich zur Analyse), Akzeptanz beim Prüfer (früh einbinden), falsche Erklärungen (Stichprobenkontrollen).
• Menschen behalten die Kontrolle: Buchungen nur als Entwurf, Vier-Augen-Prinzip, Wesentlichkeitsgrenzen, Notausschalter.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko für interne Finanzabläufe; keine Kategorie nach Anhang III. Relevant wird sie nur, wenn der Agent natürliche Personen bewertet (z. B. das Spesenverhalten von Beschäftigten) und das HR-Entscheidungen berührt. Die KI-Kompetenz (Art. 4) gilt für das Finanzteam [6]. Kein Bereich nach Art. 5.
• DSGVO: Hauptbücher und Bankzeilen enthalten personenbezogene Daten (Lohn, Einzelunternehmer, Zahlungsreferenzen); AVV mit dem Anbieter, Datenminimierung (Namen für das LLM wo möglich maskieren), EU-Hosting, Löschfristen [7].
• Rechnungslegung und Prüfung: HGB/GoBD (Nachvollziehbarkeit, Unveränderbarkeit, Verfahrensdokumentation), IDW-Prüfungsstandards, SOX/ICFR für US-börsennotierte Konzerne; die KI-Vorbereitung muss in dokumentierte interne Kontrollen eingebettet sein, mit klarer Trennung von Ersteller und Prüfer. Agenten brauchen eigene Identitäten und Rollen mit minimalen Rechten (Funktionstrennung).
• Sicherheit: Prompt Injection über Rechnungen/E-Mails, Missbrauch von Werkzeugen, Buchungen in falschen Perioden, Umleitung von Zahlungen.
• Gegenmaßnahmen: Schreibzugriff nur für Entwürfe, Wesentlichkeitsgrenzen, unveränderliche Protokolle von Prompts/Werkzeugaufrufen/Ausgaben, Qualitätsprüfung in Stichproben, Notausschalter, frühe Einbindung der Prüfer.

Erste Schritte

1. Messen Sie den Ausgangszustand des Abschlusses: Kalendertage, Anzahl der Abstimmungen je Konto, Vorbereitungsstunden, die zehn häufigsten verspäteten Aufgaben.
2. Wählen Sie 10-20 Konten mit hohem Volumen und geringem Risiko (Bank, Verrechnung, Kontrollkonten Debitoren/Kreditoren) und bereinigen Sie deren Daten zuerst.
3. Betreiben Sie den Abgleich für zwei Abschlüsse im Schattenbetrieb; vergleichen Sie die Vorschläge des Agenten mit den Ergebnissen der Buchhalter.
4. Legen Sie mit Controllern und Prüfern die Autonomiestufen fest (vorschlagen, Buchung entwerfen, unterhalb der Grenze automatisch bestätigen).
5. Erweitern Sie auf Intercompany- und Rückstellungsvorschläge, sobald die gemessene Genauigkeit der Erklärungen stabil ist.

Quellen

1. BlackLine — Verity Prepare general availability (July 2026) — https://www.blackline.com/about/press-releases/2026/blackline-advances-governed-ai-for-finance-with-general-availability-of-verity-prepare/
2. SAP — Innovation Guide (Joule agents for finance: Cash Management, Financial Closing) — https://www.sap.com/topics/innovation-guide/h2
3. FloQast — AI-powered reconciliation automation — https://www.floqast.com/lp/ai-powered-reconciliation-automation-software
4. Docling project — https://github.com/docling-project/docling
5. Model Context Protocol specification — https://modelcontextprotocol.io/specification
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj