Rechnungsverarbeitung & Automatisierung der Kreditorenbuchhaltung

Kreditorenbuchhaltungen tippen, prüfen und leiten einen großen Teil der Lieferantenrechnungen noch immer von Hand weiter. Moderne Dokumenten-KI liest jedes Rechnungslayout ohne lieferantenspezifische Vorlagen, extrahiert Kopf- und Positionsdaten, gleicht sie mit Bestellungen und Steuerregeln ab, schlägt die Buchung vor und gibt Ausnahmen an einen Menschen weiter. In der EU verlagert die verpflichtende strukturierte E-Rechnung das Problem vom Lesen der Rechnungen hin zum Prüfen, Abgleichen und Verbuchen – für beides wird KI gebraucht.

Problem & Nutzen

• Heute: Rechnungen kommen per E-Mail, Portal und Papier in Hunderten von Layouts an. Mitarbeitende erfassen die Daten, suchen die Bestellung heraus, jagen Freigebenden hinterher und weisen Sachkonten zu. Fehler führen zu doppelten Zahlungen, verpassten Skontoabzügen und Feststellungen in der Prüfung.
• KI-Nutzen: vollautomatische Verarbeitung von Standardrechnungen, kürzere Durchlaufzeiten (Skonto wird genutzt), weniger Erfassungsfehler, bessere Betrugs- und Dublettenprüfung, Mitarbeitende konzentrieren sich auf Ausnahmen.
• Marktveränderung: Deutschland verlangt seit dem 1. Januar 2025 von allen inländischen B2B-Unternehmen, strukturierte E-Rechnungen empfangen zu können; die verpflichtende Ausstellung wird 2027/2028 schrittweise eingeführt. Das EU-Paket ViDA weitet die digitale Meldung für den grenzüberschreitenden Handel ab 2030 aus. Strukturierte E-Rechnungen beseitigen OCR-Fehler, brauchen aber weiterhin Prüfung, Abgleich, Kontierung und Freigabe – und Papier-/PDF-Rechnungen aus dem Ausland, von kleinen Lieferanten und in Ausnahmefällen bleiben noch jahrelang bestehen [1][2].

Varianten

• KMU / Selbstständige: Erfassung direkt im Buchhaltungsprogramm (Upload oder E-Mail-Eingang → Buchungsvorschlag).
• Mittelstand / Großunternehmen: Plattform zur Automatisierung der Kreditorenbuchhaltung mit Bestellabgleich, Freigabe-Workflows und ERP-Anbindung (SAP, Microsoft Dynamics, DATEV).
• Öffentliche Verwaltung: Empfang von XRechnung über zentrale Portale (ZRE/OZG-RE) plus Prüfung und Verbuchung.
• Privatnutzung: Haushaltsrechnungen/-belege für die Steuererklärung sammeln → siehe PERS-013, DOC-002.

So funktioniert es

1. Eingang (E-Mail/Portal/Scan/E-Rechnung)
2. Formaterkennung (strukturiertes XML?
3. direkt einlesen | PDF/Bild
4. Dokumenten-KI)
5. OCR + Layout-Analyse + Feldextraktion (Kopf, Positionen, USt, IBAN)
6. Prüfung (USt-IdNr., Rechnen, Pflichtangaben nach §14 UStG, Dubletten, Prüfung auf IBAN-Änderung)
7. Abgleich (Bestellung, Wareneingang; 2-/3-Wege-Abgleich)
8. Kontierung (Sachkonto, Kostenstelle, Steuerschlüssel – aus der Historie gelernt)
9. Freigabe-Workflow (Mensch-in-der-Schleife (Human-in-the-Loop) bei Ausnahmen & Schwellenwerten)
10. Buchung + GoBD-konforme Archivierung

• Extraktion: heute meist ein Vision-Language-Modell oder ein spezialisiertes Dokumentenmodell, das das Seitenbild direkt liest und JSON nach einem Schema zurückgibt; klassische OCR mit Vorlagen ist veraltet.
• Kontierungs-/Buchungsvorschläge: Klassifikator oder LLM mit Abruf früherer Buchungen desselben Lieferanten.
• Mensch-in-der-Schleife: Konfidenzschwellen je Feld; alles darunter → Prüfmaske mit hervorgehobener Quelle. Die Zahlungsfreigabe bleibt gemäß interner Kontrollen immer beim Menschen.

Datenaufbereitung

Welche Daten: eingehende Rechnungen (PDF, Scans, E-Rechnungen als XRechnung/ZUGFeRD), Lieferantenstammdaten, Bestellungen, Wareneingänge und der Kontenplan mit Kostenstellen.

Wo sie liegen: ERP- oder Buchhaltungssystem (DATEV, SAP, Business Central) für Stamm- und Bestelldaten, ein gemeinsames Postfach für eingehende PDFs, das DMS oder Dateiablagen für archivierte Rechnungen und Papierstapel für den Rest.

Typische Lücken: schlechte Scans und Fotos, doppelte oder veraltete Lieferantendatensätze, Bestellungen ohne saubere Artikeldaten, uneinheitliche Buchungsregeln, die nur in den Köpfen der Buchhalter existieren, und zu weit gefasste Zugriffsrechte auf die Rechnungsordner.

Aufbereitungsschritte: 1. Alle Rechnungen in ein Postfach oder Portal leiten und Lieferanten wo möglich auf E-Rechnung umstellen. 2. Die Lieferantenstammdaten bereinigen (Dubletten, IBAN, Steuernummern) und über die ERP-Schnittstelle exportieren (siehe PREP-005). 3. Papierrückstand nur dann mit Scanner und OCR digitalisieren, wenn aus historischen Daten gelernt werden soll (PREP-006). 4. Frühere Buchungen als Beispiele für Buchungsvorschläge sammeln (PREP-020) und die Buchungsregeln aufschreiben (PREP-016). 5. Ein kleines Testset aus 50–100 echten Rechnungen mit bekannten richtigen Ergebnissen aufbauen (PREP-018). 6. Den Zugriff auf das Rechnungsarchiv beschränken (PREP-023).

Werkzeuge: die Scanner-Software, Paperless-ngx, ERP-Exporte, Tabellenkalkulation für das Testset.

Grober Aufwandsanteil: etwa 30 Prozent des Projekts, überwiegend Stammdaten und Prozessbereinigung statt der KI selbst. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg A: ausgereifte, in der EU hostbare Produkte für die Kreditorenbuchhaltung (z. B. DATEV-integrierte Lösungen oder ERP-Erweiterungen) gibt es zu KMU-tauglichen Preisen, und der Rechnungsprozess ist standardisiert.
• Großunternehmen — Weg B: Die Kreditorenbuchhaltung ist ein Kernprozess mit hohem Volumen, daher summieren sich Gebühren pro Dokument, und die Integration in das eigene ERP, Freigaberegeln und Steuerlogik sprechen für Cloud-KI-Dienste plus eigene Orchestrierung.
• Entwickler — Weg C: Open-Source-Stacks für OCR/VLM (z. B. Docling, Paperless-ngx mit LLM-Schritt) laufen auf HW2 und geben Produktentwicklern volle Kontrolle.
• Öffentliche Verwaltung — Weg C: Rechnungen enthalten Lieferanten- und Vergabedaten, und Vergaberegeln sprechen für souveränen, selbst betriebenen oder deutschen Cloud-Betrieb.

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

• In der Buchhaltungssoftware enthalten: DATEV (Unternehmen online), Lexware Office, sevDesk, Candis, Xero, QuickBooks – ausreichend für kleine Mengen.
• Plattformen zur Automatisierung der Kreditorenbuchhaltung: z. B. Candis, Yokoy, Rossum, Hypatos, Klippa, Mindee, ABBYY Vantage, dazu ECM-/DMS-Anbieter wie DocuWare und d.velop. Prüfen: Hosting in der EU, GoBD-/IDW-konformes Archiv, nativer ERP-Konnektor, Unterstützung für E-Rechnung (XRechnung/ZUGFeRD), Extraktion von Rechnungspositionen.
• A wählen, wenn: Standardprozesse, < einige 100.000 Rechnungen/Jahr, ERP-Konnektor vorhanden.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Spezialisierte Rechnungs-APIs: Azure AI Document Intelligence (vorgefertigtes Rechnungsmodell, EU-Regionen), Google Document AI Invoice Parser (EU-Standort), AWS Textract AnalyzeExpense (Region Frankfurt), Mistral OCR / Document AI (EU-Anbieter).
• Allgemeine VLM-Extraktion: Seitenbilder + JSON-Schema an ein multimodales Spitzenmodell senden (Claude, Gemini, GPT, Mistral) mit strukturierten Ausgaben; gut für seltene Layouts und Rechnungspositionen.
• Orchestrierung: n8n / Power Automate / eigener Dienst; E-Rechnungen mit offenen Bibliotheken einlesen (z. B. Mustang für ZUGFeRD/XRechnung, KoSIT-Validator).
• B wählen, wenn: Sie eigene Logik oder Integration brauchen, aber keine On-Premises-Vorgabe besteht.

Weg C — Selbst betreiben (Open Source)

• Dokumentenanalyse: Docling (IBM, inkl. Granite-Docling), PaddleOCR / PaddleOCR-VL, MinerU, olmOCR, Marker.
• Extraktion mit offenen VLMs: Qwen-VL-Familie (z. B. Qwen2.5-VL / Qwen3-VL), bereitgestellt über vLLM oder Ollama; eingeschränkte JSON-Dekodierung (z. B. strukturierte Ausgaben in vLLM, Outlines).
• Workflow: n8n (selbst betrieben) oder Camunda; Archiv in einem GoBD-konformen DMS.
• Hardware: HW2 (eine GPU mit 24–32 GB) bewältigt mit einem ~7–8B-VLM tausende Seiten pro Tag; HW3 für größere VLMs und höhere Genauigkeit bei komplexen Rechnungspositionen.

Weg D — Eigenes Training

Selten nötig. Ein kleines VLM oder ein Layout-Modell (LayoutLM-Familie/Donut-Stil) nur bei sehr hohen Volumen mit ungewöhnlichen Dokumenten feintunen oder um die Inferenzkosten zu senken. Erfordert einige hundert bis einige tausend annotierte Rechnungen; Korrekturen aus der Prüfmaske sind die natürlichen Trainingsdaten.

Stand der Technik (2026)

• Vorlagenfreie Extraktion durch VLMs ist Standard; Benchmarks zum Dokumentenverständnis (z. B. DocVQA, OmniDocBench, olmOCR-Bench) werden von VLM-basierten Parsern dominiert. Kopffelder erreichen bei sauberen Dokumenten sehr hohe Genauigkeit; Rechnungspositionen, mehrseitige Tabellen, schlechte Scans und handschriftliche Vermerke bleiben die Hauptfehlerquellen.
• Strukturierte Ausgaben (schemabeschränkte Dekodierung) verhindern fehlerhaftes JSON.
• Agentische Kreditorenbuchhaltung: LLM-Agenten bearbeiten Ausnahmen – z. B. Lieferanten wegen fehlender Bestellnummern anschreiben, Preisabweichungen klären – siehe AGENT-004/AGENT-006.
• E-Rechnung (EN 16931: XRechnung, ZUGFeRD/Factur-X, Peppol) verschiebt den Nutzen von OCR zu Prüfung, Abgleich und Kontierung.
• Grenzen: VLMs können plausibel wirkende Werte erfinden – Rechnung (netto + USt = brutto), USt-IdNr. und IBAN immer gegen die Stammdaten prüfen; Bankverbindungen niemals automatisch ändern.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm + llm-general): DOC-002 Belege, DOC-003 Formulare, DOC-006 Logistikdokumente, DOC-008 Klassifikation in der Poststelle, DOC-014 Dokumentenanalyse für RAG, DOC-017 Kontoauszüge – ein selbst betriebener VLM-Server (HW2/HW3) kann sie alle bedienen.
• Nachgelagert: ANOM-009 / ANOM-006 (Betrugs- und Dublettenerkennung auf den extrahierten Daten), AGENT-006 (Abstimmung & Abschluss), PRED-016 (Liquiditätsprognose aus offenen Verbindlichkeiten).
• Workflow-Engine gemeinsam mit AGENT-002 Back-Office-Automatisierung.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen; SaaS-Preise typischerweise pro Dokument oder pro Nutzer.
• Weg B: 1–3 Monate für eine produktive Pipeline inkl. ERP-Integration; die API-Kosten pro Seite sind meist gering im Vergleich zu den Kosten der manuellen Bearbeitung.
• Weg C: 2–4 Monate; ein GPU-Server plus Betriebsaufwand.
• Kennzahlen: Quote der Dunkelverarbeitung (Straight-Through-Processing in %), Genauigkeit je Feld, Kosten pro Rechnung, Durchlaufzeit Eingang→Freigabe, genutzte Skonti, vermiedene Doppelzahlungen.

Menschen & Veränderung

Früh einbinden: Geschäftsführung (Budget, Umfang) und die Leitung der Buchhaltung als Prozessverantwortliche; IT für die ERP-Schnittstelle und die Datenverantwortlichen für Lieferanten- und Bestelldaten hinzunehmen. Die/der Datenschutzbeauftragte kommt dazu, bevor Kontaktdaten von Lieferanten und Freigabedaten von Beschäftigten verarbeitet werden; Rechnungen erfordern selten eine vollständige DSFA, aber ein AVV (Art. 28 DSGVO) mit dem Anbieter ist nötig (GUIDE-005, GUIDE-010).

Betriebsrat: abhängig vom Einzelfall. Wenn ein Betriebsrat besteht, protokolliert der Workflow, wer wann was freigibt, bucht und korrigiert; dadurch ist er objektiv zur Leistungsüberwachung geeignet (§87 Abs. 1 Nr. 6 BetrVG). §90 Abs. 1 Nr. 3 verlangt zusätzlich die rechtzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. Öffentliche Stellen beteiligen den Personalrat. Eine kurze Betriebsvereinbarung, die individuelle Leistungsbewertung ausschließt, regelt es meist (GUIDE-004).

KI-Kompetenz: Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; geben Sie Buchhaltenden eine kurze Schulung zu Konfidenzwerten, typischen Fehlinterpretationen und zur Korrektur (GUIDE-006).

Kommunikation und Pilot: Stellen Sie das Werkzeug als Entlastung vom Tippen dar, nicht als Stellenabbau; beginnen Sie mit einem Team und 3–5 Lieferanten, lassen Sie zwei bis vier Wochen parallel zur manuellen Erfassung laufen und benennen Sie eine KI-Botschafterin bzw. einen KI-Botschafter (GUIDE-008, GUIDE-009).

Typische Bedenken: Angst vor Arbeitsplatzverlust (Verlagerung hin zu Ausnahmebearbeitung und Controlling), Angst vor Fehlern (Vier-Augen-Prinzip bei niedriger Konfidenz und bei Zahlungen), Betriebsprüfungssicherheit (Original und Prüfpfad aufbewahren).

Menschen behalten die Kontrolle: keine Zahlung und keine Buchung ohne Freigaberegeln; Menschen entscheiden über Ausnahmen.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko – keine Kategorie nach Anhang III; die Pflicht zur KI-Kompetenz (Art. 4) gilt für Beschäftigte.
• DSGVO: Rechnungen von Einzelunternehmern und Freiberuflern enthalten personenbezogene Daten; Auftragsverarbeitungsvertrag mit dem Anbieter; Hosting in der EU bevorzugt; Aufbewahrung nach Steuerrecht.
• Steuern / Buchführung: deutsche GoBD (nachvollziehbare Verarbeitung, unveränderbare Archivierung, Verfahrensdokumentation), Pflichtangaben nach §14 UStG, Aufbewahrung 8–10 Jahre.
• Betrug: Rechnungs-/Zahlungsumleitungsbetrug (geänderte IBAN) – verpflichtende Stammdatenprüfungen und Vier-Augen-Prinzip bei Änderungen von Bankdaten.
• Gegenmaßnahmen: Konfidenzschwellen, menschliche Freigabe, Protokoll der KI-Vorschläge im Vergleich zur endgültigen Buchung.

Erste Schritte

1. Ausgangslage messen: Volumen, Kanäle, Anteil der E-Rechnungen, Kosten und Durchlaufzeit pro Rechnung.
2. Sicherstellen, dass Sie XRechnung/ZUGFeRD empfangen und prüfen können (gesetzliche Pflicht in Deutschland seit 2025).
3. 2–3 Werkzeuge aus Weg A mit 100 eigenen echten Rechnungen testen, auch den schwierigen.
4. Konfidenzschwellen und Ausnahmebehandlung festlegen, dann mit ERP/Buchhaltung integrieren.
5. Die Quote der Dunkelverarbeitung monatlich verfolgen; Korrekturen der Prüfenden nutzen, um Buchungsregeln zu verbessern.

Quellen

1. German Federal Ministry of Finance — FAQ on mandatory e-invoicing (E-Rechnung) — https://www.bundesfinanzministerium.de/Content/DE/FAQ/e-rechnung.html
2. European Commission — VAT in the Digital Age (ViDA) — https://taxation-customs.ec.europa.eu/taxation/vat/vat-digital-age-vida_en
3. Microsoft — Azure AI Document Intelligence invoice model — https://learn.microsoft.com/azure/ai-services/document-intelligence/prebuilt/invoice
4. Google Cloud — Document AI Invoice Parser — https://cloud.google.com/document-ai/docs/processors-list
5. AWS — Amazon Textract AnalyzeExpense — https://docs.aws.amazon.com/textract/latest/dg/invoices-receipts.html
6. Docling project — https://github.com/docling-project/docling
7. PaddleOCR — https://github.com/PaddlePaddle/PaddleOCR
8. KoSIT XRechnung validator — https://github.com/itplr-kosit/validator
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj