Eingangsrechnungen mit KI: OCR, ERP-Verbuchung, Human-in-the-Loop

Pexon Consulting | 10 Min. Lesezeit | 09.06.2026

TL;DR

Eingangsrechnungen mit KI ist der ROI-stärkste Backoffice-Use-Case für Mittelständler mit 20.000-50.000 Eingangsrechnungen pro Jahr: KI-basierte OCR plus Schema-Extraktion plus Bestellbezug-Abgleich plus ERP-Verbuchung reduziert die Kreditoren-Sachbearbeitungs-Zeit um 70-85%. Pexon Consulting baut die Pipeline mit Azure Document Intelligence oder Mistral OCR plus eigener Plausibilitäts-Regel-Engine plus klarem Human-in-the-Loop-Pattern für unklare Fälle.

Warum Eingangsrechnungen das größte ungelöste AP-Thema sind

Wir hören das aktuell wöchentlich: Ein CFO eines Mittelständlers fragt nach RPA-Lösungen für die Eingangsrechnungs-Verarbeitung, weil die Kreditoren-Buchhaltung mit 30.000-50.000 Rechnungen pro Jahr überlastet ist. Klassische RPA-Versuche (UiPath, BluePrism, Power Automate ohne KI) waren teuer und sind oft eingestellt worden, weil die Vielfalt der Rechnungsformate jeden statisch programmierten Workflow überfordert.

Das eigentliche Problem ist die Format-Vielfalt. Bei einem typischen Mittelständler kommen Eingangsrechnungen von 800-2.500 verschiedenen Lieferanten — jeder hat sein eigenes Rechnungslayout, manche ändern es jährlich. Plus die Mischung aus EDI-Rechnungen (strukturiert, einfach), ZUGFeRD/XRechnung (strukturiert, gut), PDF-Rechnungen (unstrukturiert, schwer), gescannten Rechnungen (OCR-pflichtig, sehr schwer). Klassisches RPA scheitert ab dem dritten Format.

KI-basierte Document-Intelligence-Pipelines lösen das, weil sie nicht auf Template-Erkennung setzen, sondern auf semantische Feld-Extraktion. Wo der Rechnungs-Betrag steht, ist egal — die KI findet ihn aufgrund von Kontext und semantischer Bedeutung. Damit funktioniert die Pipeline mit 90%+ Trefferquote bei beliebigen Rechnungsformaten.

Was die Pipeline konkret tut

Architektur in fünf Stufen.

Stufe 1: Eingangs-Routing. Eine dedizierte Inbox (typisch rechnungen@firma.de) plus optional ein Upload-Portal für Mitarbeiter mit Papierrechnungen werden angezapft. Eingangs-Klassifikation entscheidet: Rechnung, Mahnung, Gutschrift, Sonstiges. Nur als Rechnung Klassifiziertes geht weiter.

Stufe 2: OCR und Layout-Extraktion. Strukturierte ZUGFeRD/XRechnung-Anhänge werden direkt ausgelesen. PDF-Rechnungen mit eingebettetem Text werden geparst. Gescannte Rechnungen laufen durch Azure Document Intelligence oder Mistral OCR. Ergebnis ist ein strukturiertes JSON mit Tabellen-Erkennung.

Stufe 3: Schema-Extraktion mit LLM. Claude oder GPT-4o extrahiert aus dem OCR-Output die Rechnungs-Felder: Rechnungsnummer, Rechnungsdatum, Lieferant (USt-IdNr, Anschrift), Empfänger, Positions-Liste mit Artikel, Menge, Einzelpreis, Steuersatz, Nettosumme, Steuer, Bruttosumme, Zahlungsziel, Skonto-Bedingungen. Bei guten Scans liegt die Extraktions-Qualität bei 96-98%, bei schlechten Scans bei 80-90%.

Stufe 4: Plausibilitäts-Prüfung und Bestellbezug. Die extrahierten Daten werden gegen die Plausibilitäts-Regel-Engine geprüft (Steuer-Berechnungs-Konsistenz, USt-IdNr-Validität, Lieferanten-Match in den Stammdaten). Parallel wird gegen das Bestellsystem geprüft: Existiert eine offene Bestellung mit dieser Lieferantennummer? Stimmen die Positionen, Mengen, Preise mit der Bestellung überein?

Stufe 5: Kontierungs-Vorschlag und ERP-Verbuchung. Aus der Bestell-Historie und den Stammdaten generiert die KI einen Kontierungs-Vorschlag (Sachkonto, Kostenstelle, Steuerschlüssel). Bei Auto-Pass-Konfidenz wird die Rechnung automatisch in DATEV, SAP, Sage oder Microsoft Dynamics gebucht. Bei niedrigerer Konfidenz landet die Rechnung im Sperrlager.

Human-in-the-Loop: das Pflicht-Pattern

Hier liegt der kritische Architektur-Punkt, der zwischen „Pipeline funktioniert wirklich“ und „Pipeline produziert Fehlbuchungen“ entscheidet. Wir bauen das konsequent als Sperrlager-Pattern.

Zeugnisse mit Gesamt-Konfidenz > 95% UND erfolgreichem Bestellbezug-Match UND erfolgreichem Plausi-Check werden auto-gebucht. Alles darunter landet im Sperrlager mit klarer Markierung der unsicheren Felder. Der Sachbearbeiter sieht in der UI: „Rechnungs-Betrag 4.587,32 EUR (Konfidenz 99%) — Lieferant Mustermann GmbH (Konfidenz 97%) — Bestellbezug 2026-PO-4711 gefunden — Kontierung 6740 / Kostenstelle 4250 (Konfidenz 78%, ALT-Vorschläge verfügbar)“. Mit zwei oder drei Klicks ist die Rechnung freigegeben.

Auto-Pass-Quote liegt typisch bei 35-45% in den ersten vier Wochen, steigt auf 80-92% nach drei Monaten Reife. Sperrlager-Quote sinkt entsprechend. Wir messen wöchentlich und justieren die Konfidenz-Schwellen, sodass die Fehlbuchungs-Rate unter 0,3% bleibt — niedriger als die typische manuelle Fehlerquote von 2-4%.

Pilot-Ergebnisse aus einem 30k-Rechnungen-Mittelständler

Konkrete Hausnummern aus einem Pilot 2024/2025. Industrieausrüster, 1.400 Mitarbeiter, 30.000 Eingangsrechnungen pro Jahr von rund 1.800 Lieferanten.

Der Skonto-Effekt war für die CFO der eigentliche Aha-Punkt. Bei einem Skonto-Mehr-Ausnutzung von 27 Prozentpunkten auf 30.000 Rechnungen mit durchschnittlich 1.500 EUR Rechnungsbetrag und 2% Skonto sind das 30.000 x 0,27 x 1.500 x 0,02 = 243.000 EUR pro Jahr in vermeidbarem Skonto-Verlust. Wir haben das konservativ auf 145.000 EUR plus Personal-Save eingerechnet, weil nicht jede Rechnung Skonto-fähig ist.

Häufig gestellte Fragen

Wie integriert sich das in DATEV, SAP, Microsoft Dynamics?

Standard-Anbindungen sind etabliert. DATEV über die DATEV-Schnittstelle (DATEV Pro Online oder DATEV-Format-Export), SAP über die BAPIs (BAPI_INCOMINGINVOICE_CREATE), Microsoft Dynamics über die OData-Services, Sage über die Sage HR Suite-API. Setup-Aufwand für die ERP-Anbindung typisch 2-3 Wochen zusätzlich zum 10-Wochen-Kern.

Was passiert mit Rechnungen ohne Bestellbezug?

Sie laufen durch einen erweiterten Workflow: Kontierungs-Vorschlag direkt aus der Lieferanten-Historie (welches Konto wurde bei dem Lieferanten typisch verwendet), plus Genehmigungs-Workflow an die Kostenstellen-Verantwortliche per E-Mail oder Microsoft Teams. Die Pipeline klappt auch hier, mit etwas niedrigerer Auto-Pass-Quote.

Funktioniert das mit ZUGFeRD und XRechnung?

Voll. Die strukturierten Formate sind sogar einfacher als PDFs, weil die Felder direkt aus dem XML gelesen werden statt OCR-extrahiert. Wir behandeln sie im gleichen Pipeline-Stack — das LLM-Schema-Extraktions-Schritt entfällt für die strukturierten Felder, der Plausi-Check läuft gleich.

Wie verhält sich das mit der E-Rechnungs-Pflicht ab 2025?

Sehr gut. Die E-Rechnungs-Pflicht beschleunigt die Migration zu strukturierten Formaten, was die Auto-Pass-Quote über Zeit erhöht. Ihr braucht trotzdem die Pipeline für die Lieferanten, die noch PDF schicken — und das werden auch nach Januar 2027 noch viele sein, insbesondere kleine Dienstleister und ausländische Lieferanten ohne E-Rechnungs-Pflicht.

Was, wenn die Rechnung in einer Fremdsprache kommt?

Wir behandeln EN, FR, IT, NL, ES nativ — die Modelle verstehen mehrsprachige Rechnungen ohne Anpassung. Bei seltenen Sprachen (asiatische Sprachen, kyrillische Schrift) brauchst du zusätzliche OCR-Konfiguration und ggf. Übersetzungs-Pre-Step. Wir setzen das je nach Bedarf auf.

Nächster Schritt

Wenn dein Mittelstand-Unternehmen jenseits von 15.000 Eingangsrechnungen pro Jahr manuell verarbeitet: Wir machen einen 45-Minuten-Call mit dir und idealerweise einem Verantwortlichen aus der Buchhaltung. Du beschreibst Rechnungs-Volumen und ERP-Stack, wir skizzieren die Pipeline mit Festpreis-Sprint.

Verwandte Themen