KI in der Abrechnung: fehlende Positionen erkennen 2026

Pexon Consulting | 9 Min. Lesezeit | 16.07.2026

TL;DR

Unvollständige Rechnungen kosten Abrechnungsdienstleister Umsatz und erzeugen Nacharbeit. Ein Recommender aus ML und NLP prüft jeden Abrechnungsposten in Echtzeit und schlägt fehlende Positionen vor, bevor die Rechnung rausgeht. Pexon Consulting (80 Mitarbeiter, Microsoft-Partner, Deutschland) baut solche Systeme DSGVO-konform auf den eigenen Falldaten, statt auf einer generischen Blackbox.

Das Problem: Was auf der Rechnung fehlt, sieht niemand

Bei einem Abrechnungsdienstleister im Gesundheitswesen entscheidet Vollständigkeit über die Marge. Eine Rechnung mit einer fehlenden oder falschen Position bedeutet entweder verschenkten Umsatz oder eine Reklamation mit Korrekturlauf. Beides frisst Zeit und Geld, und beides passiert leise, weil eine fehlende Zeile niemandem ins Auge springt.

Die manuelle Prüfung skaliert nicht mit. Ein Sachbearbeiter kann nicht jeden Posten gegen alle plausiblen Zusatzpositionen abgleichen, erst recht nicht in Echtzeit und über tausende Fälle. Genau diese Mustererkennung ist aber eine Aufgabe, für die ein Recommender gebaut ist.

Dieser Artikel klärt drei Dinge: wie ein Abrechnungs-Recommender funktioniert, warum er auf den eigenen Daten trainiert gehört, und wo im Gesundheitswesen die DSGVO-Grenzen liegen.

So funktioniert ein Abrechnungs-Recommender

Die kurze Antwort: Er lernt aus vergangenen, vollständigen Abrechnungen, welche Positionen typischerweise zusammengehören, und meldet, wenn eine erwartete Position fehlt. Das ist dieselbe Logik wie eine Kaufempfehlung im Handel, nur auf Abrechnungsposten statt auf Produkte angewendet.

Technisch stecken zwei Bausteine darin. NLP liest und strukturiert die unstrukturierten Teile eines Falls, etwa Freitext, Diagnosen oder Leistungsbeschreibungen. Ein ML-Modell bewertet dann, welche Positionen auf Basis dieses Kontexts fehlen könnten, und legt sie dem Sachbearbeiter als Vorschlag vor. Die Entscheidung bleibt beim Menschen, das System schlägt nur vor. Wie unstrukturierte Belege überhaupt maschinenlesbar werden, zeigt unser Ansatz zur KI-gestützten Verarbeitung von Eingangsrechnungen.

Konkret liefert so ein System drei Dinge:

1. einen Vollständigkeits-Score pro Fall, der zeigt, wie sicher die Abrechnung komplett ist,
2. konkrete Vorschläge für fehlende Positionen, jeweils mit einer nachvollziehbaren Begründung,
3. eine Priorisierung, welche Fälle ein Mensch zuerst prüfen sollte.

Unsere klare Empfehlung: Halten Sie den Menschen im Loop. Ein Recommender, der Positionen automatisch hinzufügt, ist im Gesundheitswesen ein Haftungsrisiko. Ein Recommender, der Vorschläge macht, ist ein Werkzeug, das den Sachbearbeiter schneller und sicherer macht. Und er lernt weiter: Jede korrigierte Rechnung wird zum nächsten Trainingsbeispiel, sodass das System mit der Zeit genauer auf Ihre Fallwelt passt.

Warum das Modell auf Ihre Daten gehört

Eine generische Blackbox kennt Ihre Fallmuster nicht. Abrechnungslogik unterscheidet sich zwischen Fachrichtungen, Kostenträgern und Vertragswelten so stark, dass ein Modell von der Stange systematisch danebenliegt. Wir raten deshalb davon ab, auf eine fertige Standardlösung zu setzen, die nicht auf Ihren historischen Abrechnungen trainiert ist.

Der eigentliche Wert entsteht aus Ihren eigenen, vollständigen Altfällen. Sie sind das Trainingsmaterial, aus dem das Modell die typischen Positionskombinationen lernt. Damit erkennt es Ihre spezifischen Lücken, nicht die eines fremden Durchschnitts. Der Aufbau folgt derselben Logik wie andere Automatisierungen im Rechnungsfluss, etwa die Purchase-to-Pay-Automatisierung mit KI.

DSGVO und EU AI Act im Gesundheitskontext

Gesundheitsdaten sind besonders schützenswert, und das setzt der KI klare Leitplanken. Die Daten gehören in eine Umgebung, die Sie kontrollieren, mit Zugriffskontrolle, Protokollierung und, wo möglich, Pseudonymisierung im Training. Ein Modell, das auf Patientendaten lernt, darf diese nicht in eine fremde Cloud spülen.

Dazu kommt der regulatorische Rahmen: Der Kern des EU AI Act ist seit dem 2. August 2026 anwendbar, und KI im Gesundheitswesen fällt schnell in einen sensiblen Bereich mit Dokumentations- und Aufsichtspflichten. Ein Recommender, der nur Vorschläge macht und den Menschen entscheiden lässt, ist hier deutlich einfacher zu verantworten als ein autonom handelndes System. Welche Pflichten konkret gelten, ordnen wir in den verwandten Themen am Ende ein.

Häufig gestellte Fragen

Wie erkennt KI fehlende Abrechnungspositionen?

Ein Recommender lernt aus vergangenen, vollständigen Abrechnungen, welche Positionen typischerweise zusammen auftreten. Fehlt in einem neuen Fall eine erwartete Position, schlägt das System sie dem Sachbearbeiter vor. NLP strukturiert dabei die Freitext-Anteile, ein ML-Modell bewertet die Vollständigkeit. Die Entscheidung bleibt beim Menschen.

Ersetzt der Recommender den Sachbearbeiter?

Nein, er unterstützt ihn. Das System macht Vorschläge, der Sachbearbeiter prüft und entscheidet. Gerade im Gesundheitswesen ist der Mensch im Loop wichtig, weil eine automatisch hinzugefügte Position ein Haftungs- und Compliance-Risiko wäre. Der Nutzen liegt in schnellerer und sichererer Bearbeitung, nicht in Ersetzung.

Warum reicht keine Standardlösung von der Stange?

Weil Abrechnungslogik sich zwischen Fachrichtungen, Kostenträgern und Verträgen stark unterscheidet. Ein generisches Modell kennt Ihre spezifischen Muster nicht und liegt systematisch daneben. Ein Recommender entfaltet seinen Wert erst, wenn er auf Ihren eigenen historischen Abrechnungen trainiert ist.

Ist das DSGVO-konform möglich?

Ja, wenn die Daten in einer kontrollierten Umgebung bleiben, mit Zugriffskontrolle, Protokollierung und Pseudonymisierung im Training. Gesundheitsdaten dürfen nicht ungeschützt in eine fremde Cloud gelangen. Ein sauber aufgesetzter Recommender arbeitet innerhalb Ihrer Infrastruktur und Governance.

Fällt so ein System unter den EU AI Act?

Es kann in einen sensiblen Bereich mit Dokumentations- und Aufsichtspflichten fallen, dessen Kern seit dem 2. August 2026 anwendbar ist. Ein System, das nur Vorschläge macht und den Menschen entscheiden lässt, ist regulatorisch deutlich leichter zu verantworten als eine autonome Entscheidung über Abrechnungen.

Nächster Schritt

Wenn unvollständige Rechnungen bei Ihnen Umsatz kosten, prüfen wir an Ihren Altfällen, wie viel ein Recommender findet. Ehrlich, auch wenn das Ergebnis heißt, dass zuerst die Datenbasis sortiert werden muss.

Verwandte Themen