Ausgangslage: Der Engpass in der Buchhaltung

Der Kunde, ein mittelständischer Maschinenbauer mit 150 Mitarbeitern in der DACH-Region, stand vor einem wachsenden Engpass, der die operative Flexibilität des gesamten Unternehmens gefährdete. Im Zentrum des Problems stand die Buchhaltung, die unter dem Volumen der Eingangsrechnungen litt.

Jeden Monat mussten über 1.200 Eingangsrechnungen manuell erfasst und geprüft werden. Das bestehende Buchhaltungsteam bestand aus nur drei Personen, die neben der Kernarbeit wie der Debitorenbuchhaltung und dem Reporting auch mit der reinen Datenerfassung kämpften. Diese Dissonanz zwischen Arbeitsvolumen und Personalstärke führte zu einem chronischen Zeitdruck.

Die Schmerzpunkte waren klar definiert:

  • Hoher manueller Aufwand: Die Datenerfassung fraß einen Großteil der Produktivzeit der Buchhalter auf.
  • Lange Durchlaufzeiten: Von der Rechnungseingangs bis zur Zahlung vergingen im Durchschnitt fünf Werktage, was Liquiditätsplanung und Lieferantenbeziehungen belastete.
  • Steigende Fehlerquote: Bei der manuellen Übertragung in die ERP-Software stieg die Fehlerquote, was zu teuren Nacharbeitsschleifen und Korrekturen führte.

Die Geschäftsführung suchte nach einer Lösung, um die Buchhaltung von operativer Routine zu befreien. Das Ziel war nicht nur die Kostensenkung, sondern vor allem die Schaffung von Kapazitäten für Analyse und Controlling, um die Wettbewerbsfähigkeit im Maschinenbau zu sichern.

Herausforderungen: Warum einfache OCR nicht reichte

Bei der ersten Analyse wurde schnell deutlich, dass eine reine Optische Zeichenerkennung (OCR) nicht ausreichen würde. Der Maschinenbau ist geprägt durch heterogene Belegformate. Neben standardisierten PDFs aus großen Lieferanten fielen auch gescannte Papierbelege, E-Mails mit angehängten Bildern und komplexe Auftragsbestätigungen an.

Wir identifizierten vier zentrale Herausforderungen, die den Projekterfolg gefährdeten:

  1. Heterogenität der Belegformate: Die KI musste lernen, unterschiedliche Layouts zu verstehen, ohne für jedes Format manuell eine Regel zu schreiben.
  2. Qualität der Stammdaten: Viele Lieferantenstammdaten im ERP waren unvollständig oder veraltet, was das automatische Matching erschwerte.
  3. Akzeptanz im Team: Die Buchhalter befürchteten, dass das System sie kontrollieren würde, anstatt sie zu entlasten. Diese Skepsis musste früh adressiert werden.
  4. Integrationstiefe: Die Anbindung an das bestehende ERP-System erforderte eine stabile Schnittstelle, die nicht nur Daten empfängt, sondern auch Statusinformationen zurückmeldet.

Der Tech-Stack: Werkzeuge für die Automatisierung

Um diese Herausforderungen zu lösen, haben wir einen modularen Tech-Stack aufgebaut, der auf bewährten Komponenten basiert, aber spezifisch auf die Anforderungen der Buchhaltung zugeschnitten wurde.

  • KI-gestützte OCR-Engine: Eine neuronale Netzwerk-basierte Erkennung, die nicht nur Text liest, sondern das semantische Verständnis von Rechnungsfeldern (z. B. Nettopreis, MwSt.-Satz) nutzt.
  • Workflow-Automation-Platform: Eine Middleware, die als Bindeglied zwischen der KI-Engine und dem ERP-System dient und die Freigabe-Logik orchestriert.
  • ERP-Integration via API: Eine direkte, bidirektionale Anbindung an das bestehende ERP-System zur Echtzeit-Übertragung von Daten und Status.
  • Analytik-Dashboard: Ein zentrales Interface zur Überwachung der KPIs wie Freigabequote, Durchlaufzeit und Fehlerarten.

Umsetzung: Von der Pilotphase zum Rollout

Wir haben ein KI-gestütztes Belegerkennungssystem implementiert, das direkt mit dem bestehenden ERP-System des Kunden integriert wurde. Der Fokus lag von Beginn an auf einer schrittweisen Einführung, um das Risiko zu minimieren und das Team einzubinden.

Projektverlauf in 6 Phasen: Prozessanalyse & Belegformat-Katalogisierung, Definition der Validierungs- und Toleranzregeln, ERP-Integration & OCR-Modell-Training …

Der Projektverlauf gliederte sich in drei klar definierte Phasen über einen Zeitraum von 14 Wochen:

  1. Analyse & Pilot (4 Wochen): Wir analysierten die vorhandenen Belegformate und definierten die Validierungsregeln, einschließlich der Abweichungstoleranzen bei Beträgen. In dieser Phase wurde ein Pilot mit einer Teilmenge der Lieferanten gestartet, um die Baseline zu messen.
  2. Integration & Training (6 Wochen): Die KI-Engine wurde an das ERP-System angebunden. Das System lernte kontinuierlich aus den manuellen Korrekturen der Buchhalter. Diese „Human-in-the-Loop“-Phase war entscheidend, um die Genauigkeit zu steigern.
  3. Rollout & Stabilisierung (4 Wochen): Stufenweiser Rollout auf alle Geschäftsbereiche und intensive Schulung des Teams für die Ausnahmefälle. Hier lag der Fokus auf der Veränderung der Arbeitsabläufe.

Technische Kernkomponenten im Detail:

  • OCR mit KI: Erkennung von Rechnungsdetails aus PDF, E-Mail und Scans. Das System extrahiert nicht nur Daten, sondern validiert sie bereits während des Leseprozesses.
  • Auto-Matching: Drei-Wege-Match (Rechnung, Lieferschein, Bestellung) im Hintergrund. Nur wenn alle drei Dokumente übereinstimmen, wird die Rechnung automatisch freigegeben.
  • Workflow-Integration: Automatische Freigabe bei 100-prozentiger Übereinstimmung, Eskalation bei Abweichungen. Abweichungen werden mit konkreten Hinweisen an das Team weitergeleitet, um die Nacharbeit zu minimieren.

Ergebnis: Messbare Effizienzgewinne

Nach dem vollständigen Rollout zeigte sich ein deutlicher Effizienzgewinn in der Buchhaltungsabteilung. Die manuelle Arbeitszeit für die Rechnungsprüfung sank innerhalb der ersten drei Monate drastisch. Die Buchhalter konnten sich auf die Prüfung von Ausnahmefällen und strategische Aufgaben konzentrieren.

Kern-KPIs nach 6 Monaten:

  • 60 % Reduktion der manuellen Erfassungszeit pro Rechnung.
  • Durchlaufzeit von 5 Tagen auf 2 Tage verkürzt.
  • 95 % automatische Freigabequote ohne manuelle Eingriffe.
  • Senkung der Erfassungsfehler um 80 %.

Effizienzsteigerung nach 6 Monaten: Vorher-Nachher-Vergleich der Kennzahlen in %

Das Team bewertete die Entlastung als enorm. Die Freigabezeit für die Geschäftsführung sank ebenfalls, da Rechnungen schneller und sauberer vorlagen. Die Reduktion der Durchlaufzeit von fünf auf zwei Tage hatte zudem positive Auswirkungen auf die Liquiditätsplanung, da Zahlungen termingerechter und planbarer erfolgen konnten.

Wie wir die Zahlen messen

Die genannten Kennzahlen basieren auf einer kontinuierlichen Überwachung über einen Zeitraum von sechs Monaten. Wir haben ein analytisches Dashboard eingerichtet, das folgende Metriken erfasst:

  • Manuelle Arbeitszeit: Gemessen über die Zeitstempel im ERP-System. Wir verglichen die Zeit zwischen dem Statuswechsel „Eingegangen“ und „Erfasst“ vor und nach der Implementierung.
  • Durchlaufzeit: Die Differenz zwischen dem Datum des Rechnungseingangs und dem Datum der Zahlungsauslösung.
  • Freigabequote: Der Prozentsatz der Rechnungen, die ohne manuelle Interaktion durch den Workflow laufen. Dies wird durch die Workflow-Engine direkt protokolliert.
  • Fehlerquote: Die Anzahl der Korrekturen, die nach der automatischen Erfassung vorgenommen werden mussten, im Verhältnis zur Gesamtzahl der verarbeiteten Rechnungen.

Diese Messmethodik stellt sicher, dass die Verbesserungen nicht subjektiv wahrgenommen, sondern objektiv belegt sind.

Was wir heute anders machen würden

Rückblickend gibt es zwei Punkte, die wir in einem ähnlichen Projekt anders angehen würden, um den Prozess noch effizienter zu gestalten:

  1. Frühere Einbindung der IT-Sicherheit: In der Pilotphase haben wir die Sicherheitsanforderungen etwas zu spät integriert. Heute würden wir die Datenschutz- und Sicherheitsprüfungen parallel zur Prozessanalyse starten, um Verzögerungen in der Integrationsphase zu vermeiden.
  2. Agilere Schulungsformate: Statt klassischer Schulungssitzungen hätten wir von Beginn an kurze, praxisnahe Video-Tutorials und eine FAQ-Datenbank bereitstellen sollen. Dies hätte die Einarbeitungszeit der Buchhalter für die Ausnahmefälle verkürzt.

Learnings: Erfolgsfaktoren für KI-Automatisierung

Der Erfolg des Projekts basierte nicht nur auf der Technologie, sondern auf der sauberen Prozessdefinition und dem Change Management. Die wichtigsten Erkenntnisse lassen sich in drei Punkte zusammenfassen:

  • Datenqualität ist entscheidend: Je sauberer die Stammdaten (Lieferanten, Artikel) im ERP-System gepflegt sind, desto höher die automatische Freigabequote. Wir empfehlen, vor dem KI-Rollout eine gründliche Bereinigung der Stammdaten durchzuführen.
  • Change Management ist KPI: Die Akzeptanz des Teams stieg erst, als sie das System als Entlastung und nicht als Kontrollinstanz wahrnahmen. Es ist wichtig, die Mitarbeiter von Anfang an als Experten für Ausnahmefälle zu positionieren.
  • Kontinuierliche Optimierung: Die KI-Modellierung wird monatlich überprüft, um neue Belegformate und Abweichungen zu lernen. Automatisierung ist kein „Set and Forget“-Projekt, sondern ein kontinuierlicher Verbesserungsprozess.

Für Unternehmen im Mittelstand ist KI-Automatisierung kein Zukunftsthema, sondern ein sofort umsetzbares Tool zur Senkung der operativen Kosten und zur Steigerung der Prozesssicherheit. Der beschriebene Fall zeigt, dass selbst bei komplexen Belegstrukturen wie im Maschinenbau erhebliche Effizienzgewinne in kurzer Zeit erzielt werden können.

Passend dazu