Dokumentenverarbeitung mit KI: Extraktion, Prüfung und Übergabe

Das eigentliche Problem: Die Daten sind da, nur am falschen Ort

In fast jedem Unternehmen, mit dem ich spreche, sieht der Alltag ähnlich aus: Rechnungen kommen als PDF per E-Mail, Lieferscheine als Scan, Auftragsbestätigungen als Foto aus der Werkstatt. Die Information existiert — aber sie steht in einem Dokument statt in dem System, in dem sie gebraucht wird. Also tippt jemand ab. Rechnungsnummer, Betrag, Positionen, Lieferantendaten, jeden Tag, jede Woche.

Dieses Abtippen ist teuer, langweilig und fehleranfällig. Und es ist genau die Art von Arbeit, die sich heute gut automatisieren lässt — wenn man es richtig angeht. Dieser Artikel richtet sich an Geschäftsführung, Operations und IT in kleinen und mittleren Unternehmen, die entscheiden müssen: Welche unserer Dokumente lohnen sich, wie funktioniert die Technik, und wo braucht es weiterhin Menschen?

Die Kurzform meiner Position vorweg: Dokumentenverarbeitung mit KI funktioniert produktiv, aber nicht als „alles rein, alles raus“-Blackbox. Sie funktioniert als Pipeline mit klaren Stufen — Extraktion, Prüfung, Übergabe — in der jede Stufe messbar ist und unsichere Fälle kontrolliert bei einem Menschen landen. Wer die Prüf- und Freigabelogik weglässt, baut sich einen Fehlergenerator mit hoher Taktrate.

Begriffe kurz geklärt: OCR, IDP und Dokumenten-KI

Drei Begriffe tauchen ständig auf und werden gern vermischt:

OCR (Optical Character Recognition) wandelt Bilder von Text in maschinenlesbaren Text um. OCR beantwortet die Frage „Was steht da und wo steht es?“ — nicht, was es bedeutet.

IDP (Intelligent Document Processing) ist der Sammelbegriff für den Gesamtprozess: Dokumente empfangen, klassifizieren („Ist das eine Rechnung oder ein Lieferschein?“), Felder extrahieren, validieren und an Zielsysteme übergeben. Die großen Cloud-Anbieter haben dafür eigene Dienste: Azure AI Document Intelligence bringt vortrainierte Modelle unter anderem für Rechnungen, Belege, Ausweisdokumente und Verträge mit und erlaubt eigene Custom-Modelle für firmenspezifische Formulare; Google Document AI arbeitet analog mit Prozessoren zum Digitalisieren (OCR), Extrahieren und Klassifizieren beziehungsweise Aufteilen von Mehrfach-Dokumenten.

LLM-basierte Extraktion nutzt Sprachmodelle, um Inhalte zu interpretieren: Felder aus Fließtext ziehen, Klauseln zusammenfassen, Sonderfälle einordnen. Das ist mächtiger als klassisches Template-Matching, aber auch weniger deterministisch — dazu gleich mehr.

Wichtig für die Einordnung: „Dokumentenverarbeitung mit KI“ ist kein einzelnes Tool, sondern ein Prozess, in dem diese Bausteine kombiniert werden. Die Extraktion ist dabei meist der kleinste Teil des Aufwands. Der größere Teil steckt in Validierung, Ausnahmebehandlung und der sauberen Übergabe an ERP, Buchhaltung oder DMS.

Welche Dokumente eignen sich?

Die Frage lässt sich nicht pauschal pro Dokumenttyp beantworten — sie hängt an drei Kriterien, die du für jeden Dokumentenstrom einzeln bewerten solltest:

1. Wiederholung und Stückzahl. Automatisierung amortisiert sich über Menge. Ein Dokumententyp, der täglich oder wöchentlich in nennenswerter Zahl eintrifft, ist ein Kandidat. Ein Dokument, das dreimal im Jahr kommt, kostet in der Einrichtung mehr, als es je spart.
2. Feldklarheit. Sind die Zielfelder eindeutig definierbar? „Rechnungsnummer, Nettobetrag, Steuersatz“ ist klar. „Die für uns relevanten Punkte aus dem Anschreiben“ ist es nicht — hier wird die Validierung schwierig, weil es keine objektive Richtig/Falsch-Referenz gibt.
3. Fehlerkosten. Was passiert, wenn ein Feld falsch übernommen wird? Eine falsch erfasste Bestellposition fällt beim Wareneingang auf. Eine falsche IBAN in einer Zahlung fällt erst auf, wenn das Geld weg ist. Je höher die Fehlerkosten, desto enger muss die menschliche Prüfschleife sein — automatisieren kannst du trotzdem, nur eben die Vorarbeit, nicht die Entscheidung.

Entscheidungsmatrix: Dokumenttypen im Vergleich

Diese Matrix ist meine eigene Arbeitshilfe aus Projekten — sie ersetzt keine Einzelfallprüfung, sortiert aber die typischen Kandidaten:

Dokumenttyp	Struktur	Eignung	Empfohlener Ansatz	Menschliche Prüfung
E-Rechnung (XRechnung/ZUGFeRD)	Strukturiert (XML)	Sehr hoch	Direktes Parsen, keine KI nötig	Nur Regelverstöße
PDF-Rechnung, Beleg	Semi-strukturiert	Hoch	Vortrainiertes Modell (z. B. Invoice-Modell)	Unter Konfidenzschwelle
Lieferschein, Bestellung	Semi-strukturiert	Hoch	Vortrainiert oder Custom-Modell	Unter Schwelle + Mengenabgleich
Eigene Formulare (Anträge, Protokolle)	Semi-strukturiert	Mittel–hoch	Custom-Modell mit eigenen Trainingsbeispielen	Anfangs alle, dann stichprobenartig
Verträge, Standardklauseln	Unstrukturiert	Mittel	LLM-Extraktion mit engem Feldschema	Immer (Vier-Augen-Prinzip)
Freitext-E-Mails, Anschreiben	Unstrukturiert	Mittel	LLM-Klassifizierung + Routing	Bei Auslösung von Aktionen
Handschriftliche Notizen, alte Faxe	Schlechte Vorlage	Niedrig	Erst Eingangsqualität verbessern	Hoher manueller Anteil
Einzelstücke ohne Wiederholung	Beliebig	Ungeeignet	Manuell erfassen	—

Zwei Punkte daraus sind mir wichtig, weil sie oft übersehen werden:

E-Rechnungen brauchen keine KI. Seit dem 1. Januar 2025 ist die elektronische Rechnung bei Umsätzen zwischen inländischen Unternehmern verpflichtend eingeführt. Eine XRechnung oder der XML-Teil einer ZUGFeRD-Rechnung ist bereits strukturierte Daten — die liest du deterministisch aus, ohne Modell, ohne Konfidenzwerte, ohne Restunsicherheit. KI brauchst du für den Bestand an Bild-PDFs, Scans und ausländischen Belegen, der daneben weiterläuft. Wer beides in einen Topf wirft, macht den einfachen Teil unnötig unsicher.

„Eignet sich“ heißt nicht „vollautomatisch“. Verträge eignen sich gut für KI-gestützte Extraktion — als Vorarbeit für einen Menschen, der das Ergebnis prüft. Die Frage ist nie nur „Kann das Modell das lesen?“, sondern „Welche Entscheidung darf daran hängen, ohne dass jemand draufgeschaut hat?“.

Die Pipeline im Überblick: von Eingang bis Übergabe

Bevor wir in die Einzelfragen gehen, das Gesamtbild. Jede produktive Dokumenten-Pipeline, die ich baue, hat dieselben sechs Stufen — unabhängig davon, welche Tools dahinterliegen:

 EINGANG            KLASSIFIZIERUNG       EXTRAKTION
 E-Mail-Postfach    Rechnung? Liefer-     OCR / Dokument-KI /
 Scanner, Upload → schein? Vertrag?   →  LLM zieht definierte
 API                Splitten mehrseitiger  Felder als JSON
                    Stapel
        │                                        │
        ▼                                        ▼
 ÜBERGABE           FREIGABE               VALIDIERUNG
 ERP / Buchhaltung  Mensch prüft alles ←   Konfidenz + Regeln +
 DMS / Archiv    ←  unterhalb der          Stammdaten-Abgleich
 (Original bleibt   Schwelle oder ober-    → OK / PRÜFEN /
 aufbewahrt)        halb der Betrags-        ABLEHNEN
                    grenze

Der Punkt dieser Grafik: Extraktion ist Stufe drei von sechs. Die Demos, die du von Anbietern siehst, zeigen fast immer nur diese eine Stufe. Produktionsreife entsteht in den Stufen vier bis sechs — Validierung, Freigabe, Übergabe — und dort entscheidet sich auch, ob die Buchhaltung dem System vertraut.

Für die Orchestrierung dieser Pipeline nutze ich je nach Umgebung unterschiedliche Werkzeuge: n8n als Workflow-Automatisierung, die KI-Fähigkeiten mit Prozessautomatisierung verbindet und sich selbst hosten lässt, oder in Microsoft-Umgebungen Power Automate, das Cloud-Flows und fertige Genehmigungsworkflows (Approvals) mitbringt. Die Extraktion selbst übernimmt ein spezialisierter Dienst oder ein LLM — die Orchestrierung sorgt dafür, dass jedes Dokument den richtigen Weg nimmt.

OCR und LLM: Was ist der Unterschied — und was brauchst du?

Die häufigste technische Frage in Erstgesprächen. Die kurze Antwort: Das sind keine Konkurrenten, sondern unterschiedliche Werkzeuge für unterschiedliche Teilprobleme.

OCR und Dokument-KI-Dienste arbeiten positionsbasiert. Sie erkennen Text, Layout, Tabellen und Schlüssel-Wert-Paare und liefern zu jedem Ergebnis eine Position im Dokument und einen Konfidenzwert. Vortrainierte Modelle wie das Invoice-Modell von Azure Document Intelligence kennen die typischen Felder einer Rechnung bereits und normalisieren sie automatisch — ein Rechnungsdatum kommt als Datumstyp zurück, ein Betrag als Währungstyp. Das ist deterministisch genug für Buchhaltungsprozesse: gleiche Eingabe, gleiches Ergebnis, nachvollziehbare Herkunft jedes Feldes.

LLMs arbeiten bedeutungsbasiert. Sie können Felder auch dann extrahieren, wenn kein Template passt: die Kündigungsfrist aus einem Vertrag, die eigentliche Anfrage aus einer verschachtelten E-Mail, die Zuordnung eines Belegs zu einer Kostenstelle anhand des Kontexts. Dafür haben sie zwei strukturelle Schwächen: Sie liefern keine belastbare Positionsangabe („wo im Dokument steht das?“) und sie können sich plausibel irren — ein erfundener, aber format-korrekter Wert sieht genauso aus wie ein richtiger.

Meine Faustregel für die Praxis:

• Strukturierte und semi-strukturierte Belege mit klaren Feldern (Rechnungen, Lieferscheine, Formulare): Dokument-KI-Dienst zuerst. Konfidenzwerte und Positionsangaben sind für die Validierung Gold wert.
• Unstrukturierte Inhalte und Sonderfälle (Verträge, Freitext, exotische Layouts): LLM mit einem eng definierten Ausgabeschema — und immer mit menschlicher Prüfung, wenn Entscheidungen daran hängen.
• Hybrid ist der Normalfall im Betrieb: Der Dokument-KI-Dienst verarbeitet die Masse, das LLM übernimmt die Fälle, an denen das Standardmodell scheitert, und ein Mensch übernimmt die Fälle, an denen beide scheitern.

Was ich nicht empfehle: alles ungefiltert durch ein LLM zu schicken, weil es „eh alles kann“. Du verlierst die Konfidenzwerte, die Positionsnachweise und damit genau die Signale, die eine automatische Validierung erst möglich machen.

Wie validierst du Felder? Das Drei-Ebenen-Modell

Das ist die Kernfrage für den Produktivbetrieb, und hier scheitern die meisten selbstgebauten Lösungen. Ein extrahierter Wert ist zunächst nur eine Behauptung des Modells. Bevor er in dein ERP wandert, muss er drei Ebenen passieren:

Ebene 1: Konfidenz — traut sich das Modell selbst? Dokument-KI-Dienste liefern pro Feld einen Konfidenzwert zwischen 0 und 1 — eine geschätzte Wahrscheinlichkeit, dass die Vorhersage korrekt ist. Microsoft beschreibt das am Beispiel 0,95: Die Vorhersage ist voraussichtlich in 19 von 20 Fällen richtig, und empfiehlt ausdrücklich, den Wert zu nutzen, um zu entscheiden, ob ein Ergebnis automatisch akzeptiert oder zur menschlichen Prüfung markiert wird. Wichtig dabei: Es gibt mehrere Konfidenzen (Texterkennung, Feldzuordnung, bei Tabellen zusätzlich Zeile und Zelle) — für kritische Felder solltest du die niedrigste relevante heranziehen, nicht den Durchschnitt.

Ebene 2: Regeln — ist der Wert in sich plausibel? Deterministische Prüfungen, die ohne KI auskommen: Stimmt Netto plus Steuer gleich Brutto? Ist die IBAN formal gültig? Liegt das Rechnungsdatum in einem sinnvollen Fenster? Ist die USt-IdNr. wohlgeformt? Sind alle Pflichtfelder gefüllt? Diese Regeln fangen genau die Fehlerklasse, die Konfidenzwerte nicht sehen: ein selbstbewusst falsch gelesenes Feld.

Ebene 3: Abgleich — passt der Wert zu dem, was du schon weißt? Der Abgleich mit deinen Stammdaten und Vorgängen: Existiert der Lieferant, und stimmt die hinterlegte IBAN mit der auf der Rechnung überein? Gibt es die referenzierte Bestellnummer, und passen Menge und Preis dazu? Eine abweichende Bankverbindung ist kein Extraktionsfehler — aber ein Fall, der zwingend zu einem Menschen muss, schon aus Betrugsschutz-Gründen.

Aus den drei Ebenen ergibt sich pro Dokument ein einfaches Routing: OK (alle Ebenen bestanden → automatisch weiter), PRÜFEN (mindestens eine Ebene unsicher → Prüf-Queue mit Anzeige von Originaldokument und extrahierten Werten nebeneinander), ABLEHNEN (unlesbar oder grob widersprüchlich → Rückweg an Absender oder manuelle Erfassung). Die Schwellenwerte legst du nicht einmalig fest, sondern kalibrierst sie: Am Anfang läuft ein größerer Teil durch die Prüf-Queue, und mit jedem Korrekturdatensatz lernst du, wo die Schwelle für deinen Dokumentenmix sitzt.

Ein Hinweis mit GoBD-Bezug, der oft überrascht: Wenn du im Erfassungsprozess Bildinformationen per OCR anreicherst — etwa eine volltextdurchsuchbare PDF erzeugst —, sind die dadurch gewonnenen Informationen laut GoBD nach Verifikation und Korrektur ebenfalls aufzubewahren. Deine Korrekturschleife ist also nicht nur Qualitätssicherung, sondern Teil der ordnungsmäßigen Aufbewahrung.

Schlechte Scans: der Alltag, nicht die Ausnahme

In jedem realen Dokumentenstrom stecken schiefe Handy-Fotos, 150-dpi-Scans, Durchschläge und Stempel über der Rechnungsnummer. Drei Dinge helfen, in dieser Reihenfolge:

1. Ursache vor Symptom. Der größte Hebel liegt vor der KI: Scanner-Profile prüfen (Auflösung, Kontrast, Schwarz-Weiß-Schwellen), Lieferanten auf E-Mail-PDF statt Papier umstellen, ein Upload-Formular statt Foto-per-WhatsApp anbieten. Jede Stunde hier spart Wochen an Sonderfallbehandlung.
2. Qualität messen statt raten. Moderne OCR-Dienste können die Bildqualität selbst bewerten — Google Document AI bietet in der Enterprise-OCR beispielsweise eine Bildqualitätsanalyse als Zusatzfunktion. Ein Dokument mit schlechter Eingangsqualität kannst du so schon vor der Extraktion in einen Sonderpfad routen, statt dich hinterher über unsichere Felder zu wundern. Auch niedrige Konfidenz der reinen Texterkennung ist ein Signal: Microsoft nennt als erste Maßnahme bei niedriger Lesekonfidenz explizit, die Qualität der Eingangsdokumente zu verbessern.
3. Einen definierten Rückweg bauen. Was auch nach Vorverarbeitung (Begradigen, Kontrastanhebung, Entrauschen) unsicher bleibt, geht in die manuelle Erfassung — und wenn ein Absender wiederholt unlesbare Dokumente schickt, braucht es eine freundliche, idealerweise automatische Rückmeldung: „Bitte als PDF-Anhang senden.“ Das ist unbequem, aber ehrlicher als eine Pipeline, die schlechte Eingaben stillschweigend in schlechte Daten verwandelt.

Was ich bewusst nicht verspreche: eine Automatisierungsquote. Wie viel Prozent deiner Dokumente ohne menschliches Zutun durchlaufen, hängt fast vollständig von deinem Dokumentenmix und deiner Eingangsqualität ab — das lässt sich messen, sobald die Pipeline steht, aber nicht seriös vorher garantieren.

Welche Freigaben brauchst du?

Stand Juli 2026. Das Folgende ist Orientierung, keine Rechtsberatung — für den konkreten Fall gehören Steuerberatung und gegebenenfalls Datenschutzbeauftragte an den Tisch.

Freigaben heißt hier zweierlei: einmalige Freigaben vor dem Produktivbetrieb und laufende Freigaben im Prozess.

Vor dem Go-live:

• Fachliche Freigabe. Wer verantwortet die Daten im Zielsystem — Buchhaltung, Einkauf, Operations? Diese Person definiert die Pflichtfelder, die Prüfregeln und die Schwellen und nimmt die Pilotphase ab. Ohne diesen Owner wird die Prüf-Queue zur Halde.
• Steuerlich-rechtliche Sicht (GoBD). Die GoBD regeln, wie Bücher und aufbewahrungspflichtige Unterlagen in elektronischer Form zu führen sind. Konkret relevant für Dokumenten-Pipelines: Eingehende elektronische Handels- und Geschäftsbriefe und Buchungsbelege müssen in dem Format aufbewahrt werden, in dem sie empfangen wurden — deine Pipeline extrahiert also Daten aus dem Original, sie ersetzt es nicht. Bei E-Rechnungen ist der strukturierte XML-Teil das Entscheidende; er darf nicht durch eine Formatumwandlung (etwa in ein Bildformat) verloren gehen. Formatkonvertierungen sind nur unter definierten Voraussetzungen zulässig. Kläre mit deiner Steuerberatung, wie Archivierung und Verfahrensbeschreibung bei euch aussehen müssen.
• Datenschutz. Sobald personenbezogene Daten verarbeitet werden (Bewerbungen, Personaldokumente, teils auch Rechnungen an Privatpersonen), braucht es die übliche DSGVO-Hausaufgabe: Rechtsgrundlage, Auftragsverarbeitungsvertrag mit dem Cloud-Anbieter, Klärung des Verarbeitungsorts. Bei besonders sensiblen Strömen kann eine selbst gehostete Verarbeitung die einfachere Antwort sein als ein Cloud-Dienst.

Im laufenden Betrieb:

• Betragsabhängige Freigaben. Auch ein perfekt extrahierter Beleg über einen hohen Betrag sollte eine menschliche Freigabe durchlaufen — das ist keine Misstrauenserklärung an die KI, sondern normales internes Kontrollsystem. Genehmigungsworkflows dafür musst du nicht selbst bauen; Power Automate etwa bringt Approvals als fertigen Baustein mit, in n8n bildest du sie als Workflow-Schritt ab.
• Vier-Augen-Fälle. Abweichende Bankverbindung, neuer Lieferant, Gutschriften, Verträge: definierte Fallklassen, die unabhängig von Konfidenzwerten immer bei einem Menschen landen.
• Änderungsfreigaben. Wer darf Schwellenwerte, Prüfregeln oder Feldzuordnungen ändern? Solche Änderungen gehören dokumentiert — auch das ist Teil der Nachvollziehbarkeit, die eine Betriebsprüfung erwartet.

Umsetzung: Vom Pilot zum Betrieb

So gehe ich in Projekten vor — bewusst klein geschnitten:

1. Einen Dokumentenstrom wählen, nicht fünf. Meist Eingangsrechnungen oder Lieferscheine: hohe Stückzahl, klare Felder, messbarer Nutzen. Die Entscheidungsmatrix oben hilft bei der Auswahl.
2. Referenzdatensatz bauen. 50–100 echte Dokumente aus den letzten Monaten, inklusive der hässlichen. Für jedes die Soll-Werte erfassen. Ohne diesen Goldstandard kannst du keine Aussage treffen, ob die Extraktion gut genug ist — du rätst nur.
3. Extraktion testen, bevor du baust. Vortrainiertes Modell gegen den Referenzdatensatz laufen lassen und Feldgenauigkeit messen. Reicht das Standardmodell nicht, ist ein Custom-Modell der nächste Schritt; Microsoft empfiehlt dabei, jede visuelle Variante eines Dokuments mit mindestens fünf Beispielen im Training abzudecken. Erst wenn auch das nicht trägt, wird es ein LLM-Sonderweg.
4. Pipeline mit Prüf-Queue bauen. Orchestrierung (n8n oder Power Automate), Validierung nach dem Drei-Ebenen-Modell, eine simple Prüfoberfläche: Original links, extrahierte Felder rechts, Korrektur mit zwei Klicks. Die Korrekturen werden gespeichert — sie sind später dein Trainings- und Kalibriermaterial.
5. Parallelbetrieb. Zwei bis vier Wochen läuft die Pipeline neben dem manuellen Prozess, ohne dass ihre Ergebnisse allein zählen. Danach hast du echte Zahlen: Durchlaufquote, Korrekturquote, Fehlerarten — und eine belastbare Grundlage für die Go-live-Entscheidung.
6. Schrittweise scharf schalten. Erst die unkritischen Felder automatisch übernehmen, dann mit wachsendem Vertrauen die Schwellen senken. Die Prüf-Queue bleibt dauerhaft — sie wird nur leerer.

Zu Kosten und Aufwand nur so viel, wie sich ehrlich sagen lässt: Die reinen API-Kosten der Extraktion sind bei KMU-typischen Mengen selten der entscheidende Posten — abgerechnet wird bei den Cloud-Diensten pro verarbeiteter Seite beziehungsweise pro Anfrage, die aktuellen Preise stehen in den Preislisten der Anbieter und ändern sich regelmäßig. Der eigentliche Aufwand ist die Einrichtung: Referenzdatensatz, Pipeline, Prüfoberfläche, Anbindung des Zielsystems. Ob das ein überschaubares Wochenprojekt oder ein mehrmonatiges Vorhaben ist, hängt vor allem an drei Faktoren: Wie viele Dokumentvarianten hast du, wie sauber ist deine Eingangsqualität, und wie gut ist dein Zielsystem per Schnittstelle erreichbar? Genau diese drei Fragen kläre ich in einem Erstgespräch, bevor irgendjemand über Budgets redet — pauschale Preisangaben ohne Blick auf den Dokumentenmix halte ich für unseriös.

Mehr zum Gesamtthema findest du auf der Übersichtsseite Backoffice-Automatisierung; wie ich bei solchen Projekten arbeite, steht unter KI-Beratung.

Risiken und Grenzen — ehrlich benannt

• Plausible Fehler sind das Kernrisiko. Anders als ein Mensch, der bei Unsicherheit nachfragt, liefert ein Modell auch bei Unsicherheit eine Antwort. Ohne Konfidenz-Routing und Regelprüfung wandern falsche Werte formatgerecht ins ERP — und fallen dort später und teurer auf als beim Abtippen.
• Der Long Tail frisst die Euphorie. Die ersten 80 Prozent eines Dokumentenstroms sind schnell automatisiert; die letzten 20 Prozent (Sonderformate, Sammelrechnungen, Anhänge im Anhang) kosten überproportional. Es ist völlig legitim, diesen Rest dauerhaft manuell zu erfassen — eine Pipeline muss nicht vollständig sein, um sich zu lohnen.
• Verantwortung bleibt beim Unternehmen. Weder ein Cloud-Dienst noch ein Dienstleister nimmt dir die Ordnungsmäßigkeit deiner Buchführung ab. Die KI ist ein Erfassungswerkzeug; verantwortlich für die Daten bist du.
• Wartung ist eingepreist, oder sie fehlt. Lieferanten ändern Layouts, Modelle und APIs werden versioniert, Schwellen driften. Eine Dokumenten-Pipeline ist Betriebssoftware, kein abgeschlossenes Projekt. Plane einen kleinen, regelmäßigen Pflegeaufwand ein — oder das System degradiert leise.
• Nicht jedes Problem ist ein KI-Problem. Wenn der eigentliche Engpass darin besteht, dass Freigaben wochenlang liegen bleiben, löst Extraktion nichts. Erst den Prozess anschauen, dann die Technik.

Checkliste: Bist du bereit für Dokumentenverarbeitung mit KI?

Auswahl

• Dokumentenstrom mit relevanter, wiederkehrender Stückzahl identifiziert
• Zielfelder eindeutig definiert (Feldliste existiert schriftlich)
• Fehlerkosten pro Feld bewertet (was passiert bei Falschübernahme?)
• E-Rechnungs-Anteil separiert (XML direkt parsen, nicht durch KI schicken)

Vorbereitung

• Referenzdatensatz aus 50–100 echten Dokumenten mit Soll-Werten erstellt
• Eingangsqualität geprüft (Scan-Profile, Foto-Eingänge, Fax-Altlasten)
• Zielsystem-Schnittstelle geklärt (API, Import, DATEV-Übergabe?)

Validierung & Freigaben

• Drei-Ebenen-Validierung definiert: Konfidenzschwellen, Regelprüfungen, Stammdaten-Abgleich
• Routing festgelegt: OK / PRÜFEN / ABLEHNEN mit Prüf-Queue und Zuständigkeit
• Vier-Augen-Fälle benannt (Bankverbindungswechsel, Neulieferanten, Betragsgrenzen)
• GoBD-Fragen mit Steuerberatung geklärt (Aufbewahrung im Empfangsformat, Verfahrensbeschreibung)
• Datenschutz geprüft, falls personenbezogene Daten im Strom sind (AVV, Verarbeitungsort)

Betrieb

• Parallelbetrieb geplant (zwei bis vier Wochen gegen den manuellen Prozess)
• Kennzahlen definiert: Durchlaufquote, Korrekturquote, Zeit bis Übergabe
• Fachlicher Owner benannt, der Schwellen und Regeln pflegt
• Pflegeaufwand eingeplant (Layout-Änderungen, API-Versionen, Schwellen-Kalibrierung)

Wenn du bei den ersten vier Punkten ins Stocken kommst, ist das kein schlechtes Zeichen — es heißt nur, dass die Auswahl des richtigen Stroms die eigentliche erste Aufgabe ist. Genau dabei hilft ein strukturierter Blick von außen mehr als jedes Tool.