KI-Tools für eine schnellere und effizientere Kontierung

Tomas Prochazka

VP Product AI bei Moss

Vom Experiment zum Produktivbetrieb

Wenn ich mit Finanzverantwortlichen spreche, sieht der KI-Einsatz fast überall ähnlich aus: Jemand lässt sich eine Gewinn- und Verlustrechnung zusammenfassen, jemand baut mit einem Excel-Plug-in einen Teil des Modells. Das hat seinen Wert, keine Frage. Aber es ist nicht der Punkt, an dem sich Investitionen wirklich rechnen. Die entscheidende Frage ist nicht „Wie spare ich bei einer einzelnen Aufgabe zehn Minuten?“, sondern „Wie nehme ich 70 Prozent der manuellen Back-Office-Arbeit aus dem Finanzbereich heraus – nicht 100, aber eben 70?“

Diese Verschiebung vom Experiment zum Produktivbetrieb ist relativ neu. Noch vor gut einem Jahr war die Technologie schlicht nicht in der Lage, ganze Workflows zuverlässig zu übernehmen. Das hat sich verändert. Heute geht es nicht mehr um die Frage, ob KI im Finance einen messbaren Beitrag leistet, sondern darum, an welcher Stelle der Payback am schnellsten eintritt und unter welchen Voraussetzungen.

Der Workflow mit dem klarsten Payback: die Kontierung von Eingangsrechnungen

Wer den schnellsten Return sucht, sollte dort anfangen, wo das Volumen hoch und das Risiko pro Einzelfall niedrig ist. Die Kontierung eingehender Rechnungen erfüllt beide Kriterien.

Der klassische Ablauf sieht so aus: Eine Rechnung geht ein, wird ausgelesen und einem Sachkonto, einer Kostenstelle und einem Steuerschlüssel zugeordnet. Damit nicht jede Buchung von Hand erfolgt, hinterlegen Finanz-Teams Regeln: Lieferant X bucht immer auf Konto Y. Das funktioniert, solange jeder Lieferant genau eine Leistung erbringt und der Kontenrahmen stabil bleibt.

In der Praxis ist das aber selten der Fall. Lieferanten verkaufen heterogene Leistungen, eine einzige Rechnung enthält Positionen mit unterschiedlichen Umsatzsteuersätzen und Buchungen auf unterschiedliche Konten. Und sobald sich etwas am Kontenrahmen ändert, zum Beispiel ein neues Konto, eine zusätzliche Kostenstelle, ein umbenanntes Sammelkonto, bricht das Regelgefüge auseinander. Aus „40000 Sonstiges“ wird „40001 Food & Drinks“, und plötzlich greifen Dutzende Regeln nicht mehr – oder eben falsch. Was als Effizienzinstrument gedacht war, wächst zu einer Ausnahme-Kaskade, die niemand mehr vollständig überblickt. In der Praxis sehen wir, dass mehr als drei Viertel der Unternehmen, die KI-gestützte Kontierung einsetzen, ihre eigenen Regeln inzwischen von der KI überschreiben lassen, schlicht, weil die Regeln nicht mit der Realität Schritt halten.

Was sich ändert: zeilenbasierte Analyse statt Lieferantenorientierung

Ein KI-gestützter Kontierungsagent geht das Problem anders an. Er entscheidet nicht pauschal pro Lieferant, sondern zeilenbasiert: Jede Rechnungsposition wird einzeln bewertet und kann ein eigenes Sachkonto, einen eigenen Steuerschlüssel und eine eigene Kostenstelle erhalten. Eine Catering-Rechnung mit Speisen (7 Prozent) und Getränken (19 Prozent) wird korrekt aufgesplittet, ohne dass dafür eine Regel existieren muss.

Drei Eigenschaften machen den Unterschied.

Das System entscheidet mehrdimensional – Sachkonto, Kostenstelle, Projekt, Land werden zusammen vorhergesagt, nicht nacheinander.
Jeder Vorschlag arbeitet mit einer Konfidenzbewertung in drei Stufen: hohe Konfidenz (bei unkritischen Buchungen wird der Vorschlag automatisch übernommen, bei höherer Tragweite prüft der Mensch – die Grenze verläuft entlang von Konfidenz und Konsequenz, nicht entlang des Aufgabentyps), niedrige Konfidenz (der Vorschlag wird mit Alternativen angezeigt) und keine Vorhersage (das System hat keinen belastbaren Anhaltspunkt und verlangt eine aktive Eingabe). Die Prüfaufmerksamkeit des Buchhalters wird damit genau dorthin gelenkt, wo sie gebraucht wird.
Das System lernt aus jeder Korrektur und aus direktem Feedback in natürlicher Sprache – etwa der Anweisung, SaaS-Rechnungen künftig auf ein bestimmtes Konto zu buchen.

Anders als ein starres Regelwerk braucht ein moderner KI-Agent dafür keine monatelange Trainingsbasis. Er liefert vom ersten Tag an sinnvolle Vorschläge – ähnlich wie ein neuer Buchhalter, der seinen ersten Arbeitstag hat: Er kennt das Fach, aber noch nicht die Eigenheiten dieses Unternehmens. Mit jeder Korrektur steigt die Konfidenz. Hilfreich ist dabei eine Ähnlichkeitslogik über Lieferanten hinweg: Wer einmal gelernt hat, wie eine Uber-Rechnung kontiert wird, kann eine Bolt-Rechnung sinnvoll behandeln, ohne sie je gesehen zu haben.

Welche Art von KI – und warum das zählt

Wichtig ist die Abgrenzung, denn „KI im Finance“ wird sehr unterschiedlich verstanden. Es geht ausdrücklich nicht darum, dass Mitarbeitende Buchungen in ein allgemeines Sprachmodell wie etwa ChatGPT, Claude oder Gemini eingeben und das Ergebnis herauskopieren. Ein solcher Output ist nicht reproduzierbar, nicht dokumentiert und im Prüfungsfall wertlos.

Der Einsatz, der in Finance skaliert, ist eine Kombination aus drei Komponenten:

Large Language Models für das Verständnis unstrukturierter Belege,
Machine Learning für die Mustererkennung und
regelbasierte Automatisierung dort, wo eindeutige Vorgaben gelten.

Entscheidend ist, dass diese KI in eine strukturierte Software eingebettet ist und pro Organisation arbeitet. Es gibt kein globales Modell, das für alle Unternehmen gleich entscheidet – dafür sind Kontenrahmen und Buchungskonventionen zu unterschiedlich. Stattdessen wird je Kunde ein eigenes Modell trainiert und ereignisbasiert nachgeschärft, sobald sich etwas ändert. Bei Moss beispielsweise verarbeiten wir auf diese Weise monatlich rund zwei Millionen Buchungsfelder über etwa 100.000 kundenspezifische Modelle.

Diese Einbettung ist auch der Grund, warum sich KI-Kontierung GoBD-konform abbilden lässt. Für jede Buchung bleibt nachvollziehbar, ob ein Wert von der KI vorgeschlagen, regelbasiert automatisiert oder manuell eingegeben wurde. Diese Provenance ist keine optionale Zusatzfunktion, sondern die Voraussetzung dafür, dass der Prozess vor dem Wirtschaftsprüfer Bestand hat.

Wie sich der Payback messen lässt

Die naheliegendste Kennzahl ist die Zeitersparnis. Bei der Bearbeitung einer Rechnung ist die Zeitersparnis durch Automatisierung von rund sechs Minuten (2022) auf über elf Minuten gestiegen. Auf 1.000 automatisierte Rechnungen gerechnet entspricht das rund 20,5 eingesparten Arbeitstagen.

Aussagekräftiger als die Zeit pro Beleg ist die Entwicklung über die Zeit hinweg. Ein moderner KI-Kontierungsagent braucht keine monatelange Anlaufphase: Schon ab dem ersten Tag müssen weniger als zehn Prozent der Rechnungen überhaupt korrigiert werden. Die nützlichere Frage ist deshalb nicht, wie oft das System korrigiert wird, sondern wie viele Rechnungen noch einen bewussten menschlichen Blick brauchen – auch dann, wenn sich am Ende nichts ändert. Zu Beginn trifft das noch auf die Mehrheit der Rechnungen zu, doch der Anteil sinkt schnell, sobald das System auf den Daten eines bestimmten Kunden Konfidenz aufbaut. Da jeder Vorschlag mit einer Konfidenzbewertung versehen ist, können Finanz-Teams genau steuern, welche Rechnungen in die Prüfung gehen und welche einfach durchlaufen. Diese Schwelle kann dann nachgeschärft werden, je mehr Vertrauen entsteht.

Wie schlank ein Finanzbereich bei konsequenter Automatisierung werden kann, zeigt das Beispiel aus dem eigenen Haus: Bei Moss läuft die Buchhaltung für rund 330 Mitarbeitende mit vier Festangestellten und etwa ein bis drei Werkstudenten. Das ist kein Zielwert für jeden, aber ein Beleg dafür, was möglich ist, wenn Routinen tatsächlich an Systeme abgegeben werden.

Kapazitätserweiterung statt Kostensenkung als Benefit

Der häufigste Denkfehler ist, KI im Finance als reines Kostensenkungsprogramm zu betrachten. In der Praxis reduziert sie die Zeit pro Aufgabe, aber sie reduziert selten die Zahl der Aufgaben. Stattdessen entsteht Kapazität: Themen, die früher auf den nächsten Monat oder das nächste Quartal verschoben wurden, lassen sich vorziehen. Das Team arbeitet an mehr Fragen, nicht an weniger. Genau das ist der Übergang vom Verwalter zum Steuerungsorgan. Man kauft sich also Zeit, um das Geschäft tatsächlich zu verbessern.

Weitere Workflows mit schnellem Payback

Die Kontierung ist der klarste, aber nicht der einzige Fall. Drei weitere Workflows rechnen sich schnell:

Beleg- und Spesenzuordnung

Wo Belege bisher gesammelt, gescannt und manuell zugeordnet werden, übernimmt KI das Auslesen und die Zuordnung zu Transaktionen, Kostenstellen und Projekten. Besonders bei geteilten Firmenkarten und mobilen Einreichungen sinkt der Nachfrageaufwand spürbar.

Freigabe-Workflows

Statt Freigaben per E-Mail oder Chat einzuholen, werden Richtlinien direkt im System hinterlegt und automatisch durchgesetzt. Liegt eine autorisierte Kaufanfrage vor, entfällt die nachgelagerte Rechnungsfreigabe ganz. Das verkürzt Durchlaufzeiten und schließt Lücken.

Monatsabschluss

Wenn Kontierung, Zuordnung und Freigaben kontinuierlich statt gebündelt am Monatsende laufen, wird der Abschluss vom Sprint zum laufenden Prozess. Hier zahlen die Effekte der anderen Workflows zusammen ein.

Einordnung: Größe und Systemlandschaft entscheiden

Große Unternehmen profitieren stärker von KI

Wie groß der Effekt ausfällt, hängt stark vom Ausgangspunkt ab. Eine Studie, die wir im letzten Jahr durchgeführt haben, zeigt eine deutliche Schere entlang der Unternehmensgröße: Während Unternehmen mit über 500 Mitarbeitenden zu 67 Prozent ihre Finanz-Routineprozesse weitgehend automatisiert haben, sind es bei Mittelständlern mit 50 bis 249 Mitarbeitenden 41 Prozent und bei kleineren Unternehmen lediglich 35 Prozent. Entsprechend unterschiedlich fällt die eingesparte Zeit aus – von gut vier Arbeitstagen pro Monat bei kleineren digitalisierten Unternehmen bis zu rund 15 Tagen bei großen Mittelständlern.

Integrierte Systemlandschaft beschleunigt Payback

Mindestens ebenso wichtig wie die Größe ist die bestehende Systemlandschaft. Unternehmen, die bereits mit einem angebundenen Buchhaltungssystem oder Cloud-ERP arbeiten, profitieren am schnellsten, denn die Daten sind erreichbar, die Schnittstellen vorhanden. Wer dagegen noch überwiegend mit Excel-Tabellen und E-Mail-Freigaben arbeitet, muss zuerst die Datengrundlage schaffen, bevor KI ihren Hebel entfalten kann. Das ist kein Ausschlusskriterium, aber es verschiebt den Zeitpunkt, ab dem sich die Investition rechnet.

Drei Voraussetzungen entscheiden am Ende darüber, ob sich der Einsatz lohnt: ein wirklich verstandener Workflow, erreichbare und verbundene Daten und klare Vorgaben, wo der Mensch in der Schleife bleibt. Wer diese Grundlagen schafft und mit einem hochvolumigen, gut verstandenen Prozess beginnt, sieht den Payback nicht in Jahren, sondern in Monaten.

Praxistipp: Klein anfangen mit einem langweiligen, gut verstandenen Prozess, wie etwa der Kontierung wiederkehrender Lieferantenrechnungen. Ein früher, sichtbarer Erfolg schafft Vertrauen im Team. Finance-Teams sind von Berufs wegen skeptisch, und das zu Recht. Ein kleiner, überprüfbarer Gewinn macht den nächsten Anwendungsfall deutlich leichter.