Monatsende, der Kontoauszug liegt vor, und die eigentliche Arbeit fängt erst an: Belege zusammensuchen. Ein Teil kommt per E-Mail, verteilt über mehrere Postfächer. Ein Teil liegt auf Portalen von Lieferanten, für die man sich erst wieder einloggen muss. Ein Teil liegt physisch auf dem Schreibtisch: Bewirtungsbelege vom letzten Kundentermin, Quittungen von unterwegs. Am Ende steht der Abgleich: Kontoauszug gegen Beleg, Position für Position, bis alles zusammenpasst.
Für kleine und mittlere Unternehmen ist das kein Randthema. Wer das ehrlich durchrechnet, kommt schnell auf einen ganzen Arbeitstag im Monat: rund acht Stunden allein für Zusammensuchen, Zuordnen und die Vorbereitung für die Steuerberatung. Wir kennen das aus der eigenen Werkstatt und haben in einem unserer Webinare live gezeigt, wie sich dieser Aufwand mit KI-Unterstützung auf etwa eine Stunde reduzieren lässt.
Warum Excel-Formeln und Skripte an ihre Grenzen kommen
Viele Unternehmen haben das Problem längst selbst angefasst: mit Excel-Formeln oder kleinen Python-Skripten, die Belege automatisch sortieren sollen. Das funktioniert eine Zeit lang, bis eine Datei anders benannt oder in einen anderen Ordner verschoben wird und das starr programmierte Skript den Pfad nicht mehr findet. Oder bis eine Rechnung aus dem Ausland kommt, in Dollar statt Euro, mit einer Mehrwertsteuer-Logik, die das Skript nicht kennt. Und meistens hängt die Lösung an einer einzelnen Person: Ist sie im Urlaub, krank oder im nächsten Unternehmen, bleibt die Automatisierung stehen, bis sich jemand neu einarbeitet.
Der Cloud-Weg: ein Skill, der den Ablauf kennt
Der von uns gezeigte Ansatz läuft über einen sogenannten Skill: ein vorab hinterlegtes Regelwerk, das ein KI-Modell für genau diese wiederkehrende Aufgabe abruft, statt bei jeder Anfrage neu erklärt zu werden. Die Anweisung lautet schlicht: Buchhaltung für den vergangenen Monat vorbereiten. Die KI durchsucht daraufhin die angebundenen Quellen (Bank-CSV, Kreditkarten-CSV, eingehende Rechnungen) und meldet zuerst zurück, was schon vorliegt und was noch fehlt: eine bestimmte Rechnung, die Lohnabrechnung, ein Beleg für eine Buchung ohne Unterlage.
Wichtig ist dabei, was die KI nicht bekommt. Sie erhält keinen direkten Zugriff auf das Bankkonto, sondern arbeitet über klar abgegrenzte Zugänge, etwa über einen Passwort-Manager mit genau definierten Rechten.
Das Ergebnis landet in einem kleinen Cockpit: einer Übersicht der Transaktionen, jede mit einem Konfidenzwert versehen. Bei einer Zuordnung mit hoher Konfidenz, im gezeigten Beispiel etwa 97 Prozent, reicht ein Blick. Bei niedrigeren Werten lohnt sich das genauere Hinsehen, etwa ob Betrag und Anbieter wirklich stimmen. Im gezeigten Demo-Durchlauf mit Beispieldaten erledigte die KI 9 von 12 Buchungen automatisch; die restlichen drei brauchten eine kurze Rückfrage.
Grenzfälle sind der eigentliche Wert
Genau diese Rückfragen zeigen, warum der Ansatz mehr ist als simples Auslesen. Bei einem Bewirtungsbeleg ohne Angabe, wer bewirtet wurde, fragt die KI gezielt nach, denn der Abzugssatz für Kundenbewirtung unterscheidet sich von dem für Mitarbeiterbewirtung, und ohne diese Angabe lässt sich nicht korrekt buchen. Bei einer Rechnung in Fremdwährung schlägt sie die Umrechnung nach § 244 HGB vor, inklusive des passenden Buchungskontos. Fehlt ein Beleg zu einer Transaktion komplett, markiert sie das ausdrücklich als offenen Punkt, statt ihn zu übergehen oder zu erfinden. Am Ende steht ein Export, der sich in die gängige Buchhaltungssoftware DATEV einspielen lässt. Geprüft und hochgeladen wird weiterhin von Hand.
Der lokale Weg: mehr Aufwand, volle Datenhoheit
Für Daten, die unter keinen Umständen einen eigenen Rechner verlassen sollen, zeigten wir im selben Webinar eine zweite Variante: TaxHacker, ein Open-Source-Projekt mit offen einsehbarem Quellcode, kombiniert mit einem lokal betriebenen Sprachmodell. Für das Auslesen von PDF-Belegen setzten wir dabei auf Qwen, das sich in diesem speziellen Feld robuster zeigte als andere offene Modelle. Der Vorteil liegt auf der Hand: Es geht nichts nach außen. Der Nachteil ebenso: Lokale Modelle liegen aktuell noch unter dem Niveau der großen Cloud-Anbieter, und der Betrieb verlangt mehr technische Zuwendung: Im Livebetrieb während des Webinars brach ein Durchlauf ab, der am Vortag noch funktioniert hatte. Wer diesen Weg geht, braucht jemanden, der sich um Fehlerbilder kümmert, wenn sie auftreten.
Cloud oder eigener Server — die eigentliche Frage
Zwischen beiden Wegen liegt eine ehrliche Abwägung, keine Glaubensfrage. Cloud-Modelle sind in Minuten eingerichtet; über Unternehmenszugänge lässt sich das Training auf den eigenen Daten abschalten und ein Auftragsverarbeitungsvertrag abschließen, wie ihn die Datenschutz-Grundverordnung für die Verarbeitung personenbezogener Daten durch Dritte vorschreibt. Nach unserer Erfahrung werden die Daten dabei üblicherweise rund sieben Tage gespeichert und danach gelöscht. Selbst wenn der Server in Frankfurt steht, bleibt ein Rest Unschärfe: Der US CLOUD Act erlaubt US-Behörden unter bestimmten Voraussetzungen Zugriff auch auf Daten, die im Ausland liegen, sofern der Anbieter ein US-Unternehmen ist. Vollständig ausschließen lässt sich das nur mit einem eigenen, lokal betriebenen Modell auf einem dedizierten Server in Deutschland oder der eigenen Hardware im Haus.
Was am Ende bleibt
Der Unterschied zwischen den acht Stunden und der einen liegt selten im großen Wurf, sondern im Kleinen: Die KI übernimmt das stumpfe Zusammensuchen und Vorsortieren zuverlässig, meldet sich aber gezielt zurück, wo eine Einschätzung nötig ist, die nur ein Mensch treffen kann. Genau diese Rollenteilung (Routine an die Maschine, Entscheidung beim Menschen) ist der Punkt, um den es bei einem guten KI-Einsatz in der Buchhaltung geht, nicht um vollständige Autonomie.
