Es ist Montagmorgen, 8:47 Uhr. Auf dem Küchentisch liegt ein Schuhkarton. Darin: 214 Rechnungen aus dem letzten Quartal. Manche sind geknickt, zwei haben Kaffeeflecken, eine ist auf Italienisch, drei sind Doppelzahlungen, die eigentlich niemand hätte zahlen dürfen. Genau in diesem Moment versteht man, warum Menschen Geld für Software ausgeben.
Ich habe diesen Karton selbst durchgemacht. Nicht einmal, sondern über mehrere Steuerperioden, bis ich irgendwann die Reißleine gezogen und mir ein eigenes System gebaut habe, das Rechnungen mithilfe von KI automatisch sortiert. Was dabei herauskam: aus einem halben Arbeitstag Buchhaltung pro Monat wurden 40 Minuten. Was dabei schiefging: mehr, als mir lieb ist. Darum geht es hier.
Wichtige Erkenntnisse
- Zwei Techniken, zwei Fehlerprofile: Bilderkennung (Vision) und Texterkennung (OCR) scheitern an völlig unterschiedlichen Dokumenten.
- Der größte Zeitgewinn entsteht nicht beim Auslesen der Beträge, sondern beim Zuordnen zu Kategorien und Ablageorten.
- Rechnen Sie mit 5 bis 15 Prozent Ausschuss, die ein Mensch nachprüfen muss. Wer 100 Prozent erwartet, wird enttäuscht.
- Ein sauberes Regelwerk für Dateinamen ist wichtiger als das teuerste Tool.
- Wiederkehrende Lieferanten sind der Hebel: Bei ihnen liegt die Trefferquote nach wenigen Wochen deutlich über 90 Prozent.
- Ohne Vier-Augen-Prinzip bei Beträgen über einer selbst gesetzten Grenze ist Automatisierung gefährlich.
Rechnungen mit KI automatisch sortieren: was wirklich dahintersteckt
Der Begriff „KI" wird in diesem Zusammenhang oft für drei sehr unterschiedliche Dinge verwendet, und genau diese Vermischung führt zu falschen Erwartungen.
Was die KI tatsächlich macht
Ein modernes Tool macht im Kern zwei Schritte. Erstens: Es liest aus dem Dokument strukturierte Felder heraus — Lieferant, Rechnungsdatum, Fälligkeit, Nettobetrag, Steuersatz, Rechnungsnummer. Zweitens: Es entscheidet anhand dieser Felder, wohin die Datei gehört — welcher Ordner, welche Buchungskategorie, welche Kostenstelle.
Schritt eins ist Erkennung. Schritt zwei ist Klassifikation. Und der zweite Schritt ist der, an dem die meisten Lösungen im Alltag scheitern, weil er Kontext braucht, den ein Dokument allein nicht liefert.
Bilderkennung oder Texterkennung — der Unterschied, den kaum jemand erklärt
Hier liegt der technisch entscheidende Punkt, den ich in fast keiner Anleitung sauber erklärt finde. Es gibt zwei Wege, aus einer Rechnung Daten zu gewinnen:
- OCR / Textextraktion: Das PDF wird in Text zerlegt, dann werden Muster gesucht. Funktioniert hervorragend bei digital erzeugten PDFs, also bei allem, was per E-Mail kommt. Bei eingescannten Papierrechnungen bricht die Qualität ein, sobald der Scan schief ist oder Schatten im Bild liegen.
- Visuelle Erkennung (Vision-Modelle): Das Modell „sieht" das Dokument als Bild und erkennt Strukturen — Tabellen, Beträge rechts unten, das Wort „Rechnung" oben. Robust bei Fotos vom Handy, bei mehrsprachigen Belegen, bei ungewöhnlichen Layouts. Dafür teurer pro Dokument und langsamer.
Meine Erfahrung nach mehreren Monaten Testbetrieb: Die Kombination schlägt jede Einzelmethode. Erst OCR versuchen, bei zu geringer Konfidenz auf Vision umschalten. Das hat bei mir die Fehlerquote bei Handyfotos von geschätzt einem Drittel auf unter zehn Prozent gedrückt.
Buchhaltung mit KI automatisieren: der Ablauf, der bei mir funktioniert
Kein Tool der Welt rettet einen Prozess, der vorher schon chaotisch war. Deshalb zuerst das Gerüst, dann die Software.
Schritt für Schritt zum sortierten Ordner
- Eingangskanal festlegen. Ein einziger Ort, an dem alles landet: ein E-Mail-Postfach, ein Cloud-Ordner, ein Scan-Ordner. Bei mir ist es eine eigene Adresse rechnungen@…, an die ich Papierbelege per Handyfoto weiterleite. Klingt banal, war aber der größte Einzelschritt.
- Dateinamen-Konvention definieren. Ich nutze
JJJJ-MM-TT_Lieferant_Betrag.pdf. Diese Konvention ist der eigentliche Sortiermechanismus — die KI füllt sie nur. - Felder extrahieren lassen. Die Software zieht Datum, Betrag, Lieferant und Steuersatz. Wichtig: Prüfen Sie, ob die Lösung den Brutto- oder Nettobetrag als Hauptfeld ausgibt. Vertauscht ist das ein stiller Fehler, der monatelang unbemerkt bleibt.
- Klassifikationsregeln anlegen. Erst harte Regeln (Lieferant X → Kategorie „Software"), dann KI-Vorschläge für alles Unbekannte. Harte Regeln sind billig, schnell und zuverlässig.
- Prüfschwelle setzen. Alles unter einer Konfidenz von etwa 85 Prozent geht in einen Ordner „Zu prüfen". Der Rest läuft durch.
Und dann? Kommt der Teil, den ich anfangs sträflich vernachlässigt habe: der Abgleich auf Dubletten. Rechnungsnummer plus Lieferant ist der zuverlässigste Schlüssel. Ohne diesen Schritt zahlt man Rechnungen doppelt, und die KI merkt es nicht, weil sie jede Datei für sich betrachtet.
N8n Buchhaltung: lohnt sich der Selbstbau?
Wer ein bisschen technisches Interesse mitbringt, landet irgendwann bei n8n — einer Plattform, mit der man Abläufe visuell zusammenklickt. Der typische Aufbau: Ein Trigger überwacht den Mailanfrage-Ordner, ein Schritt ruft ein Sprach- oder Vision-Modell auf, ein weiterer schreibt die Datei in den Zielordner und trägt die Zeile in eine Tabelle ein.
Ehrlich gesagt: Ich habe zwei Wochenenden damit verbracht, das zum Laufen zu bringen. Der erste Ablauf stand nach drei Stunden, der stabile Ablauf nach zwei Wochenenden. Der Unterschied lag in den Sonderfällen — ein Lieferant mit zwei Schreibweisen, ein Beleg ohne Rechnungsnummer, ein PDF mit drei Rechnungen drin.
Trotzdem: Für Selbstständige mit überschaubarem Volumen ist das ein valider Weg. Für Teams mit mehreren Personen und DATEV-Anbindung würde ich heute eher zu einer fertigen Lösung greifen. Der Selbstbau kostet keine Lizenz, aber Lebenszeit.
Was schiefgeht — und wie Sie es abfangen
Kein einziges der Tools, die ich ausprobiert habe, hat bei mir eine Trefferquote über 95 Prozent erreicht. Die restlichen Prozent sind der eigentliche Aufwand.
Die fünf Fehlerquellen, die bei mir immer wieder auftauchen
| Problem | Häufigkeit bei mir | Gegenmaßnahme |
|---|---|---|
| Geknickte oder schiefe Papierbelege | etwa jeder zehnte Scan | Beim Fotografieren auf glatte Fläche achten, Kantenerkennung im Tool aktivieren |
| Fremdsprachige Rechnungen | 3 bis 5 pro Quartal | Vision-Modell statt OCR, Lieferantenliste mehrsprachig pflegen |
| Doppelzahlungen | 2 Fälle im ersten Jahr | Abgleich über Rechnungsnummer, nicht über Betrag |
| Mehrere Rechnungen in einer PDF | selten, aber tückisch | Seitenzahl prüfen, manuell trennen |
| Fehlende Pflichtangaben | regelmäßig | Automatische Prüfung auf Steuernummer und Rechnungsnummer |
Der Doppelzahlungsfall hat mich damals rund 380 Euro gekostet und eine unangenehme E-Mail an einen Lieferanten. Seitdem läuft bei mir jeder Betrag über 500 Euro durch einen zweiten Blick. Das ist keine Technikfrage, das ist Buchhaltungshygiene.
Was kostet das wirklich?
Die Preismodelle unterscheiden sich stark: Manche Tools rechnen pro Dokument ab, andere pauschal pro Monat. Grobe Größenordnung, die ich bei Anbietern gesehen habe: zwischen 15 und 80 Euro im Monat für kleine Volumen bis etwa 500 Belege. Bei größeren Mengen wird oft pro Beleg abgerechnet, im Cent- bis unteren Euro-Bereich.
Meine Rechnung sah so aus: Vorher etwa 5 Stunden Buchhaltung im Monat, nachher gut 40 Minuten plus gelegentliche Korrekturen. Bei einem Stundensatz, den ich hier nicht nennen will, war die Software nach dem ersten Monat bezahlt. Diese Rechnung gilt aber nur, wenn der Prozess vorher wirklich manuell war. Wer schon eine halbwegs funktionierende Lösung hatte, wird weniger spüren.
Was Sie zuerst tun sollten
Bevor Sie irgendein Tool buchen: Nehmen Sie sich einen Abend und sortieren Sie drei Monate alte Rechnungen von Hand. Nicht um sie abzulegen, sondern um zu sehen, welche Lieferanten wie oft auftauchen. Bei mir waren 12 Lieferanten für rund 70 Prozent aller Belege verantwortlich. Diese 12 Namen in feste Regeln zu gießen hat mehr gebracht als jede Modellverbesserung.
Der Rest ist Geduld. Die ersten Wochen werden Sie fluchen, weil die KI eine Rechnung von einem Lieferanten namens „Büro & Mehr GmbH" in die Kategorie „Lebensmittel" einsortiert. Nach ein paar Korrekturen lernt das System — oder Sie schreiben die Regel einfach fest und hören auf, sich darüber zu ärgern.
Was mich bis heute beschäftigt: Je besser die Automatisierung läuft, desto seltener schaue ich in die Belege. Genau das ist die eigentliche Gefahr. Ein System, das 95 Prozent richtig macht, macht 5 Prozent falsch — und niemand merkt es mehr. Irgendwo zwischen „alles von Hand" und „alles automatisch" liegt der Punkt, an dem man noch hinsieht. Den zu finden ist die eigentliche Arbeit.
