Wareneingang den die KI gegen die Bestellung prüft.

Im Wareneingang und in der Rechnungsprüfung steckt eine der unspektakulärsten und zugleich teuersten Routinen vieler Unternehmen: der Drei-Wege-Abgleich. Stimmen Bestellung, Lieferschein und Rechnung in Menge, Artikel, Preis und Konditionen überein? Bei sauberen Lieferungen ist das langweilige Routine; bei den fünf bis fünfzehn Prozent abweichender Vorgänge wird daraus mühsame Detektivarbeit, die Bestellungen heraussucht, E-Mails schreibt und Freigaben blockiert. KI kann diesen Abgleich automatisieren — Lieferscheine und Rechnungen auslesen, gegen die Bestellung matchen und nur die echten Abweichungen an einen Menschen eskalieren. Dieser Beitrag erklärt, wie der KI-gestützte Three-Way-Match in der Praxis aufgebaut ist, welche Trefferquoten realistisch sind, wo Belegqualität und Stammdaten zur Stolperfalle werden und warum die Ausnahmebehandlung wichtiger ist als die Erkennung des Normalfalls. Ziel ist ein Prozess, der das Gros automatisch durchwinkt und menschliche Aufmerksamkeit dorthin lenkt, wo sie wirklich nötig ist.

Warum der Drei-Wege-Abgleich so viel Zeit frisst.

Der Drei-Wege-Abgleich ist im Prinzip simpel: Drei Dokumente, drei Datenquellen, ein Vergleich. In der Praxis ist er aufwendig, weil die drei Belege selten dieselbe Sprache sprechen. Der Lieferant nennt seinen Artikel anders als die eigene Bestellung, packt mehrere Bestellpositionen in eine Rechnungszeile, liefert Teilmengen, rundet anders, weist Rabatte und Fracht unterschiedlich aus.

Hinzu kommt die Belegvielfalt: Lieferscheine kommen als PDF, als Papier zum Einscannen, als E-Mail-Anhang, gelegentlich strukturiert per EDI. Rechnungen ebenso. Wer keine durchgängige Digitalisierung hat, tippt Positionen ab oder gleicht visuell ab — fehleranfällig und langsam.

Das Ergebnis: Eine Buchhalterin oder ein Einkäufer verbringt einen erheblichen Teil des Tages damit, Belege nebeneinanderzulegen und Abweichungen zu klären. Bei den meisten Vorgängen passt alles — diese Arbeit ist verlorene Zeit. Bei den abweichenden Vorgängen ist die Klärung wertvoll, aber sie geht in der Masse der Routinefälle unter.

Wie KI Belege ausliest und zuordnet.

Den ersten Schritt übernimmt intelligente Belegerkennung. Moderne Modelle lesen Lieferscheine und Rechnungen unabhängig vom Layout des jeweiligen Lieferanten aus — Positionen, Mengen, Artikelnummern, Einzel- und Gesamtpreise, Steuersätze. Im Gegensatz zu klassischen, schablonenbasierten OCR-Lösungen müssen dafür nicht für jeden Lieferanten Vorlagen gepflegt werden; das Modell versteht die Dokumentstruktur generisch.

Der schwierigere und wertvollere Schritt ist das Matching. Die KI ordnet jede Rechnungs- und Lieferscheinposition der passenden Bestellposition zu — auch wenn die Artikelbezeichnungen abweichen, Mengen aufgeteilt sind oder die Reihenfolge nicht stimmt. Hier hilft, dass das Modell Bedeutungsähnlichkeit erkennt und nicht nur exakte Zeichenketten vergleicht: „Schraube M6x40 verzinkt“ und „Sechskantschr. M6 40mm vz“ werden als dieselbe Position erkannt.

Auf dieser Zuordnung läuft dann der eigentliche Abgleich: Menge gegen Menge, Preis gegen vereinbarten Preis, Konditionen gegen Bestellbedingungen. Was übereinstimmt, wird zur automatischen Freigabe vorgeschlagen. Was abweicht, wird klassifiziert und eskaliert.

Welche Abweichungen typisch sind.

Nicht jede Abweichung ist gleich. Eine sinnvolle Automatisierung unterscheidet nach Art und Schweregrad, weil das die richtige Reaktion bestimmt:

Die Kunst liegt im Setzen sinnvoller Toleranzen. Eine Centdifferenz durch Rundung jedes Mal zu eskalieren, würde den Effizienzgewinn auffressen. Eine Mengenabweichung von zwanzig Prozent dagegen darf nie automatisch durchlaufen. Diese Schwellen müssen gemeinsam mit Einkauf und Buchhaltung kalibriert werden — sie sind das Herzstück eines guten Systems.

Was an Automatisierungsquote realistisch ist.

Die zentrale Kennzahl ist die Dunkelverarbeitungsquote — der Anteil der Vorgänge, die ohne menschliches Zutun korrekt durchlaufen. Sie hängt stark von der Belegqualität und der Stammdatenpflege ab und schwankt entsprechend.

Eine realistische Bandbreite: Bei Unternehmen mit überwiegend strukturierten oder gut lesbaren Belegen und gepflegten Lieferanten- und Artikelstammdaten sind Dunkelquoten von 60 bis 80 Prozent erreichbar — also der Großteil der Vorgänge läuft automatisch, nur jeder dritte bis fünfte landet auf dem Tisch eines Menschen. Bei heterogenen Papierbelegen, vielen Kleinlieferanten und lückenhaften Stammdaten kann die Quote anfangs deutlich niedriger liegen, bei 30 bis 50 Prozent, und steigt erst, wenn die Datenbasis nachgezogen wird.

Wichtig ist die ehrliche Erwartung: Hundert Prozent sind nicht das Ziel und auch nicht wünschenswert. Es wird immer Vorgänge geben, die menschliche Beurteilung brauchen — neue Lieferanten, ungewöhnliche Konstellationen, echte Reklamationen. Ein gutes System zielt darauf, den Routinefall zu automatisieren und die menschliche Zeit für die wirklich klärungsbedürftigen Fälle freizuräumen.

Stammdaten — der unterschätzte Erfolgsfaktor.

Die häufigste Ursache für enttäuschende Ergebnisse ist nicht die KI, sondern die Datenbasis, gegen die sie matcht. Wenn Artikelstammdaten unvollständig sind, Lieferantenpreise nicht aktuell gepflegt werden oder Rahmenverträge nur in E-Mails statt im System stehen, kann auch das beste Modell nicht zuverlässig abgleichen — es fehlt schlicht die Referenz.

Ein KI-Projekt im Wareneingang ist deshalb oft zugleich ein Stammdatenprojekt. Das ist unbequem, aber ehrlich gesagt der Punkt, an dem die meiste Wertschöpfung liegt: Wer Artikelnummern, Preislisten und Konditionen sauber führt, profitiert nicht nur beim automatischen Abgleich, sondern in der gesamten Beschaffung.

Praktisch hilft, dass das System die Stammdatenlücken sichtbar macht. Wenn eine bestimmte Lieferantenposition immer wieder manuell geklärt werden muss, weil die Zuordnung scheitert, ist das ein konkreter Hinweis, wo nachgepflegt werden sollte. Die KI wird so zum Diagnosewerkzeug für die eigene Datenqualität.

Integration in ERP und Freigabe-Workflow.

Ein Abgleich, der in einem separaten Tool stattfindet und dessen Ergebnis manuell ins ERP übertragen wird, halbiert seinen Nutzen. Der Hebel entsteht, wenn die Prüfung direkt im Beschaffungs- und Rechnungsworkflow verankert ist: Bestelldaten aus dem ERP lesen, Beleg auslesen, abgleichen, bei Übereinstimmung Buchung beziehungsweise Freigabe anstoßen, bei Abweichung den passenden Klärungsworkflow auslösen.

Die gängigen ERP- und Buchhaltungssysteme — SAP, Microsoft Dynamics, DATEV, branchenspezifische Lösungen — bieten dafür heute meist API-Wege oder etablierte Schnittstellen. Wichtig ist, dass die KI nicht selbst final bucht, sondern Vorschläge erzeugt, die im bestehenden Freigabe- und Vier-Augen-Prinzip landen. So bleibt die Kontrolle, wo sie hingehört.

Sinnvoll ist außerdem eine klare Protokollierung: Welche Vorgänge wurden automatisch freigegeben, mit welcher Begründung, welche eskaliert? Das ist nicht nur für die interne Kontrolle wichtig, sondern auch für die Prüfbarkeit durch Wirtschaftsprüfung und Revision.

Grenzen, Risiken und realistischer Nutzen.

Drei Grenzen sind ehrlich zu benennen. Erstens die Belegqualität: Schlecht gescannte, handschriftlich ergänzte oder unvollständige Lieferscheine bleiben für die KI schwierig — Müll am Eingang erzeugt Klärungsbedarf am Ausgang. Zweitens das Fehlerrisiko bei zu großzügigen Toleranzen: Wer die Automatik zu weit öffnet, lässt fehlerhafte Rechnungen durchlaufen. Lieber konservativ starten und Toleranzen mit Erfahrung weiten. Drittens echte Betrugsfälle: Eine gefälschte, aber formal stimmige Rechnung erkennt der reine Abgleich nicht — dafür braucht es zusätzliche Plausibilitäts- und Anomalieprüfungen.

Der realistische Nutzen liegt dennoch klar auf der Hand. Bei mittleren Belegvolumina lässt sich der manuelle Aufwand in der Rechnungsprüfung typischerweise um 40 bis 70 Prozent reduzieren, Durchlaufzeiten verkürzen sich von Tagen auf Stunden, und Skontofristen werden seltener verpasst. Hinzu kommt ein qualitativer Effekt: Die Buchhaltung beschäftigt sich mit den echten Problemfällen statt mit dem Abhaken korrekter Routine.

Ein Pilot auf einer abgegrenzten Lieferantengruppe oder Materialkategorie liefert in acht bis zwölf Wochen belastbare Zahlen zur eigenen Dunkelquote — und damit eine ehrliche Grundlage für die Frage, ob sich die breitere Einführung rechnet.

Sie wollen wissen, welche Dunkelverarbeitungsquote bei Ihren Lieferanten und Ihrer Stammdatenlage erreichbar wäre? Unverbindlich anfragen — wir prüfen gemeinsam Belegtypen, Stammdatenqualität und ERP-Anbindung und schätzen den realistischen Automatisierungsgrad ehrlich ab.