Wie KI Belege kontiert: Die Kaskade hinter dem Buchungsvorschlag

Wenn über KI in der Buchhaltung gesprochen wird, entsteht meist das Bild eines Modells, das einen Beleg ansieht und ein Konto nennt. So funktionieren brauchbare Systeme nicht, und die Systeme, die so funktionieren, sind die mit der niedrigen Trefferquote.

Die vier Stufen

Ein Buchungsvorschlag entsteht in einer Kaskade. Jede Stufe wird nur befragt, wenn die vorherige keine Antwort geliefert hat.

Stufe 1: die Vorgabe am Lieferanten. Ist für einen Kreditor hinterlegt, dass seine Rechnungen auf ein bestimmtes Konto mit einem bestimmten Steuersatz gehen, ist der Fall entschieden. Kein Modell, keine Wahrscheinlichkeit, eine feste Zuordnung. Diese Stufe erledigt in gewachsenen Beständen den größten Teil des Aufkommens, weil dieselben Lieferanten Monat für Monat wiederkehren.

Stufe 2: die Regel. Für Fälle, die sich nicht am Lieferanten festmachen lassen, aber einem klaren Muster folgen. Etwa: Beträge von einem bestimmten Zahlungsdienstleister mit einem bestimmten Verwendungszweck gehen immer auf dasselbe Konto. Regeln sind schnell und nachvollziehbar, veralten aber, wenn sie niemand pflegt.

Stufe 3: die bisherigen Buchungen des Mandanten. Wie wurde ein vergleichbarer Beleg in diesem Mandat in der Vergangenheit gebucht? Das ist die stärkste Stufe für alles, was nicht formal geregelt ist, weil sie die tatsächliche Praxis dieses Bestands abbildet und nicht eine allgemeine Erwartung. Sie setzt allerdings Historie voraus und liefert bei neuen Mandaten nichts.

Stufe 4: das Modell. Erst hier kommt ein Sprachmodell zum Einsatz, und zwar für den Rest: unbekannter Lieferant, ungewöhnlicher Sachverhalt, kein Muster in der Historie. Das Modell bekommt den Belegtext, den Kontenplan des Mandanten und den bisherigen Kontext und schlägt vor.

Was auf jeder Stufe konkret hinterlegt ist

Die Stufen unterscheiden sich nicht nur in der Reihenfolge, sondern in der Art der Information, aus der sie schöpfen. Das ist der Grund, warum sie unterschiedlich zuverlässig sind.

Stufe 1 arbeitet mit einer Eigenschaft der Geschäftsbeziehung. Am Kreditor hängen nicht nur Konto und Steuersatz, sondern idealerweise auch die Kennzeichnung, ob nach § 13b abgerechnet wird, der vereinbarte Skontosatz mit Frist, die Kostenstelle bei eindeutiger Zuordnung und die Zahlungsbedingungen. Diese Angaben ändern sich selten, und wenn sie sich ändern, dann bewusst.

Stufe 2 arbeitet mit einer Bedingung. Eine Regel besteht aus einem Muster und einer Folge: Trifft ein Beleg dieses Zahlungsdienstleisters mit dieser Verwendungszweckstruktur ein, gehört er auf dieses Konto. Regeln sind mächtig, weil sie Fälle abdecken, die sich nicht an einem Lieferanten festmachen lassen. Sie sind zugleich die Stufe, die am schnellsten veraltet, weil niemand merkt, wenn sich das Muster ändert.

Stufe 3 arbeitet mit einer Häufigkeit. Gesucht wird, wie vergleichbare Sachverhalte in diesem Mandat bisher behandelt wurden. Vergleichbar heißt dabei nicht identisch: Ähnliche Leistungsbeschreibung, ähnlicher Betragsbereich, gleiche Branche des Lieferanten. Diese Stufe bildet die tatsächliche Praxis des Bestands ab und nicht eine allgemeine Erwartung, und darin liegt ihr Wert. Zwei Mandanten können denselben Sachverhalt unterschiedlich buchen, und beide können recht haben.

Stufe 4 arbeitet mit Sprache. Das Modell bekommt den Belegtext, den Kontenplan des Mandanten und den bisherigen Kontext. Es leistet etwas, das keine der anderen Stufen kann: Es versteht eine Leistungsbeschreibung, die es noch nie gesehen hat. Und es hat einen Nachteil, den keine der anderen hat: Es kann eine plausible, aber unzutreffende Antwort geben, ohne das kenntlich zu machen.

Wenn zwei Stufen widersprechen

Der interessante Fall ist nicht, dass eine Stufe antwortet, sondern dass zwei unterschiedlich antworten.

Ein Beispiel: Am Kreditor ist ein Aufwandskonto für Bürobedarf hinterlegt. Die aktuelle Rechnung desselben Lieferanten enthält aber ein Notebook für 890 Euro. Stufe 1 sagt Bürobedarf, die Auswertung des Belegtextes sagt Anlagenzugang.

Streng nach Kaskade gewinnt Stufe 1, und das Ergebnis wäre falsch. Ein brauchbares Verfahren behandelt diesen Fall deshalb anders: Es erkennt die Abweichung und legt sie vor, statt sie stillschweigend aufzulösen.

Drei Signale rechtfertigen ein Aussteuern trotz vorhandener Zuordnung:

• Der Betrag weicht deutlich vom bisherigen Muster dieses Lieferanten ab
• Die Leistungsbeschreibung passt nicht zum hinterlegten Konto
• Der Steuersatz auf dem Beleg weicht vom hinterlegten ab

Der dritte Punkt ist besonders wichtig, weil er auf eine Änderung der Rechtslage oder auf einen Fehler des Lieferanten hindeuten kann. Beides gehört gesehen.

Was Konfidenz bedeutet und was nicht

Viele Systeme zeigen zu jedem Vorschlag einen Sicherheitswert an. Der ist nützlich und wird regelmäßig überinterpretiert.

Ein hoher Wert bedeutet: Das Verfahren hat einen klaren Treffer. Bei Stufe 1 ist das trivialerweise der Fall, weil eine Festlegung keine Wahrscheinlichkeit kennt. Bei Stufe 4 bedeutet ein hoher Wert lediglich, dass das Modell wenig Alternativen gesehen hat, nicht dass die Antwort richtig ist.

Praktisch sinnvoll ist deshalb, den Schwellenwert nicht global zu setzen, sondern je Stufe und je Betragsklasse:

Ein einheitlicher Schwellenwert über alle Stufen hinweg führt dazu, dass entweder zu viel geprüft oder zu viel durchgelassen wird.

Der Kaltstart

Ein neues Mandat hat keine Historie, keine hinterlegten Kreditoren und keine Regeln. Damit fallen drei von vier Stufen aus, und alles läuft über das Modell.

Das ist der Zustand, in dem Systeme regelmäßig bewertet werden und in dem sie am schlechtesten aussehen. Zwei Wege verkürzen ihn erheblich:

Die Historie übernehmen. Liegen Buchungen aus Vorperioden vor, lässt sich daraus die Zuordnung der wiederkehrenden Lieferanten ableiten, ohne dass jemand sie eintippt. Ein Bestand mit zwei Jahren Historie ist damit vom ersten Tag an auf dem Niveau, das sonst nach Monaten erreicht wird.

Die zwanzig größten Lieferanten vorab hinterlegen. Eine Liste, sortiert nach Belegzahl, ist in Minuten erzeugt und deckt in den meisten Mandaten den überwiegenden Teil des Aufkommens ab. Mehr dazu in Kreditorenstamm.

Wer beides überspringt, misst im ersten Monat die Leistung eines Systems, das nichts über den Mandanten weiß, und hält das Ergebnis für die Leistung des Systems.

Warum die Reihenfolge wichtiger ist als das Modell

Drei Gründe sprechen dagegen, alles dem Modell zu überlassen:

Nachvollziehbarkeit. Ein Vorschlag aus Stufe 1 lässt sich begründen: Der Lieferant ist so hinterlegt. Ein Vorschlag aus Stufe 4 lässt sich nur eingeschränkt begründen. Für eine Buchführung, die nach § 146 AO nachvollziehbar sein muss, ist das ein Unterschied.

Stabilität. Eine feste Zuordnung liefert bei zehn gleichen Rechnungen zehnmal dasselbe Ergebnis. Ein Modell kann bei geringfügig abweichender Formulierung anders entscheiden, und diese Schwankung fällt in der Prüfung als Inkonsistenz auf.

Kosten und Zeit. Jeder Modellaufruf kostet. Bei tausend Belegen im Monat ist es ein erheblicher Unterschied, ob das Modell zehn Prozent davon sieht oder alle.

Die eigentliche Ingenieursleistung liegt deshalb nicht im Modell, sondern in den ersten drei Stufen und darin, wann welche greift.

Was vor der Kontierung passieren muss

Kontieren kann nur, wer weiß, was auf dem Beleg steht. Drei Wege führen dorthin, mit sehr unterschiedlicher Zuverlässigkeit:

Der strukturierte Datensatz. Bei einer E-Rechnung liegen alle Felder exakt vor: Beträge, Steuersätze, Positionen, Lieferantendaten. Nichts wird geschätzt. Das ist der beste Fall und der Grund, warum die E-Rechnungspflicht der Automatisierung mehr hilft als jede Verbesserung der Texterkennung.

Die Textebene des PDF. Ein digital erzeugtes PDF enthält seinen Text bereits. Er muss nur gelesen und den richtigen Feldern zugeordnet werden. Zuverlässig, solange das Layout auswertbar ist.

Die Bilderkennung. Ein Foto oder ein Scan ohne Textebene muss erst in Text verwandelt werden. Hier entstehen die Fehler: verschluckte Ziffern, verwechselte Zeichen, zusammengezogene Zeilen. Ein handschriftlich ergänzter Betrag auf einem Bewirtungsbeleg ist der härteste Fall überhaupt.

Für die Bewertung eines Systems folgt daraus eine konkrete Frage: Wird bei einem ZUGFeRD-PDF das eingebettete XML genutzt oder läuft die Datei durch die Bilderkennung? Der zweite Fall bedeutet, dass geraten wird, obwohl die Daten exakt vorliegen. Er kommt häufiger vor, als man erwarten würde.

Ein Beleg durch alle vier Stufen

Damit die Kaskade greifbar wird, drei Belege desselben Mandanten im selben Monat:

Rechnung des Telefonanbieters, 89 Euro. Der Kreditor ist bekannt, die Zuordnung hinterlegt. Stufe 1 antwortet, Bearbeitungszeit im Sekundenbereich, kein Modell beteiligt.

Zahlung an einen Zahlungsdienstleister, 1.240 Euro. Kein Beleg dieses Namens im Stamm, aber eine Regel: Beträge dieses Dienstleisters mit dieser Verwendungszweckstruktur sind Auszahlungen aus dem Onlineshop und laufen auf ein Verrechnungskonto. Stufe 2 antwortet.

Rechnung eines Ingenieurbüros, 4.200 Euro, erstmalig. Kein Kreditor, keine Regel. Stufe 3 sucht in der Historie: Wurden vergleichbare Leistungen in diesem Mandat bisher als Fremdleistung oder als Instandhaltung gebucht? Findet sich ein Muster, ist der Fall entschieden.

Rechnung über eine Softwarelizenz aus Irland, 890 Euro, ohne Umsatzsteuerausweis. Nichts davon greift. Erst hier arbeitet Stufe 4, und zwar mit dem Belegtext, dem Kontenplan des Mandanten und dem Hinweis, dass eine ausländische Umsatzsteuer-Identifikationsnummer vorliegt. Das Ergebnis ist ein Vorschlag mit Reverse Charge, der geprüft gehört.

Bemerkenswert an dieser Reihe ist die Verteilung: Drei von vier Belegen wurden ohne Modell entschieden, und der vierte ist genau der, bei dem ein Mensch ohnehin hinsehen würde.

Die Prüfungen, die danach kommen müssen

Ein Vorschlag ist erst brauchbar, wenn er geprüft ist. Vier Prüfungen sollten immer laufen:

• Rechnerisch: Passen Netto, Steuersatz und Steuerbetrag zueinander? Weicht die Summe ab, ist eine der drei erkannten Zahlen falsch.
• Formal: Sind die Pflichtangaben nach § 14 UStG vorhanden? Fehlt eine der fünf Kernangaben, ist der Vorsteuerabzug gefährdet.
• Gegen den Kontenplan: Existiert das vorgeschlagene Konto im Mandantenbestand?
• Gegen die Vergangenheit: Weicht der Vorschlag von der bisherigen Behandlung desselben Lieferanten ab? Dann ist entweder der Vorschlag falsch oder es hat sich etwas geändert. Beides gehört angesehen.

Die letzte Prüfung ist die wirksamste und wird am seltensten umgesetzt. Sie fängt genau die Fälle ab, in denen ein Verfahren plausibel, aber anders als bisher entscheidet.

Wie sich ein Fehler fortpflanzt

Der Unterschied zwischen einem einzelnen Fehler und einem systematischen liegt darin, ob er gelernt wird.

Wird ein falscher Vorschlag bestätigt, passiert in einem lernenden System zweierlei: Die Buchung ist falsch, und die Zuordnung ist es ab jetzt auch. Beim nächsten Beleg desselben Lieferanten wird derselbe Fehler wiederholt, diesmal ohne dass jemand hinsieht, weil Stufe 1 antwortet und Stufe 1 als zuverlässig gilt.

Nach zwölf Monaten stehen zwölf gleichartige Fehlbuchungen in der Buchführung, alle mit derselben Begründung. In einer Betriebsprüfung ist das ungünstiger als zwölf verschiedene Fehler, weil es als System erkennbar ist.

Drei Maßnahmen begrenzen das:

Die Herkunft muss sichtbar sein. Wer nicht sehen kann, dass ein Vorschlag aus einer hinterlegten Zuordnung stammt, kann die Zuordnung auch nicht in Frage stellen.

Die hinterlegten Zuordnungen gehören auf eine Liste. Einmal im Jahr durchgesehen, dauert das bei einem mittleren Bestand rund eine Stunde und deckt genau diese Fälle auf.

Der erste Beleg eines Lieferanten verdient mehr Aufmerksamkeit als der zwanzigste. Er entscheidet über alle folgenden. Das ist der wirksamste Ansatzpunkt für eine gezielte Prüfung, siehe Prüfen statt erfassen.

Wo die Grenzen liegen

Ein System kann nicht wissen, was nicht auf dem Beleg steht und sich nicht aus dem Kontext ergibt. Drei Beispiele:

• Die betriebliche Veranlassung. Ob ein Notebook für den Betrieb oder für das Kind gekauft wurde, steht auf keiner Rechnung.
• Die Kostenstelle. Auf einer Tankrechnung steht nicht, zu welchem Fahrzeug sie gehört. Diese Zuordnung muss aus einem anderen Merkmal kommen, etwa dem Kartenkennzeichen.
• Der Anlass einer Bewirtung. Er ist eine Angabe, die der Mandant beisteuern muss, und keine, die aus dem Beleg abzuleiten wäre.

Systeme, die an diesen Stellen trotzdem eine Antwort erzeugen, sind nicht besser, sondern gefährlicher. Der richtige Umgang ist, den Fall auszusteuern und nach der fehlenden Information zu fragen, am besten direkt beim Mandanten und am Beleg.

Die Stufenverteilung als Kennzahl

Eine Zahl, die kaum ein Anbieter ausweist und die mehr über ein System aussagt als jede Trefferquote: Wie verteilen sich die Vorschläge auf die vier Stufen?

Ein gesunder Bestand nach zwei Quartalen sieht ungefähr so aus:

Verschiebt sich der Anteil des Modells nach oben statt nach unten, stimmt etwas nicht. Zwei Ursachen sind wahrscheinlich: Korrekturen fließen nicht zurück, oder der Lieferantenstamm hat Dubletten, sodass wiederkehrende Lieferanten nicht wiedererkannt werden.

Diese Auswertung ist deshalb ein guter Frühindikator. Sie zeigt Probleme, bevor sie sich in der Trefferquote niederschlagen, und sie sagt zugleich, wo anzusetzen ist.

Was das für die laufenden Kosten bedeutet

Ein Nebeneffekt der Kaskade, der bei nutzungsabhängigen Preismodellen unmittelbar wirkt: Jeder Modellaufruf kostet Geld und Zeit.

Bei einem Bestand mit mehreren tausend Belegen im Monat ist es ein erheblicher Unterschied, ob das Modell zehn Prozent davon sieht oder alle. Ein System, das jeden Beleg durch ein Sprachmodell schickt, ist nicht gründlicher, sondern nur teurer, und es ist bei gleicher Qualität langsamer.

Das ist auch der Grund, warum die Frage nach der Architektur keine technische Spielerei ist. Sie schlägt direkt auf die Betriebskosten durch. Wie sich die Modelle im Markt unterscheiden, steht in Was KI-Buchhaltung kostet.

Wie die Anbieter im Markt das lösen

Die Architektur unterscheidet sich zwischen den Systemen deutlich, und sie ist im Auswahlgespräch selten Thema. Drei Beobachtungen aus den Anbieterdarstellungen, Stand August 2026:

Spezialisierung auf einen schwierigen Fall. Manche Anbieter bauen ihre Verfahren erkennbar um einen bestimmten Belegtyp herum, etwa um aufteilungsbedürftige Rechnungen. Das ist sinnvoll, wenn dieser Typ im eigenen Bestand häufig ist, und ohne Wirkung, wenn nicht. Der Vergleich DATEV oder Finmatics geht darauf ein.

Breite statt Tiefe. Andere decken die gesamte Kette ab, von der Eingangsrechnung über die Bank bis zum Rechnungsausgang. Das verringert die Zahl der Systeme und erhöht die Bindung. Siehe DATEV oder Tabula.

Der Dienst des führenden Systems selbst. Der naheliegendste Vergleichsmaßstab und der am häufigsten übersprungene. Wer den DATEV-Automatisierungsservice bereits nutzt und dessen Ergebnisse akzeptabel findet, braucht keinen zusätzlichen Übergabepunkt.

Für die Bewertung heißt das: Die Frage lautet nicht, welches System die beste Technik hat, sondern welche Architektur zum eigenen Belegmix passt. Die dafür nötigen Zahlen stehen in Automatisierungsquote richtig messen.

Was das für die Auswahl bedeutet

Statt nach einer Prozentzahl zu fragen, führen vier Fragen weiter:

1. Welche Stufen gibt es, und was passiert, wenn eine keine Antwort hat?
2. Wird der individuelle Kontenplan gelesen oder gegen einen Standardrahmen gearbeitet?
3. Werden strukturierte Daten genutzt, wo sie vorliegen?
4. Was passiert mit einem Fall, der nicht entscheidbar ist? Wird geraten oder gefragt?

Die vierte Frage trennt die Systeme am deutlichsten. Ein Verfahren, das jeden Beleg beantwortet, hat keine höhere Trefferquote, sondern nur eine unauffälligere Fehlerquote.