Als dritter Teil unserer Beitragsreihe zur KI-Transformation im Finanz- und Rechnungswesen richten wir den Blick auf den digitalen Rechnungseingang und die Accounts Payable Automation. Die Ausgangslage unterscheidet sich dabei von anderen Finance-Prozessen: Viele Standardschritte der Rechnungsverarbeitung lassen sich bereits seit Jahren automatisieren. Gleichzeitig bleiben Ausnahmen, uneinheitliche Rechnungsformate und fehlende oder widersprüchliche Informationen ein Grund für manuelle Eingriffe.

Mit der im März 2024 beschlossenen Einführung der verpflichtenden E-Rechnung für inländische B2B-Umsätze ab 2025 kommt eine zweite Entwicklung hinzu. Strukturierte Rechnungsdaten reduzieren perspektivisch den Aufwand für die reine Datenerfassung. Damit verschiebt sich auch die Frage nach dem Einsatz von KI: Interessant wird sie vor allem dort, wo ein standardisierter und regelbasierter Prozess nicht eindeutig weiterkommt.

AP Automation automatisiert den Standardfall bereits weitgehend

Accounts Payable Automation umfasst die digitale Unterstützung und Automatisierung der Prozesse vom Rechnungseingang über Prüfung, Kontierung und Freigabe bis zur Übergabe an Buchhaltung und Zahlung. Klassische Lösungen kombinieren dafür Dokumentenerfassung, OCR, Regelwerke, Workflow-Management und die Integration mit ERP- und Beschaffungssystemen. Bei bestellbezogenen Rechnungen kommt häufig das Matching von Rechnung, Bestellung und Wareneingang hinzu.

Diese Architektur funktioniert besonders gut, wenn Eingangsdaten strukturiert vorliegen und sich Geschäftsvorfälle anhand klarer Regeln prüfen lassen. Schwieriger wird die Verarbeitung bei unterschiedlichen Dokumentenlayouts, uneinheitlichen Bezeichnungen oder fehlenden Informationen. Eine 2023 veröffentlichte Untersuchung zur automatisierten Rechnungsverarbeitung zeigt beispielsweise, dass Machine-Learning-Verfahren insbesondere dabei helfen können, Daten aus unstrukturierten Rechnungen unterschiedlicher Lieferanten zu extrahieren. Gleichzeitig zeigt die Untersuchung auch, dass die Vielfalt der Lieferanten und Rechnungsformate eine Herausforderung für die Modelle bleibt.

Genau an dieser Grenze setzt die Weiterentwicklung durch KI an. Dabei ersetzt KI nicht die vorhandene Automatisierungslogik. Für eindeutige Prüfungen, mathematische Kontrollen, definierte Freigaberegeln und standardisierte Buchungsabläufe bleiben deterministische Regeln sinnvoll. KI erweitert vielmehr die Möglichkeiten bei Vorgängen, bei denen Informationen zunächst interpretiert oder Abweichungen eingeordnet werden müssen.

Die E-Rechnung verändert die Ausgangslage der Rechnungserfassung

Mit dem Wachstumschancengesetz hatte der Gesetzgeber zum Zeitpunkt dieses Beitrags bereits entschieden, die E-Rechnung für Umsätze zwischen inländischen Unternehmen schrittweise zum Standard zu machen. Ab dem 1. Januar 2025 müssen Unternehmen grundsätzlich in der Lage sein, entsprechende strukturierte E-Rechnungen zu empfangen. Für die Ausstellung gelten Übergangsregelungen.

Für die AP Automation ist diese Entwicklung relevant, weil strukturierte Rechnungsformate einen wesentlichen bisherigen Automatisierungsschritt verändern. Bei einer korrekt strukturierten E-Rechnung müssen relevante Rechnungsinformationen nicht zunächst aus einem PDF oder Scan erkannt werden. Sie liegen bereits als maschinenverarbeitbare Daten vor. Die elektronische Rechnung vereinfacht deshalb gerade jene Datenerfassung, bei der OCR und Intelligent Document Processing bisher einen wesentlichen Beitrag leisten.

Das bedeutet allerdings nicht, dass die intelligente Dokumentenerkennung kurzfristig überflüssig wird. Während der Übergangsphase bleiben unterschiedliche elektronische und nicht strukturierte Formate bestehen. Hinzu kommen internationale Rechnungen und weitere Dokumente, die nicht unter die deutsche B2B-E-Rechnungspflicht fallen. Der Rechnungseingang bleibt damit zunächst heterogen. Aus Sicht der AP Automation entstehen zwei parallele Aufgaben: strukturierte Daten möglichst direkt verarbeiten und nicht strukturierte Informationen weiterhin zuverlässig erfassen und interpretieren.

KI erweitert die Verarbeitung schwieriger und uneindeutiger Rechnungsfälle

Gerade bei der zweiten Aufgabe hatten Machine Learning und dokumentenbezogene KI bis Mitte 2024 bereits deutliche Fortschritte gemacht. Moderne Verfahren kombinieren OCR mit Modellen, die neben einzelnen Zeichen und Textfeldern auch Layout und Kontext eines Dokuments berücksichtigen. Dadurch lassen sich beispielsweise Rechnungsnummer, Lieferant, Beträge, Zahlungsbedingungen und Rechnungspositionen auch dann erkennen, wenn Lieferanten unterschiedliche Dokumentstrukturen verwenden.

Wie anspruchsvoll diese Aufgabe bleibt, zeigt auch eine im Juni 2024 veröffentlichte wissenschaftliche Untersuchung zur Informationsextraktion aus Rechnungen. Die Ergebnisse verdeutlichen, dass bislang unbekannte Layoutvarianten die Erkennungsleistung beeinflussen und eine größere Vielfalt im Trainingsmaterial die Verarbeitung verbessert. Die Entwicklung geht damit über klassische OCR hinaus, löst das Problem unterschiedlicher und unbekannter Rechnungsvarianten aber nicht vollständig.

Für die AP Automation lassen sich daraus insbesondere vier Einsatzbereiche ableiten:

• Intelligentere Dokumentenerfassung: Machine-Learning-Modelle können Informationen aus unterschiedlichen PDF-, Scan- und Bildformaten extrahieren und strukturiert an den weiteren Prozess übergeben.
• Unterstützung beim Matching: Systeme können Abweichungen zwischen Rechnung, Bestellung und Wareneingang identifizieren und Informationen für die weitere Prüfung zusammenführen.
• Erkennung auffälliger Vorgänge: Datenanalytische Modelle können Abweichungen und ungewöhnliche Muster markieren, die eine zusätzliche Prüfung erfordern.
• Bearbeitung von Ausnahmefällen: KI kann Informationen aus Dokumenten und vorhandenen Transaktionsdaten aufbereiten und damit die Entscheidung unterstützen, wie ein nicht eindeutig regelbasiert lösbarer Vorgang weiterbearbeitet werden sollte.

Gerade die Dokumentenerfassung zeigt, warum diese Erweiterung relevant ist. AWS beschrieb im März 2024 bei einer Referenzarchitektur zur Rechnungsverarbeitung, dass Rechnungen sehr unterschiedlich aufgebaut sind und wichtige Informationen häufig nicht eindeutig beschriftet werden. Die Erkennung muss deshalb neben dem Text auch den Kontext berücksichtigen.

Automatisierung verschiebt sich von der Datenerfassung zur Ausnahmebehandlung

Damit zeichnet sich für die AP Automation eine interessante Entwicklung ab. Je stärker strukturierte elektronische Rechnungen zum Standard werden, desto weniger liegt der langfristige Automatisierungshebel allein in einer besseren OCR-Erkennung. Der Fokus verschiebt sich auf die Verarbeitung der Fälle, die nicht problemlos durch den Standardprozess laufen.

Das betrifft beispielsweise Preis- oder Mengenabweichungen, fehlende Bestellbezüge, unbekannte Kontierungsinformationen, widersprüchliche Angaben oder Rechnungen, bei denen der weitere Workflow nicht eindeutig bestimmt werden kann. Genau hier kann KI Informationen klassifizieren, Zusammenhänge herstellen und Vorschläge für die weitere Bearbeitung liefern. Die Entscheidung darüber, welche Fälle vollständig automatisiert werden können und wann eine fachliche Prüfung notwendig bleibt, gehört damit zum eigentlichen Prozessdesign.

Diese Perspektive unterscheidet den Einsatz von KI in der AP Automation von der allgemeinen Diskussion über neue KI-Technologien. Wie wir im vorherigen Beitrag „Relevante KI-Entwicklungen für die Transformation im Finanz- und Rechnungswesen" erläutert haben, stehen unterschiedliche KI-Ansätze für unterschiedliche Aufgaben zur Verfügung. Im Rechnungseingang entscheidet jedoch weniger die Technologiebezeichnung als die Frage, welche bislang manuellen Ausnahme- und Interpretationsschritte sich damit zuverlässig unterstützen oder automatisieren lassen.

Fazit: Evolution der AP Automation statt vollständiger Neuanfang

Die neuen KI-Möglichkeiten stellen die bisherige AP-Automatisierung nicht grundsätzlich infrage. Strukturierte Daten, regelbasierte Prüfungen, Workflow-Logiken und ERP-Integration bleiben die Grundlage eines automatisierten Rechnungseingangs. Gleichzeitig erweitern Machine Learning und dokumentenbezogene KI die Verarbeitung dort, wo klassische Regeln aufgrund unterschiedlicher Dokumente oder nicht eindeutiger Informationen an Grenzen stoßen.

Mit der Einführung der E-Rechnung verändert sich diese Grenze zusätzlich. Strukturierte Rechnungsdaten reduzieren perspektivisch den Aufwand für die Erfassung des Standardfalls. Dadurch gewinnen Matching, Ausnahmebehandlung und die intelligente Unterstützung von Prüfentscheidungen an Bedeutung. Die relevante Entwicklung liegt damit weniger im Neuerfinden des gesamten Rechnungseingangs durch KI als in der Vergrößerung des Anteils der Vorgänge, die ohne manuelle Nachbearbeitung durch den Prozess laufen können.

Im nächsten Beitrag unserer Serie erweitern wir deshalb die Perspektive vom Rechnungseingang auf den gesamten Purchase-to-Pay-Prozess. Dort stellt sich eine weitergehende Frage: Wie verändert KI nicht nur einzelne Verarbeitungsschritte, sondern das Zusammenspiel von Beschaffung, Bestellung, Rechnungsverarbeitung und Zahlung?