Walkthrough · Use-Case 1

Wie ihr Belege mit KI schneller erfasst.

Eure Buchhaltungs-Mitarbeiter verbringen 3,5 Stunden pro Mandant mit Belegklassifizierung, Kontierung und DATEV-Eingabe — und die Belege liegen trotzdem unsortiert im DATEV-Eingang. Wer wachsen will, kann sich diesen Stundenfraß nicht mehr leisten.

Kurzfassung

Mit Claude 3.5 Sonnet (Vision) und einer schlanken DATEV-Anbindung bringt ihr die KI Belegerfassung von 3,5 Stunden auf rund 30 Minuten pro Mandant — §203-konform, ohne neue Plattform und ohne IT-Studium.

Warum die Belegerfassung der größte Zeitfresser ist.

Die Belegerfassung ist in der typischen Mittel-Kanzlei (11-50 MA) der einzige Prozess, der jede Woche denselben Schmerz produziert: Eingangsrechnungen kommen als PDF, Foto oder gescannte Papierbelege rein, müssen klassifiziert, kontiert und in DATEV eingebucht werden. Pro Mandant sind das 3-4 Stunden — in der USt-Voranmeldungs-Woche multipliziert mit 40 Mandanten. Wer dann noch GoBD-konform ablegen will, hat die Hälfte des Buchhaltungs-Teams gebunden.

DATEV hat dafür eigene Tools (Unternehmen online, Belegtransfer), aber die hören bei der OCR auf. Die Kontierungs-Logik — also welche Tankrechnung auf SKR03 4530 gehört und welche auf 4910 — bleibt Handarbeit. Genau hier ist die Lücke, in die KI Belegerfassung springt: Ein LLM wie Claude liest den Beleg, extrahiert die strukturierten Daten, schlägt das richtige SKR03/SKR04-Konto vor und übergibt die Buchung als CSV oder XML an DATEV. Was die Sachbearbeiterin dann noch macht, ist Freigabe per Klick — keine Tipparbeit.

5 Schritte

So sieht das in der Praxis aus.

Belege einsammeln — einen einzigen Eingangskanal pro Mandant.

Ihr definiert pro Mandant genau einen Sammelpunkt — z.B. ein dediziertes Mail-Postfach belege-mueller@kanzlei.de, einen DATEV-Unternehmen-online-Upload-Ordner oder ein Tally-Upload-Portal. Mandant scannt oder mailt direkt dorthin.

Der Trigger (Mail-Eingang, neue Datei im Ordner) startet den Workflow automatisch in Make.com oder n8n. Mehrere parallele Kanäle pro Mandant brechen den Prozess — eine Quelle, ein Trigger, eine Pipeline.

KI-OCR + Strukturierung mit Claude Vision.

Make.com schickt jeden Beleg an Claude 3.5 Sonnet mit Vision-Capability. Der Prompt verlangt strukturierten JSON-Output: Lieferant, Rechnungsdatum, Brutto, Netto, USt-Satz, USt-Betrag, Belegnummer, Leistungsbeschreibung. Claude liefert das auch bei schiefen Handy-Fotos, schlechten Scans oder gemischter Sprache (DE/EN).

Confidence-Score pro Feld wird mitgeschickt — Werte unter 0.85 fliegen in eine Prüfungs-Queue statt direkt in die Buchung.

SKR03/SKR04-Kontierungs-Vorschlag per LLM.

Im selben Workflow läuft ein zweiter Prompt mit Mandanten-Kontext: Branche, Rechtsform, übliche Aufwandskonten der letzten 12 Monate als Whitelist. Claude bekommt den extrahierten Beleg + diesen Kontext und schlägt das SKR03-Konto vor (z.B. 4900 Bürobedarf, 4910 Telefon, 4530 Fahrzeugkosten).

Wichtig: Wir geben dem LLM eine geschlossene Konten-Liste mit, kein freies Raten — sonst halluziniert die KI Konten, die der Mandant gar nicht nutzt.

2-Klick-Freigabe durch den Sachbearbeiter.

Ein schlankes Web-UI (Retool, Tally Pro oder selbstgebaut in Next.js) zeigt der Sachbearbeiterin pro Beleg: Original-PDF links, extrahierte Felder und Kontierungs-Vorschlag rechts. Sie klickt „Akzeptieren“ (90% der Fälle) oder „Korrigieren“.

Bei Korrektur wird das Konto direkt überschrieben und die Korrektur fließt in den Mandanten-Lernkontext zurück. Keine Tipparbeit, keine DATEV-Maske, keine Tab-Wechsel.

DATEV-Import per CSV oder DATEVconnect-API.

Nach Freigabe baut der Workflow eine DATEV-konforme Buchungs-Datei (CSV-Format DATEV-Standard, oder XML via DATEVconnect online). Die Datei wird in den DATEV-Belegtransfer oder direkt in DATEV Rechnungswesen pro importiert.

Original-Beleg geht parallel ins GoBD-konforme Belege-Archiv (DATEV DMS oder S3 + Audit-Log). Die Buchung steht damit revisionssicher im System — und ihr habt pro Beleg 4-6 Minuten gespart.

Beispiel-Output

Was am Ende rauskommt.

Konkretes Resultat aus einem Mandantenfall (anonymisiert):

Mandant Müller GmbH · Mai 2026
23 Eingangsrechnungen verarbeitet, davon
  - 21 automatisch korrekt kontiert (SKR03 4900, 4910, 4530, 6815)
  -  2 zur manuellen Prüfung markiert:
     - Tankrechnung 17.05. - kein USt-Ausweis sichtbar, Confidence 0.71
     - Bewirtungsbeleg 22.05. - Anlass-Vermerk fehlt, Pflichtfeld

Gesamtzeit Sachbearbeiter:       27 Minuten
Gesamtzeit ohne KI (Vorperiode): 3,5 Stunden
Eingesparte Kapazität / Mandant: ~3 Stunden / Monat

Hochgerechnet auf 40 Mandanten = 120 Stunden frei pro Monat. Das ist eine halbe Vollzeit-Stelle, die ihr in Beratung statt in Belegerfassung steckt.

Wo es kompliziert wird

Edge-Cases & Vorsicht.

Drei Stellen, an denen das Setup kippen kann — und wie wir sie absichern:

  • Halluzination bei unscharfen Scans — Bei schiefen Handy-Fotos, Knickfalten oder verwischtem Thermopapier (Tankquittungen!) erfindet die KI Beträge, die nicht auf dem Beleg stehen. Lösung: Confidence-Score pro Feld vom LLM verlangen. Werte unter 0.85 bei Brutto-, Netto- oder USt-Betrag lösen automatisch ein PRÜFEN-Flag aus — kein Auto-Buchen, sondern Hand-Sichtung. Für kritische Belege zusätzlich 2-Pass-Check (zwei Prompts, Diff der Ergebnisse fliegt in die Prüfung).
  • Falsch-Kontierung bei unbekanntem Lieferanten — Lieferant taucht zum ersten Mal auf, KI rät SKR03-Konto ohne Mandanten-Kontext und legt z.B. einen Kreativ-Dienstleister auf 4980 (Werbekosten) statt 4910 (Telefon/Internet) ab. Lösung: Mandanten-spezifische Konten-Whitelist im Prompt-Kontext. Wir extrahieren aus den letzten 12 Monaten DATEV-Buchungen die Top-30-Konten pro Mandant und übergeben sie als geschlossene Auswahl-Liste. Neue Lieferanten werden in einem separaten Onboarding-Step manuell zugeordnet — danach lernt das System.
  • §203 StGB und Mandantengeheimnis — Belege enthalten Mandantengeheimnis (Lieferantennamen, Beträge, Geschäftsbeziehungen). Wer das ohne Rechtsgrundlage an ein US-LLM-API schickt, verstößt gegen § 203 StGB und § 62 StBerG. Lösung: Claude (Anthropic) mit AVV nach Art. 28 DSGVO, EU-Region (Frankfurt-Datacenter via AWS Bedrock), kein Training auf API-Daten (Anthropic-Default), Pseudonymisierung des Mandantennamens vor dem API-Call (Mandant_A123 statt Müller GmbH). KI-Klausel im Mandatsvertrag mit ausdrücklicher Einwilligung. Bei Hochsensibilität (Prominenten-Mandate) lokales LLM via Ollama (Llama 3.1 70B) on-prem.
Nächster Schritt

Klingt nach eurer Kanzlei?

45 Minuten reichen, um zu klären, welche DATEV-Schnittstelle ihr habt, welcher Stack zu eurer Belegerfassung passt und an welchem Pilot-Mandanten wir den ROI in 4 Wochen belegen.

45-Min-Erstgespräch buchen
45 Minuten · per Video oder Telefon