xSuite Group GmbH

Zum einen existiert keine weltweit einheitliche Pflicht zur E-Rechnung. Unternehmen mit internationaler Geschäftstätigkeit müssen daher weiterhin unterschiedliche Formate verarbeiten. Ferner gelten viele Ausnahmen, etwa für Rechnungen unterhalb bestimmter Betragsgrenzen oder für kleinere Unternehmen. Und schließlich beziehen sich die gesetzlichen Vorgaben in der Regel nur auf Rechnungen. Dokumente wie Auftragsbestätigungen oder Lieferscheine liegen weiterhin häufig als PDF oder Papier vor.

Auch in einer zunehmend digitalen Welt bleibt es also nicht aus, nicht-maschinenlesbare Dokumente verarbeiten zu müssen. Und so führt kein Weg daran vorbei, weiter an einer gezielten Verbesserung der Beleglesung zu arbeiten, insbesondere, um den Automatisierungsgrad über den gesamten Procure-to-Pay-Prozess hinweg zu erhöhen.

Fallstricke bei Erkennung und Zuordnung

Mittels Optical Character Recognition (Texterkennung) werden die Inhalte eingehender Papier- oder PDF-Rechnungen ausgelesen, um danach automatisiert in ein ERP-System übergeben und verarbeitet zu werden. OCR überbrückt also den Medienbruch zwischen Papier/PDF und ERP. Das aber ist diffizil genug und technische Fallstricke lauern sowohl bei der Erkennung an sich („8estellnummer“ oder „Bestellnummer“?) wie bei der logischen Verknüpfung (z.B. des Elements „Rechnungsnummer“ mit der zugehörigen Rechnungsnummer).

Die Beleglesung hat in den letzten Jahren einen großen technologischen Sprung vollzogen. Moderne KI-Verfahren und insbesondere Large Language Models (LLMs) ermöglichen es heute, Inhalte deutlich robuster zu erkennen, zu interpretieren und im Kontext zu verstehen. Was früher stark regelbasiert, aufwändig in der Implementierung und trotzdem oftmals fehleranfällig war, wird zunehmend intelligent und selbstlernend. Beleglesung entwickelt sich damit von reiner Zeichenerkennung hin zu einer echten, kontextbasierten Dokumentenverarbeitung.

Auch im Zeitalter von KI aber gilt: Klare, strukturierte und gut lesbare Dokumente führen zu besseren Ergebnissen. Saubere, konsistente Stammdaten sind darüber hinaus Garant für einen besseren Abgleich mit dem ERP System. Um das volle Potenzial moderner Technologien auszuschöpfen, sollten Unternehmen daher zwei Hebel gleichzeitig betrachten:

·       die Optimierung des Inputs und der Prozesse

·       den gezielten Einsatz moderner KI-Technologien

Optimierung des Inputs als Grundlage für hohe Erkennungsraten

Tipp 1: Lieferanten explizit nach digitalen Rechnungen fragen

Für PDF-Dokumente ist die Erkennungsrate in der Regel deutlich höher als für eingescannte Papierbelege. Ziel sollte es daher sein, möglichst viele Lieferanten in einem ersten Schritt von Papier auf PDF umzustellen. Das umgeht den Scanprozess als zusätzliche Fehlerquelle und schafft eine bessere Ausgangsbasis – sowohl für klassische OCR als auch für moderne KI-gestützte Verfahren.

Tipp 2: Auf Belegqualität achten

Auch moderne KI-Modelle profitieren erheblich von gut lesbaren Dokumenten. Papierbelege sollten möglichst frühzeitig gescannt und dabei sorgfältig vorbereitet werden. Knicke, Flecken, handschriftliche Notizen oder schlecht platzierte Stempel erschweren die Verarbeitung. Empfohlen werden eine ausreichende Scanauflösung (300 dpi) sowie gerade ausgerichtete Seiten.

Tipp 3: Spielregeln mit Lieferanten vereinbaren

Das Layout von Rechnungen hat direkten Einfluss auf die Qualität der Beleglesung – unabhängig davon, ob klassische OCR oder KI zum Einsatz kommt. Deshalb sollten Lieferanten wichtige Informationen klar und gut lesbar darstellen. Dazu gehören insbesondere Kopfdaten und Zahlungsinformationen. Konkret also: gut lesbare Schriftarten ohne Serifen, klare Kontraste (wortwörtlich: Schwarz auf Weiß) und der Verzicht auf Hintergrundbilder, Wasserzeichen oder verspielte Designs. Auch organisatorische Regeln wie ein zentraler Rechnungseingang oder der Verzicht auf zusätzliche Anlagen tragen zur besseren Verarbeitbarkeit bei.

Tipp 4: Der Beleglesung den richtigen Rahmen vorgeben

Eine strukturierte Vorverarbeitung kann die Qualität der Ergebnisse deutlich verbessern. Deshalb ist sicherzustellen, dass nur relevante Dokumente in den Verarbeitungsprozess gelangen und unterschiedliche Belegarten frühzeitig getrennt werden. Auch das Vorsortieren nach Buchungskreisen und Trennen von Dokumenten durch Barcodes kann helfen, Fehler zu vermeiden und die Verarbeitung zu stabilisieren.

Tipp 5: Stammdaten im Zielsystem bereinigen

Die beste Beleglesung nützt wenig, wenn die erkannten Daten nicht eindeutig zugeordnet werden können. Eine hohe Stammdatenqualität ist daher ein zentraler Erfolgsfaktor. Insbesondere Dubletten im Kreditorenstamm erschweren die automatische Zuordnung erheblich. Zusätzlich empfiehlt es sich, mehrere Merkmale für die Identifikation zu nutzen, wie z.B. Firmenname, Bankverbindung, VAT-ID, Ansprechpartner. Das erhöht die Trefferquote und reduziert manuelle Nachbearbeitung.

KI und LLMs in der Beleglesung: Was sich grundlegend verändert

Die bisherigen Tipps schaffen die Grundlage, moderne KI sorgt nun für den eigentlichen Durchbruch. Insbesondere Large Language Models verändern die Art und Weise, wie Dokumente verarbeitet werden. Sie erkennen nicht nur Zeichen, sondern verstehen Inhalte im Kontext. Unterschiedliche Layouts werden zuverlässig interpretiert, Informationen auch bei ungewöhnlicher Platzierung korrekt zugeordnet, Unvollständige oder fehlerhafte Angaben können besser erkannt und plausibilisiert werden und Systeme lernen kontinuierlich aus Korrekturen. Der Fokus verschiebt sich damit, weg von der reinen Erkennung einzelner Zeichen hin zur intelligenten Interpretation ganzer Dokumente. Daraus resultiert:

Tipp 6: Moderne, KI-gestützte Lösungen nutzen

LLMs sind an die Seite klassischer Machine-Learning-Verfahren getreten. Sie erkennen Dokumente nicht nur, sondern ordnen sie in ihren Kontext ein. Dadurch können sie Inhalte auch bei stark variierenden Layouts zuverlässig interpretieren, Informationen semantisch zuordnen, selbst wenn sie ungewöhnlich platziert sind, unvollständige oder fehlerhafte Angaben besser erkennen und plausibilisieren.

Fazit

Während klassische OCR und Machine Learning also vor allem auf Mustererkennung und (ggf. selbstlernendes) Training einzelner Felder angewiesen sind, bringen LLMs ein deutlich höheres Maß an Flexibilität und Kontextverständnis in die Belegverarbeitung. Das Ergebnis ist eine Belegverarbeitung, die nicht nur robuster und effizienter ist, sondern sich auch dynamisch an neue Dokumenttypen und Anforderungen anpasst. So entsteht Schritt für Schritt ein hoher Automatisierungsgrad – bis hin zu weitgehend berührungslosen Prozessen.