Das Szenario: Die Flut an Eingangsrechnungen und Belegen
Die manuelle Prüfung und Erfassung von Eingangsrechnungen gehört zu den zeitaufwändigsten, monotonsten und fehleranfälligsten Aufgaben in jeder Finanzabteilung. Herkömmliche OCR-Systeme (Optical Character Recognition) versprechen zwar Erleichterung, scheitern in der Praxis jedoch regelmäßig, sobald sich das Layout einer Rechnung auch nur minimal ändert oder handschriftliche Notizen auf dem Beleg vorhanden sind. Unser vierter AI-Agent löst diese Probleme durch multimodale semantische Analysen und führt ein vollautomatisches 3-Way-Matching durch.
Die Revolution: 3-Way-Matching auf Steroiden
Ein intelligenter Controlling-Agent vergleicht nicht nur Einzeldaten. Er führt einen vollständigen, dreistufigen Abgleich durch, um absolute Fehlerfreiheit zu garantieren:
[Eingangsrechnung] ───────┐
├─> [AI-Agent: Semantischer Abgleich] ─> [Freigabe ERP]
[Lieferschein (ERP)] ─────┤
├─> (Weicht eine Position ab?)
[Bestellungs-Order] ──────┘ │
▼
[Alert an Controlling]
Anomalieerkennung durch Deep Semantics
Der Agent liest Beträge, Steuersätze und Positionsdaten aus und versteht gleichzeitig den Kontext. Weicht ein Einzelpreis von den vertraglich im ERP hinterlegten Rahmenbedingungen ab? Stimmen die Liefermengen exakt mit dem Lieferschein überein? Erkennt der Agent eine Abweichung oder vermutet er einen doppelten Beleg (z.B. unter leicht veränderten Dateinamen eingereicht), verweigert er die automatisch Buchung und setzt ein markiertes Ticket für den menschlichen Controller auf.
Python-Implementierung: Rechnungsextraktion mit Pydantic
Wir nutzen modernste Tools, um strukturierte Daten direkt aus PDF-Rechnungen zu extrahieren. Hier ist ein konkretes technisches Beispiel für die Umsetzung einer strukturierten Extraktion im Finanzbereich:
from typing import List
from pydantic import BaseModel, Field
class InvoiceItem(BaseModel):
description: str = Field(..., description="Die Artikelbezeichnung.")
quantity: int = Field(..., description="Die gelieferte Menge.")
unit_price: float = Field(..., description="Der Netto-Einzelpreis.")
vat_rate: float = Field(..., description="Der Mehrwertsteuersatz in Prozent.")
class B2BInvoice(BaseModel):
vendor_name: str = Field(..., description="Der Name des Rechnungsstellers.")
vat_id: str = Field(..., description="Die Umsatzsteuer-Identifikationsnummer.")
invoice_date: str = Field(..., description="Das Rechnungsdatum.")
items: List[InvoiceItem] = Field(..., description="Liste aller Rechnungspositionen.")
total_net: float = Field(..., description="Der Gesamt-Nettobetrag.")
total_gross: float = Field(..., description="Der Gesamt-Bruttobetrag.")
# Der Agent füttert das LLM mit diesem Schema, um eine garantierte, fehlerfreie JSON-Struktur zu erhalten.
Sicherheitsarchitektur & Compliance (GoBD)
Gerade im Finanzbereich steht Compliance an oberster Stelle. Ein AI-System darf keine "Black Box" sein. Unser Controlling-Agent läuft in einer isolierten Docker-Umgebung und jede ausgeführte Buchung erhält einen fälschungssicheren, lückenlosen Audit Trail. Jeder Entscheidungsschritt der KI wird im Detail protokolliert:
Die Einhaltung deutscher GoBD-Richtlinien:
- check_circle Unveränderbarkeit: Alle Logfiles und Audit Trails werden verschlüsselt in einem Write-Once-Read-Many (WORM) Speicher archiviert.
- check_circle Nachvollziehbarkeit: Die genutzte LLM-Prompt-Version und der exakte Pfad der Quell-PDF werden in jeder Buchung fest verankert.
- check_circle Datensparsamkeit: Keine personenbezogenen Kontodaten werden in globalen Modellspeichern zwischengelagert.
Finanzielles Fazit
Die Einsparpotenziale im Controlling sind massiv. Durch die vollständige Eliminierung von manuellen Dateneingabefehlern und die Erkennung von fehlerhaften Rechnungen im Vorfeld sparen mittelständische Betriebe nicht nur Strafgebühren, sondern sichern sich stets optimale Skonto-Vorteile durch sofortige Bezahlung freigegebener Rechnungen.