Rechnungsprüfung in der Medtech-Buchhaltung: 8-Wochen-Pilot mit OpenAI und RAG

Das Problem der manuellen Rechnungsprüfung in der Medtech-Buchhaltung

In der Schweizer Medtech-Branche staut sich die Buchhaltung oft an der manuellen Erfassung von Lieferantenrechnungen. Bei 51 bis 200 Mitarbeitern fehlt die Kapazität, um die steigende Dokumentenlast in SAP oder Microsoft Dynamics timely zu verarbeiten. Die Folge: verzögerte Zahlungen, verpasste Rabatte und ein erhöhtes Risiko für Compliance-Verstöße. Ein Retrieval-Augmented Knowledge Assistant (RAG) löst dieses Problem, indem er die Rechnungsdaten automatisch extrahiert, mit historischen Daten abgleicht und eine Vorschlag zur Buchung erstellt. Der Mensch prüft nur noch die Ausreißer. Dieser Ansatz reduziert die Durchlaufzeit von Tagen auf Minuten und sichert die DSGVO-Compliance durch kontrollierte Datenflüsse.

Voraussetzungen für den Pilot

Bevor Sie mit der Implementierung beginnen, müssen folgende Voraussetzungen erfüllt sein:

• Zugriff auf das ERP: API-Schlüssel für SAP oder Microsoft Dynamics, um die Buchungen zu schreiben und die Kontenstruktur zu lesen.
• Rechnungsdaten: Ein Archiv von mindestens 500 historischen Rechnungen (PDF/OFX) für das Training und die Validierung.
• OpenAI API-Key: Ein aktiver Schlüssel mit ausreichendem Guthaben und einem Auftragsverarbeitungsvertrag (AVV) für die Datenverarbeitung in der EU/CH.
• Prozessdefinition: Eine klare Liste der zu extrahierenden Felder (Netto, Brutto, MwSt., Fälligkeit, Kostenstelle) und der Freigabe-Regeln.
• Schweizer Kontext: Kenntnis der lokalen Rechnungslegungsvorschriften und der mehrsprachigen Anforderungen (DE/FR/IT).

Implementierung in 6 Schritten

1. Prozess-Audit durchführen: Analysieren Sie 50 zufällig ausgewählte Rechnungen und dokumentieren Sie die häufigsten Fehlerquellen (z. B. falsche Kostenstellen, fehlende MwSt.-Kennzeichnung).
2. RAG-Index aufbauen: Laden Sie die historischen Rechnungen in eine Vektordatenbank (z. B. Pinecone oder Weaviate) und erstellen Sie Embeddings mit dem text-embedding-3-small Modell.
3. Extraktions-Pipeline konfigurieren: Verwenden Sie das gpt-4o Modell mit einer strukturierten JSON-Ausgabe. Definieren Sie die Felder im System-Prompt und setzen Sie die Temperatur auf 0 für deterministisches Verhalten.
4. ERP-Integration testen: Schreiben Sie einen Test-Code, der die extrahierten Daten in ein Test-Konto in SAP oder Dynamics überträgt. Validieren Sie die Formatierung der Kontennummern.
5. Human-in-the-Loop-UI entwickeln: Erstellen Sie ein einfaches Dashboard, das die extrahierten Daten anzeigt und eine ‘Freigabe’- oder ‘Korrektur’-Option bietet. Loggen Sie jede Änderung für die Audit-Trail.
6. Pilot starten: Verarbeiten Sie die nächsten 100 eingehenden Rechnungen durch das System. Messen Sie die Genauigkeit und die Zeitersparnis im Vergleich zur manuellen Erfassung.

Häufige Stolperfallen und wie Sie sie vermeiden

• Halluzinierte Kontennummern: Das LLM erfindet Konten, die im ERP nicht existieren. Erkennung: Validieren Sie jede Kontennummer gegen die ERP-Liste vor der Freigabe.
• Mehrsprachige OCR-Fehler: Französische oder italienische Rechnungen werden falsch gelesen. Erkennung: Prüfen Sie die Extraktionsrate pro Sprache und passen Sie die OCR-Engine an, falls nötig.
• DSGVO-Verstoß durch Datenleck: Sensible Daten werden an die OpenAI API gesendet, ohne dass ein AVV vorliegt. Erkennung: Prüfen Sie die API-Logs und stellen Sie sicher, dass der AVV unterzeichnet ist.
• Zu hohe Autonomie: Das System bucht automatisch, ohne menschliche Freigabe. Erkennung: Stellen Sie sicher, dass die ‘Freigabe’-Schleife im Code erzwungen ist und nicht umgangen werden kann.

Nächste Schritte nach dem Pilot

Nach 8 Wochen haben Sie einen funktionierenden Pilot, der die Rechnungsprüfung um 70 % beschleunigt. Der nächste Schritt ist die Skalierung: Erweitern Sie das System auf weitere Dokumenttypen (z. B. Lieferscheine, Kreditkartenabrechnungen) und integrieren Sie es in den gesamten Finanzprozess. Wenn die Datenanforderungen strenger werden, können Sie das System auf offene Modelle auf eigener Hardware umstellen, um die Daten vollständig in der Schweiz zu halten. Die Architektur bleibt dabei unverändert, da die Integrationen über APIs laufen. Dies ermöglicht eine schrittweise Automatisierung ohne große Umstellungskosten.