In der Buchhaltung eines E-Commerce-Unternehmens mit 150 Mitarbeitern stapeln sich t\u00e4glich hunderte Eingangsrechnungen. Die manuelle Erfassung in das ERP-System bindet zwei bis drei Fachkr\u00e4fte vollst\u00e4ndig. Das Problem ist nicht die Komplexit\u00e4t der Daten, sondern die Wiederholung: 80 Prozent der Rechnungen stammen von denselben Lieferanten und folgen denselben Layouts. Eine KI-L\u00f6sung, die diese Routinearbeit \u00fcbernimmt, kann die Zykluszeit von der Rechnungseingangs bis zur Buchung von drei Tagen auf unter vier Stunden senken. Der entscheidende Punkt ist nicht die Automatisierung an sich, sondern die Integration in die bestehenden Prozesse. Das System darf das ERP nicht ersetzen, sondern muss als eine Schicht davor agieren, die die Daten bereinigt und klassifiziert, bevor sie in das Buchhaltungssystem flie\u00dfen. Dieser Ansatz minimiert das Risiko und erm\u00f6glicht einen schrittweisen Rollout, bei dem die Mitarbeiter die Kontrolle behalten.<\/p>\n
Die Architektur basiert auf einer Pipeline, die in drei Stufen unterteilt ist. Zuerst wird das Dokument in ein einheitliches Format gebracht. Hier kommen OCR-Modelle wie Tesseract oder kommerzielle APIs zum Einsatz, die den Text aus dem PDF oder Scan extrahieren. Im zweiten Schritt \u00fcbernimmt ein Large Language Model (LLM) die semantische Analyse. Das Modell identifiziert die relevanten Felder: Rechnungsnummer, Betrag, Steuern, Lieferant, Leistungszeitraum. Bei der Nutzung offener Modelle wie Llama 3 oder Mistral auf eigener Hardware bleibt das Dokument im Geb\u00e4ude, was f\u00fcr Unternehmen mit sensiblen Daten ein entscheidender Vorteil ist. Die dritte Stufe ist die Validierung. Die extrahierten Daten werden gegen die Stammdaten im ERP gepr\u00fcft. Stimmt der Lieferant, ist der Betrag plausibel, sind alle Pflichtfelder vorhanden? Erst wenn diese Checks bestehen, wird die Rechnung als \u2018freigabef\u00e4hig\u2019 markiert. Die Kommunikation mit dem ERP erfolgt \u00fcber REST-APIs. Bei SAP S\/4HANA nutzt man die OData-Services, bei Dynamics 365 die Web Services. Die Daten werden als JSON-Objekte \u00fcbertragen und im ERP als Buchungsantrag angelegt.<\/p>\n
Die Wahl des Modells ist der wichtigste Hebel in der Architektur. Kommerzielle APIs von OpenAI oder Anthropic bieten die h\u00f6chste Genauigkeit bei der semantischen Klassifikation, besonders bei unklaren Formulierungen oder mehrdeutigen Leistungsbeschreibungen. Der Nachteil: Die Daten verlassen das Unternehmen, was bei sensiblen Informationen problematisch sein kann. Offene Modelle auf eigener Hardware umgekehrt: Sie bieten volle Datenhoheit und keine laufenden Kosten pro Token, aber sie erfordern mehr Aufwand beim Feintuning. F\u00fcr die reine Extraktion von Zahlen und Textfeldern gen\u00fcgen offene Modelle oft v\u00f6llig. F\u00fcr die Klassifikation von Kostenstellen oder die Zuordnung zu Projekten sind sie jedoch anf\u00e4lliger. Die L\u00f6sung ist ein hybrides Setup: Die Extraktion l\u00e4uft auf dem offenen Modell, die semantische Klassifikation auf der kommerziellen API. Oder man feintunt das offene Modell mit den eigenen Daten, bis es die gew\u00fcnschte Genauigkeit erreicht. Dieser Trade-off muss pro Unternehmen individuell abgewogen werden.<\/p>\n
Der Rollout in drei Monaten ist realistisch, wenn der Scope klar definiert ist. Woche eins: Prozessanalyse. Welche Rechnungsarten werden verarbeitet? Welche Felder sind Pflicht? Welche Lieferanten sind am h\u00e4ufigsten? Woche zwei bis vier: Entwicklung. Das Modell wird mit einer Stichprobe von 500 Rechnungen trainiert und evaluiert. Die Genauigkeit wird pro Feld gemessen. Woche f\u00fcnf: Pilot. Das System l\u00e4uft parallel zum manuellen Prozess. Die Ergebnisse werden verglichen. Woche sechs: Go-Live. Die manuelle Erfassung wird f\u00fcr die automatisierten Rechnungsarten eingestellt. Die Mitarbeiter pr\u00fcfen nur noch die Ausnahmen. Wichtig ist, dass die Mitarbeiter von Anfang an eingebunden werden. Sie kennen die Stolpersteine: Welche Lieferanten senden Rechnungen mit unklaren Leistungsbeschreibungen? Welche Felder sind im ERP Pflicht? Dieses Wissen ist f\u00fcr das Feintuning des Modells unverzichtbar. Ohne diese Zusammenarbeit scheitert das Projekt an der Realit\u00e4t der Daten.<\/p>\n
Die gr\u00f6\u00dfte Stolperfalle ist die Annahme, dass das Modell von Anfang an perfekt funktioniert. Das ist es nicht. In der Pilotphase werden Fehler sichtbar: Ein Lieferant \u00e4ndert sein Layout, ein neues Feld wird eingef\u00fchrt, die OCR erkennt eine Zahl falsch. Diese Fehler sind nicht das Ende, sondern der Anfang des Lernprozesses. Das System muss so aufgebaut sein, dass es leicht nachjustiert werden kann. Neue Layouts werden als Templates hinterlegt, die OCR-Parameter werden angepasst, das Modell wird mit den neuen Daten neu evaluiert. Ein weiterer Stolperstein ist die Erwartungshaltung der Mitarbeiter. Wenn das System 90 Prozent der Rechnungen automatisch verarbeitet, aber die restlichen 10 Prozent besonders fehleranf\u00e4llig sind, f\u00fchlen sich die Mitarbeiter \u00fcberfordert. Die L\u00f6sung ist eine klare Kommunikation: Das System ist ein Assistent, kein Ersatz. Es \u00fcbernimmt die Routine, die Menschen \u00fcbernehmen die Ausnahmen. Diese Erwartungssteuerung ist oft wichtiger als die technische Umsetzung.<\/p>\n","protected":false},"excerpt":{"rendered":"
Wie ein E-Commerce-Unternehmen in Deutschland seine Rechnungsverarbeitung mit offenen KI-Modellen automatisiert. Ein technischer Leitfaden f\u00fcr die Integration in SAP und Dynamics 365.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"Rechnungsautomatisierung mit offenen KI-Modellen im E-Commerce","rank_math_description":"Wie ein E-Commerce-Unternehmen in Deutschland seine Rechnungsverarbeitung mit offenen KI-Modellen automatisiert. Ein technischer Leitfaden f\u00fcr die Integration in SAP und Dynamics 365.","rank_math_focus_keyword":"free senior staff from routine work invoice processing","_yoast_wpseo_title":"","_yoast_wpseo_metadesc":"","_yoast_wpseo_focuskw":"","pll_lang":"de","geo_jsonld":"{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rechnungsautomatisierung-mit-offenen-ki-modellen-im-ecommerce\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-06T00:00:48.057155919+00:00\",\"datePublished\":\"2026-10-06T00:00:48.057155919+00:00\",\"description\":\"Wie ein E-Commerce-Unternehmen in Deutschland seine Rechnungsverarbeitung mit offenen KI-Modellen automatisiert. Ein technischer Leitfaden f\u00fcr die Integration in SAP und Dynamics 365.\",\"headline\":\"Rechnungsautomatisierung mit offenen KI-Modellen im E-Commerce\",\"inLanguage\":\"en\",\"keywords\":[\"One Process Automated\",\"Open-Weight Models On-Premise\",\"Document Extraction\",\"Operations and Supply Chain\",\"51-200\",\"None\",\"Integration Sprint\",\"E-commerce and Retail\",\"SAP or Microsoft Dynamics ERP\",\"German\",\"Free Senior Staff from Routine Work\",\"Germany\",\"3 months\",\"Invoice Processing\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/rechnungsautomatisierung-mit-offenen-ki-modellen-im-ecommerce\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rechnungsautomatisierung-mit-offenen-ki-modellen-im-ecommerce\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"In der Praxis liegt der Sweet Spot bei 50 bis 200 Seiten pro Tag. Darunter lohnt sich die Investition in die Infrastruktur nicht, dar\u00fcber wird die manuelle Nachbearbeitung zum Flaschenhals. Entscheidend ist nicht die absolute Menge, sondern die Varianz: Je einheitlicher die Layouts der Lieferanten sind, desto schneller erreicht das Modell eine Genauigkeit von \u00fcber 98 Prozent.\"},\"name\":\"Ab wie vielen Eingangsrechnungen pro Monat lohnt sich eine automatische Verarbeitung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Nein. Die Architektur ist bewusst model-agnostisch. F\u00fcr die reine Extraktion von Zahlen und Textfeldern gen\u00fcgen oft offene Modelle wie Llama 3 oder Mistral, die auf der eigenen Hardware laufen. Nur wenn es um semantische Klassifikation oder die Aufl\u00f6sung komplexer, mehrdeutiger Formulierungen geht, greift man auf die APIs von OpenAI oder Anthropic zur\u00fcck. Der Wechsel zwischen den Modellen erfolgt \u00fcber eine abstrahierte API-Schicht, ohne dass der Rest des Systems angepasst werden muss.\"},\"name\":\"Muss man f\u00fcr die Dokumentenextraktion zwingend auf die APIs von OpenAI oder Anthropic zur\u00fcckgreifen?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Integration erfolgt \u00fcber die Standard-APIs der ERP-Systeme. Bei SAP S\/4HANA nutzt man die OData-Services oder die BAPIs, bei Microsoft Dynamics 365 Business Central die Web Services. Das System liest die extrahierten Daten aus und schreibt sie als Buchungsantrag in das ERP. Die eigentliche Buchung erfolgt erst nach Freigabe durch den Mitarbeiter, was die bestehende Vier-Augen-Prinzip-Logik im ERP beibeh\u00e4lt.\"},\"name\":\"Wie wird das System mit dem bestehenden ERP, z. B. SAP S\/4HANA oder Dynamics 365, verbunden?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein typischer Integrationssprint dauert sechs bis acht Wochen. Die erste Woche dient der Prozessanalyse und der Definition der Datenfelder. Woche zwei bis vier ist die Entwicklung und das Feintuning der Extraktionslogik. Woche f\u00fcnf und sechs sind f\u00fcr die Pilotphase mit echten Rechnungen reserviert. Die letzte Woche dient der Schulung der Mitarbeiter und dem Go-Live. Bei einem Unternehmen mit 51 bis 200 Mitarbeitern ist dieser Zeitrahmen realistisch, da die Entscheidungswege kurz sind.\"},\"name\":\"Wie lange dauert es, bis ein Pilotprojekt f\u00fcr die Rechnungsautomatisierung produktiv ist?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Kosten setzen sich aus der Lizenzgeb\u00fchr f\u00fcr die Software, den Kosten f\u00fcr die Hardware (bei On-Premise-Betrieb) und den Integrationskosten zusammen. F\u00fcr ein Unternehmen dieser Gr\u00f6\u00dfe liegen die laufenden Kosten oft zwischen 500 und 1.500 Euro pro Monat. Die Investition amortisiert sich in der Regel innerhalb von drei bis sechs Monaten, da die manuelle Erfassung pro Rechnung etwa 3 bis 5 Minuten dauert und diese Zeit f\u00fcr wertsch\u00f6pfendere Aufgaben genutzt werden kann.\"},\"name\":\"Was kostet die Einf\u00fchrung einer solchen L\u00f6sung f\u00fcr ein mittelst\u00e4ndisches Unternehmen?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Das System klassifiziert jede Rechnung in drei Kategorien: 'Freigabe', 'Pr\u00fcfung' und 'Ablehnung'. Rechnungen, die die definierten Schwellenwerte erf\u00fcllen (z. B. Betrag unter 500 Euro, bekannter Lieferant, vollst\u00e4ndige Daten), werden automatisch freigegeben. Alle anderen landen in einer Warteschlange, in der ein Mitarbeiter die Daten pr\u00fcft und korrigiert. Diese Logik ist konfigurierbar und kann an die internen Richtlinien angepasst werden.\"},\"name\":\"Wie funktioniert die Freigabelogik im Human-in-the-Loop-Prozess?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Genauigkeit wird durch die F1-Score-Metrik gemessen, die Pr\u00e4zision und Recall kombiniert. Ein F1-Score von 0,95 bedeutet, dass 95 Prozent der extrahierten Felder korrekt sind. Zus\u00e4tzlich wird die 'End-to-End-Accuracy' gemessen, die angibt, wie viele Rechnungen ohne manuelle Korrektur durchlaufen. F\u00fcr die meisten Unternehmen ist ein F1-Score von \u00fcber 0,90 und eine End-to-End-Accuracy von \u00fcber 80 Prozent ein akzeptabler Ausgangspunkt.\"},\"name\":\"Wie wird die Genauigkeit der Extraktion gemessen und was ist ein guter Wert?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die meisten Systeme k\u00f6nnen PDFs, Scans, E-Mails und XML-Dateien verarbeiten. F\u00fcr XML-Dateien (z. B. XRechnung oder ZUGFeRD) ist die Extraktion trivial, da die Daten strukturiert vorliegen. Bei Scans und PDFs kommt die OCR-Technologie zum Einsatz. Die Qualit\u00e4t der Extraktion h\u00e4ngt stark von der Qualit\u00e4t der Eingangsdateien ab. Ein gut gescanntes Dokument mit einer Aufl\u00f6sung von 300 dpi liefert deutlich bessere Ergebnisse als ein verwackeltes Foto vom Smartphone.\"},\"name\":\"Welche Dateiformate werden unterst\u00fctzt und wie wird mit Scans umgegangen?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rechnungsautomatisierung-mit-offenen-ki-modellen-im-ecommerce\/#breadcrumbs\",\"@type\":\"BreadcrumbList\",\"itemListElement\":[{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\",\"name\":\"Home\",\"position\":1},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/\",\"name\":\"Blog\",\"position\":2},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/rechnungsautomatisierung-mit-offenen-ki-modellen-im-ecommerce\/\",\"name\":\"Rechnungsautomatisierung mit offenen KI-Modellen im E-Commerce\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"d5a83731f7ba2571218a9a49b81ec347bb704ee7a4dab0da84cc127fbd058108","footnotes":""},"categories":[65],"tags":[41,27,39],"class_list":["post-473","post","type-post","status-publish","format-standard","hentry","category-e-commerce-and-retail","tag-free-senior-staff-from-routine-work","tag-germany","tag-invoice-processing"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/473","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/comments?post=473"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/473\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=473"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=473"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=473"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}