KI-Anomalieerkennung bei Rechnungen

KI kann auffällige Rechnungen und Zahlungen schneller priorisieren, aber sie kann weder Betrug beweisen noch eine fachliche Freigabe ersetzen. Für KMU ist deshalb ein zweistufiges Modell sinnvoll: Feste Regeln erkennen eindeutige Abweichungen, während eine Anomalieprüfung ungewöhnliche Kombinationen im Vergleich zur bisherigen Geschäftspraxis markiert. Erst eine berechtigte Person prüft den Kontext, bestätigt Bankdaten über einen unabhängigen Kanal und entscheidet über Zahlung oder Rückfrage.

Der Ansatz ist aktuell relevant. Das österreichische Bundeskriminalamt warnt vor manipulierten Rechnungen, geänderten Kontoverbindungen und ungewöhnlichem Zeitdruck. Der gemeinsame Zahlungsbetrugsbericht von EBA und EZB nennt für 2024 einen gestiegenen Gesamtschaden und eine zunehmende Manipulation von Zahlenden. Eine KI-Prüfung kann solche Risiken früher sichtbar machen, wenn sie erklärbar, sparsam mit Daten und fest in einen kontrollierten Rechnungsprozess eingebunden ist.

Was ist eine KI-Anomalieprüfung?

Eine Anomalieprüfung vergleicht einen neuen Vorgang mit bekannten Mustern. Bei Rechnungen können das typische Beträge eines Lieferanten, bisherige Bankverbindungen, übliche Steuersätze, Zahlungsziele, Bestellreferenzen oder Zeitabstände zwischen Rechnung und Fälligkeit sein. Bei Zahlungen kommen bisherige Empfänger, Konten, Währungen, Teilzahlungsverhalten und Zuordnungsdaten hinzu.

Das Ergebnis sollte kein pauschales Urteil wie „Betrug“ sein. Sinnvoller ist eine priorisierte Prüfliste mit verständlichen Gründen, beispielsweise: „Bankverbindung erstmals verwendet“, „Betrag liegt deutlich über dem Lieferantenmuster“ oder „ähnliche Rechnungsnummer und Summe bereits vorhanden“. Das System macht damit Abweichungen sichtbar, überlässt aber die Entscheidung dem Menschen.

Die Abgrenzung zu herkömmlichen Regeln ist wichtig. Eine Regel prüft etwa, ob eine IBAN formal gültig ist. Ein Anomaliemodell fragt zusätzlich, ob diese formal gültige IBAN zum bisherigen Lieferantenverlauf passt. Beide Verfahren ergänzen sich; keines sollte allein eine Überweisung freigeben.

Welche Warnsignale sind in der Praxis sinnvoll?

Ein gutes System beginnt nicht mit möglichst vielen Merkmalen, sondern mit wenigen, nachvollziehbaren Signalen. Die folgende Tabelle zeigt typische Beispiele und die notwendige menschliche Anschlussprüfung.

Warnsignal	Warum es auffällt	Sinnvolle Prüfung
Neue oder geänderte IBAN	Bankdaten weichen vom bestätigten Lieferantenstamm ab	Rückruf über eine bereits bekannte Nummer, nicht über Kontaktdaten der neuen Nachricht
Mögliche Dublette	Rechnungsnummer, Betrag, Datum oder Leistungsbezug ähneln einem vorhandenen Beleg	Originalbelege und Zahlungsstatus nebeneinander vergleichen
Ungewöhnlicher Betrag	Summe liegt deutlich außerhalb des bisherigen Lieferanten- oder Kundenmusters	Bestellung, Vertrag, Lieferschein und Freigabegrenze prüfen
Sehr kurze Fälligkeit	Zeitdruck passt nicht zur bisherigen Geschäftsbeziehung	Auftrag und Kommunikation unabhängig bestätigen
Ungewohnte Steuerlogik	Steuersatz, Steuerbefreiung oder Reverse-Charge-Hinweis weicht vom üblichen Fall ab	Leistung, Leistungsort und Stammdaten fachlich prüfen
Fehlender Leistungsbezug	Keine Bestellung, kein Lieferschein oder keine plausible Projektzuordnung vorhanden	Bedarfsträger und Wareneingang einbeziehen
Ungewöhnliche Zahlungskombination	Empfänger, Betrag, Währung und Zeitpunkt ergeben gemeinsam ein seltenes Muster	Vier-Augen-Freigabe und Bankempfängerprüfung durchführen

Ein einzelnes Signal kann harmlos sein. Ein neuer Lieferant hat naturgemäß keine Historie, eine Jahresrechnung ist höher als eine Monatsrechnung und ein Projektabschluss kann eine große Schlusszahlung auslösen. Aussagekräftiger wird die Prüfung, wenn mehrere Abweichungen zusammenkommen und der fachliche Kontext sichtbar bleibt.

Wie Risikostufen und Schwellen eingeführt werden

Eine Prozentzahl ohne Bedeutung hilft der Buchhaltung wenig. KMU sollten deshalb wenige operative Stufen definieren. Ein Hinweis macht eine Abweichung sichtbar, ohne den normalen Ablauf zu unterbrechen. Die Stufe Prüfen legt den Vorgang in eine Arbeitsliste und verlangt eine dokumentierte Entscheidung. Ein Zahlungsstopp zur Klärung ist nur für klar definierte Kombinationen sinnvoll, etwa eine neue IBAN zusammen mit ungewöhnlichem Zeitdruck und fehlender Bestellreferenz. Auch dieser Status ist vorläufig und wird von einer befugten Person aufgehoben oder bestätigt.

Die Schwellen müssen zum Unternehmen passen. Ein Betrieb mit zehn langjährigen Lieferanten kann neue Kontodaten sehr streng behandeln. Ein Projektgeschäft mit häufig wechselnden Partnern benötigt andere Vergleichsgruppen. Sinnvoll sind getrennte Profile nach Lieferant, Belegart, Währung oder Kostenbereich. Personenbezogene Merkmale, die für die Rechnungsprüfung nicht erforderlich sind, gehören nicht in die Bewertung.

Jeder Treffer sollte eine Begründungskarte liefern. Sie zeigt den aktuellen Wert, den historischen Vergleich, die Datenquelle, das Alter der Vergleichsdaten, die verwendete Regel- oder Modellversion und den empfohlenen nächsten Prüfschritt. „Risiko 83 Prozent“ ist dagegen nicht ausreichend, wenn niemand erkennen kann, wodurch der Wert entstanden ist.

Vor einer produktiven Nutzung empfiehlt sich ein beobachtender Testbetrieb. Das System berechnet Warnungen, verändert aber noch keinen Status. Die Buchhaltung vergleicht die Ergebnisse mit bereits bestätigten Sonderfällen, bekannten Dubletten und realen Rückfragen. Erst wenn Fehlalarme, übersehene Fälle und Bearbeitungsaufwand bewertet sind, werden einzelne Stufen in den Arbeitsablauf übernommen. So lässt sich prüfen, ob die Warnung tatsächlich Zeit spart oder nur zusätzliche Aufgaben erzeugt.

Warum Regeln und KI zusammengehören

Reine KI ist für den Rechnungsprozess unnötig riskant. Viele Prüfungen sind deterministisch und sollten auch so bleiben: Pflichtfelder vorhanden, Summen rechnerisch konsistent, IBAN formal plausibel, Rechnung noch nicht bezahlt, Freigabegrenze eingehalten. Diese Regeln sind verständlich und reproduzierbar.

KI oder statistische Verfahren helfen dort, wo „ungewöhnlich“ vom jeweiligen Unternehmen abhängt. Ein Betrag von 20.000 Euro kann für einen Produktionsbetrieb alltäglich und für eine kleine Agentur außergewöhnlich sein. Ein Modell kann solche betriebsbezogenen Muster erkennen, ohne starre Schwellen für alle Unternehmen zu behaupten.

Die Kombination liefert drei Vorteile: Regeln sichern harte Mindestanforderungen, die Anomalieprüfung sortiert die verbleibenden Fälle nach Aufmerksamkeit, und Menschen bewerten die wirtschaftliche Realität. Auf diese Weise entsteht ein Prüfwerkzeug statt eines Autopiloten.

Welche Daten braucht das System wirklich?

Für einen ersten sinnvollen Anwendungsfall reichen häufig strukturierte Rechnungs- und Zahlungsdaten: Lieferanten- oder Kundenkennung, Rechnungsnummer, Datum, Betrag, Währung, Steuerkennzeichen, IBAN-Fingerprint, Bestellreferenz, Zahlungsziel und Bearbeitungsstatus. Zusätzlich können freigegebene historische Werte wie typische Betragsbandbreiten oder bekannte Konten verwendet werden.

Vollständige E-Mail-Postfächer, private Notizen oder nicht benötigte Dokumentinhalte sollten nicht vorsorglich in ein Modell fließen. Der Europäische Datenschutzausschuss betont, dass der Einsatz personenbezogener Daten in KI-Modellen fallbezogen zu bewerten ist. Selbst ein berechtigtes Interesse setzt Erforderlichkeit, Interessenabwägung und geeignete Schutzmaßnahmen voraus.

Praktisch bedeutet das: Zweck und Datenfelder vorab festlegen, Rollen begrenzen, Aufbewahrung definieren und Modell- beziehungsweise Regelversionen dokumentieren. Die Claribill-Sicherheitsseite beschreibt die vorhandenen Schutz- und Mandantentrennungsmaßnahmen. Eine künftige KI-Prüfung müsste diese Grenzen übernehmen, nicht umgehen.

So sieht ein kontrollierter Prüfablauf aus

Vorgang erfassen: Rechnung und relevante strukturierte Daten werden einem Lieferanten, Auftrag oder Projekt zugeordnet.
Harte Regeln ausführen: Das System prüft Dubletten, Summen, Pflichtfelder, formale Bankdaten und bestehende Freigaben.
Anomaliesignale berechnen: Der neue Vorgang wird mit bestätigten historischen Mustern verglichen.
Gründe anzeigen: Jede Warnung nennt die auslösenden Merkmale, die Vergleichsbasis und die Stärke der Abweichung.
Fachlich prüfen: Eine zuständige Person vergleicht Bestellung, Leistung, Lieferantendaten und Kommunikation.
Unabhängig bestätigen: Geänderte Bankdaten oder dringende Zahlungsanweisungen werden über einen bereits bekannten Kontaktkanal verifiziert.
Entscheidung protokollieren: Freigabe, Rückfrage, Ablehnung und Fehlalarm werden mit Begründung dokumentiert.

Für die operative Umsetzung können KMU vorhandene Abläufe nutzen. Claribill unterstützt die Zahlungsverfolgung sowie Berichte und Exporte. Der Beitrag zum automatischen Zahlungsabgleich zeigt bereits, welche strukturierten Merkmale für einen belastbaren Treffer nötig sind. Eine Anomalieprüfung wäre eine zusätzliche Warnschicht, keine heute verfügbare Claribill-Funktion.

Praxisbeispiel 1: Geänderte Bankverbindung in Österreich

Ein Handwerksbetrieb erhält die regelmäßige Materialrechnung eines bekannten Lieferanten. Betrag und Rechnungsnummer wirken plausibel, doch die IBAN ist neu und die Nachricht verlangt Zahlung bis zum nächsten Vormittag. Eine starre Summenprüfung findet keinen Fehler. Die Anomalieprüfung markiert dagegen die neue Bankverbindung, das verkürzte Zahlungsziel und den ungewöhnlichen Zeitdruck.

Die Buchhaltung ruft den Lieferanten über die im Stammdatensatz gespeicherte Nummer an. Dabei stellt sich heraus, dass die Nachricht manipuliert war. Genau dieses Vorgehen empfiehlt das österreichische Bundeskriminalamt: Bankdatenänderungen nicht ausschließlich aufgrund einer E-Mail übernehmen, über einen zweiten Kommunikationsweg bestätigen und das Vier-Augen-Prinzip anwenden.

Wichtig ist die Rollenverteilung. Die KI hat den Betrug nicht „erkannt“, sondern drei Abweichungen priorisiert. Verhindert wurde die Zahlung durch einen definierten Rückfrageprozess.

Praxisbeispiel 2: Fehlalarm bei einer deutschen Beratung

Eine deutsche Beratung beauftragt erstmals ein größeres Übersetzungsprojekt. Die Rechnung liegt deutlich über den üblichen Lieferantenbeträgen und enthält eine neue Projektreferenz. Das Modell vergibt einen hohen Anomaliewert. Bestellfreigabe, Leistungsnachweis und Vertrag stimmen jedoch überein; die Bankverbindung wurde bereits separat bestätigt.

Die prüfende Person kennzeichnet den Treffer als berechtigte Abweichung. Das System darf daraus nicht lernen, dass künftig jede hohe Rechnung unkritisch ist. Das Feedback muss auf den konkreten Lieferanten, den Projekttyp und die bestätigte Referenz begrenzt bleiben. Sonst verschiebt ein einzelner Sonderfall die Vergleichsbasis und schwächt spätere Warnungen.

Der Fall zeigt, warum ein sauber verteiltes Vier-Augen-Prinzip auch bei KI-Unterstützung zentral bleibt.

Fehlalarme, blinde Flecken und Drift beherrschen

Ein Anomaliemodell produziert immer Fehlalarme und kann reale Risiken übersehen. Eine niedrige Warnquote ist daher kein ausreichendes Qualitätsziel. KMU sollten mindestens vier Werte beobachten: Wie viele Warnungen waren fachlich relevant? Wie viele wurden als Fehlalarm geschlossen? Welche bestätigten Probleme wurden nicht markiert? Wie lange dauert die Prüfung?

Zusätzlich verändert sich der Geschäftsbetrieb. Neue Lieferanten, Preissteigerungen, Saisonspitzen oder andere Währungen verschieben Muster. NIST bezeichnet solche Veränderungen als Drift und empfiehlt, Leistung und Annahmen eines KI-Systems im laufenden Betrieb zu überwachen. Das BSI hebt in QUAIDAL ebenfalls Datenversionierung, den Umgang mit Ausreißern und die kontinuierliche Beobachtung der Systemleistung hervor.

Ein praxistauglicher Betrieb benötigt deshalb feste Überprüfungsintervalle, eine dokumentierte Schwellenhistorie und einen Notfallmodus. Wenn Warnungen plötzlich stark zunehmen oder ausbleiben, wird das Modell nicht einfach weiterverwendet. Der Prozess fällt auf nachvollziehbare Regeln und manuelle Prüfung zurück.

Österreich und Deutschland: Was ist unterschiedlich?

Die technischen Grundprinzipien sind in beiden Ländern gleich: Kontodaten nicht allein aus einer neuen Nachricht übernehmen, ungewöhnliche Zahlungsanweisungen unabhängig bestätigen, Berechtigungen trennen und Entscheidungen dokumentieren. Steuerliche oder rechtliche Einordnungen dürfen nicht aus einem Anomaliewert abgeleitet werden.

In Österreich bietet die aktuelle BKA-Information zu CEO Fraud und Lieferantenbetrug eine konkrete organisatorische Checkliste. Für Deutschland beschreibt das Bundeskriminalamt ebenfalls Business E-Mail Compromise, manipulierte Lieferantendaten und die Notwendigkeit eines Verfahrens zur Legitimitätsprüfung. Unternehmen sollten zusätzlich ihre internen Freigabegrenzen, Branchenpflichten und Datenschutzbewertung mit fachkundiger Unterstützung festlegen.

Bei Überweisungen bleibt außerdem die Empfängerüberprüfung ein eigener Kontrollschritt. Eine Namensprüfung durch die Bank und eine interne KI-Anomalieprüfung beantworten unterschiedliche Fragen und sollten nicht verwechselt werden.

Checkliste für den Einstieg

Konkreten Zweck definieren: priorisieren statt automatisch entscheiden.
Mit fünf bis sieben erklärbaren Warnsignalen beginnen.
Harte Regeln und statistische Abweichungen getrennt anzeigen.
Historische Daten nur aus bestätigten und bereinigten Vorgängen verwenden.
Personenbezogene Daten minimieren und Zugriffe nach Rollen begrenzen.
Für jede Warnung Grund, Vergleichsbasis und Modellversion speichern.
Bankdatenänderungen immer über einen unabhängigen Kontaktweg bestätigen.
Fehlalarme, übersehene Fälle und Bearbeitungszeit regelmäßig messen.
Drift-Grenzen und einen manuellen Rückfallprozess festlegen.
Mitarbeitende schulen und ihre Befugnis zum Stoppen einer Zahlung klar regeln.

Häufige Fragen

Kann KI eine betrügerische Rechnung sicher erkennen?

Nein. Sie kann Muster und Abweichungen markieren. Ob ein Vorgang legitim ist, ergibt sich erst aus Leistung, Vertrag, Kommunikation, Stammdaten und unabhängiger Bestätigung.

Soll ein hoher Risikowert die Zahlung automatisch blockieren?

Ein temporärer Prüfstatus kann sinnvoll sein. Eine endgültige Ablehnung oder Freigabe sollte jedoch nicht allein aus dem Modellwert entstehen. Definierte Rollen, Begründung und Eskalation bleiben erforderlich.

Braucht ein kleines Unternehmen große Trainingsdaten?

Nicht zwingend. Viele wirksame Signale entstehen aus Regeln und einfachen historischen Vergleichen. Bei wenig Daten sind transparente Schwellen oft belastbarer als ein komplexes Modell.

Wie oft müssen Schwellen und Modelle geprüft werden?

Das hängt von Volumen und Veränderung ab. Wichtig sind ein fester Rhythmus sowie ereignisbezogene Prüfungen, etwa nach Lieferantenwechseln, neuen Märkten oder auffälligen Veränderungen der Warnquote.

Fazit: KI priorisiert, Menschen entscheiden

Der größte Nutzen einer KI-Anomalieprüfung liegt nicht in einer vermeintlich automatischen Betrugserkennung. Sie bündelt verstreute Warnzeichen, sortiert Vorgänge nach Aufmerksamkeit und macht ungewöhnliche Kombinationen früher sichtbar. Wirklich belastbar wird das Verfahren erst durch feste Regeln, unabhängige Rückfragen, nachvollziehbare Gründe, laufende Qualitätsmessung und befugte Mitarbeitende.

Für KMU ist ein kleiner, klar begrenzter Start sinnvoll: neue Bankverbindungen, mögliche Dubletten, ungewöhnliche Beträge und fehlende Leistungsbezüge. Wer diese Signale sauber prüft und dokumentiert, verbessert den Rechnungsprozess, ohne Entscheidungen an ein undurchsichtiges Modell abzugeben.

KI-Anomalieprüfung: Welche Warnsignale bei Rechnungen wirklich zählen