KI-Rechnungsdaten prüfen: Kontrollmatrix für KMU

Ein hoher Konfidenzwert allein macht KI-extrahierte Rechnungsdaten nicht freigabefähig. KMU sollten jeden Wert danach beurteilen, wie zuverlässig das System genau dieses Feld erkennt, welche fachlichen Regeln zusätzlich greifen und welchen Schaden ein Fehler verursachen kann. Ein falsch gelesener Beschreibungstext ist anders zu behandeln als eine veränderte IBAN, ein falscher Steuersatz oder ein verdoppelter Bruttobetrag.

Die praxistaugliche Lösung ist eine Kontrollmatrix: risikoarme, mehrfach bestätigte Werte dürfen nach einem dokumentierten Test automatisiert weiterlaufen; unklare oder folgenreiche Felder gehen in eine menschliche Prüfung. Zusätzlich werden auch scheinbar sichere Ergebnisse stichprobenartig kontrolliert. So wird aus einem Prozentwert ein belastbarer Prozess für Rechnungseingang, Stammdaten und Buchhaltung.

Warum „95 Prozent sicher“ keine Freigabeentscheidung ist

Ein Konfidenzwert beschreibt zunächst nur, wie sicher sich ein Modell oder Erkennungsdienst bei seiner Ausgabe einschätzt. Er sagt nicht automatisch, dass 95 von 100 ausgegebenen Werten richtig sind. Dafür müsste der Wert kalibriert und unter Bedingungen gemessen worden sein, die dem eigenen Rechnungseingang entsprechen. Unterschiedliche Anbieter, Modelle und Felder können dieselbe Prozentzahl nach völlig verschiedenen Verfahren berechnen.

Auch der Bezug ist entscheidend. Ein Dienst kann einen Wert für das gesamte Dokument, für eine Textzeile oder für ein einzelnes Feld ausgeben. Eine Dokumentkonfidenz von 98 Prozent hilft wenig, wenn die IBAN nur mit 72 Prozent erkannt wurde. Umgekehrt kann eine klar gelesene Zahl fachlich trotzdem falsch zugeordnet sein: Das System erkennt „1.190,00“ korrekt, übernimmt den Betrag aber als Netto- statt Bruttosumme.

Hinzu kommt, dass KI-Modelle auf ungewöhnliche Layouts, schlechte Scans, handschriftliche Zusätze, neue Sprachen oder geänderte Lieferantenformulare anders reagieren können als im Test. Das BSI hält in seinem QUAIDAL-Katalog fest, dass Qualität durch passende Metriken und Methoden messbar gemacht werden muss. Dazu zählen je nach Aufgabe unter anderem Genauigkeit, Präzision und Recall. Eine einzelne Gesamtquote verdeckt dagegen, welche Fehlerarten für den konkreten Prozess relevant sind.

Konfidenz, Richtigkeit und Plausibilität trennen

Konfidenz: Wie sicher bewertet das System seine eigene Ausgabe?
Richtigkeit: Stimmt der erkannte Wert tatsächlich mit dem Originalbeleg überein?
Plausibilität: Passt der Wert zu Summen, Steuerlogik, Stammdaten und Geschäftsfall?
Freigabefähigkeit: Darf der Wert angesichts möglicher Folgen automatisch weiterverarbeitet werden?

Diese vier Fragen dürfen nicht zu einer einzigen Ampel verschmelzen. Ein Wert kann optisch sicher erkannt und trotzdem unplausibel sein. Ebenso kann ein plausibler Betrag falsch sein, wenn sich zwei Fehler gegenseitig ausgleichen.

Was offizielle Qualitätsrahmen tatsächlich verlangen oder empfehlen

Der BSI-QUAIDAL-Katalog zu Grundlagen und Methodik ordnet KI-Qualität als messbare Aufgabe über den Lebenszyklus ein. Sein Maßnahmenkatalog beschreibt Metriken und Methoden, mit denen Ist- und Soll-Zustand verglichen werden können. Für KMU folgt daraus kein gesetzlich vorgeschriebener Prozentwert. Der praktische Nutzen liegt vielmehr in einem strukturierten Vorgehen: Anforderungen festlegen, geeignete Testdaten auswählen, Fehlerarten messen und die Maßnahmen dokumentieren.

Der freiwillige NIST AI Risk Management Framework Core empfiehlt ebenfalls, KI-Systeme vor dem Einsatz und regelmäßig im Betrieb zu testen. Leistungsbewertungen sollen Unsicherheiten, Vergleichswerte und dokumentierte Test-, Evaluierungs-, Verifizierungs- und Validierungsprozesse berücksichtigen. Außerdem sollen Rollen für die menschliche Aufsicht festgelegt und die Leistung unter realen Einsatzbedingungen überwacht werden.

Die EU-KI-Verordnung enthält in den Artikeln 13 bis 15 Anforderungen an Transparenz, menschliche Aufsicht, Genauigkeit und Robustheit für Hochrisiko-KI-Systeme. Eine gewöhnliche KI-gestützte Rechnungserfassung wird jedoch nicht allein durch das Lesen von Rechnungen automatisch zum Hochrisiko-System. Die konkrete Einordnung hängt vom vorgesehenen Zweck und Einsatzkontext ab. Die genannten Vorschriften sind daher nicht pauschal als Rechtspflicht für jeden KMU-Rechnungsworkflow darzustellen. Sie liefern aber sinnvolle Qualitätsprinzipien: Leistungsgrenzen kennen, Ergebnisse interpretierbar machen, menschliches Eingreifen ermöglichen und relevante Metriken dokumentieren.

Setzt ein Unternehmen generative Modelle zur Extraktion oder Ergänzung ein, kommt ein weiteres Risiko hinzu. Das BSI weist bei generativen KI-Modellen darauf hin, dass ihre Ausgaben keine ausreichende Qualitätsgarantie bieten und plausibel wirkende, aber erfundene Inhalte entstehen können. Ein fehlendes Feld darf deshalb nicht still durch einen wahrscheinlich klingenden Wert ersetzt werden.

Die Kontrollmatrix für typische Rechnungsfelder

Eine gute Matrix verbindet vier Faktoren: Feldkonfidenz, unabhängige Fachregel, Fehlerwirkung und Neuigkeitsgrad. „Neu“ kann ein bisher unbekannter Lieferant, eine geänderte Bankverbindung, ein seltenes Rechnungsformat oder ein ungewöhnlicher Betrag sein. Je höher Wirkung und Neuigkeit, desto weniger sollte ein Konfidenzwert allein entscheiden.

Feld oder Ergebnis	Zusätzliche Kontrolle	Fehlerwirkung	Empfohlener Prüfpfad
Lieferantenname und Anschrift	Abgleich mit freigegebenem Stammdatensatz	Mittel	Bei neuem oder abweichendem Lieferanten prüfen
UID oder USt-IdNr.	Format, Land und vorhandene Stammdaten vergleichen	Hoch	Abweichungen immer fachlich freigeben
Rechnungsnummer	Dublettensuche mit Lieferant, Datum und Betrag	Hoch	Nur mit bestandener Dublettenregel übernehmen
Netto, Steuer und Brutto	Summen und Steuersätze rechnerisch nachbilden	Sehr hoch	Widersprüche immer stoppen
IBAN und Zahlungsziel	Änderungsprüfung, Stammdaten- und Auftragsbezug	Sehr hoch	Neue Bankverbindung niemals nur wegen hoher Konfidenz freigeben
Leistungsbeschreibung	Bestellung, Vertrag oder Lieferschein heranziehen	Situationsabhängig	Bei steuerlicher oder sachlicher Relevanz prüfen
Kontierungsvorschlag	Kontenlogik, Steuerfall und Kostenstelle vergleichen	Hoch	Als Vorschlag behandeln, bis Freigaberegeln validiert sind

Die Matrix ist kein starres Gesetz. Ein Bauunternehmen kann Auftragsreferenz und Leistungszeitraum höher gewichten als eine Beratungsagentur. Ein Händler mit vielen wiederkehrenden Lieferanten kann bekannte Layouts stärker automatisieren, muss aber Änderungen an IBAN oder Steuerlogik weiterhin gesondert behandeln.

Drei Prüfzonen statt einer Universalgrenze

Grüne Zone: mehrfach bestätigt

Ein Wert darf nur dann in die grüne Zone gelangen, wenn die Erkennung im eigenen Test zuverlässig war, alle Fachregeln bestehen und die Fehlerwirkung begrenzt ist. Zusätzlich sollten keine Neuigkeitssignale vorliegen. Auch aus dieser Zone wird eine zufällige Stichprobe gezogen. Ohne Stichprobe bleibt unbemerkt, wenn sich die reale Fehlerquote verschlechtert.

Gelbe Zone: gezielte menschliche Prüfung

In der gelben Zone prüft eine Person nur die auffälligen Felder und ihren Kontext. Gründe können mittlere Konfidenz, ein neues Layout, eine kleine Summendifferenz oder eine Abweichung vom Stammdatensatz sein. Die Oberfläche sollte Originalausschnitt, erkannten Wert, Regelhinweis und vorgeschlagene Korrektur nebeneinander zeigen. Die Person muss die Ausgabe bestätigen, ändern oder verwerfen können.

Rote Zone: Prozess stoppen

Die rote Zone umfasst unlesbare Belege, widersprüchliche Summen, unbekannte Dokumenttypen, geänderte Bankverbindungen ohne bestätigten Geschäftskontext und Felder, die das System ergänzt statt erkannt hat. Solche Fälle dürfen nicht automatisch Zahlung, Buchung oder Stammdatenänderung auslösen. Sie gehen an eine fachlich zuständige Person; bei Betrugsverdacht wird zusätzlich der Lieferant über einen bekannten Kontaktweg verifiziert.

Praxisbeispiel 1: Hohe Konfidenz, falsche Steuerzuordnung

Ein österreichischer Gastronomiebetrieb erhält eine Lieferantenrechnung mit zwei Steuersätzen. Die KI liest alle Zahlen mit hoher Konfidenz. Sie ordnet eine Steuersumme jedoch der falschen Nettogruppe zu. Netto-, Steuer- und Bruttosumme ergeben insgesamt trotzdem den Rechnungsendbetrag.

Eine reine Gesamtsummenprüfung würde den Fehler übersehen. Die Kontrollmatrix verlangt deshalb eine steuerbezogene Nebenrechnung je Steuersatz. Weil diese Regel nicht aufgeht, landet der Beleg in der roten Zone. Eine Mitarbeiterin vergleicht die Positionen mit dem Original und korrigiert die Zuordnung vor der Buchungsfreigabe. Der Fall wird als Fehlerart „Steuergruppe falsch zugeordnet“ gespeichert und in den nächsten Testlauf aufgenommen.

Praxisbeispiel 2: Perfekt gelesene, aber neue IBAN

Ein deutsches Produktionsunternehmen erhält eine optisch saubere Rechnung eines bekannten Lieferanten. Die IBAN wird mit sehr hoher Konfidenz erkannt und ist formal gültig. Sie weicht jedoch vom freigegebenen Lieferantenstamm ab. Die KI hat technisch keinen Lesefehler gemacht; dennoch besteht ein erhebliches Zahlungsrisiko.

Die Matrix behandelt eine neue Bankverbindung unabhängig vom Prozentwert als rote Zone. Die Buchhaltung verifiziert die Änderung über einen bereits bekannten Kontakt, dokumentiert die Bestätigung und aktualisiert Stammdaten erst danach. Das Beispiel zeigt: Konfidenz misst die Erkennung, nicht die geschäftliche Berechtigung eines Werts.

Deutschland und Österreich: gleicher Kontrollkern, anderer Eingangsmix

Der risikobasierte Kontrollkern ist in beiden Ländern gleich. Unterschiede entstehen vor allem beim Eingangsmaterial. Nach der aktuellen E-Rechnungs-FAQ des deutschen Bundesfinanzministeriums müssen deutsche Unternehmen seit 2025 grundsätzlich strukturierte E-Rechnungen empfangen können; während der Übergangsfristen kommen zugleich XML, ZUGFeRD, PDF und Papier vor. Strukturierte Felder erleichtern technische Regeln, sind aber nicht automatisch sachlich richtig.

In Österreich ist nach der aktuellen E-Rechnungsinformation des Unternehmensserviceportals im allgemeinen B2B-Geschäft weiterhin ein stärker gemischter Eingang aus PDF, Scan und freiwillig strukturierten Rechnungen üblich; Rechnungen an den Bund folgen einem eigenen strukturierten Verfahren. KMU sollten ihre Testmenge deshalb nach den tatsächlich erhaltenen Formaten, Branchen und Sprachen zusammenstellen. Ein Modell, das mit deutschen XRechnungen gut funktioniert, ist damit noch nicht für fotografierte österreichische Kleinlieferantenbelege validiert.

So entsteht eine belastbare Prüfschwelle

Reale Testmenge aufbauen: Verwenden Sie repräsentative, fachlich geprüfte Belege aus den tatsächlich vorkommenden Formaten. Personenbezogene Daten sind dabei zweckgebunden und datensparsam zu behandeln.
Felder einzeln messen: Erfassen Sie Fehlerquoten für Rechnungsnummer, Beträge, Steuer, IBAN und andere relevante Felder statt nur eine Dokumentquote.
Fehlerwirkung bewerten: Ordnen Sie jedem Feld eine betriebliche und steuerliche Wirkung zu.
Regeln ergänzen: Nutzen Sie Summenprüfungen, Dublettensuche, Stammdatenvergleich und Pflichtfeldlogik als unabhängige Kontrollen.
Zonen kalibrieren: Legen Sie grüne, gelbe und rote Pfade anhand der gemessenen Ergebnisse und Ihrer Risikotoleranz fest.
Pilot begrenzen: Beginnen Sie mit wenigen Lieferanten oder Dokumenttypen und automatisieren Sie keine Zahlung.
Stichproben festlegen: Prüfen Sie einen dokumentierten Anteil der grünen Fälle zufällig und erhöhen Sie ihn bei Änderungen.
Drift überwachen: Vergleichen Sie Fehlerarten und Korrekturen nach Modell-, Prompt-, Layout- oder Prozessänderungen.

Wer Modelländerungen nachvollziehbar testen will, findet im Beitrag Gleiche Rechnung, anderes KI-Ergebnis einen passenden Ablauf. Für die organisatorische Freigabe ergänzt der Leitfaden zum Vier-Augen-Prinzip im Rechnungsprozess die Rollen- und Vertretungssicht.

Checkliste für den produktiven Betrieb

Ist definiert, was jeder Konfidenzwert genau beschreibt?
Wurden Schwellen mit eigenen, repräsentativen Rechnungen validiert?
Gibt es feldbezogene Fehlerquoten statt nur einer Gesamtgenauigkeit?
Stoppen Summen-, Steuer- und Dublettenfehler die Automatisierung?
Werden neue Lieferanten und Bankverbindungen gesondert geprüft?
Kann eine zuständige Person jeden KI-Wert verwerfen oder ändern?
Werden Korrekturgrund, ursprünglicher Wert und Freigabe protokolliert?
Erfasst eine Stichprobe auch Fehler in der grünen Zone?
Löst ein Modell-, Prompt- oder Layoutwechsel einen neuen Test aus?
Ist ein manueller Ersatzprozess verfügbar, wenn die KI ausfällt?

Die öffentlichen Claribill-Funktionen für Rechnungen zeigen den belegbezogenen Arbeitskontext; die Claribill-Sicherheitsseite beschreibt unter anderem Rollen, Zugriffsschutz und Protokollierung. Für KI-gestützte Verarbeitung gilt unabhängig vom Werkzeug: Freigaberegeln müssen zur tatsächlichen Funktion passen und dürfen keine nicht belegten Produktfähigkeiten voraussetzen. Ergänzend behandelt der Beitrag KI-Rechnungsverarbeitung mit Kontrolle und Datenschutz die organisatorische Einführung.

Fazit: Schwellenwerte brauchen Kontext und Gegenkontrollen

Eine KI darf Rechnungsarbeit beschleunigen, aber ihr Konfidenzwert ist kein Freigabestempel. Belastbar wird der Prozess erst, wenn KMU Feldgenauigkeit, fachliche Plausibilität, Fehlerwirkung und Neuigkeit getrennt bewerten. Hochwirksame Felder wie Steuerbetrag und IBAN brauchen strengere Pfade als risikoarme Beschreibungstexte.

Die beste Prüfschwelle entsteht aus eigenen Testbelegen, unabhängigen Regeln und dokumentierten Stichproben. Grüne Fälle werden kontrolliert automatisiert, gelbe gezielt geprüft und rote gestoppt. Damit bleibt menschliche Aufmerksamkeit dort, wo sie den größten Schaden verhindert, und die Automatisierung kann auf messbarer Qualität statt auf einem scheinbar präzisen Prozentwert wachsen.

FAQ zu Konfidenzwerten und Prüfschwellen

Muss eine KI 100 Prozent Genauigkeit erreichen?

Eine pauschale Vollständigkeitsquote beantwortet die falsche Frage. Entscheidend ist, welche Fehler verbleiben und ob Gegenkontrollen sie vor einer schädlichen Aktion entdecken. Für eine automatisch übernommene IBAN oder Steuerberechnung kann die akzeptable Restfehlerquote wesentlich niedriger sein als für eine interne Suchverschlagwortung. Manche Felder sollten unabhängig von der gemessenen Genauigkeit immer einer Änderungs- oder Plausibilitätsprüfung unterliegen.

Wie groß muss die Stichprobe aus der grünen Zone sein?

Dafür gibt es keine universelle Zahl. Umfang und Häufigkeit richten sich nach Belegvolumen, Fehlerwirkung, bisheriger Leistung und Prozessänderungen. Wichtig sind eine zufällige Auswahl und zusätzliche ereignisbezogene Prüfungen: nach Modell- oder Promptwechseln, bei neuen Lieferanten, neuen Layouts, ungewöhnlichen Sprachen oder einer steigenden Korrekturquote. Die gewählte Methode und ihre Ergebnisse sollten dokumentiert werden.

Was tun, wenn der Anbieter keine Feldkonfidenz liefert?

Dann fehlt eine wichtige Entscheidungsgrundlage. KMU können weiterhin mit fachlichen Regeln und menschlicher Prüfung arbeiten, sollten die automatische Übernahme aber restriktiv behandeln. Eigene Tests messen, wie oft jedes Feld korrekt ist; diese beobachtete Leistung ersetzt jedoch keinen fehlenden Konfidenzwert für den konkreten Einzelfall. Besonders folgenreiche Werte bleiben deshalb in der gelben oder roten Zone.

Darf eine strukturierte E-Rechnung automatisch durchlaufen?

Strukturierte Daten vermeiden manche Lesefehler, garantieren aber keine sachliche Richtigkeit. Auch eine valide XML-Datei kann eine falsche IBAN, eine doppelte Rechnungsnummer, unzutreffende Steuerdaten oder einen nicht bestellten Leistungsumfang enthalten. Formatvalidierung ist daher nur eine Kontrollschicht; Stammdaten-, Summen-, Dubletten- und Geschäftsfallprüfungen bleiben erforderlich.

Prüfschwellen für KI-Rechnungsdaten: Eine Kontrollmatrix für KMU