KI Rechnungen auslesen: fünf Felder richtig testen

Fünf richtige Felder schlagen eine schöne Vorschau

KI liest Rechnungen aus, aber ein gefülltes Feld kann falsch sein. Für einen kleinen Betrieb zählt deshalb nicht, ob die Vorschau ordentlich aussieht. Entscheidend ist, ob Lieferant, Rechnungsnummer, Datum, Rechnungsbetrag und Steuerbetrag mit dem Original übereinstimmen. Beginnen Sie mit diesen fünf Feldern und einer Liste bekannter Sollwerte.

Unsere Empfehlung: Testen Sie zunächst 40 unterschiedlich aufgebaute Belege. Das ist ein überschaubarer Einstieg, kein statistischer Nachweis. Bleiben Korrekturen aufwendig, verbessern Sie zuerst den Eingang oder die vorhandene Buchhaltungssoftware. Ein zusätzlicher KI-Dienst lohnt sich nicht allein deshalb, weil er Text erkennt.

Als Beispiel dient Microsofts Rechnungsmodell in Azure Document Intelligence. Es liefert strukturierte Daten aus PDFs und Bildern. Der folgende Test bewertet deren Qualität. Den anschließenden Weg zur Freigabe beschreibt Eingangsrechnungen mit KI vorbereiten.

Schritt 1: Strukturierte Rechnungen umgehen die Texterkennung

Der Betrieb trennt Datenimporte von Bildauswertung. Prüfen Sie zuerst, ob eine Rechnung bereits strukturierte Daten enthält. Das gilt auch für hybride Formate mit PDF-Ansicht und eingebettetem Datenteil. Importieren und validieren Sie diesen Datenteil, statt daraus ein Bild zu machen und die Angaben erneut erraten zu lassen.

Das BMF unterscheidet strukturierte E-Rechnungen von einfachen PDFs. Bei abweichenden Angaben einer hybriden E-Rechnung ist der strukturierte Teil maßgeblich. Ein PDF ist also nicht automatisch ein Fall für OCR, die optische Texterkennung.

Für verbleibende PDFs, JPG- und PNG-Dateien unterstützt Microsoft das Rechnungsmodell. Legen Sie digitale PDFs, Scans, Fotos und mehrseitige Belege im Test getrennt ab. Verwenden Sie erfundene Muster oder intern dafür freigegebene Testbelege; vertrauliche Originale gehören erst nach Klärung von Vertrag, Zugriff und Datenverarbeitung in einen Cloud-Dienst.

Schritt 2: Die Sollwerte stehen vor dem Modelllauf fest

Die Prüfliste beginnt beim Original, nicht bei der KI-Ausgabe. Tragen Sie die erwarteten Werte ein, bevor Sie den Test starten. Eine zweite Person prüft unklare Stellen. Fehlt eine Angabe im Original, lautet der Sollwert „nicht vorhanden“; das Modell soll die Lücke nicht durch eine Vermutung füllen.

Diese fünf Felder stehen im offiziellen Rechnungsschema. Nutzen Sie folgende erfundene Musterzeile als Vorlage, jeweils mit Fundstelle auf dem Beleg:

• Lieferant / VendorName: Musterhandel GmbH; Seite 1. Mit dem Lieferantenstamm abgleichen.
• Rechnungsnummer / InvoiceId: 00127-A; Seite 1. Führende Nullen und Buchstaben erhalten.
• Rechnungsdatum / InvoiceDate: 05.10.2026; Seite 1. Vergleichsformat: 2026-10-05.
• Rechnungsbetrag / InvoiceTotal: 119,00 EUR; letzte Seite. Währung separat erfassen.
• Steuerbetrag / TotalTax: 19,00 EUR; letzte Seite. Geldbetrag, kein Steuersatz.

Schritt 3: Die letzte Seite gehört zum Test

Der Test enthält absichtlich schwierige Belege. Nehmen Sie neben gut lesbaren PDFs ein schräges Foto, einen blassen Scan, eine handschriftliche Ergänzung und eine Rechnung mit Summe auf Seite drei auf. Für jede Variante bleibt sichtbar, welches Feld falsch oder leer zurückkam. Unleserliche Vorlagen lassen sich durch ein neues Foto oft besser reparieren als durch weitere Prompts.

Die kostenlose F0-Stufe von Document Intelligence verarbeitet bei PDF und TIFF nur die ersten zwei Seiten. Ein fehlender Betrag auf Seite drei belegt dann keine schlechte Erkennung, sondern einen unvollständigen Test. Notieren Sie deshalb Seitenzahl, verarbeiteten Bereich und Modellversion.

Handschrift ist nicht pauschal ausgeschlossen: Microsofts Read-OCR erkennt auch handgeschriebenen Text und bildet die Grundlage der Rechnungsmodelle. Ob eine Ergänzung dem richtigen Rechnungsfeld zugeordnet wird, ist eine separate Prüffrage. Ein lesbarer Kringel ist noch kein Steuerbetrag.

Schritt 4: Zwei Quoten zeigen verschiedene Fehler

Die Auswertung zählt Felder und vollständige Belege getrennt. Markieren Sie jede Ausgabe als richtig, falsch oder fehlend. Vergleichen Sie Datum und Geldbeträge in einem einheitlichen Format, aber verändern Sie keine Rechnungsnummern. Speichern Sie Originalwert, Modellwert und Korrektur nebeneinander.

Ein künstliches Rechenbeispiel: 40 Rechnungen mit fünf vorhandenen Sollfeldern ergeben 200 Vergleiche. Vier falsche Felder auf vier verschiedenen Rechnungen bedeuten 196 ÷ 200 = 98 Prozent richtige Felder. Trotzdem sind nur 36 ÷ 40 = 90 Prozent der Belege in allen fünf Feldern richtig. Wir haben diese Rechnung mit Python geprüft; sie ist keine gemessene Erkennungsquote.

Ein Konfidenzwert ist eine Schätzung des Modells, keine Abnahme. Halten Sie auch Fehler mit hohem Wert fest. Prüfen Sie besonders InvoiceTotal gegen AmountDue: Das Microsoft-Schema unterscheidet neue Rechnungsbeträge von insgesamt offenen Beträgen einschließlich älterer Schulden. Für den anschließenden Zahlen- und Belegabgleich hilft KI in der Rechnungsprüfung.

Schritt 5: Dubletten brauchen einen eigenen Vergleich

Die Dublettenprüfung läuft getrennt vom Auslesen. Ein technischer Fingerabdruck der Datei findet identische Uploads auch unter anderem Dateinamen. Ein neuer Scan derselben Rechnung verändert dagegen die Datei. Dafür braucht der Ablauf zusätzlich einen Vergleich der Rechnungsdaten mit dem bestehenden Register.

Unsere Startregel: geprüfte Lieferanten-ID und Rechnungsnummer vergleichen, Datum, Währung und Betrag als zusätzliche Hinweise anzeigen. Fehlende oder unsichere Schlüssel gehen zur Klärung. Beträge allein genügen nicht: Zwei Rechnungen dürfen denselben Preis haben. Treffer markieren einen Verdacht; sie löschen keinen Beleg und bestätigen keine Zahlung.

Kopieren Sie diese vier Fälle in die Abnahmeliste: identische Datei erneut hochladen; dieselbe Datei umbenennen; dieselbe Rechnung neu scannen; andere Rechnungsnummer bei gleichem Betrag erfassen. Die ersten drei sollen einen Dublettenhinweis auslösen, der vierte nicht allein wegen des Betrags. Zählen Sie übersehene Doppelbelege und falsche Warnungen separat.

Die Nacharbeit gehört in die Kostenrechnung

Der Seitenpreis ist nur ein Kostenblock. Microsoft rechnet Document Intelligence nach analysierten Seiten ab; die Preisübersicht für vorgefertigte Modelle nennt die Einheit je 1.000 Seiten. Rechnen Sie daher: analysierte Seiten ÷ 1.000 × vereinbarter Tarif. Bei 1.200 Seiten beträgt dieser Block 1,2 × Tarif, einschließlich erneut analysierter Seiten.

Dazu kommen Einrichtung, Anbindung, Speicherung und menschliche Prüfung. Ein reines Planungsbeispiel: 40 Belege mit durchschnittlich 1,5 Minuten Kontrolle und Korrektur benötigen 60 Minuten. Bei angenommenen 36 Euro Arbeitskosten je Stunde sind das 36 Euro zusätzlich. Vergleichen Sie diese Zeit mit derselben Arbeit ohne neue Software, nicht mit null.

Setzen Sie eine Grenze vor dem Kauf: kein Übergang in den regulären Ablauf, solange unbekannte Belegarten still durchlaufen, Dubletten übersehen werden oder die Nacharbeit den bisherigen Aufwand erreicht. Den Umfang einer Anbindung besprechen wir in der Beratung zu KI-Abläufen.

Drei Fragen entscheiden über den nächsten Schritt

Der erste Test endet mit einer konkreten Liste. Halten Sie je Beleg-ID die Belegart, Seitenzahl, fünf Sollwerte, fünf Modellwerte, Fehlergrund, Dublettenhinweis und Korrekturzeit fest. So wird erkennbar, ob eine Lieferantenvorlage, ein Scanproblem oder eine falsche Feldzuordnung die Nacharbeit verursacht.

• Reichen fünf Felder für die Buchhaltung? Nein. Sie begrenzen diesen Qualitätstest. Positionen, Steuerfälle, Kontierung, Zahlungsdaten und Freigaben können weitere Prüfungen erfordern.
• Welche KI liest Rechnungen am besten? Aus den geöffneten Herstellerunterlagen lässt sich kein unabhängiger Sieger ableiten. Vergleichen Sie Angebote mit denselben Belegen und denselben Sollwerten.
• Was tun wir heute? Legen Sie die Prüfliste an, füllen Sie die Musterzeile aus und wählen Sie 40 repräsentative Testbelege. Halten Sie schwierige Belegarten bis zum geklärten Fehler in der manuellen Bearbeitung.