Rechnungsdaten automatisch auslesen

Rechnungsdaten automatisch auszulesen bedeutet, aus einem Beleg die buchungsrelevanten Informationen maschinell zu gewinnen: Lieferant, Rechnungsnummer, Datum, Netto- und Bruttobeträge, Steuersätze, Zahlungsbedingungen und im günstigen Fall auch die einzelnen Positionen. Technisch geschieht das über OCR für die Texterkennung und darauf aufsetzende Verfahren, die den erkannten Text den richtigen Feldern zuordnen.

Wichtig ist die Unterscheidung zur E-Rechnung. Bei einem strukturierten Datensatz nach EN 16931 entfällt dieser Schritt vollständig, weil die Felder bereits benannt vorliegen. Auslesen wird nur dort gebraucht, wo Belege als Papier, Scan oder gewöhnliches PDF vorliegen. Genau das trifft im Handwerk noch auf viele Belegarten zu: Tankquittungen, Baumarktbons, Lieferscheine, Rechnungen kleiner Subunternehmer und Barbelege von der Baustelle.

Die Erkennungsqualität hängt stark vom Belegtyp ab. Rechnungen großer Lieferanten mit gleichbleibendem Layout werden zuverlässig gelesen. Thermobelege, geknickte Quittungen aus der Fahrzeugablage und handschriftliche Ergänzungen bleiben fehleranfällig.

Ein Beispiel für eine wirkungsvolle Vorstufe ist die Belegqualität. Ein Thermobeleg, der zusammengefaltet in der Fahrzeugablage liegt und Wochen später fotografiert wird, ist häufig kaum noch lesbar, unabhängig von der eingesetzten Software. Wird derselbe Beleg unmittelbar nach dem Einkauf flach auf einer gleichmäßig beleuchteten Fläche fotografiert, steigt die Erkennungsquote deutlich. Der wirksamste Hebel liegt damit beim Ablauf, nicht bei der Technik.

Ebenso zu bedenken ist die Behandlung von Positionsdaten. Kopfdaten wie Lieferant und Betrag werden zuverlässig erkannt, einzelne Positionen mit Artikelnummern und Mengen deutlich seltener. Wer eine positionsgenaue Prüfung gegen Bestellungen anstrebt, sollte diese Anforderung ausdrücklich testen statt sie vorauszusetzen.

Wo KI ansetzt

Ältere Systeme arbeiteten mit festen Vorlagen je Lieferant, die bei jeder Layoutänderung neu eingerichtet werden mussten. Lernende Modelle erkennen Felder stattdessen aus dem Zusammenhang: Sie bewerten Position im Dokument, umgebende Begriffe und Plausibilität der Werte. Damit funktionieren sie auch bei unbekannten Lieferanten und überstehen Layoutwechsel.

Ergänzend prüfen sie die inhaltliche Stimmigkeit: Ergibt die Summe der Positionen den Rechnungsbetrag, passt der ausgewiesene Steuerbetrag zum Steuersatz, liegt das Rechnungsdatum in einem plausiblen Bereich. Solche Prüfungen fangen Erkennungsfehler ab, bevor sie in die Buchhaltung gelangen.

Praktisch relevant ist die Ausgabe einer Sicherheitsbewertung je Feld. Sichere Felder laufen durch, unsichere werden hervorgehoben und manuell bestätigt. Ohne diese Abstufung entsteht entweder unnötige Prüfarbeit oder unbemerkte Fehlerquote.

Beim Einsatz externer Dienste ist zu klären, wo die Belege verarbeitet werden und ob ein Auftragsverarbeitungsvertrag vorliegt, da Rechnungen personenbezogene Daten enthalten können.

Zu klären ist außerdem, wie mit erkannten Fehlern umgegangen wird. Werden Korrekturen nur im Buchungssatz vorgenommen, lernt das System nichts daraus. Sinnvoll sind Verfahren, die eine Korrektur als Rückmeldung aufnehmen, sodass sich die Erkennung bei wiederkehrenden Lieferanten mit der Zeit verbessert statt denselben Fehler dauerhaft zu wiederholen.

Der wirksamste Schritt bleibt allerdings, den Anteil der Belege zu senken, die überhaupt ausgelesen werden müssen. Wo Lieferanten strukturierte Rechnungen liefern können, ist das der zuverlässigere Weg.