Am Monatsende liegen die Belege noch im E-Mail-Postfach, die OP-Liste in Excel und die Buchungsmaske im ERP offen. Während die Abgabefrist näher rückt, prüft der Bilanzbuchhalter dieselbe Information in mehreren Systemen, sucht fehlende Rechnungen und entscheidet, ob eine Buchung wirklich auf das vorgeschlagene Konto gehört. KI in der Buchhaltung kann diese Routine deutlich entlasten. Sie ersetzt aber weder fachliche Verantwortung noch ein sauberes Kontrollsystem.
Österreichische Unternehmen nutzen KI bereits deutlich breiter. Laut Statistik Austria setzten 2025 30 % der Unternehmen mit mindestens 10 Beschäftigten KI-Technologien ein. Für Finanz- und Buchhaltungsaufgaben lag der Anteil laut einer auf Eurostat-Daten basierenden Auswertung bei 6,7 %, nach 3,6 % im Jahr 2023 und 5,6 % im Jahr 2024. Der Markt bewegt sich also von allgemeiner Experimentierfreude in Richtung konkreter Finance-Prozesse. Entscheidend ist jetzt, wo KI tatsächlich hilft, wie DATEV oder BMD angebunden werden und wer für eine fehlerhafte Buchung geradesteht.
Inhaltsverzeichnis
- Wenn der Monatsabschluss zur Belastung wird
- Was KI in der Buchhaltung konkret leistet
- Die wichtigsten Anwendungsfälle im Finanzteam
- Effizienzgewinne und Fehlerreduktion mit Zahlen
- DSGVO Datenresidenz und Nachvollziehbarkeit
- Integration in DATEV BMD und Legacy-Systeme
- Vom Pilot zum produktiven KI-Workflow
- Was Finance-Leiter jetzt konkret tun sollten
Wenn der Monatsabschluss zur Belastung wird
Am letzten Arbeitstag des Monats beginnt der eigentliche Sprint. Ein Bilanzbuchhalter öffnet die OP-Liste, gleicht Bankbewegungen mit dem Hauptbuch ab, sucht Belege zu unklaren Zahlungen und wechselt danach in die Maske für die Umsatzsteuervoranmeldung. Parallel warten Mahnläufe, Rückfragen aus den Fachabteilungen und jene Rechnung, deren Lieferant zwar bekannt ist, deren Leistungsbeschreibung aber kaum verrät, welches Sachkonto passt.
Die meiste Zeit verschwindet nicht in der fachlichen Entscheidung. Sie geht beim Sortieren, Übertragen, Nachfragen und Kontrollieren verloren. Eine Eingangsrechnung kommt als PDF, ein anderer Beleg als Foto, eine dritte Information steht nur in einer E-Mail. Selbst wenn alle Dokumente digital vorliegen, sind Lieferantennamen, Sprachvarianten, Steuersätze und Positionsbeschreibungen nicht immer einheitlich.
Wo klassische Automatisierung an Grenzen stößt
Regeln funktionieren gut, wenn der Ablauf stabil ist. Ein bestimmter Lieferant wird immer auf dasselbe Konto gebucht, eine Bankdatei folgt immer demselben Format, eine Zahlung wird anhand einer eindeutigen Referenz zugeordnet. Sobald eine Ausnahme auftritt, braucht der Prozess wieder einen Menschen.
Ein OCR-Scanner kann Zeichen aus einem Beleg auslesen. Er erkennt aber nicht zuverlässig, ob „Servicepauschale“, „Wartung“ oder „Beratung“ im jeweiligen Unternehmen auf dasselbe Konto gehört. Regelbasierte Automatisierung kann Felder verschieben und Dateien importieren, sie versteht jedoch keinen unbekannten Kontext.
KI setzt an einer anderen Stelle an. Ein Modell kann Muster auf Belegen erkennen, Buchungsvorschläge klassifizieren und ungewöhnliche Bewegungen auf Sachkonten markieren. Das Ergebnis ist zunächst ein Hinweis oder eine Wahrscheinlichkeit, keine endgültige Buchung. Genau diese Unterscheidung verhindert, dass aus einer schnellen Verarbeitung ein stiller Fehler im Monatsabschluss wird.
Praktische Sicht: Je mehr Zeit ein Team mit dem Transport von Informationen verbringt, desto sinnvoller ist ein KI-Pilot. Je stärker eine Aufgabe von Einzelfallentscheidungen abhängt, desto wichtiger bleibt die fachliche Prüfung.
Was KI in der Buchhaltung konkret leistet
KI in der Buchhaltung ist ein Werkzeugkasten, kein Autopilot. Die Belegerkennung zeigt den Unterschied besonders klar. Ein OCR-Scanner liest Pixel und Buchstaben. Ein Machine-Learning-Modell versucht zusätzlich, den Zusammenhang zwischen Lieferant, Betrag, Leistungsbeschreibung, Umsatzsteuersatz und bisheriger Kontierung zu erkennen. Ein Large Language Model, kurz LLM, kann Freitext in einer E-Mail zusammenfassen oder eine unstrukturierte Anfrage einem Prozess zuordnen.
Drei Technologien, drei Aufgaben
OCR extrahiert sichtbare Informationen wie Rechnungsnummer, Datum oder Betrag. Das ist nützlich, wenn das Dokument lesbar ist und die Positionen an erwarteten Stellen stehen.
Regelbasierte RPA führt festgelegte Schritte aus. Sie kann Dateien abholen, Daten in ein ERP übertragen oder einen Bericht erzeugen. Sie entscheidet aber nicht eigenständig, ob eine ungewöhnliche Buchung fachlich plausibel ist.
Machine Learning erkennt wiederkehrende Zusammenhänge aus Beispieldaten. Es kann einen Kontierungsvorschlag machen, eine Rechnung einem Lieferanten zuordnen oder eine Abweichung hervorheben. Das Modell liefert dabei eine Einschätzung mit Unsicherheit.
LLMs sind besonders hilfreich bei Sprache. Sie können E-Mails, Notizen und Freitextfelder strukturieren. Für die direkte Verbuchung ohne Kontrolle sind sie nicht geeignet, weil sprachliche Plausibilität keine steuerliche oder bilanzielle Richtigkeit garantiert.
Ein Modell, das für den Kontenplan, die Lieferantenstruktur und die Freigabelogik eines Unternehmens trainiert wurde, lässt sich nicht einfach unverändert auf ein anderes Unternehmen übertragen. Schon unterschiedliche Kontenpläne, Kostenstellen, Steuerschlüssel und Buchungsregeln verändern das Ergebnis. Brauchbare Qualität entsteht durch ausreichend repräsentative historische Belege, klare Korrektursignale und eine laufende Prüfung der Vorschläge.
Ein KI-Vorschlag ist eine begründete Vermutung. Eine GoBD-relevante Buchung braucht weiterhin einen nachvollziehbaren Prüf- und Freigabeschritt durch eine sachkundige Person.
Ein kurzer Überblick erklärt den Unterschied zwischen Texterkennung und kontextbezogener Verarbeitung:
<iframe width="100%" style="aspect-ratio: 16 / 9;" src="https://www.youtube.com/embed/Jdl8vlW_SOE" frameborder="0" allow="autoplay; encrypted-media" allowfullscreen></iframe>Die wichtigsten Anwendungsfälle im Finanzteam
Die besten Startpunkte liegen dort, wo viele ähnliche Vorgänge eintreffen und Ausnahmen klar markiert werden können. Der Mensch prüft dann nicht mehr jeden Datensatz mit derselben Tiefe, sondern konzentriert sich auf die Fälle, bei denen Kontext, Risiko oder Datenqualität unklar sind.
| KI-Anwendungsfälle in der Buchhaltung im Überblick | Eingangsdaten | Typisches Ergebnis | Kontrollpunkt |
|---|---|---|---|
| Kontoabstimmung | Bankbewegungen, Hauptbuch, OP-Listen, Zahlungsreferenzen | Vorschläge für passende offene Posten, markierte Differenzen | Buchhalter prüft zeitliche Unterschiede und nicht zuordenbare Zahlungen |
| Belegverarbeitung | PDFs, Fotos, strukturierte Rechnungen, Lieferantenstamm | Extrahierte Rechnungsdaten, Kontierungs- und Steuerschlüsselvorschlag | Sachkundige Person kontrolliert Belegbild, Konto und Steuerlogik |
| Anomalieerkennung | Buchungshistorie, Sachkonten, Lieferanten- und Zahlungsdaten | Hinweise auf Duplikate, ungewöhnliche Muster oder auffällige Beträge | Finance bewertet den Geschäftsvorfall und dokumentiert die Entscheidung |
| Forecasting | Historische Buchungen, offene Posten, Zahlungsfristen, Steuerdaten | Liquiditäts- oder USt-Vorschau auf Basis erkannter Muster | Verantwortliche Person prüft Annahmen und bekannte Sondereffekte |
Abstimmung und Belege
Bei der Kontoabstimmung kann ein System bekannte Zahlungsreferenzen, Beträge und Zeiträume miteinander vergleichen. Es markiert eine Zahlung ohne passenden offenen Posten, statt sie still einem ähnlichen Betrag zuzuweisen. Der Kontrollpunkt bleibt die Frage, ob es sich um eine verspätete Buchung, eine Gebührenposition, eine Sammelzahlung oder einen tatsächlichen Fehler handelt.
Bei Eingangsrechnungen extrahiert KI die relevanten Felder und schlägt eine Zuordnung zu Bestellung, Lieferant und Sachkonto vor. Eine Rechnung mit gemischten Steuersätzen oder einer unklaren Leistungsbeschreibung sollte nicht automatisch durchlaufen. Sie gehört in eine Ausnahmeroute.
Auffälligkeiten und Vorschau
Anomalieerkennung sucht nicht nach „Betrug“ als fertigem Urteil. Sie meldet beispielsweise eine doppelte Zahlung, eine neue Kontoverbindung, ein ungewohntes Buchungsmuster oder eine auffällige Häufung runder Beträge. Ein Mensch entscheidet, ob die Abweichung plausibel ist.
Forecasting kann historische Zahlungseingänge und Ausgaben für eine Liquiditätsplanung oder USt-Vorschau verwenden. Die Qualität hängt dabei stärker von vollständigen Buchungen und bekannten Sondereffekten ab als vom Modellnamen. Mahnwesen, Intercompany-Abstimmung und Reisekostenabrechnung ergänzen diese Kernfälle, sollten aber erst nach einem stabilen Datenfluss skaliert werden.
Effizienzgewinne und Fehlerreduktion mit Zahlen
Für die Wirtschaftlichkeit von KI in der Buchhaltung zählt nicht die Zahl der erkannten Felder allein. Finance-Leiter sollten Durchlaufzeit, Nachbearbeitungsquote und First-Pass-Yield messen. First-Pass-Yield bezeichnet dabei den Anteil der Vorgänge, die ohne zusätzliche Korrekturschleife verarbeitet werden.
Die im Briefing genannten Pilotwerte aus DATEV- und BMD-Umgebungen dürfen hier nicht als verifizierte Zahlen verwendet werden. Sie enthalten zwar konkrete Zeitersparnisse und Fehlerquoten, aber keine öffentlich prüfbare Quelle, die sie belastbar belegt. Eine saubere ROI-Rechnung sollte deshalb mit den eigenen Prozessdaten beginnen, statt konservative oder aggressive Benchmarks zu übernehmen.
| Effizienzgewinne nach Prozessklasse | Zeitersparnis | Fehlerreduktion | Beispiel |
|---|---|---|---|
| Transaktionale Routinen | Im eigenen Pilot messen | Im eigenen Pilot messen | Belegbuchung, OP-Abgleich, Zahlungszuordnung |
| Ausnahmebehandlung | Nachbearbeitungszeit separat messen | Korrekturgründe dokumentieren | Unklarer Steuerschlüssel oder fehlende Referenz |
| Komplexe Abschlussaufgaben | Aufwand vor und nach Workflow vergleichen | Fachliche Fehlentscheidungen separat bewerten | Intercompany-Abstimmung oder Rückstellungsprüfung |
| Kontrollprozesse | Prüfzeit und Eskalationen erfassen | Treffer und Fehlalarme beobachten | Duplikat- oder Anomaliehinweise |
Ein realistisches Messdesign beginnt mit einem abgegrenzten Belegtyp oder einem Kontoabstimmungsprozess. Das Team erfasst, wie lange ein Vorgang vom Eingang bis zur Freigabe dauert, wie oft ein Mensch eingreifen muss und welche Korrekturen nach der Übergabe ins ERP entstehen. Für die Berechnung der Zeitersparnis in der Buchhaltung zählt die gesamte Prozesszeit, nicht nur die Dauer der Dateneingabe.
Die österreichische Studie von FH CAMPUS 02 und BÖB zeigt, dass der Einsatz von KI im Rechnungswesen von 39 % im Jahr 2024 auf 50 % im Jahr 2025 stieg; zugleich sank der Anteil ohne KI-Befassung von 21 % auf 12 %. Auch das KI-Verständnis entwickelte sich weiter, von einem Viertel auf die Hälfte der Unternehmen mit gutem Verständnis, wie die Studienzusammenfassung von FH CAMPUS 02 berichtet. Nutzung und Verständnis wachsen also gemeinsam, aber nicht automatisch im gleichen Tempo.
Für einzelne Anwendungen gibt es belastbare technische Hinweise. Fraunhofer Austria trainierte und testete einen KI-Klassifizierer mit rund 4.400 realen Buchungseinträgen. In 94 % der Fälle lag die korrekte Kontonummer unter den drei besten Vorschlägen, wie Fraunhofer Austria zur automatisierten Rechnungsverarbeitung beschreibt. Das ist ein Vorschlagswert, keine Freigabequote. Genau deshalb muss der ROI die Prüfung und die Kosten falscher Vorschläge einschließen.
DSGVO Datenresidenz und Nachvollziehbarkeit
Buchungsbelege enthalten häufig Namen, Kontaktdaten, Lieferanten-IDs, Vertragsnummern und Zahlungsinformationen. Diese Informationen sind nicht bloß technische Eingaben, sondern personenbezogene Daten im Sinn der DSGVO. Für die Architektur bedeutet das: Datenverarbeitung, Zugriff, Speicherung und Löschung müssen vor dem Pilot geklärt sein.
Ein US-Hyperscaler ist nicht automatisch unzulässig. Standardvertragsklauseln allein lösen aber nicht jede praktische Frage zu Zugriffen, Subprozessoren, Speicherorten und Modelltraining. Für österreichische Unternehmen kommen je nach Schutzbedarf etwa eine DATEV-Cloud, eine Microsoft-Azure-Region in Frankfurt oder Wien oder ein On-Premise-LLM infrage. Die Entscheidung muss zur Datenklasse und zum konkreten Verarbeitungszweck passen.
Was technisch dokumentiert werden muss
Ein Auftragsverarbeitungsvertrag, ein Löschkonzept und eine klare Regel für Modelltraining gehören zur Grundausstattung. Zusätzlich sollte jeder KI-Vorschlag mit Eingabedaten, Modell- oder Regelversion, Ergebnis, Konfidenz, Änderung und Freigabe verknüpft werden. Ein Audit-Log-Management für Finanzprozesse ist damit keine Komfortfunktion, sondern ein Bestandteil der Kontrollarchitektur.
Das Vier-Augen-Prinzip kann für risikoreiche Vorschläge verschärft werden. Im vorgegebenen Szenario gilt beispielsweise eine zusätzliche Prüfung für KI-Vorschläge über 5.000 Euro. Diese Schwelle ist eine Governance-Regel, kein allgemeiner gesetzlicher Grenzwert. Sie sollte gemeinsam mit Steuerberatung, Revision und Datenschutz festgelegt werden.
Nachvollziehbarkeit heißt nicht, dass ein Anbieter versichert, sein Modell sei „transparent“. Nachvollziehbarkeit heißt, dass ein Prüfer später sehen kann, welcher Beleg verarbeitet wurde, welche Information das System verwendet hat, warum ein Konto vorgeschlagen wurde und wer die Buchung freigegeben oder geändert hat. Fehlt diese Kette, gehört der Vorgang in eine manuelle Prüfung.
Integration in DATEV BMD und Legacy-Systeme
Eine produktive Lösung beginnt nicht mit einem Chatfenster neben dem ERP. Sie beginnt mit einem kontrollierten Datenpfad. Der Beleg kommt in ein Vorsystem, ein Modell extrahiert und klassifiziert Informationen, ein Buchhalter prüft den Vorschlag, und erst danach fließt die bestätigte Buchung in das führende System.
Typische Anbindungspfade
Bei DATEV führt der naheliegende Weg über DATEV Unternehmen Online, kurz DUO, und geeignete ReST-APIs beziehungsweise DATEV-Datenservices. Das KI-System sollte Belegbild, erkannte Felder, Kontierungsvorschlag und Prüfstatus so übergeben, dass die Kanzlei im gewohnten DATEV-Prozess weiterarbeiten kann.
BMD lässt sich über die offene COM/.NET-Schnittstelle und das Web-API anbinden. Wichtig ist die Abbildung der BMD-spezifischen Konten, Steuerschlüssel, Kostenstellen und Berechtigungen. Eine technisch erfolgreiche Übertragung ist noch keine fachlich korrekte Buchung.
Microsoft Dynamics Navision und Business Central bieten mit OData und dem AL-Layer etablierte Integrationsmöglichkeiten. Für SAP R/3, proAlpha oder andere ältere Systeme kommen Middleware-Konnektoren oder eine MCP-Schicht, also das Model Context Protocol, infrage. Diese Schicht stellt dem Modell nur freigegebene Aktionen und Daten bereit, statt direkten, unkontrollierten Datenbankzugriff zu erlauben.
Architekturregel: Das ERP bleibt das führende Buchungssystem. KI liefert Vorschläge, erklärt Abweichungen und bereitet Aktionen vor. Ein Buchhalter bestätigt die fachlich relevante Entscheidung im bestehenden Kontrollprozess.
Legacy-Systeme sind deshalb kein automatischer Showstopper. Schwieriger sind inkonsistente Buchungslogiken, doppelte Lieferantenstämme, fehlende Pflichtfelder und unklare Zuständigkeiten für Belege. Vor dem Connector braucht es Mapping-Tabellen, Stammdaten-Hygiene und eine eindeutige Definition, wer eine Ausnahme bearbeitet. Weitere Perspektiven zur KI-Integration in ERP-Systeme helfen bei der Architekturentscheidung, ersetzen aber nicht die Prüfung der eigenen Schnittstellen.
Vom Pilot zum produktiven KI-Workflow
Eine KI-Einführung scheitert häufig nicht am Modell, sondern an einem zu großen Startumfang. Ein gutes Reifegradmodell trennt Pilot, Integration, Skalierung und laufenden Betrieb.
Vier Stufen mit eigenem ROI-Kriterium
Pilot: Das Team wählt einen engen Use Case, etwa Eingangsrechnungen oder Intercompany-Abstimmung. Gemessen werden Zeit pro Beleg, Fehlerarten und Freigabequote. Der Pilot endet nicht mit einer Demo, sondern mit einer Entscheidung anhand der eigenen Daten.
Integration: Der Workflow wird an DATEV oder BMD angebunden und im Tagesgeschäft geprüft. Jetzt zählt, ob Belege vollständig ankommen, Buchungsstapel korrekt übertragen werden und jede Änderung protokolliert ist.
Skalierung: Nach dem Stammdaten-Cleanup kommen weitere Belegtypen, Lieferanten oder Teams hinzu. Das relevante Kriterium ist der Durchsatz pro Buchhalter, ohne dass die Eskalationsqualität sinkt. Eine Middleware- oder MCP-Schicht kann dabei mehrere Systeme kontrolliert verbinden.
Produktivbetrieb: Monitoring und Modell-Governance werden dauerhaft verankert. Das Team beobachtet Eskalationsrate, Fehlalarme, veränderte Kontierungslogik und neue Geschäftsfälle. Retraining oder Regelanpassungen brauchen einen Owner und einen dokumentierten Freigabeprozess.
Stammdaten-Cleanup ist die unsichtbare Voraussetzung. Duplizierte Lieferanten, inkonsistente Kontenpläne und unterschiedliche Belegformate erzeugen falsche Muster. Wer diese Datenprobleme nicht bereinigt, automatisiert nur die Unordnung und macht sie schwerer auffindbar.
Die WKO berichtet für die Sparte Information und Consulting von 44 % KI-Einsatz und weiteren 31 %, die den Einsatz testen oder planen; im Fachverband Unternehmensberatung, Buchhaltung und IT liegt der Anteil bei 76 %, wie die WKO-Auswertung zu KI in Information und Consulting ausweist. Hohe Aktivität erhöht den Druck, aber sie beweist noch keinen produktiven ROI. Der Maßstab bleibt ein kontrollierter Workflow mit messbarer Wirkung.
Was Finance-Leiter jetzt konkret tun sollten
Am Ende des nächsten Monatsabschlusses sollte klar sein, ob KI ein Experiment bleibt oder einen belastbaren Prozess verbessert. Drei Schritte schaffen dafür eine brauchbare Entscheidungsgrundlage.
-
Zwei bis drei Use Cases auswählen: Belegerkennung, OPOS-Abstimmung oder Mahnlauf eignen sich, wenn der Ausgangszustand binnen kurzer Zeit messbar ist. Für jeden Use Case wird ein Process Owner benannt, der Daten, Freigaben und KPI verantwortet.
-
Compliance kurz prüfen: Klären Sie, ob personenbezogene Daten das eigene Land oder den vorgesehenen EU-Raum verlassen, ob Auftragsverarbeitungsverträge und Anhänge aktuell sind und ob Audit-Trails jede Änderung abbilden. Prüfen Sie außerdem, welche Vorschläge zwingend durch eine zweite Person freigegeben werden.
-
Bestandssysteme kartieren: Dokumentieren Sie DATEV-Schnittstellen, DUO, BMD-Cloud, BMD-Web-API, Navision-Webservices und ältere Host-Systeme. Für Legacy-Systeme gehören Custom Connectoren, Mapping-Tabellen und ein sicherer Berechtigungsweg in den Plan.
Österreichs allgemeine KI-Nutzung lag 2025 bei 30 %, während KI für Finance und Accounting bei 6,7 % lag, wie die amtliche Statistik zu IKT-Einsatz in Unternehmen und die fachbezogene Auswertung zeigen. Diese Lücke beschreibt die eigentliche Aufgabe: Nicht jede Organisation braucht sofort einen autonomen Agenten. Sie braucht einen überprüfbaren Prozess, saubere Daten und ein Finanzteam, das die Entscheidungshoheit behält.
Wer diese drei Schritte in einem Quartier konsequent bearbeitet, kann dem CFO konkrete ROI-Größen nennen und zugleich Governance, Datenqualität und Auditierbarkeit schützen. KI sollte die Buchhaltung schneller machen, nicht die Verantwortung unsichtbar machen.
Specialty Tokens verbindet KI-Workshops und Senior-Engineering mit sicheren Konnektoren für DATEV, BMD, Navision und Legacy-Systeme, damit Finance-Teams kontrollierte Workflows statt isolierter Chat-Experimente aufbauen. Besuchen Sie Specialty Tokens, wenn Sie einen konkreten Buchhaltungs-Use-Case bewerten oder eine produktive MCP- und Integrationsarchitektur planen möchten.