KI-gestützte Rechnungsverarbeitung: Vollautomatisch, lokal, GoBD-konform – optional erweiterbar zum zentralen Posteingang

Rechnungen manuell abtippen gehört der Vergangenheit an. Wer täglich hunderte Belege verarbeitet, sucht nach maximaler Automatisierung – möchte sensible Finanzdaten jedoch ungern in öffentliche Cloud-KIs hochladen. Die Lösung ist ein komplett lokaler, ausfallsicherer Open-Source-Stack, der moderne Vision-LLMs mit etablierten Enterprise-Systemen verbindet.

Der Prozess: Vom Eingang bis zur Buchung

Der gesamte Ablauf läuft ohne manuelles Abtippen im Hintergrund ab und setzt auf bewährte Kontrollmechanismen:

• 1. Eingang & Erfassung: n8n überwacht Postfächer (IMAP) sowie Scan-Ordner im Netzwerk. Sobald eine PDF eingeht, konvertiert n8n das Dokument und schickt es an die lokale KI.
• 2. KI-Analyse (Vision-LLM): Ein lokales Bild-Sprachmodell (z. B. qwen2.5vl via Ollama) "sieht" sich die Rechnung an und extrahiert Kreditor, Rechnungsnummer, Beträge, Steuersätze und IBAN als sauberes JSON-Format.
• 3. Rechnungsprüfung (Human-in-the-Loop): n8n übergibt die Daten an das gewählte Freigabe-System. Hier durchläuft der Beleg die internen Prüfprozesse und das 4-Augen-Prinzip der Fachabteilungen.
• 4. Buchung & Archivierung: Nach erfolgter Freigabe werden die Daten an DATEV Unternehmen online übertragen. Parallel legt n8n das Originaldokument revisionssicher und GoBD-konform im ELO-Archiv ab.

Rechnungsprüfung: Welches Freigabe-System passt?

Kein Unternehmen gibt Rechnungen völlig ungeprüft frei. Welches System die menschliche Kontrollinstanz (human in the loop) übernimmt, hängt von den Anforderungen an Datenschutz, Lizenzkosten und Komplexität ab:

Self-Hosted Low-Code — Budibase, Appsmith 100 % lokal und ohne Lizenzkosten: maßgeschneidertes Split-Screen-UI (PDF links, KI-Daten rechts), volle Datenkontrolle im eigenen Netz.

Spezialisierte Workflow-Tools — Flowwer Der etablierte Standard: direkte DATEV-Anbindung, vorgefertigte Freigabematrizen, hoher Fokus auf KMU-Prozesse.

Enterprise On-Premises — JobRouter, DocuWare Für komplexe Konzern-Workflows: revisionssichere Audit-Trails, mehrstufige Vertretungsregeln, tiefe ERP-Integration.

Cloud & Mobile Specialists — Candis, Finway Maximale Usability: bequeme Freigabe per Smartphone-App von unterwegs (erfordert Cloud-Anbindung).

Minimalistisch Native — n8n Forms Schlank und integriert: reicht für einfache 1-Klick-Freigaben ohne zusätzliche Software.

Die Schnittstellen & Systemkomponenten

• n8n (Self-Hosted): Das "Gehirn" des Workflows. Orchestriert Datenströme, verbindet APIs und steuert Ausnahmeregeln.
• Ollama (Lokale KI-Engine): Verarbeitet Dokumente datenschutzkonform im eigenen Netz – ohne externe API-Kosten oder Datenabfluss.
• Prüf-Engine (API): Das gewählte Freigabe-Tool (z. B. Flowwer, Budibase oder JobRouter) nimmt die extrahierten KI-Daten entgegen.
• DATEV & ELO: Die führenden Systeme für Buchhaltung und Archivierung werden nativ mit aufbereiteten strukturierten Daten beliefert.

„Das kann mein Buchhaltungsprogramm doch schon"

Der häufigste Einwand – und er hat einen wahren Kern. DATEV, Lexware „automagic", sevDesk oder BuchhaltungsButler lesen Belege heute zuverlässig aus; bei sauberen Scans liegen die Trefferquoten für Standardbelege deutlich über 90 Prozent. Belegerkennung ist 2026 keine Innovation mehr, sondern Grundausstattung.

Genau das ist der Punkt. Was jeder kann, ist kein Wettbewerbsvorteil – und keine Strategie. Wer seine KI-Fähigkeit an der Belegerkennung des Buchhaltungsprogramms festmacht, hat kein KI-Konzept, sondern ein Software-Feature abonniert.

Denn diese Erkennung endet dort, wo es für Ihr Unternehmen konkret wird. Vollautomatische Kontierung auf individuelle Kontenrahmen, Reverse-Charge bei EU-Lieferanten oder die Plausibilitätsprüfung gegen eigene Regeln leisten die Standardprodukte auch Mitte 2026 nicht; bei mehrseitigen Rechnungen mit gemischten Steuersätzen oder ungewöhnlichen Layouts sinkt die Trefferquote spürbar. Und sie bleibt in ihrer Insel: gebunden an einen Anbieter, begrenzt auf Kreditorenbelege, als Blackbox ohne Zugriff auf Modell, Extraktionslogik oder Prompt – mit Ihren Daten in dessen Cloud.

Die Frage ist nicht, ob Ihr Buchhaltungsprogramm Belege erkennt. Die Frage ist, wem die KI-Schicht Ihres Unternehmens gehört – Ihnen oder Ihrem Software-Anbieter.

Eine eigene KI-Strategie ist deshalb keine bessere Belegerkennung, sondern eine eigene Schicht davor. Der lokale Vision-LLM extrahiert, prüft und strukturiert – und übergibt das Ergebnis sauber an DATEV oder Lexware. Er ersetzt das Buchhaltungsprogramm nicht, er veredelt dessen Input und fängt genau die Sonderfälle ab, an denen die Standard-OCR aussteigt. Die Kontrolle über Modell, Logik und Daten bleibt im Haus – ohne Bindung an einen Anbieter, der morgen Preise oder Schnittstellen ändert.

Der entscheidende Unterschied: Dieselbe Schicht, die heute Ihre Eingangsrechnungen versteht, klassifiziert morgen den gesamten Posteingang – Reklamationen, Bewerbungen, Vertriebsanfragen. Die Belegerkennung im Buchhaltungsprogramm kann das nie, weil sie per Definition an der Buchhaltung endet. Ihre eigene KI-Schicht fängt dort erst an.

Ausblick: Skalierung zum zentralen digitalen Posteingang (+500 Mails/Tag)

Steht die Architektur für die Buchhaltung, lässt sich das System mit minimalem Mehraufwand zu einer zentralen, intelligenten Poststelle für das gesamte Unternehmen erweitern:

• E-Mail-Klassifizierung & Intent Recognition: Neben Rechnungen analysiert ein flinkes Text-LLM (z. B. llama3.1:8b) den E-Mail-Freitext und ordnet eingehende Nachrichten automatisch Kategorien zu (Vertriebsanfrage, Reklamation, Bewerbung, Kreditor-Rechnung).
• Multi-Modell-Pipeline: n8n trennt den Text vom Anhang. Reine E-Mails werden in Millisekunden vom Text-LLM klassifiziert. Nur noch visuelle Dokumente (Scans, PDFs) werden an das rechenintensivere Vision-LLM weitergereicht.
• Intelligentes Routing: Anfragen werden direkt im CRM, Helpdesk (z. B. Zammad) oder beim richtigen Fachbereich abgelegt – inklusive extrahierter Zusammenfassung.
• n8n Queue Mode (Redis): Für die Verarbeitung von 1.000+ Vorgängen täglich schaltet n8n auf eine Worker-Architektur um. Gehen morgens Hunderte Mails gleichzeitig ein, puffert Redis die Anfragen ab und arbeitet sie ohne Datenverlust sequenziell ab.
• Hardware-Sicherheit: Die gewählte GPU-Infrastruktur (z. B. NVIDIA L4 mit 24 GB VRAM) verkraftet diese Erweiterung mühelos. Die reine KI-Rechenzeit steigt von ca. 45 Minuten lediglich auf ca. 2 bis 3 Stunden pro Tag – es verbleiben massive Leistungsreserven.

Die Technik: Ausfallsicheres Hardware-Setup

Für die lokale Verarbeitung benötigt die KI dedizierten Grafikspeicher (VRAM). Um Ausfälle im Serverraum auszuschließen, setzt die Infrastruktur auf vollständige Redundanz:

• Compute-Cluster: 2x 19"-Rack-Server (z. B. Proxmox HA-Cluster) mit je einer Enterprise-GPU wie der NVIDIA L4 (24 GB VRAM) oder RTX 4000 Ada (20 GB VRAM). Fällt ein Knoten aus, übernimmt der zweite nahtlos alle Workflows.
• Dedizierter HA-Storage: Ein separates, gespiegeltes Storage-System (z. B. Synology HA-Cluster oder TrueNAS) speichert Datenbanken, virtuelle Maschinen und Belege getrennt von den Rechenknoten.

Kosten im Überblick: Kaufen oder mieten?

Da die Kernsoftware auf Open-Source-Komponenten basiert, entfallen laufende Abogebühren für die KI-Extraktion – unabhängig davon, ob die Hardware im eigenen Serverraum steht oder bei einem europäischen Provider gemietet wird. Für die betriebswirtschaftliche Einordnung zwei Grobszenarien (alle Angaben netto):

Variante A – Eigene Hardware (On-Premises):

• Compute-Knoten (2x HA-Server inkl. GPUs): einmalig ca. 8.000 € – 10.000 €
• Redundanter HA-Storage (NVMe/HDD): einmalig ca. 3.500 € – 5.000 €
• Hardware-Gesamtbudget: ca. 11.500 € – 15.000 € (einmalig)
• Laufender Betrieb: Strom bei Dauerlast ca. 300 € – 500 € pro Jahr und Server (also ca. 600 € – 1.000 € p. a. für den Cluster), zzgl. Wartung und Ersatzteile.
• Charakter: Hohe Anfangsinvestition, volle physische Hoheit über die Hardware – Ausfall-, Alterungs- und Ersatzteilrisiko liegen jedoch im eigenen Haus.

Variante B – Dedizierte GPU-Server bei europäischem Provider (z. B. Hetzner):

• Ein dedizierter GPU-Server (RTX-4000-Klasse, 20 GB): ca. 185 € pro Monat (≈ 2.200 € / Jahr)
• Hochverfügbar (2 Knoten im Cluster): ca. 370 € pro Monat (≈ 4.400 € / Jahr)
• Charakter: Keine Anfangsinvestition, Strom, Kühlung und Hardware-Tausch bei Defekt sind inklusive, jederzeit auf stärkere GPUs skalierbar. Die Maschine ist dediziert (kein geteilter Betrieb) und liegt im deutschen bzw. finnischen Gerichtsstand – die Datensouveränität bleibt vollständig erhalten.

Betriebswirtschaftliche Faustregel: Der Break-even der hochverfügbaren Mietvariante gegenüber dem Kauf liegt bei rund drei Jahren. Wer keine physische Hoheit über das Blech benötigt, fährt mit gemieteter, dedizierter Hardware in der Regel flexibler – ohne fünfstelligen Vorabinvest und ohne veraltende GPUs im eigenen Schrank.

In beiden Varianten gilt: keine API-Gebühren pro verarbeiteter Seite oder E-Mail, da die KI-Extraktion vollständig auf eigener bzw. dedizierter Infrastruktur läuft und nicht pro Vorgang abgerechnet wird.

Dieses Setup vereint das Beste aus zwei Welten: Die Performance und Präzision moderner KI-Modelle mit der vollkommenen Datensouveränität und Hochverfügbarkeit – ob im eigenen Serverraum oder auf dedizierter europäischer Infrastruktur.

Vom Beleg zum Betriebssystem Ihrer Poststelle

Die Rechnungsverarbeitung ist der Testfall. Der zentrale digitale Posteingang ist der eigentliche Hebel.

Wer den Kreditoren-Eingang einmal sauber automatisiert hat, besitzt bereits die Architektur für die gesamte Poststelle – und behält dabei die volle Kontrolle darüber, ob sensible Daten das eigene Haus je verlassen. Der Unterschied liegt nicht in der Technik, sondern in der Entscheidung, sie gezielt einzusetzen.

Sie fragen sich, welche Belege und E-Mails in Ihrem Unternehmen heute noch von Hand sortiert werden – und was ein solcher Stack in Ihrer konkreten Umgebung leisten würde? Lassen Sie uns darüber sprechen. → gerds-it.de

Über den Autor

Gerd Kopp ist Wirtschaftsinformatiker und war über 14 Jahre CIO, zuletzt als Head of Corporate Operations. Seit 2020 ist er selbstständig als Interim Manager und IT-Berater. Er arbeitet mit Unternehmen von klein bis Mittelstand, die Wachstum, Effizienz, Wettbewerbsfähigkeit und Innovation nicht dem Zufall überlassen wollen — und die verstanden haben, dass die richtigen Prozesse, Strukturen, Technologien und der gezielte Einsatz von KI dabei keine Nebensache sind, sondern der Unterschied.

Mehr unter gerds-it.de und im Innovation Lab.

Dieser Beitrag entstand mit KI-Unterstützung. Konzept, Architektur und die zugrunde liegende Praxis stammen aus meinem eigenen Stack — die KI war Werkzeug, nicht Autor.