Rechnungen, Verträge und Formulare strukturiert ins ERP — OCR plus LLM, Validierung post-extraction, Review-Queue für die unsicheren Fälle.
Kurz gesagt: Rechnungen ins ERP, Verträge zu Metadaten, Formulare in die Datenbank. Stack: Azure Document Intelligence (Switzerland region) für OCR und Layout, Claude für komplexe Felder, structured output mit Validierungsregeln, Review-Queue für Low-Confidence-Fälle. Anti-Hype: das ist kein „Dokumenten-KI-Wunder", sondern eine eng definierte Pipeline für wiederkehrende Schemata. Ab rund 100 Dokumenten pro Monat mit stabilem Layout-Muster fängt sich der Aufwand; darunter ist Tipp-Arbeit oft günstiger und ehrlicher.
Eingangsrechnungen, Lieferscheine, Verträge, Formulare — Excel-Tipparbeit, die nichts kostet ausser Zeit. Mit jedem Lieferanten ein anderes Layout: derselbe Rechnungsbetrag steht einmal oben rechts, einmal in einer Tabellenzelle, einmal als handschriftliche Korrektur über dem gedruckten Wert. OCR allein reicht nicht: Wer Rechnungs-Position zu ERP-Konto mappen will, braucht Verständnis vom Inhalt, nicht nur vom Text. Klassische RPA-Workflows brechen bei jedem Layout-Wechsel, weil sie auf festen Pixel- oder Feldpositionen aufsetzen.
Eine LLM-gestützte Pipeline hält stand — wenn sie sauber konfiguriert ist. „Sauber konfiguriert" heisst: ein klar beschriebenes Ziel-Schema, OCR mit Confidence-Scores, ein LLM, das Felder gegen das Schema validiert, und eine Review-Queue, die Low-Confidence-Fälle auffängt statt sie stillschweigend ins ERP zu schreiben. Wer das überspringt, baut sich in sechs Monaten einen Datenbestand, dem niemand mehr vertraut — und damit ist der eigentliche Vorteil weg.
Die Pipeline ist linear und an jeder Stufe messbar. Eingangsdokument (PDF, Scan, Foto-Upload) geht zuerst durch Azure Document Intelligence in der Switzerland region — OCR mit Layout-Erkennung liefert Wort-für-Wort einen Confidence-Score plus die strukturelle Information, was Tabelle, Header, Fliesstext ist. Im zweiten Schritt extrahiert ein LLM (Claude oder Azure OpenAI Switzerland) Felder gemäss einem dokumenttyp-spezifischen Schema: bei einer Rechnung sind das Rechnungsnummer, Datum, Lieferant, Positionen, Total, UID-Nummer; bei einem Vertrag Laufzeit, Kündigungsfrist, Vertragspartner, Vertragswert. Schema-konformes structured output ist Pflicht — kein Freitext zurück.
Stufe drei sind Validierungsregeln post-extraction: Rechnungsbetrag muss zu Positionssumme passen, UID-Nummer muss Swiss-format-konform sein (CHE-XXX.XXX.XXX), Datum muss plausibel im Jahresfenster liegen, Lieferanten-Match gegen Stammdaten. Was durch alle Validierungen läuft und über dem Confidence-Schwellwert liegt, wird in Stufe vier ans ERP geschrieben (oder in die Ziel-DB). Was nicht durchläuft, landet in Stufe fünf — der Review-Queue mit annotiertem Dokument, Reviewer sieht die unsicheren Felder visuell markiert und kann mit zwei Klicks korrigieren. Jede Korrektur wird strukturiert geloggt; aus den Korrektur-Patterns lassen sich Schema- und Prompt-Verbesserungen ableiten.
Wichtig: Der Mensch bleibt im Loop, aber mit reduziertem Volumen. Wer eine 100-%-Automation verspricht, hat die Sonderfälle nicht angeschaut. Die richtige Frage ist nicht „können wir alles automatisieren", sondern „welcher Anteil rechtfertigt den Aufbau einer Pipeline statt Tipp-Arbeit fortzusetzen".
Ein Schweizer Handelsunternehmen — Komposit, kein realer Klient — verarbeitet rund 200 Eingangsrechnungen pro Monat in unterschiedlichen Layouts. Mischung aus klar-strukturierten Lieferanten-Standardrechnungen (gleicher Aufbau seit Jahren, klassischer Easy-Case) und kreativ-strukturierten Sonderfällen: Frachtbriefe mit Tabellen, die quer über mehrere Seiten laufen, Rechnungen mit handschriftlichen Korrekturen über dem gedruckten Betrag, Belege aus dem Ausland in Fremdwährung mit auf den Beleg gestempeltem CHF-Kurs. Vor der Pipeline ging das vollständig durch eine Buchhalterin — drei Tage pro Monat reine Tipp-Arbeit. Nach dem Rollout läuft die Standard-Rechnung ohne menschliche Berührung ins ERP, die Sonderfälle landen in der Review-Queue mit visuell markierten unsicheren Feldern. Die Buchhalterin macht weiter dieselbe Arbeit — aber nur an den Fällen, bei denen es tatsächlich Erfahrung braucht.
Typisches Pattern: Rund 80 bis 90 % der Rechnungen laufen ohne menschliche Berührung ins ERP; die übrigen 10 bis 20 % landen in der Review-Queue. Wichtig: dieser „Rest" sind oft genau die teuren Sonderfälle — die ausländische Rechnung mit drei verschiedenen Mehrwertsteuersätzen, der Frachtbrief mit handschriftlicher Mengenkorrektur, der Bauleistungs-Vertrag mit Abschlagszahlungen. Der Mensch bleibt im Loop — aber mit reduziertem Volumen und an den Stellen, wo Erfahrung wirklich zählt. Direktional ist die Wirkung: substanzielle Zeitersparnis bei wiederkehrenden Dokumenten, gleichzeitig bessere Aufmerksamkeit auf die echten Ausnahmen. Die 80-90 % sind eine wiederkehrende Erfahrungsgrösse, keine veröffentlichte Benchmark; das tatsächliche Verhältnis hängt von Dokumentenqualität, Layout-Stabilität und der Pflege des Validierungs-Regelwerks ab.
Eingangsrechnungen sind mit Abstand der häufigste Use Case, gefolgt von Lieferscheinen, Auftragsbestätigungen, Verträgen (Metadaten-Extraktion: Laufzeit, Vertragspartner, Kündigungsfrist, Vertragswert), Formularen (HR-Eintritte, Bewerbungen, Kundenanmeldungen) und Spesenbelegen. Weniger geeignet: handschriftliche Notizen, bei denen die OCR-Genauigkeit für ein verlässliches Schreiben ins ERP zu niedrig ist, und stark variable rechtliche Dokumente ohne stabiles Schema, bei denen jede Vertragsart einen eigenen Extraktions-Prompt bräuchte. Faustregel: Wenn Sie das Ziel-Schema vorher klar beschreiben können, eignet sich das Dokument für die Pipeline. Bei „ich erkenne es, wenn ich es sehe" bleibt klassische manuelle Bearbeitung mit Stichproben ehrlicher und günstiger.
Mehrere Schichten greifen ineinander. (a) Azure Document Intelligence liefert pro Wort einen Confidence-Score — niedrige Werte werden im LLM-Prompt explizit als unsicher markiert, damit das Modell sie nicht überinterpretiert. (b) Validierungsregeln greifen post-extraction: Rechnungsbetrag muss zur Summe der Positionen passen, UID-Nummer muss dem Swiss-Format entsprechen (CHE-XXX.XXX.XXX), Datum muss im plausiblen Jahresfenster liegen, Lieferant muss in den Stammdaten gefunden werden. (c) Bei jedem Konflikt zwischen OCR-Confidence und Validierungs-Ergebnis landet das Dokument in der Review-Queue mit einem Hinweis, welche Validierung gescheitert ist. Der Reviewer sieht das annotierte Dokument mit visuell markierten unsicheren Feldern und kann mit zwei Klicks korrigieren — die Korrektur wird strukturiert geloggt.
Je nach ERP unterschiedlich. SAP: REST-Adapter über SAP Gateway oder direkt über RFC. Abacus: REST-API. Sage: ODBC oder REST. Bexio: REST-API. Microsoft Dynamics 365 Business Central: OData. Custom-ERPs: die gängigen Wege sind REST, DB-Direktzugriff (read-only Sicht für Stammdaten, niemals Schreibzugriff) oder File-Drop in vorhandene Import-Verzeichnisse (CSV, XML, EDI). Empfehlung: Niemals direkter DB-Schreibzugriff aus der Pipeline — immer über die offizielle API oder den offiziellen Import-Pfad, damit ERP-interne Geschäftslogik (Belegnummern-Kreise, Buchungs-Validierungen, Steuer-Berechnung) nicht umgangen wird. Wo keine API existiert, ist File-Drop in einen überwachten Eingangsordner der nächstbeste Weg.
Dieser Use Case sitzt in der Praktik KI-Engineering und greift in benachbarte Wissens- und Dokumenten-Use-Cases.
Praktik: LLM-Anwendungen in Produktion — RAG-Architekturen, Document Intelligence, Evaluation, Guardrails, Plattformwahl.
Mitarbeitende chatten mit HR-Handbuch, IT-Policies und Vertragsmustern — Antworten mit Quellenangabe, sensible Themen eskaliert.
Agentisches Review von Verträgen und Compliance-Dokumenten gegen interne Policies — mit nachvollziehbarer Begründung.
Eine Dokument-Pipeline lohnt sich ab rund 100 Dokumenten pro Monat mit wiederkehrendem Schema. Bei kleinem Volumen oder hoher Layout-Variabilität ist klassische Tipp-Arbeit oder ein semi-manuelles Tool oft günstiger und ehrlicher. In einem unverbindlichen 30-Minuten-Discovery-Call besprechen wir, ob Ihr Dokumentenfluss und Ihre Schema-Stabilität den Aufwand rechtfertigen.
Discovery-Call anfragen