KI-gestĂĽtzte Rechnungsverarbeitung mit OCR und QuickBooks-Integration
Ein mittelständisches Unternehmen, das monatlich Hunderte von Lieferantenrechnungen verarbeitete, musste die manuelle Dateneingabe eliminieren, indem es Rechnungsdaten automatisch mithilfe von AI/OCR extrahierte und diese direkt mit QuickBooks für die Buchhaltung und Zahlungsverfolgung synchronisierte.
Ihr Projekt besprechen
Die Herausforderung
Die manuelle Rechnungsverarbeitung war langsam, fehleranfällig und ein großer Engpass in der Kreditorenbuchhaltung:
- Volumen — 300-500 Rechnungen/Monat von über 100 Lieferanten in verschiedenen Formaten (PDF, gescannte Bilder, E-Mail-Anhänge)
- Manuelle Eingabe — Jede Rechnung dauerte 3-5 Minuten, um manuell in QuickBooks eingegeben zu werden (gesamt: 25-40 Stunden/Monat)
- Fehlerquote — Eine Fehlerquote von 5-8 % bei der Dateneingabe führte zu Zahlungsdifferenzen und Lieferantenstreitigkeiten
- Formatinkonsistenz — Jeder Lieferant verwendete ein anderes Rechnungsformat, was die vorlagenbasierte OCR unzuverlässig machte
- Fehlende Felder — Rechnungen fehlten oft klare Einzelpostenaufschlüsselungen, was eine Interpretation erforderte
- Duplikaterkennung — Doppelte Rechnungen führten gelegentlich zu Doppelzahlungen
- GL-Code-Zuordnung — Die Zuweisung des korrekten General Ledger-Kontos erforderte institutionelles Wissen
Unsere Lösung
Wir haben eine KI-gestützte Rechnungsverarbeitungs-Pipeline aufgebaut, die OCR für die Textextraktion, LLM-basiertes intelligentes Feld-Parsing und QuickBooks API-Integration für die automatisierte Erstellung von Buchungseinträgen kombiniert.
Architektur
- Erfassung: E-Mail-Listener + Datei-Upload-API + Drag-and-Drop-Dashboard
- OCR-Engine: Cloud-basierte Vision API zur Textextraktion aus PDFs und gescannten Bildern
- AI-Parser: LLM zur intelligenten Feldextraktion und -interpretation
- Validierung: Regelbasierte Validierungs-Engine mit Konfidenzbewertung
- Buchhaltungsintegration: QuickBooks Online API zur Rechnungserstellung und Lieferantenabgleich
- Dashboard: React-Admin-Oberfläche für Überprüfung, Genehmigung und Ausnahmebehandlung
- Datenbank: PostgreSQL für Rechnungsdatensätze, Audit Trail und Lieferantenzuordnungen
- Warteschlange: Asynchrone Job-Warteschlange fĂĽr die Stapelverarbeitung
Verarbeitungs-Pipeline
Phase 1: Erfassung
Rechnungen gelangen über mehrere Kanäle in das System:
- E-Mail-Weiterleitung — Spezielle E-Mail-Adresse, die von einem IMAP-Listener überwacht wird
- Datei-Upload — Drag-and-Drop-Oberfläche im Admin-Dashboard
- API-Upload — Programmatische Übermittlung von anderen Systemen
- Massenimport — Stapel-Upload von freigegebenen Laufwerken
UnterstĂĽtzte Formate: PDF, PNG, JPG, TIFF, HEIC, mehrseitige PDFs
Phase 2: OCR-Textextraktion
- Vorverarbeitung — Bildverbesserung (Entzerrung, Kontrastanpassung, Rauschunterdrückung) für gescannte Dokumente
- Textextraktion — Cloud Vision API extrahiert den gesamten Text mit räumlicher Positionierung
- Layoutanalyse — Räumliche Positionierung zur Identifizierung von Tabellen, Kopf- und Fußzeilen sowie Einzelposten
- Konfidenzbewertung — Pro-Zeichen-OCR-Konfidenz wird verfolgt; Bereiche mit geringer Konfidenz zur Überprüfung markiert
Phase 3: AI-gestĂĽtzte Feldextraktion
Das LLM empfängt den rohen OCR-Text und extrahiert strukturierte Rechnungsdaten, einschließlich Lieferanteninformationen (Name, Adresse), Rechnungsidentifikatoren (Nummer, Daten, PO-Referenz), Finanzdaten (Zwischensumme, Steuer, Gesamtbetrag, Währung, Zahlungsbedingungen) und einzelner Posten mit Beschreibungen, Mengen und Beträgen.
Die Extraktion verwendet strukturierte Ausgabeschemata, Few-Shot-Beispiele für Grenzfälle, Chain-of-Thought-Reasoning für mehrdeutige Felder und eine feldweise Konfidenzbewertung.
Phase 4: Validierung & Anreicherung
Bevor ein QuickBooks-Eintrag erstellt wird, durchlaufen die extrahierten Daten eine Validierung:
Automatisierte Prüfungen:- Mathematische Validierung — Einzelpostenbeträge werden gegen die Zwischensumme geprüft; Zwischensumme + Steuer werden gegen den Gesamtbetrag geprüft
- Duplikaterkennung — Rechnungsnummer + Lieferant + Betrag werden mit bestehenden Datensätzen abgeglichen
- Datumskonsistenz — Rechnungsdatum nicht in der Zukunft; Fälligkeitsdatum nach Rechnungsdatum
- Lieferantenabgleich — Fuzzy-Abgleich des Lieferantennamens mit der QuickBooks-Lieferantenliste
- GL-Code-Vorschlag — AI schlägt ein General Ledger-Konto basierend auf der Lieferantenhistorie und Einzelpostenbeschreibungen vor
- Betragsschwelle — Rechnungen über einem konfigurierbaren Schwellenwert werden zur manuellen Genehmigung markiert
- Hohe Konfidenz Rechnungen werden automatisch genehmigt (alle Felder extrahiert, mathematische PrĂĽfungen bestanden, Lieferant abgeglichen)
- Mittlere Konfidenz Rechnungen gelangen in eine ĂśberprĂĽfungswarteschlange (einige unsichere Felder oder neuer Lieferant)
- Geringe Konfidenz Rechnungen erfordern eine manuelle Eingabe (schlechte OCR-Qualität oder unstrukturiertes Format)
Phase 5: QuickBooks-Integration
Lieferantenabgleich & -erstellung:Extrahierte Lieferantennamen werden per Fuzzy-Abgleich mit der bestehenden QuickBooks-Lieferantenliste abgeglichen. Wenn ein Treffer ĂĽber einem Konfidenzschwellenwert gefunden wird, wird der bestehende Lieferant verknĂĽpft. Andernfalls wird ein neuer Lieferant mit den extrahierten Informationen erstellt und fĂĽr zukĂĽnftige Rechnungen zwischengespeichert.
Rechnungserstellung:QuickBooks-Rechnungsobjekte werden aus validierten Rechnungsdaten erstellt, wobei die Einzelposten den entsprechenden GL-Konten zugeordnet, Steuerbeträge angewendet, Zahlungsbedingungen festgelegt und das ursprüngliche Rechnungs-PDF angehängt wird. Der interne Datensatz wird mit der QuickBooks-Rechnungs-ID referenziert.
GL-Kontenzuordnung:- Regelbasiert — Lieferantenspezifische GL-Zuordnungen für bekannte Lieferanten
- AI-Vorschlag — LLM analysiert Einzelpostenbeschreibungen und schlägt Konten basierend auf historischen Mustern vor
- Lernschleife — Manuelle Korrekturen werden zurückgespielt, um zukünftige Vorschläge zu verbessern
- Standard-Fallback — Nicht zugeordnete Posten werden einem Sammelkonto für eine spätere Überprüfung zugewiesen
QuickBooks API-Integration
Authentifizierung
- OAuth 2.0 mit automatischer Token-Aktualisierung
- Sichere Speicherung von Anmeldeinformationen mit VerschlĂĽsselung im Ruhezustand
- UnterstĂĽtzung fĂĽr mehrere Unternehmen fĂĽr Firmen mit mehreren QuickBooks-Dateien
Fehlerbehandlung
- Beachtung von API-Ratenbegrenzungen mit exponentiellem Backoff
- Wiederholungslogik für transiente Fehler mit zunehmenden Verzögerungen
- Konfliktlösung zur Verhinderung doppelter Datensätze
- Rollback fehlgeschlagener Teilerstellungen zur Verhinderung verwaister Datensätze
Dashboard & Workflow
Rechnungswarteschlange
Rechnungen sind nach Status organisiert: zur ĂśberprĂĽfung ausstehend, automatisch genehmigt, Ausnahmen (fehlgeschlagene Validierung oder API-Fehler) und abgeschlossen (mit QuickBooks synchronisiert).
Überprüfungsoberfläche
- Side-by-Side-Ansicht: Originalrechnung neben extrahierten Daten
- Inline-Bearbeitung fĂĽr korrigierte Felder mit Diff-Hervorhebung
- Genehmigen/Ablehnen mit einem Klick und optionalen Notizen
- Stapelgenehmigung fĂĽr mehrere Rechnungen desselben Lieferanten
Analysen
- Verfolgung des Verarbeitungsvolumens (täglich/wöchentlich/monatlich)
- Ăśberwachung der automatischen Genehmigungsrate (Ziel: 70%+)
- Durchschnittliche Verarbeitungszeit pro Rechnung
- Fehlerquote und häufige Fehlerursachen
- Kosteneinsparungen gegenĂĽber manueller Verarbeitung
- Lieferantenspezifische Genauigkeitstrends
Hauptmerkmale
- Multi-Format-OCR — PDFs, Scans, Fotos und mehrseitige Dokumente
- AI-Feldextraktion — LLM-gestütztes Parsing verarbeitet jedes Rechnungs-Layout ohne Vorlagen
- Konfidenzbewertung — Automatische Weiterleitung basierend auf der Extraktionssicherheit
- Duplikaterkennung — Verhindert Doppelzahlungs bei erneut eingereichten Rechnungen
- Automatischer Lieferantenabgleich — Fuzzy-Abgleich verknüpft Rechnungen mit bestehenden QuickBooks-Lieferanten
- GL-Code-Vorschlag — AI empfiehlt Sachkonten basierend auf historischen Mustern
- QuickBooks Auto-Synchronisierung — Rechnungen mit Einzelposten, Steuer und angehängtem PDF erstellt
- Lernschleife — Manuelle Korrekturen verbessern die zukünftige Extraktionsgenauigkeit
- Stapelverarbeitung — Verarbeitung Hunderter Rechnungen über E-Mail-Weiterleitung oder Massen-Upload
- Audit Trail — Vollständiges Protokoll jedes Extraktions-, Bearbeitungs-, Genehmigungs- und Synchronisierungsereignisses
Ergebnisse
Technologie-Stack
caseStudyDetail.more Fallstudien
Entdecken Sie mehr unserer technischen Implementierungen
Clientseitige Anzeigeninsertion (CSAI) mit SCTE-35 Marker-Parsing & Multi-Plattform-Player-Integration
Eine Video-Streaming-Plattform musste die Clientseitige Anzeigeninsertion (CSAI) über Web-, Mobil- und Connected TV-Apps hinweg implementieren – was personalisierte, gerätespezifische Anzeigenerlebnisse mit vollständiger Unterstützung der Anzeigeninteraktion (anklickbare Overlays, Companion-Banner, Skip-Buttons) ermöglicht, die serverseitige Insertion nicht bieten kann.
KI-gestĂĽtzte Plattform zum Scraping und zur Generierung von Blog-Inhalten
Ein Medienunternehmen benötigte eine intelligente Content-Plattform, die die Erstellung von Blog-Inhalten automatisieren konnte, indem sie bestehende Webinhalte scrapte, diese mithilfe von AI analysierte und originelle, SEO-optimierte Blog-Beiträge aus den extrahierten Daten generierte.
Bereit, Ihr Unternehmen zu transformieren?
Lassen Sie uns besprechen, wie wir ähnliche Lösungen für Ihre Herausforderungen anwenden können.