KI-gestützte Rechnungsverarbeitung mit OCR und QuickBooks-Integration

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 für 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

Unterstützte Formate: PDF, PNG, JPG, TIFF, HEIC, mehrseitige PDFs

Phase 2: OCR-Textextraktion

1. Vorverarbeitung — Bildverbesserung (Entzerrung, Kontrastanpassung, Rauschunterdrückung) für gescannte Dokumente
2. Textextraktion — Cloud Vision API extrahiert den gesamten Text mit räumlicher Positionierung
3. Layoutanalyse — Räumliche Positionierung zur Identifizierung von Tabellen, Kopf- und Fußzeilen sowie Einzelposten
4. Konfidenzbewertung — Pro-Zeichen-OCR-Konfidenz wird verfolgt; Bereiche mit geringer Konfidenz zur Überprüfung markiert

Phase 3: AI-gestützte 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

Konfidenzklassifikation:

• Hohe Konfidenz Rechnungen werden automatisch genehmigt (alle Felder extrahiert, mathematische Prüfungen bestanden, Lieferant abgeglichen)
• Mittlere Konfidenz Rechnungen gelangen in eine Überprüfungswarteschlange (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 über einem Konfidenzschwellenwert gefunden wird, wird der bestehende Lieferant verknüpft. Andernfalls wird ein neuer Lieferant mit den extrahierten Informationen erstellt und für zukünftige 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 Verschlüsselung im Ruhezustand
• Unterstützung für mehrere Unternehmen für 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 Überprüfung 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 für korrigierte Felder mit Diff-Hervorhebung
• Genehmigen/Ablehnen mit einem Klick und optionalen Notizen
• Stapelgenehmigung für mehrere Rechnungen desselben Lieferanten

Analysen

• Verfolgung des Verarbeitungsvolumens (täglich/wöchentlich/monatlich)
• Überwachung der automatischen Genehmigungsrate (Ziel: 70%+)
• Durchschnittliche Verarbeitungszeit pro Rechnung
• Fehlerquote und häufige Fehlerursachen
• Kosteneinsparungen gegenüber manueller Verarbeitung
• Lieferantenspezifische Genauigkeitstrends

Hauptmerkmale

1. Multi-Format-OCR — PDFs, Scans, Fotos und mehrseitige Dokumente
2. AI-Feldextraktion — LLM-gestütztes Parsing verarbeitet jedes Rechnungs-Layout ohne Vorlagen
3. Konfidenzbewertung — Automatische Weiterleitung basierend auf der Extraktionssicherheit
4. Duplikaterkennung — Verhindert Doppelzahlungs bei erneut eingereichten Rechnungen
5. Automatischer Lieferantenabgleich — Fuzzy-Abgleich verknüpft Rechnungen mit bestehenden QuickBooks-Lieferanten
6. GL-Code-Vorschlag — AI empfiehlt Sachkonten basierend auf historischen Mustern
7. QuickBooks Auto-Synchronisierung — Rechnungen mit Einzelposten, Steuer und angehängtem PDF erstellt
8. Lernschleife — Manuelle Korrekturen verbessern die zukünftige Extraktionsgenauigkeit
9. Stapelverarbeitung — Verarbeitung Hunderter Rechnungen über E-Mail-Weiterleitung oder Massen-Upload
10. Audit Trail — Vollständiges Protokoll jedes Extraktions-, Bearbeitungs-, Genehmigungs- und Synchronisierungsereignisses